Mostrar el registro sencillo del ítem

dc.contributor.authorBravo, Antonio José
dc.contributor.authorVera, Miguel Ángel
dc.contributor.authorHuérfano, Yoleidy Katherine
dc.date.accessioned2021-01-14T15:17:34Z
dc.date.available2021-01-14T15:17:34Z
dc.date.issued2020
dc.identifier.issn26107988
dc.identifier.urihttps://hdl.handle.net/20.500.12442/6954
dc.description.abstractSpace-occupying lessions represent a healt higt risk of subjects affected by this kind of pathology. From a medical point of view, the volume occupied by each of these lesions constitutes the most important descriptor when addressing them, and especially for the respective decision-making process that guides their control, mitigation or elimination. In such context, this paper proposes a strategy based on computer-aided image processing techniques to extract the three-dimensional morphology of a space-occupying lesion, of the amoebic liver abscess type, and calculate its volume. In this sense, in order to attenuate poissonian noise and improve the abscess edge information, the abdominal contrast computed tomography images are preprocessed using a Gaussian filter, and edge detector and a median filter, sequentially. Then, a clustering algorithm based on region growing procedure is applied to the enhanced images, obtaining the space occupying lesion three-dimensional shape. Additionally, the Dice coefficient is considered as a metric to establish the correlation between the shapes, automatic and manual lesion, the latter described by a mastologist. Then, in order to characterize the liver abscess, its volume is quantified considering both the voxels occupied by the lesion obtained by applying of the computer-aided image processing, and the physical dimensions of the voxel. Finally, the automatically calculated volume is compared to that generated manually by the medical specialist. The results reveal an excellent correspondence between manual results and those produced by the proposed technique. This type of technique can be used as a resource not only to obtain, precisely, the value of the aforementioned descriptor, but also to monitor the process of the abscess evolution by means imaging control.eng
dc.description.abstractLas lesiones que ocupan espacio representan un alto riesgo para la salud de los sujetos afectados por este tipo de patología. Desde el punto de vista médico, el volumen ocupado por cada una de estas lesiones constituye el descriptor más importante al abordarlas, y especialmente para el respectivo proceso de toma de decisiones que guía su control, mitigación o eliminación. En este contexto, este artículo propone una estrategia basada en técnicas de procesamiento de imágenes asistidas por computadora para extraer la morfología tridimensional de una lesión que ocupa espacio, del tipo de absceso hepático amebiano, y calcular su volumen. En este sentido, para atenuar el ruido poissoniano y mejorar la información del borde del absceso, las imágenes de tomografía computarizada de contraste abdominal se preprocesan utilizando un filtro gaussiano, un detector de borde y un filtro de mediana, secuencialmente. Luego, se aplica un algoritmo de agrupamiento basado en el procedimiento de crecimiento de regiones a las imágenes mejoradas, obteniendo la forma tridimensional de la lesión que ocupa espacio. Además, el coeficiente Dice se considera como una métrica para establecer la correlación entre las formas, lesión automática y manual, la última descrita por un mastólogo. Luego, para caracterizar el absceso hepático, su volumen se cuantifica considerando tanto los voxeles ocupados por la lesión obtenida mediante la aplicación del procesamiento de imágenes asistido por computadora, como las dimensiones físicas del voxel. Finalmente, el volumen calculado automáticamente se compara con el generado manualmente por el médico especialista. Los resultados revelan una excelente correspondencia entre los resultados manuales y los producidos por la técnica propuesta. Este tipo de técnica puede usarse como un recurso no solo para obtener, precisamente, el valor del descriptor mencionado anteriormente, sino también para monitorear el proceso de evolución del absceso mediante el control de imágenes.spa
dc.format.mimetypepdfspa
dc.language.isoengeng
dc.publisherSociedad Venezolana de Farmacología Clínica y Terapéuticaspa
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.sourceRevista AVFT - Archivos Venezolanos de Farmacología y Terapéuticaspa
dc.sourceVol. 39, No. 4 (2020)
dc.subjectComputerized tomographyeng
dc.subjectSpace-occupying lesioneng
dc.subjectimaging filterseng
dc.subjectclustering techniqueseng
dc.subjectDice coefficienteng
dc.subjectTomografía computarizadaspa
dc.subjectFiltrado de imágenesspa
