Método de segmentación automática de hígado en imágenes de resonancia magnética utilizando un modelo de aprendizaje automático

Abstract

Se propone un modelo de segmentación automática de hígado en imágenes de resonancia magnética utilizando técnicas de aprendizaje profundo, para luego compararlo con dos modelos del estado del arte. Esto se realiza utilizando el Duke Liver Dataset para entrenar y validar el modelo propuesto, basado en una arquitectura 3D U-Net. El modelo propuesto demostró ser competitivo y robusto, superando en pruebas a modelos disponibles del estado del arte. Los resultados son relevantes porque proporcionan una herramienta estandarizada y accesible que puede mejorar significativamente la eficiencia en el diagnóstico y los preparativos preoperatorios en enfermedades hepáticas crónicas.

A model for automatic liver segmentation in MR imaging using deep learning techniques is proposed, and it is then compared with two state-of-the-art models. This is achieved by using the Duke Liver Dataset to train and validate the proposed model, which is based on a 3D U-Net architecture. The proposed model has proven to be competitive and robust, outperforming existing state-of-the-art models in testing. The results are significant because they provide a standardized and accessible tool that can greatly enhance the efficiency in diagnosing and preoperative planning in chronic liver diseases.