Logotipo del repositorio
Logotipo del repositorio
 

Sistema computacional para la detección de glioblastomas en resonancia magnética usando aprendizaje no supervisado

Vista sencilla de ítem
datacite.rightshttp://purl.org/coar/access_right/c_abf2eng
dc.contributor.authorMedelo Ballesteros, Hebert
dc.contributor.authorEspinosa-Castro, Jhon-Franklin
dc.contributor.authorRodríguez, Johel E.
dc.contributor.authorNeira Borja, James
dc.contributor.authorDiaz, Viviana Elizabeth
dc.contributor.authorGómez Félix, Gabriela
dc.contributor.authorChango Cando, Freddy
dc.contributor.authorMallitasig Panchi, Betty
dc.contributor.authorAñez, Roberto
dc.contributor.authorA. Fossi, Cleiver
dc.contributor.authorBermúdez, Valmore
dc.date.accessioned2021-10-25T21:17:26Z
dc.date.available2021-10-25T21:17:26Z
dc.date.issued2020
dc.description.abstractLa imagenología por resonancia magnética convencional o avanzada es fundamental en la valoración de diversos tipos de tumores, incluyendo los glioblastomas. Ante la gran heterogeneidad e invasividad de estos, su manejo en la actualidad constituye un desafío complejo para los especialistas clínicos y neurocirujanos, así como para los desarrolladores de sistemas computacionales orientados al apoyo diagnóstico y de seguimiento. El presente sistema se utiliza para localizar y visualizar los glioblastomas en un conjunto de 11 bases de datos de uso público, incluye un procedimiento para la valoración de ciertas técnicas de filtrado en el realce de imágenes de resonancia magnética e integra la técnica de crecimiento de regiones de enlace sencillo como procedimiento de segmentación de los volúmenes filtrados. Los filtros Gaussiano, mediana y erosión se asumen como técnicas de realce del contraste asociado a las imágenes de resonancia magnética. El proceso de valoración comienza por el establecimiento de un conjunto de configuraciones de los filtros el cual depende de los valores y de las combinaciones de sus parámetros de entradas. El conjunto de configuraciones establecido es valorado a partir de la cuantificación de una medida de la calidad del realce, la cual se basa en una función de puntuación que agrupa un conjunto de métricas de mejora previamente reportadas. A partir del resultado de la valoración se concluye que el filtro con mejor desempeño corresponde con la mediana y se construye una interfaz gráfica de usuario para administrar la interacción entre el usuario y los algoritmos de procesamiento de imágenes.spa
dc.description.abstractConventional or advanced magnetic resonance imaging is fundamental in the evaluation of several types of tumors, including glioblastomas, given the great heterogeneity and invasiveness of these tumors, their management at present constitutes a complex challenge for clinicians and neurosur- geons. This is also true for developers of computer systems oriented to diagnostic support and monitoring. The present system is used to localize and visualize glioblastomas in 11 datasets of public use. It includes a procedure for the evalu- ation of certain filtering techniques in the enhancement of magnetic resonance images and, furthermore, it integrates the technique of region growth and simple link as a segmen- tation procedure for filtered volumes. Gaussian, median, and erosion filters are assumed as contrast enhancement tech- niques associated with magnetic resonance imaging. The evaluation process begins with the establishment of a set of filter configurations which depends on the values and com- binations of their input parameters. The established set of configurations is valued from the quantification of a measure of the quality of the enhancement, which is based on a scor- ing function that groups together a set of previously reported improvement metrics. From the result of the evaluation, it is concluded that the filter with the best performance corre- sponds to the median. In addition, a graphic user interface is constructed to manage the interaction between the user and the image processing algorithms.eng
dc.format.mimetypepdfspa
dc.identifier.doihttp://doi.org/10.5281/zenodo.4263299
dc.identifier.issn26107988
dc.identifier.urihttps://hdl.handle.net/20.500.12442/8781
dc.identifier.urlhttp://saber.ucv.ve/ojs/index.php/rev_aavft/article/view/21059
dc.language.isospaspa
dc.publisherSaber UCV, Universidad Central de Venezuelaspa
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.rights.accessrightsinfo:eu-repo/semantics/openAccesseng
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.sourceRevista AVFT - Archivos Venezolanos de Farmacología y Terapéuticaspa
dc.sourceVol. 39, No. 5 (2020)
dc.subjectGlioblastomaspa
dc.subjectResonancia magnéticaspa
dc.subjectRealce de imágenesspa
dc.subjectFiltro de suavizadospa
dc.subjectSegmentaciónspa
dc.subjectAprendizaje no supervisadospa
dc.subjectVisualización tridimensionalspa
dc.subjectInterfaz gráfica de usuariospa
dc.subjectMagnetic resonanceeng
dc.subjectImage enhancementeng
dc.subjectSmoothing filtereng
dc.subjectSegmentationeng
dc.subjectUnsupervised learningeng
dc.subjectThree-dimensional visualizationeng
dc.subjectGraphical user interfaceeng
dc.titleSistema computacional para la detección de glioblastomas en resonancia magnética usando aprendizaje no supervisadospa
