Mostrar el registro sencillo del ítem

dc.rights.licenseLicencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacionalspa
dc.contributor.authorVera, Miguel
dc.contributor.authorHuérfano, Yoleidy
dc.contributor.authorContreras, Julio
dc.contributor.authorVera, Maria
dc.contributor.authorSalazar, Williams
dc.contributor.authorVargas, Sandra
dc.contributor.authorChacón, Gerardo
dc.contributor.authorRodriguez, Jhoel
dc.date.accessioned2018-03-22T19:55:49Z
dc.date.available2018-03-22T19:55:49Z
dc.date.issued2017
dc.identifier.issn07980264
dc.identifier.urihttp://hdl.handle.net/20.500.12442/1903
dc.description.abstractMediante este trabajo se propone una técnica computacional no lineal para segmentar un hematoma epidural (EDH), presente en imágenes de tomografía computarizada multicapa. Esta técnica consta de 4 etapas desarrolladas en el dominio tridimensional. Ellas son: pre-procesamiento, segmentación, pos-procesamiento y entonación de parámetros. La etapa de pre-procesamiento se divide en dos fases. En la primera, denominada definición de un volumen de interés (VOI), se emplea un algoritmo de umbralización por bandas el cual permite, fundamentalmente, acotar el EDH considerado. En la segunda fase, identificada como filtrado, se aplica un banco de algoritmos computacionales para disminuir el impacto de los artefactos y atenuar el ruido presente en las imágenes. Los algoritmos que conforman esta fase son: el filtro de erosión morfológica (MEF) y el filtro de mediana (MF). Por otra parte, durante la etapa de segmentación se implementa un algoritmo de agrupamiento, denominado crecimiento de regiones (RG), el cual es aplicado a las imágenes pre-procesadas. A fin de compensar el efecto del MEF el EDH, segmentado preliminarmente, es sometido a la etapa de pos-procesamiento la cual se basa en la aplicación de un filtro de dilatación morfológica de tipo binaria (MDF). Durante la entonación de parámetros, el coeficiente de Dice (Dc) es utilizado para comparar las segmentaciones dilatadas del EDH, obtenidas automáticamente, con la segmentación del EDH generada por un neurocirujano de manera manual. La combinación de parámetros que generan el Dc más elevado, permite establecer los parámetros óptimos de cada una de los algoritmos computacionales que conforman la técnica no lineal propuesta. Los resultados obtenidos permiten reportar un Dc superior a 0.90 lo cual indica una buena correlación entre las segmentaciones generadas por el experto neurocirujano y las producidas por la técnica computacional desarrollada.spa
dc.description.abstractThe main is to propose a non-linear computational technique to segment an epidural hematoma (EDH), present in multilayer computed tomography images. This technique consists of 4 stages developed in the three-dimensional domain: preprocessing, segmentation, post-processing and intonation of parameters. The pre-processing stage is divided into two phases. In the first one, called the definition of a volume of interest (VOI), a thresholding algorithm by bands is used, which allows, fundamentally, to delimit the EDH considered. In the second phase, identified as filtering, a bank of computational algorithms is applied to reduce the impact of the artifacts and attenuate the noise present in the images. The algorithms that make up this phase are: the morphological erosion filter (MEF) and the median filter (MF). On the other hand, during the segmentation stage a grouping algorithm is implemented, called growth of regions (RG), which is applied to the preprocessed images. In order to compensate the effect of the MEF, the EDH, preliminarily segmented, is submitted to the post-processing stage, which is based on the application of a morphological dilation filter of binary type (MDF). During the intonation of parameters, the coefficient of Dice (Dc) is used to compare the dilated segmentations of the EDH, obtained automatically, with the segmentation of the EDH generated by a neurosurgeon manually. The combination of parameters that generate the highest Dc, allows to establish the optimal parameters of each of the computational algorithms that make up the proposed nonlinear technique. The obtained results allow to report a Dc superior to 0.90 which indicates a good correlation between the segmentations generated by the expert neurosurgeon and those produced by the developed computational technique.eng
dc.language.isospaspa
dc.publisherSociedad Venezolana de Farmacología Clínica y Terapéuticaspa
dc.rightsinfo:eu-repo/semantics/openAccess
