Mostrar el registro sencillo del ítem

dc.rights.licenseLicencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacionales
dc.contributor.authorContreras-Velásquez, Julio
dc.contributor.authorVera, Miguel
dc.contributor.authorHuérfano, Yoleidy
dc.contributor.authorDel Mar, Atilio
dc.contributor.authorWilches-Durán, Sandra
dc.contributor.authorGraterol-Rivas, Modesto
dc.contributor.authorRiaño-Wilches, Daniela
dc.contributor.authorRojas, Joselyn
dc.contributor.authorBermúdez, Valmore
dc.date.accessioned2018-03-09T13:58:05Z
dc.date.available2018-03-09T13:58:05Z
dc.date.issued2017
dc.identifier.issn18564550
dc.identifier.urihttp://hdl.handle.net/20.500.12442/1827
dc.description.abstractMediante este trabajo se propone una estrategia para segmentar la arteria aórtica torácica (TAA) en imágenes tridimensionales (3-D) de tomografía computarizada multicapa. Esta estrategia consta de las etapas de filtrado, segmentación y entonación de parámetros. La etapa de filtrado, se emplea una técnica denominada realce por similaridad local (LSE) con el propósito de disminuir el impacto de los artefactos y atenuar el ruido en la calidad de las imágenes. Esta técnica, combina un filtro promediador, un filtro detector de bordes (denominado black top hat) y un filtro gaussiano (GF). Por otra parte, durante la etapa de segmentación 3-D se implementa un algoritmo de agrupamiento, denominado crecimiento de regiones (RG), el cual es aplicado a las imágenes pre-procesadas. Durante la entonación de parámetros de la estrategia propuesta, el coeficiente de Dice (Dc) es utilizado para comparar las segmentaciones, de la TAA, obtenidas automáticamente, con la segmentación de la TAA generada, manualmente, por un cardiólogo. La combinación de parámetros que generó el Dc más elevado considerando el instante de diástole se aplica luego a las 9 imágenes tridimensionales restantes, obteniéndose un Dc promedio superior a 0.92 lo cual indica una buena correlación entre las segmentaciones generadas por el experto cardiólogo y las producidas por la estrategia desarrollada.es
dc.description.abstractThis work proposes a strategy to segment the thoracic aortic artery (TAA) into three-dimensional (3-D) multi-layer computed tomography images. This strategy consists of the stages of filtering, segmentation and intonation of parameters. The filtering stage employs a technique called local similarity enhancement (LSE) in order to reduce the impact of the artifacts and attenuate noise in the quality of the images. This technique combines an averaging filter, an edge detector filter (called black top hat) and a Gaussian filter (GF). On the other hand, a clustering algorithm, called region growth (RG), is implemented during the 3-D segmentation stage, which is applied to the pre-processed images. During the intonation of parameters of the proposed strategy, the Dice coefficient (Dc) is used to compare the segmentations, of the TAA, obtained automatically, with the segmentation of the TAA generated, manually, by a cardiologist. The combination of parameters that generated the highest Dc considering the instant of diastole is then applied to the 9 remaining three-dimensional images, obtaining an average Dc higher than 0.92 which indicates a good correlation between the segmentations generated by the expert cardiologist and those produced by The strategy developed.en
dc.language.isoeses
dc.publisherCooperativa servicios y suministros 212518 RSes
dc.rightsinfo:eu-repo/semantics/openAccess
dc.sourceRevista Latinoamericana de Hipertensiónes
dc.sourceVol. 12, No.3 (2017)es
dc.source.urihttps://www.redalyc.org/articulo.oa?id=170252187003
dc.subjectTomografíaes
dc.subjectArteria aorta torácicaes
dc.subjectRealce por similaridad locales
dc.subjectSegmentaciónes
dc.subjectTomographyen
dc.subjectThoracic aorta arteryen
dc.subjectLocal similarity enhancementen
dc.subjectSegmentationen
