Segmentación de lesiones a partir de imágenes de resonancia magnética en pacientes con lesiones cerebrales.

Abstract

La segmentación automática de lesiones en imágenes médicas constituye un área de investigación fundamental para apoyar el diagnóstico y seguimiento de enfermedades neurológicas. En este Trabajo de Fin de Grado se aborda el problema de la segmentación de lesiones en imágenes de resonancia magnética (MRI) de pacientes con metástasis y esclerosis múltiple, con el objetivo de evaluar el rendimiento de diferentes arquitecturas de aprendizaje profundo aplicadas a este tipo de datos. Para ello, se han empleado dos conjuntos de datos públicos procedentes de fuentes abiertas, que fueron sometidos a un proceso de organización, conversión y normalización previo al entrenamiento. A partir de dichos datos, se entrenaron y compararon dos modelos basados en la infraestructura del algoritmo nnU-Net v2: el modelo original de referencia y una versión modificada denominada UMamba, que introduce módulos de tipo State Space Model para mejorar la capacidad de representación espacial y contextual de la red. El trabajo describe de forma detallada el flujo de preprocesamiento, entrenamiento y evaluación seguido, y presenta un análisis comparativo de los resultados obtenidos mediante métricas de segmentación como el coeficiente Dice. Finalmente, se exponen las principales conclusiones, limitaciones del estudio y posibles líneas de investigación futura orientadas a mejorar la segmentación automática de lesiones cerebrales.