dc.sourceAVFT-Archivos Venezolanos de Farmacología y Terapéuticaspa
dc.sourceVol. 36, No.6 (2017)spa
dc.source.urihttp://www.revistaavft.com/images/revistas/2017/avft_6_2017/segmentacion.pdf
dc.subjectTomografía cerebralspa
dc.subjectHematoma epiduralspa
dc.subjectTécnica computacional no linealspa
dc.subjectSegmentaciónspa
dc.subjectBrain Tomographyeng
dc.subjectEpidural Hematomaeng
dc.subjectNonlinear Computational Techniqueeng
dc.subjectSegmentationeng
dc.titleSegmentación de hematomas epidurales, usando una técnica computacional no lineal en imágenes de tomografía computarizada cerebralspa
dc.title.alternativeSegmentation of epidural hematomas, using a non-linear computational technique in computerized brain tomography imageseng
dc.typearticlespa
dcterms.bibliographicCitationStippler M. Craniocerebral trauma. In: Daroff RB, Jankovic J, Mazziotta JC, Pomeroy SL. (editors.), Bradley’s Neurology in Clinical Practice. 7th ed. Philadelphia, PA: Elsevier; 2016.chap 62.eng
dcterms.bibliographicCitationMezzadri J, Goland J, Sokolvsky M. Introducción a la Neurocirugía. Capítulo: Patología vascular II. Buenos Aires, Argentina: Ediciones Journal. Segunda edición; 2011.spa
dcterms.bibliographicCitationVera M. Segmentación de estructuras cardiacas en imágenes de tomografía computarizada multi-corte. Ph.D. dissertation. Mérida- Venezuela: Universidad de los Andes; 2014.spa
dcterms.bibliographicCitationMaiera A, Wigstrm L, Hofmann H, Hornegger J, Zhu L, Strobel N, Fahrig R. Three-dimensional anisotropic adaptive filtering of projection data for noise reduction in cone beam CT. Medical Physics. 2011; 38(11): 5896–909.eng
dcterms.bibliographicCitationKroft L, De Roos A, Geleijns J. Artifacts in ECG–synchronized MDCT coronary angiography. American Journal of Roentgenology. 2007;189(3): 581–91.eng
dcterms.bibliographicCitationLiao C, Xiao F, Wong J, Chiang I. Computer-aided diagnosis of intracranial hematoma with brain deformation on computed tomography. Computerized Medical Imaging and Graphics.2010; 34(7): 563–571.eng
dcterms.bibliographicCitationDice L. Measures of the amount of ecologic association between species. Ecology, 1945; vol. 26, n. 3: pp. 297-302.eng
dcterms.bibliographicCitationKamnitsas K, Lediga C. Newcombeb V., Simpsonb J., Kaneb A., Menonb D., Rueckerta D., Glockera B. Efficient Multi-Scale 3D CNN with fully connected CRF for Accurate Brain Lesion Segmentation. Medical Image Analysis. 2017;Vol 23: pp.1603-1659.eng
dcterms.bibliographicCitationSezgin M, Sankur B. Survey over image thresholding techniques and quantitative performance evaluation. Journal of Electronic Imaging. 2004; vol. 13: pp. 146–165.eng
dcterms.bibliographicCitationPham D, Xu C, Prince J.Current methods in medical image segmentation. Annual Review of Biomedical Engineering.2000; 2(1): pp. 315–337.eng
dcterms.bibliographicCitationSerra J. Image Analysis Using Mathematical Morphology. London, England: Academic Press; 1982.eng
dcterms.bibliographicCitationPratt W. Digital Image Processing. USA: John Wiley & Sons Inc; 2007.eng
dcterms.bibliographicCitationMukhopadhyay S, Chanda BA multiscale morphological approach to local contrast enhancement. Signal Processing. 2000; vol. 80(4): pp. 685–696.eng
dcterms.bibliographicCitationYu Z, Wei G, Zhen C, Jing T, Ling L. Medical images edge detection based on mathematical morphology. En Proceedings of the IEEE Engineering in Medicine and Biology 27th Annual Conference, Shanghai–China, September 2005; pp. 6492–6495.eng
dcterms.bibliographicCitationChen T, Wu Q, Rahmani R, Hughes JA. pseudo top-hat mathematical morphological approach to edge detection in dark regions. Pattern Recognition. 2002; 35(1):199–210.eng
dcterms.bibliographicCitationPassarielo G, Mora F. Imágenes Médicas, Adquisición, Análisis, Procesamiento e Interpretación. Venezuela: Equinoccio Universidad Simón Bolívar; 1995.spa
dcterms.bibliographicCitationFischer M, Paredes J, Arce G. Weighted median image sharpeners for the world wide web. IEEE Transactions on Image Processing. 2002;11(7):717-27.eng
dcterms.bibliographicCitationSuykens JA, Vandewalle J. Least squares support vector machine classifiers. Neural processing letters. 1999; 9(3):293-300.eng
dcterms.bibliographicCitationVera M, Molina V, Huérfano Y, Vera M, Del Mar A, Salazar W, Wilches S, Graterol M, Rojas J, Garicano C, Peña A, Contreras J, Arias V, Chacón J. Segmentación automática tridimensional de estructuras ventriculares cerebrales en imágenes de resonancia magnética. Latinoamericana de Hipertensión. 2016; 11(2): 20-24.spa


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