Desarrollo de una metodología de identificación automática de diagnósticos críticos a nivel cerebral en el departamento de radiología de la Fundación Valle del Lili
El objetivo de este trabajo es proponer una metodología de identificación de diagnósticos significativos a nivel cerebral usando estudios de resonancia magnética de 98 pacientes: 33 con cerebros sanos y 65 pacientes con cerebros patológicos. Para esto, se implementan máquinas de aprendizaje para cla...
- Autores:
-
Santamaría Macías, Natalia
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2020
- Institución:
- Universidad Autónoma de Occidente
- Repositorio:
- RED: Repositorio Educativo Digital UAO
- Idioma:
- spa
- OAI Identifier:
- oai:red.uao.edu.co:10614/12639
- Acceso en línea:
- http://red.uao.edu.co//handle/10614/12639
- Palabra clave:
- Ingeniería Biomédica
Imágenes de resonancia magnética
Inteligencia artificial
Máquinas de aprendizaje
Aprendizaje supervisado
Imágenes diagnósticas
Radiología
Inteligencia artificial
Resonancia magnética en imágenes
Diagnóstico por imagen
Artificial intelligence
Magnetic resonance imaging
Diagnostic imaging
- Rights
- openAccess
- License
- Derechos Reservados - Universidad Autónoma de Occidente
| id |
REPOUAO2_436f7157ba0f27d03863eefbd96daf1b |
|---|---|
| oai_identifier_str |
oai:red.uao.edu.co:10614/12639 |
| network_acronym_str |
REPOUAO2 |
| network_name_str |
RED: Repositorio Educativo Digital UAO |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Desarrollo de una metodología de identificación automática de diagnósticos críticos a nivel cerebral en el departamento de radiología de la Fundación Valle del Lili |
| title |
Desarrollo de una metodología de identificación automática de diagnósticos críticos a nivel cerebral en el departamento de radiología de la Fundación Valle del Lili |
| spellingShingle |
Desarrollo de una metodología de identificación automática de diagnósticos críticos a nivel cerebral en el departamento de radiología de la Fundación Valle del Lili Ingeniería Biomédica Imágenes de resonancia magnética Inteligencia artificial Máquinas de aprendizaje Aprendizaje supervisado Imágenes diagnósticas Radiología Inteligencia artificial Resonancia magnética en imágenes Diagnóstico por imagen Artificial intelligence Magnetic resonance imaging Diagnostic imaging |
| title_short |
Desarrollo de una metodología de identificación automática de diagnósticos críticos a nivel cerebral en el departamento de radiología de la Fundación Valle del Lili |
| title_full |
Desarrollo de una metodología de identificación automática de diagnósticos críticos a nivel cerebral en el departamento de radiología de la Fundación Valle del Lili |
| title_fullStr |
Desarrollo de una metodología de identificación automática de diagnósticos críticos a nivel cerebral en el departamento de radiología de la Fundación Valle del Lili |
| title_full_unstemmed |
Desarrollo de una metodología de identificación automática de diagnósticos críticos a nivel cerebral en el departamento de radiología de la Fundación Valle del Lili |
| title_sort |
Desarrollo de una metodología de identificación automática de diagnósticos críticos a nivel cerebral en el departamento de radiología de la Fundación Valle del Lili |
| dc.creator.fl_str_mv |
Santamaría Macías, Natalia |
| dc.contributor.advisor.none.fl_str_mv |
Pulgarín Giraldo, Juan Diego |
| dc.contributor.author.none.fl_str_mv |
Santamaría Macías, Natalia |
| dc.subject.spa.fl_str_mv |
Ingeniería Biomédica Imágenes de resonancia magnética Inteligencia artificial Máquinas de aprendizaje Aprendizaje supervisado Imágenes diagnósticas Radiología |
| topic |
Ingeniería Biomédica Imágenes de resonancia magnética Inteligencia artificial Máquinas de aprendizaje Aprendizaje supervisado Imágenes diagnósticas Radiología Inteligencia artificial Resonancia magnética en imágenes Diagnóstico por imagen Artificial intelligence Magnetic resonance imaging Diagnostic imaging |
| dc.subject.armarc.spa.fl_str_mv |
Inteligencia artificial Resonancia magnética en imágenes Diagnóstico por imagen |
| dc.subject.armarc.eng.fl_str_mv |
Artificial intelligence Magnetic resonance imaging Diagnostic imaging |
| description |