dc.titleRealce por similaridad local para la segmentación automática de la arteria aorta torácica en imágenes de tomografía computarizada cardiacaes
dc.title.alternativeEnhancement by local similarity for automatic segmentation of the thoracic aorta in cardiac computed tomographyen
dc.typeArticlees
dcterms.bibliographicCitationLatarjet M, Ruíz A. Anatomía Humana. Argentina: Editorial Médica Panamericana S.A; 1983.es
dcterms.bibliographicCitationBarrett K, Brown S, Biotano S, Brooks H. Fisiología Médica. New York: MacGraw–Hill; 1986.es
dcterms.bibliographicCitationGriepp R, Ergin M, Galla J, Lansman S, McCullough J, Nguyen K, Klein J, Spielvogel D. Natural History of Descending Thoracic and Thoracoabdominal Aneurysms. Ann thorac surg. 1999; 67(6):1927-30.en
dcterms.bibliographicCitationCoady M, Graeme L, Elefteriades J. Surgical Intervention Critreria for Thoracic Aortic and Thoracoabdominal Aneurysms. Ann Thorac Surg. 1999; 67(6):1922-28.en
dcterms.bibliographicCitationEstrera A, Rubenstein F, Miller C, Huynh T, Letsou G, Safi H. Descending Surgical thoracic aortic aneurysm: surgical approach and treatment using the adjuncts cerebrosspinal fluid drainage and distal aortic perfusion. Ann Thorac Surg. 2001; 72(2):481-6.en
dcterms.bibliographicCitationVera M. Segmentación de estructuras cardiacas en imágenes de tomografía computarizada multi-corte. [Ph.D thesis]. Mérida- Venezuela:Universidad de Los Andes; 2014.es
dcterms.bibliographicCitationKurugol S, San Jose R, Ross J, Washko G. Aorta segmentation with a 3D level set approach and quantification of aortic calcifications in non-contrast chest CT. IN: 2012 Annual International Conference of the IEEE. San Diego, CA, USA: IEEE Eng Med Biol Soc; 2012.p.23-43.en
dcterms.bibliographicCitationAvila O, Kurkure U, Nakazato R, Berman D, Dey D, Kakadiaris I. Segmentation of the thorac aorta in noncontrast cardiac CT. images. IEEE Jor. Biomed Health Inform. 2013;17(5):936-49. doi: 10.1109/ JBHI.2013.2269292.es
dcterms.bibliographicCitationKurugol S, Come C, Diaz A, Ross J, Kinney G, Black-Shin J, Hokanson J, Budoff M, Washko G, San Jose R. Automated quantitative 3D analysis of aorta size, morphology, and mural calcification distributions. Med Phys. 2015; 42(9):5467-78.en
dcterms.bibliographicCitationStroustrup B. The C++ Programming Language. Massachusetts: Addison– Wesley; 2000.en
dcterms.bibliographicCitationChapman S. MATLAB Programming for Engineers. Toronto, Ontario: Thomson; 2004.en
dcterms.bibliographicCitationJohnson H, McCormick M, Ibáñez L. Insight Software Consortium. Insight Segmentation and Registration Toolkit (ITK). http://www.itk.org/, 3 ed. Updated for ITK version 4.5. (2009).en
dcterms.bibliographicCitationSchroeder W, Martin K, Lorensen B, The Visualization Toolkit, An Object- Oriented Approach to 3D Graphics. NJ, USA: Prentice Hall; 2001.en
dcterms.bibliographicCitationPassarielo G, Mora F. Imágenes Médicas, Adquisición, Análisis, Procesamiento e Interpretación. Venezuela: Equinoccio Universidad Simón Bolívar; 1995.es
dcterms.bibliographicCitationYu Z, Wei G, Zhen C, Jing T, Ling L. “Medical images edge detection based on mathematical morphology.” IN: Proceedings of the IEEE Engineering in Medicine and Biology 27th Annual Conference. Shanghai China; 2005: 6492–6495.en
dcterms.bibliographicCitationMeijering H. “Image en hancement in digital X ray angiography.” [Tesis de Doctorado]. Netherlands: Utrecht University; 2000.en
dcterms.bibliographicCitationMeyer Y. Wavelets and Operators. New York: Cambridge University Press; 1999.en
dcterms.bibliographicCitationDice L, Measures of the amount of ecologic association between species. Ecology, vol. 1945; 26(3): pp. 297-302.en


Ficheros en el ítem

FicherosTamañoFormatoVer

No hay ficheros asociados a este ítem.

Este ítem aparece en la(s) siguiente(s) colección(ones)

  • Artículos
    Artículos científicos evaluados por pares

Mostrar el registro sencillo del ítem