![]() ![]() ![]() ![]() The BraTS 2020 dataset is used in this study to test the egmentation performance of the suggested technique. The proposed methodology consists of an automated segmentation of brain tumors with the use of neural networks in particular U-Net and Attention U-Net, which are mainly used for fast and accurate segmentation of biomedical images. Currently, different methodologies in the literature implement the tumor segmentation technique to improve the diagnosis and treatment plan. Brain tumor segmentation is a key factor for the analysis of gliomas, it involves the delineation of the different tumor regions including peritumoral edema, enhancing tumor, and tumor core. Detecting the presence of brain tumors using magnetic resonance images in a rapid, precise, and reproducible manner is a difficult but still necessary task. They have a 5-year relative survival rate of about 7.2 \%, which means that only 7.2 \% of people diagnosed with glioblastoma will live 5 years after diagnosis the median survival time is about 8 months. Regardless of the diagnosis, the morbidity and mortality represented by a tumor located in the brain remain significant. Glioblastoma is the most common malignant primary brain tumor, accounting for over 48.6 \% of all malignant primary brain tumors, and 14.5 \% of all primary brain tumors. Los resultados muestran que ambos enfoques tienen un potencial considerable y pueden emplearse en la práctica clínica en la segmentación de varias subregiones de tumores cerebrales.Ī brain tumor is a mass of abnormal cells that grow uncontrollably in the brain or central spine. El estudio presenta y analiza otras evaluaciones cuantitativas y cualitativas. De igual manera, para el modelo de Attention U-Net, se alcanzó una un coeficiente de 0,8829, 0,7233 y 0,8090. Asimismo se valoró el coeficiente de Sorensen, el modelo U-Net obtuvó valores para el edema peritumoral, tumor en aumento y núcleo del tumor de 0,8453, 0,695 y 0,7429 respectivamente. Se obtuvó una precisión de 0,9950 para ambos modelos, y una sensibilidad de 0,9931 y 0,9891 para los modelos U-Net y Attention U-Net, respectivamente. Estos metodos se evaluarón en elconjunto de datos BraTS 2020. La metodología propuesta consiste en una egmentación automatizada de tumores cerebrales con el uso de redes neuronales en particular U-Net y Attention U-Net, ambas arquitecturas son altamente empleadas para la segmentación rápida y precisa de imágenes biomédicas. Actualmente, existen diferentes metodologías en la literature que implementan la técnica de segmentación tumoral para mejorar el diagnóstico y el plan de tratamiento. La segmentación de los tumores cerebrales es un factor clave para el análisis de los gliomas, implica la delineación de las diferentes regiones tumorales, incluyendo el edema peritumoral, el tumor realzante y el núcleo del tumor. Detectar la presencia de tumores cerebrales mediante imágenes de resonancia magnética de forma rápida, precisa y reproducible es una tarea difícil pero necesaria. La tasa de supervivencia relativa a los 5 años es de aproximadamente el 7,2 \%, lo que significa que sólo el 7,2 \% de las personas diagnosticadas con glioblastoma vivirán 5 años después del diagnóstico la supervivencia media es de aproximadamente 8 meses. Independientemente del diagnóstico, la morbilidad y la mortalidad que representa un tumor localizado en el cerebro siguen siendo importantes. El glioblastoma es el tumor cerebral primario maligno más frecuente, ya que representa más del 48.6 \% de todos los tumores cerebrales primarios malignos, y el 14.5 \% de todos los tumores cerebrales primrios. Un tumor cerebral es una masa de células anormales que crece de forma incontrolada en el cerebro o en la columna vertebral. Universidad de Investigación de Tecnología Experimental Yachay Please use this identifier to cite or link to this item:īrain tumor segmentation based on 2D U-Net using MRI multi-modalities brain images ![]()
0 Comments
Leave a Reply. |
AuthorWrite something about yourself. No need to be fancy, just an overview. ArchivesCategories |