El accidente cerebro-vascular (ACV) ocupa el segundo lugar en las principales causas de muerte al 2016. El 87% de estos casos son isquémicos [5] , posicionándolos dentro de los problemas de salud más importantes del mundo. Estos antecedentes refuerzan la necesidad de realizar estudios que lleven a la construcción de técnicas y herramientas que permitan enfrentar el desafío que significa salvar vidas y reducir las consecuencias físicas y cognitivas. Para decidir sobre el tratamiento del paciente es necesario contar con detalles sobre el volumen del núcleo y ubicación del ACV. Existen distintas técnicas que permiten obtener imágenes del cerebro, en particular de su flujo sanguíneo. Entre técnicas de diagnóstico por imagen encontramos dos opciones ocupadas con gran frecuencia: resonancia magnética (RM) y tomografía computarizada (TC) multimodal.
El campo de la segmentación automatizada de este tipo de lesiones, utilizando perfusión por TC, se abre hace pocos años con la cuarta versión del desafío ISLES en 2018, donde por primera vez se incluye este tipo de imágenes en un set de datos públicos[16]. Sin embargo, el uso de redes neuronales convolucionales (CNN) ha sido estudiado desde antes, tras demostrarse
su buen rendimiento en temas relativos a la visión computacional se hizo de interés y dio paso al desarrollo de frameworks de segmentación biomédica con excelentes resultados[17, 35, 7, 23]. Albert Clèrigues et al.[20] propone un método que se utiliza para segmentar el accidente cerebro-vascular, el cual se detallará exhaustivamente. Lo anterior con el fin de poder proponer
modificaciones a este y comparar ambos modelos. Por ultimo, fue posible concluir bajo el estudio de los gráficos y métricas obtenidas de las pruebas realizadas con las distintas configuraciones tanto para ADADELTA y ADAM, que al efectuar una validación cruzada de estos métodos, el desempeño de la CNN utilizando el algoritmo de optimización ADAM esta a la altura para competir con herramientas del estado del arte
Informe final
El accidente cerebro-vascular (ACV) ocupa el segundo lugar en las principales causas de muerte al 2016. El 87% de estos casos son isquémicos [5] , posicionándolos dentro de los problemas de salud más importantes del mundo. Estos antecedentes refuerzan la necesidad de realizar estudios que lleven a la construcción de técnicas y herramientas que permitan enfrentar el desafío que significa salvar vidas y reducir las consecuencias físicas y cognitivas. Para decidir sobre el tratamiento del paciente es necesario contar con detalles sobre el volumen del núcleo y ubicación del ACV. Existen distintas técnicas que permiten obtener imágenes del cerebro, en particular de su flujo sanguíneo. Entre técnicas de diagnóstico por imagen encontramos dos opciones ocupadas con gran frecuencia: resonancia magnética (RM) y tomografía computarizada (TC) multimodal.
El campo de la segmentación automatizada de este tipo de lesiones, utilizando perfusión por TC, se abre hace pocos años con la cuarta versión del desafío ISLES en 2018, donde por primera vez se incluye este tipo de imágenes en un set de datos públicos[16]. Sin embargo, el uso de redes neuronales convolucionales (CNN) ha sido estudiado desde antes, tras demostrarse
su buen rendimiento en temas relativos a la visión computacional se hizo de interés y dio paso al desarrollo de frameworks de segmentación biomédica con excelentes resultados[17, 35, 7, 23]. Albert Clèrigues et al.[20] propone un método que se utiliza para segmentar el accidente cerebro-vascular, el cual se detallará exhaustivamente. Lo anterior con el fin de poder proponer
modificaciones a este y comparar ambos modelos. Por ultimo, fue posible concluir bajo el estudio de los gráficos y métricas obtenidas de las pruebas realizadas con las distintas configuraciones tanto para ADADELTA y ADAM, que al efectuar una validación cruzada de estos métodos, el desempeño de la CNN utilizando el algoritmo de optimización ADAM esta a la altura para competir con herramientas del estado del arte
Ingeniería Civil Informática