Reconocimiento de materias gris y blanca en segmentación de imágenes cerebrales utilizando un perceptrón multicapa y superpíxeles

Resumen

La correcta segmentación de los tejidos cerebrales en imágenes de resonancia magnética ayuda al desarrollo de diagnósticos de mayor precisión. Se propone un modelo que permite la segmentación de tejidos blandos en imágenes de resonancia magnética cerebral, donde se discriminan entre sustancia gris, sustancia blanca y fondo de la imagen. Para segmentar las imágenes se utilizó el algoritmo de agrupamiento iterativo lineal simple de superpíxeles, además de utilizar una red neuronal artificial del tipo perceptrón multicapa para la clasificación de las partes blandas de las imágenes. Para medir la calidad de la clasificación en la segmentación se utilizó el coeficiente de Sorensen-Dice, así como también se compararon los resultados de la metodología propuesta contra el algoritmo k-medias. La metodología propuesta alcanzó un coeficiente de Sorensen-Dice de 0.921 y 0.963, para sustancia gris y blanca, respectivamente, para imágenes con 0% de ruido, mientras que las k-medias solo alcanzaron 0.911 y 0.958 en las mismas condiciones. En imágenes con un 9% de ruido, la diferencia fue aún mayor con una clasificación entre sustancia gris y blanca de 0.863 y 0.937, respectivamente, mientras que para el algoritmo k-medias disminuyó a 0.805 y 0.901, respectivamente. Cuando la imagen se divide en superpíxeles, la estructura de las regiones del cerebro se conserva mejor que otras metodologías como k-medias. Por tanto, la red neuronal trabaja individualmente en la clasificación con cada superpíxel. Se demostró que una red de perceptrones multicapa se puede utilizar como clasificador de precisión del tejido cerebral en imágenes de resonancia magnética