Mejorando la generalizabilidad del aprendizaje profundo para la segmentación de lesiones T2 de gliomas en el entorno post-tratamiento
Autores: Ellison, Jacob; Caliva, Francesco; Damasceno, Pablo; Luks, Tracy L.; LaFontaine, Marisa; Cluceru, Julia; Kemisetti, Anil; Li, Yan; Molinaro, Annette M.; Pedoia, Valentina; Villanueva-Meyer, Javier E.; Lupo, Janine M.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Mejorando la generalizabilidad del aprendizaje profundo para la segmentación de lesiones T2 de gliomas en el entorno post-tratamiento
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Aprendizaje profundo
Gliomas
Segmentación
Aprendizaje por transferencia
Regularización espacial
Evaluación de respuesta
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
Aunque los enfoques volumétricos completamente automatizados para monitorear la respuesta de tumores cerebrales tienen muchas ventajas, la mayoría de los modelos de aprendizaje profundo disponibles están optimizados para resonancias magnéticas de múltiples contrastes altamente curadas de gliomas recién diagnosticados, que no son representativos de los casos posteriores al tratamiento en la clínica. Mejorar la segmentación para pacientes tratados es fundamental para rastrear con precisión los cambios en la respuesta a la terapia.
Descripción
Aunque los enfoques volumétricos completamente automatizados para monitorear la respuesta de tumores cerebrales tienen muchas ventajas, la mayoría de los modelos de aprendizaje profundo disponibles están optimizados para resonancias magnéticas de múltiples contrastes altamente curadas de gliomas recién diagnosticados, que no son representativos de los casos posteriores al tratamiento en la clínica. Mejorar la segmentación para pacientes tratados es fundamental para rastrear con precisión los cambios en la respuesta a la terapia.