Defensa Tesis Licenciatura Julian Palladino
21 febrero, 2020 @ 2:30 pm - 3:30 pm
La segmentación automática es uno de los problemas más importantes en el campo de visión por computadora aplicado al análisis de imágenes médicas. En particular, la segmentación de estructuras anatómicas y patológicas en imágenes de resonancia magnética cerebrales (MRI, por sus siglas en inglés) es una tarea fundamental en el ámbito de neuroimágenes (por ejemplo, para el análisis morfométrico de cerebro o el planeamiento de radioterapia).Las redes neuronales convolucionales (CNN) específicamente diseñadas para segmentación de imágenes biomédicas (tales como U-Net o DeepMedic) han superado toda técnica previa en esta labor. Sin embargo, son extremadamente dependientes de los datos y sólo mantienen un buen rendimiento cuando no hay cambios entre las distribuciones de datos de entrenamiento y de evaluación. Este escenario ocurre frecuentemente en la práctica, ya que variar la marca, el modelo o los parámetros de adquisición del equipo de resonancia magnética utilizado tiene gran impacto en la distribución de las MRI que genera. En otras palabras, dichas variciones generan un cambio en el «dominio» del que provienen las imágenes. Para poder hacer frente a este problema y reutilizar modelos que han sido entrenados en dominios diferentes, se utilizan técnicas de «adaptación de dominio».
En este trabajo se propone una estrategia no supervisada de adaptación de dominio basada en redes neuronales adversarias de consistencia cíclica (CycleGAN), cuyo objetivo es aprender una función «traductora» que transforme eficazmente imágenes de resonancia magnética volumétricas a través de distintos dominios. Para ello, se implementaron modelos de CycleGAN en 2D y 3D, y se verificó que ambos permiten reducir la divergencia de Jensen-Shannon entre dominios de MRI, lo cual posibilita una segmentación automática con modelos de CNN sobre dominios donde no se tienen datos etiquetados.
