Logotipo del repositorio
Logotipo del repositorio
 

Realce por similaridad local para la segmentación automática de la arteria aorta torácica en imágenes de tomografía computarizada cardiaca

Vista sencilla de ítem
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.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.spa
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.eng
dc.identifier.issn18564550
dc.identifier.urihttp://hdl.handle.net/20.500.12442/1827
dc.language.isospaspa
dc.publisherCooperativa servicios y suministros 212518 RSspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.licenseLicencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacionalspa
dc.sourceRevista Latinoamericana de Hipertensiónspa
dc.sourceVol. 12, No.3 (2017)spa
dc.source.urihttps://www.redalyc.org/articulo.oa?id=170252187003
dc.subjectTomografíaspa
dc.subjectArteria aorta torácicaspa
dc.subjectRealce por similaridad localspa
dc.subjectSegmentaciónspa
dc.subjectTomographyeng
dc.subjectThoracic aorta arteryeng
dc.subjectLocal similarity enhancementeng
dc.subjectSegmentationeng
dc.titleRealce por similaridad local para la segmentación automática de la arteria aorta torácica en imágenes de tomografía computarizada cardiacaspa
dc.title.alternativeEnhancement by local similarity for automatic segmentation of the thoracic aorta in cardiac computed tomographyeng
dc.typearticlespa
dcterms.referencesLatarjet M, Ruíz A. Anatomía Humana. Argentina: Editorial Médica Panamericana S.A; 1983.spa
dcterms.referencesBarrett K, Brown S, Biotano S, Brooks H. Fisiología Médica. New York: MacGraw–Hill; 1986.spa
dcterms.referencesGriepp 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.eng
dcterms.referencesCoady M, Graeme L, Elefteriades J. Surgical Intervention Critreria for Thoracic Aortic and Thoracoabdominal Aneurysms. Ann Thorac Surg. 1999; 67(6):1922-28.eng
dcterms.referencesEstrera 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.eng
dcterms.referencesVera M. Segmentación de estructuras cardiacas en imágenes de tomografía computarizada multi-corte. [Ph.D thesis]. Mérida- Venezuela:Universidad de Los Andes; 2014.spa
dcterms.referencesKurugol 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.eng
dcterms.referencesAvila 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.spa
dcterms.referencesKurugol 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.eng
dcterms.referencesStroustrup B. The C++ Programming Language. Massachusetts: Addison– Wesley; 2000.eng
dcterms.referencesChapman S. MATLAB Programming for Engineers. Toronto, Ontario: Thomson; 2004.eng
dcterms.referencesJohnson 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).eng
dcterms.referencesSchroeder W, Martin K, Lorensen B, The Visualization Toolkit, An Object- Oriented Approach to 3D Graphics. NJ, USA: Prentice Hall; 2001.eng
dcterms.referencesPassarielo G, Mora F. Imágenes Médicas, Adquisición, Análisis, Procesamiento e Interpretación. Venezuela: Equinoccio Universidad Simón Bolívar; 1995.spa
dcterms.referencesYu 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.eng
dcterms.referencesMeijering H. “Image en hancement in digital X ray angiography.” [Tesis de Doctorado]. Netherlands: Utrecht University; 2000.eng
dcterms.referencesMeyer Y. Wavelets and Operators. New York: Cambridge University Press; 1999.eng
dcterms.referencesDice L, Measures of the amount of ecologic association between species. Ecology, vol. 1945; 26(3): pp. 297-302.eng

Archivos

Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Artículos

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