Segmentation of brain tumors with convolutional neural networks

Trujillo Jiménez, Diego (2021). Segmentation of brain tumors with convolutional neural networks. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. de Sistemas Informáticos (UPM), Madrid.

Description

Title: Segmentation of brain tumors with convolutional neural networks
Author/s:
  • Trujillo Jiménez, Diego
Contributor/s:
  • Gómez Martín, Francisco
Item Type: Final Project
Degree: Grado en Ingeniería del Software
Date: July 2021
Subjects:
Freetext Keywords: Cáncer; Escáneres; Biomedicina
Faculty: E.T.S.I. de Sistemas Informáticos (UPM)
Department: Matemática Aplicada a las Tecnologías de la Información y las Comunicaciones
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img] PDF - Users in campus UPM only - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (2MB)

Abstract

Se presenta un flujo de trabajo completo para el diseño e implementación de modelos de Machine Learning para la segmentación de escáneres biomédicos, y en particular, escáneres cerebrales. El objetivo es la segmentación automática, rápida y precisa de gliomas y glioblastomas, la forma más común de tumores cerebrales cancerígenos. Se presentan métodos para el diseño y la construcción rápida y eficiente de módulos de preprocesamiento, aumentación de datos y entrenamiento de modelos de Machine Learning. Utilizando estos módulos, implementamos un modelo del estado del arte para la segmentación de imágenes biomédicas (U-Net). A continuación diseñamos e implementamos una variante de U-Net basada en la tecnología Inception, asi como un modelo que agrega las predicciones de varios modelos independientes para obtener una predicción más robusta. Los modelos se entrenan y evalúan con el conjunto de datos del desafío BraTS 2020 para segmentación de glioma y glioblastoma en imágenes de resonancia magnética (MRI). El modelo U-Net basado en Inception obtiene métricas Dice para el tumor completo, el núcleo del tumor y la necrosis de 0.8983, 0.8558 y 0.7475, respectivamente. El modelo conjunto obtiene métricas Dice de 0.7688, 0.6397 y 0.2046 para las mismas regiones. Abstract: In this bachelor thesis, we present a complete workflow for machine-learning based medical image segmentation, and especially brain imaging. In particular, we focus on the automatic and precise segmentation of gliomas and glioblastomas, the most common form of malignant brain tumor. We offer methods for building fast and efficient pipelines for preprocessing, data augmentation and model training. We implement a state-of-the-art U-Net model using this work flow. We then design and implement an Inception-based U-Net variant, as well as an ensemble method to aggregate predictions from a number of U-Net-like models. The models are trained on the BraTS 2020 challenge dataset for segmentation of glioma and glioblastoma. For the Inception U-Net the Dice scores for the whole tumor, tumor core and enhancing tumor core are 0.8983, 0.8558 and 0.7475, respectively. The ensemble model achieves Dice scores of 0.9081, 0.8532 and 0.7445 for the same regions

More information

Item ID: 68232
DC Identifier: https://oa.upm.es/68232/
OAI Identifier: oai:oa.upm.es:68232
Deposited by: Biblioteca Universitaria Campus Sur
Deposited on: 19 Aug 2021 15:21
Last Modified: 19 Aug 2021 15:21
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM