Resumen en español

En este trabajo de grado se propone una estrategia para la segmentación automática de lesiones asociadas al TCEC en IRM ponderadas en T1. Para ello, se estableció un preprocesamiento que incluye la remoción del cráneo, la alineación de las imágenes a una plantilla de referencia estándar, el recorte basado en la región de interés, la normalización y el remuestreo. Asimismo, se evaluaron diferentes métodos de normalización con el fin de analizar su efecto en el desempeño del modelo. Posteriormente, se entrenaron y evaluaron dos modelos basados en la arquitectura U-Net: nnU-Net y 3D U-Net. Además, se realizó un experimento con nnU-Net para evaluar el desempeño utilizando aprendizaje por transferencia. El rendimiento de ambos se midió usando métricas como el Coeficiente de Dice e Intersección sobre la Unión. Los resultados muestran que el modelo nnU-Net junto con el método de normalización KDE obtuvo el mejor desempeño y que el aprendizaje por transferencia permitió mejorar significativamente las métricas de evaluación. Finalmente, se implementó un framework que integra todo el proceso de segmentación, proporcionando una herramienta para apoyar la práctica clínica y futuras investigaciones relacionadas con el TCEC.