Segmentación 3D de tumores cerebrales y clasificación oncológica por aprendizaje automático

Abstract

El presente trabajo aborda la problemática de la segmentación de tejidos tumorales y la clasificación patológica mediante técnicas de aprendizaje automático en gliomas, los tumores más comunes del sistema nervioso central. Tradicionalmente, la segmentación se ha llevado a cabo mediante métodos manuales, que pueden ser subjetivos y están propensos a errores debido a la complejidad estructural de estas neoplasias. Por otro lado, el proceso de clasificación de grado tumoral a menudo requiere herramientas que no siempre están disponibles o procedimientos invasivos, los cuales pueden ser inviables cuando el tumor está ubicado en una zona de difícil acceso. Esto subraya la importancia de desarrollar herramientas no invasivas y fácilmente accesibles que permitan automatizar estos procesos de manera eficaz. Este estudio propone el desarrollo de un algoritmo de segmentación utilizando las arquitecturas U-Net3D y V-Net, diseñadas para diferenciar entre el edema peritumoral, el tumor realzado y el tumor necrótico/no realzado, así como el tejido saludable. Paralelamente, se han implementado modelos de clasificación para distinguir gliomas de alto y bajo grado mediante tres experimentos analíticos, que incluyeron el uso de descriptores extraídos de la totalidad del cerebro, del tumor completo y de las distintas clases de tejidos tumorales, utilizando técnicas de Random Forest y Máquinas de Soporte Vectorial. Estas metodologías se han aplicado sobre un conjunto robusto de imágenes por resonancia magnética, con el objetivo de entrenar modelos precisos y generalizables, mejorando así la precisión diagnóstica y la eficacia de los tratamientos, lo que contribuye significativamente a la supervivencia y mejora de la calidad de vida de los pacientes. Los resultados obtenidos en este estudio indican que la arquitectura V-Net tiene un mejor desempeño en la segmentación de tejidos tumorales, demostrando una mayor precisión y consistencia al diferenciar entre las diversas estructuras patológicas. Además, se observó una mejora notable en la clasificación de grado tumoral al utilizar descriptores extraídos específicamente de los tejidos tumorales segmentados con el modelo de Random Forest. Estos hallazgos sugieren que la adopción de técnicas avanzadas de aprendizaje automático puede mejorar significativamente la precisión diagnóstica y la personalización de los tratamientos en oncología neurológica, abriendo caminos hacia intervenciones menos invasivas y más dirigidas.