Machine learning models for automatic segmentation of brain lesion in MRI images

Abstract

[spa] En este trabajo se pretende explorar distintos modelos de aprendizaje automático para segmentar una lesión en el cerebro causada por el tratamiento HIFU a pacientes con Temblor Esencial. Para ello, primero se extraen diferentes conjuntos de características para experimentar con algoritmos de clustering, que son el Gaussian Mixture Model (GMM) y KMeans, y de aprendizaje supervisado, que son las Support Vector Machines (SVM) y Random Forest (RF). Sin embargo, ninguno de estos algoritmos ofrece buenos resultados. Posteriormente se entrenan dos redes neuronales convolucionales, la UNet y la VNet. La principal diferencia entre ambas es que la primera procesa imágenes en dos dimensiones mientras que la segunda lo hace en tres dimensiones. En esta ocasión los resultados mejoran considerablemente. Entre ambas redes, es la VNet la que arroja resultados más prometedores.

[eng] This paper aims to explore different machine learning models for segmenting a brain lesion caused by HIFU treatment of patients with Essential Tremor. To do so, we first extract different feature sets to experiment with clustering algorithms (Gaussian Mixture Model and K-Means) and supervised learning algorithms (Support Vector Machines and Random Forest). However, none of these algorithms gives good results. Subsequently, two convolutional neural networks, UNet and VNet, are trained. The main difference between the two is that the former processes images in two dimensions while the latter processes images in three dimensions. On this occasion, the results are considerably better. Between the two networks, it is the VNet that shows the most promising results.