Resumen: Los gliomas, uno de los tumores cerebrales primarios más comunes, varían ampliamente en agresividad, pronóstico e histología, lo que hace que el tratamiento sea un desafío debido a intervenciones quirúrgicas complejas y que requieren mucho tiempo. Este estudio presenta un modelo triplanar (2.5D) basado en U-Net residual recurrente activado por atención (R2U-Net) para mejorar la segmentación de tumores cerebrales. El modelo propuesto mejora la representación de características y la precisión de la segmentación al integrar arquitecturas residuales, recurrentes y triplanares mientras mantiene la eficiencia computacional, lo que potencialmente ayuda a una mejor planificación del tratamiento. El método propuesto logra una puntuación de similitud de dados (DSC) de 0,900 para la segmentación de tumores completos (WT) en el conjunto de validación BraTS2021, lo que demuestra un rendimiento comparable al de los modelos líderes. Además, la red triplanar extrae 64 características por modelo plano para la predicción de días de supervivencia, que se reducen a 28 utilizando una red neuronal artificial (ANN). Este enfoque logra una precisión del 45,71 %, un error cuadrático medio (MSE) de 108.318,128 y un coeficiente de correlación de rango de Spearman (SRC) de 0,338 en el conjunto de datos de prueba.
Publicado originalmente en export.arxiv.org el 17 de febrero de 2026.
Ver fuente original
