Resumen de Grey and white matter recognition in brain image segmentation using multilayer perceptron and superpixels

Bryan Louis Medina, Julio César Martínez Romo, Francisco Javier Luna Rosas, David Asael Gutiérrez Hernández, Miguel Mora González

• español

  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

• English

  The correct segmentation of brain tissues in magnetic resonances images helps the development of higher accuracy diagnoses. A model that allows segmentation soft tissue in brain magnetic resonance images is proposed, where are discriminated between grey matter, white matter and background. To segment images, the single linear iterative clustering of superpixels algorithm was used, as well as the classification between the soft matters of the images was carried out with an artificial neural network of the multilayer perceptron type. To measure the quality of the classification in the segmentation, the Sorensen-Dice coefficient was used, as well as the results of the proposed methodology was compared against the k-means algorithm. The proposed methodology reached a Sorensen-Dice coefficient of 0.921 and 0.963, for gray and white matter, respectively, for images with 0% noise, while the k-means only reached 0.911 and 0.958 under the same conditions. In images with 9% noise, the difference was even greater, with a 0.863 and 0.937 classification between grey and white matter, respectively, while for the k-means algorithm it decreased to 0.805 and 0.901, respectively. When the image is dividing in superpixels the structure of the brain regions is better preserved than other methodologies as kmeans. Therefore, the neural network works individually in the classification with each superpixel.

  Where a multilayer perceptron network can be used as accuracy classifier of brain tissue in magnetic resonance imaging was proven.