dc.subjectTécnicas de agrupamientospa
dc.subjectCoeficiente de Dicespa
dc.titleA space-occupying lesion automatic quantification from abdominal contrast-enhanced computerized tomography imageseng
dcterms.referencesMachadoa, I., Cruza, J., Laverniab, J., Carbonellc, F. Space-occupy- ing lesions of the abdominal wall (not associated with hernia). The pathologist's view. Revista Hispanoamericana de Hernia. 3(3): 85- 94, 2015eng
dcterms.referencesMuller, M.A., Marincek, B., Frauenfelder, I. State of the art 3-D imag- ing of abdominal organs. JBR-BTR, 90: 467-474, 2007eng
dcterms.referencesShevchenko, N., Seidl, B., Schwaiger, J., Markert, M., Lueth, T.C. MiMed liver: A planning system for liver surgery. Annual International Conference of the IEEE Engineering in Medicine and Biology. 1882- 1885, 2010eng
dcterms.referencesSchiavon, L., Tyng, C., Travesso, D., Rocha, R., Schiavon, A., Biten- court, A. Computed tomography-guided percutaneous biopsy of ab- dominal lesions: indications, techniques, results, and complications. Radiologia brasileira. 2018; 51(3): 141-146.eng
dcterms.referencesRatib, O. Quantitative analysis of cardiac function, in: Bankman, I. (Ed.), Handbook of Medical Imaging: Processing and Analysis. San Diego: Academic Press, 2000:359-374eng
dcterms.referencesRangayyan, R. Biomedical Image Analysis. CRC Press, 2004eng
dcterms.referencesGonzález, R., Woods, R. Digital Image Processing. México: Prentice Hall, 2008eng
dcterms.referencesOkada, T., Shimada, R., Hori, M., Nakamoto, M., Chen, Y., Nakamu- ra, H., Sato, Y. Automated segmentation of the liver from 3-D CT im- ages using probabilistic atlas and multilevel statistical shape model. Academic Radiology. 15(11): 1390-1403, 2008eng
dcterms.referencesMassoptier, L., Casciaro, S. A new fully automatic and robust algo- rithm for fast segmentation of liver tissue and tumors from CT scans. Eur. Radiol. 18(8): 1658-1665, 2008eng
dcterms.referencesLinguraru, G., Richbourg, W., Liu, J., Watt, J., Pamulapati, V. Wang, S., Summers, R. Tumor burden analysis on computed tomography by automated liver and tumor segmentation. IEEE Transactions on Medical Imaging. 31(10): 1965-1976, 2012eng
dcterms.referencesPauwels, E., Frederix, G. Finding salient regions in images: Non– parametric clustering for image segmentation and grouping. Com- puter Vision and Image Understanding. 1999; 18(1-2): 73-85, spe- cial issueeng
dcterms.referencesYin, L., Yang, R., Gabbouj, M., Neuvo, Y. Weighted median flters: a tutorial. IEEE Transactions on Circuits and Systems II: Analog and Digital Signal Processing. 1996; 43(3): 157-192eng
dcterms.referencesSapiro, G. Geometric partial differential equations and image analy- sis. UK: Cambridge University Press, 2001eng
dcterms.referencesVera, M., Martinez, L., Huérfano, Y., Molina, V., Vargas, S., Vera, M.I, Salazar, W., Rodríguez, J., Rodríguez, R., Chacón, G., Isaza, A., Saenz, F., Gelvez, E., Salazar, J., Automatic segmentation of subdural hematomas using a computational technique based on smart opera- tors. Global Medical Engineering Physics Exchanges/Pan American Health Care Exchanges (GMEPE/PAHCE), Porto: IEEE. 2018 Avail- able from: https://www.researchgate.net/publication/326151751_Au- tomatic_segmentation_of_subdural_hematomas_using_a_computa- tional_technique_based_on_smart_operatorseng
dcterms.referencesSuykens, J., Van Gestel, T., De Brabanter, J., De Moor, B., Vande- walle. J. Least squares support vector machines. UK: World Scien- tifc Publishing Co, 2002eng
dcterms.referencesZhu, H., Rohwer, R. No free lunch for crossvalidation. Neural Com- putation, 8(7):1421-1426, 1996eng
dcterms.referencesDice, L. Measures of the amount of ecologic association between species. Ecology. 26: 297-302, 1945eng
dcterms.referencesPratt, W. Digital Image Processing. USA: John Wiley & Sons Inc, 2007eng
dcterms.referencesFischer, M., Paredes, J., Arce, G. Image sharpeners using permuta- tion weighted median flters, en EUROSIP, Tampere, Finland, 2010: 299–303eng
dc.rights.accessrightsinfo:eu-repo/semantics/openAccesseng
datacite.rightshttp://purl.org/coar/access_right/c_abf2eng
oaire.versioninfo:eu-repo/semantics/publishedVersioneng
dc.type.driverinfo:eu-repo/semantics/articleeng
dc.title.translatedCuantificación automática de lesión ocupante de espacio a partir de tomografía computarizada contrastada del abdomenspa
dc.identifier.urlhttp://www.revistaavft.com/images/revistas/2020/avft_4_2020/20_a_space.pdf
dc.type.spaArtículo científicospa


Ficheros en el ítem

Thumbnail
Thumbnail

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

  • Artículos
    Artículos científicos evaluados por pares

Mostrar el registro sencillo del ítem

Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial-NoDerivatives 4.0 Internacional