dc.title.translatedComputational system for the detection of glioblastomas in magnetic resonance imaging using unsupervised learning Heberteng
dc.type.driverinfo:eu-repo/semantics/articleeng
dc.type.spaArtículo científicospa
dcterms.referencesBuonocore M, Maddock R. Magnetic resonance spectroscopy of the brain: A review of physical principles and technical methods. Reviews in the Neurosciences. 2015; 26(6):609-632eng
dcterms.referencesMilchenko M, Rajderkar D, LaMontagne P, Massoumzadeh P, Bogdasarian R., Schweitzer G, et al. Comparison of perfusionand diffusion-weighted imaging parameters in brain tumor studies processed using different software platforms. Academic radiology. 2014;21(10): 1294-303.eng
dcterms.referencesLouis D, Perry A, Reifenberger G, von Deimling A, Figarella-Branger D, Cavenee W, et al. The 2016 World Health Organization Classification of Tumors of the Central Nervous System: a summary. Acta Neuropathologica, 2016;131(6), 803-820.eng
dcterms.referencesOhgaki H, Kleihues P. Epidemiology and etiology of gliomas. Acta Neuropathologica. 2005;109(1): 93-108.eng
dcterms.referencesNational Cancer Institute. Karnofsky Performance Status, [Documento en línea]. Disponible en: https://www.cancer.gov/publications/dictionaries/cancer-terms/def/karnofsky-performance-status, Consulta: 2018, Noviembre 19.eng
dcterms.referencesFu K, Mui F.A survey on image segmentation. PatternRecognition. 1981;13(1): 3-16.eng
dcterms.referencesAngelini E, Clatz O, Mandonnet E, Konukoglu E, Capelle L, Duffau H. Glioma Dynamics and Computational Models: A Review of Segmentation, Registration, and in Silico Growth Algorithms and their Clinical Applications. Current Medical Imaging. 2007;3(4):262-276.eng
dcterms.referencesNBIA Data Retriever. (2014). Downloading TCIA Images. [Documento en línea]. Disponible en: disponible en: https://wiki. cancerimagingarchive.net/display/NBIA/Downloading+TCIA+ Images#DownloadingTCIAImages-DownloadingtheNBIADataRetriever, Consulta: 2019, Junio 3spa
dcterms.referencesHendrick P. Signal, Noise, Signal-to-Noise, and Contrast-to-Noise Ratios. En: Breast MRI. Springer, New York. 2008.eng
dcterms.referencesVelho L, Frery A, Gomes J. Image Processing for Computer Graphics and Vision. Springer Science & Business Media. 2009.eng
dcterms.referencesAstola J, Kuosmanen P.Fundamentals of Nonlinear Digital Filtering, CRC Press. 1997.eng
dcterms.references. Serra J. Image analysis and mathematical morphology. USA: Academic Press. 1983.eng
dcterms.referencesVera M, Huérfano Y, Contreras J, Valbuena O, Chacón J, Vera M, et al. Técnicas de preprocesamiento de imágenes cardíacas: fundamentos y alcances. Revista Latinoamericana de Hipertension. 2015;11(3):60-66.spa
dcterms.referencesSobierajski L. The VTK user’s guide. 11th ed. Kitware, Inc.2010.eng
dcterms.referencesLehmann T, Beier D, Thies C, Seidl T. Segmentation of medical images combining local, regional, global, and hierarchical distances into a bottom-up region merging scheme. In Proceedings of SPIE, 2005;5747:546-555eng
dcterms.referencesGonzález R, Woods R. Digital image processing. Prentice Hall, USA. 2002.eng
dcterms.referencesJohnson H, McCormick M, Ibáñez L, Insight Software Consortium. The ITK Software Guide, ITK. 2018.eng
dcterms.referencesSalomon D. Computer Graphics and Geometric Modeling. Springer Publishing Company, Incorporated. 2013.eng
dcterms.referencesLorensen W, Cline H. Marching cubes: A high resolution 3d surface construction algorithm. Computer Graphics.1987;21(4):163-169.eng
dcterms.referencesOsorio K, Hernández J, Rodríguez J, Reyes P, Armas P, Morán L, et al. Aproximación al uso de interfaz gráfica en la operatividad de agentes inteligentes con imágenes médicas. Archivos Venezolanos de Farmacología y Terapéutica. 2019;38(2):108-115.spa
dcterms.referencesChang S. Handbook of Software Engineering and Knowledge Engineering: Recent Advances, World Scientific Publishing Co., USA. 2005.eng
dcterms.referencesCostantini F, Gibson D, Melcher M, Schlosser A, Spitzak B, Sweet M. (2019). FLTK 1.3.5 Programming Manual. [Documento en línea]. Disponible en: https://www.fltk.org/doc-1.3/fltk.pdf, Consulta: 2019, Mayo 8.eng
dcterms.referencesMenze BH, Jakab A, Bauer S, Kalpathy-Cramer J, Farahani K, Kirby J, et al. The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS). IEEE Transactions on Medical Imaging. 2015;34(10):1993-2024.eng
dcterms.referencesVera M, Huérfano Y, Martínez LJ, Contreras Y, Salazar W, Vera MI, et al. High grade glioma segmentation in magnetic resonance imaging, Revista Latinoamericana de Hipertensión, 2018;13(4):175-181eng
dcterms.referencesZhao Z, Yang G, Lin Y, Pang H, Wang, M. Automated glioma detection and segmentation using graphical models. PloS one. 2018;13(8):1-22.eng
oaire.versioninfo:eu-repo/semantics/publishedVersioneng

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
2020_AVFT_Sistema_computacional.pdf
Tamaño:
524.21 KB
Formato:
Adobe Portable Document Format
Descripción:
PDF
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
381 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Artículos

Universidad Simón Bolívar: Todos los derechos reservados / Sistema de biblioteca