El objetivo de este trabajo es proponer una metodología de identificación de diagnósticos significativos a nivel cerebral usando estudios de resonancia magnética de 98 pacientes: 33 con cerebros sanos y 65 pacientes con cerebros patológicos. Para esto, se implementan máquinas de aprendizaje para clasificar los estudios cerebrales entre sujetos sanos y patológicos, de acuerdo con los hallazgos por imagen para priorizar la revisión del estudio y su consecuente notificación oportuna del hallazgo crítico. Para la clasificación de los diagnósticos, se hizo la comparación de cinco modelos de máquinas de aprendizaje para obtener el modelo con las mejores métricas. Los resultados de clasificación fueron sobresalientes, pero el mejor fue el modelo Naive Bayes con unos resultados de exactitud, kappa y medida F de 100%, demostrando su alta exactitud al predecir el diagnóstico crítico cerebral al determinar la ausencia de falsos positivos y falsos negativos, lo cual permitiría priorizar las tareas de lectura y suponer un mejor desenlace clínico del paciente. Los hallazgos de este trabajo sugieren la utilidad de la metodología propuesta para identificar automáticamente alteraciones significativas en estudios de resonancia magnética cerebral que permitiría clasificarlos y priorizarlos en la lista de tareas de lectura |
| publishDate |
2020 |
| dc.date.accessioned.none.fl_str_mv |
2020-10-19T22:05:26Z |
| dc.date.available.none.fl_str_mv |
2020-10-19T22:05:26Z |
| dc.date.issued.none.fl_str_mv |
2020-10-13 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.coar.eng.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.eng.fl_str_mv |
Text |
| dc.type.driver.eng.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.redcol.eng.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
| dc.type.version.eng.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
publishedVersion |
| dc.identifier.uri.spa.fl_str_mv |
http://red.uao.edu.co//handle/10614/12639 |
| url |
http://red.uao.edu.co//handle/10614/12639 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Agency for Healthcare Research and Quality (2012). Emergency Severity Index (ESI): A Triage Tool for Emergency Department Care, 1-4. [En línea]. Recuperado de https://www.ahrq.gov/sites/default/files/wysiwyg/professionals/systems/hospital/esi/esihandbk.pdf Alom, M. Z., Taha, T. M., Yakopcic, C., Westberg, S., Sidike, P., Nasrin, M. S., Van Esesn, B. C., Awwal, A. A. S. y Asari, V. K. (2018). The History Began from AlexNet: A Comprehensive Survey on Deep Learning Approaches. arXiv preprint arXiv:1803.01164, 2. Recuperado de https://arxiv.org/ftp/arxiv/papers/1803/1803.01164.pdf Alves Ferreira, A. L. y C., Canudas, J., Cuellar, J., Roman Vaca, O., Flores, S., y Jiménez, W. (2011) Accidente Cerebro Vascular (ACV). Univ. Cienc. Soc., 5, 20. Recuperado de http://www.revistasbolivianas.org.bo/pdf/ucs/n5/n5_a04.pdf American College of Radiology (2019). Acr–Asnr–Spr Practice Parameter for the Performance and Interpretation of Magnetic Resonance Imaging (MRI) of the Brain, 2-4. Arauz, A. y Ruíz-Franco, A. (2012). Enfermedad vascular cerebral, Revista de la Facultad de Medicina, 55(3), 12. Recuperado de http://www.scielo.org.mx/pdf/facmed/v55n3/v55n3a3.pdf Babiarz, L. S., Lewin, J. S. y Yousem, D. M. (2015). Continuous practice quality improvement initiative for communication of critical findings in neuroradiology. American Journal of Medical Quality, 30(5), 447. doi: 10.1177/1062860614539188 Barone, L. R., Rodríguez, C. E., Ghiglioni, M. L., Gonzáles, C. D., y Luna, S. S. (2004). Anatomía y fisiología del cuerpo humano. Argentina: Cultural Librera Americana SA. (p.121). Benjamin, P., Khan, F., y MacKinnon, A. D. (2017). The use of diffusion weighted imaging to evaluate pathology outside the brain parenchyma in neuroimaging studies. The British journal of radiology, 90(1072), 1. Bishop, C. M. (2006). Pattern recognition and machine learning. Springer. pp. 137, 179-180. Chouinard, B., Boliek, C., y Cummine, J. (2016). How to interpret and critique neuroimaging research: a tutorial on use of functional magnetic resonance imaging in clinical populations. American journal of speech-language pathology, 25(3), 269-270. Christ, M., Grossmann, F., Winter, D., Bingisser, R. y Platz, E. (2010). Modern triage in the emergency department. Deutsches Ärzteblatt International, 107(50), 892. DCM2NII (2016) [Software de computación]. Dougherty, G. (2009). Digital image processing for medical applications. Cambridge University Press. (p. 124). Duda, R. O., Hart, P. E., & Stork, D. G. (2012). Pattern classification. John Wiley & Sons. pp. 7-9, 517. Fonov, V. S., Evans, A. C., McKinstry, R. C., Almli, C. R., y Collins, D. L. (2009). Unbiased nonlinear average age-appropriate brain templates from birth to adulthood. NeuroImage, (47), S102. doi:10.1016/s1053-8119(09)70884-5 Fonov, V., Evans, A. C., Botteron, K., Almli, C. R., McKinstry, R. C., Collins, D. L., y Brain Development Cooperative Group. (2011). Unbiased average ageappropriate atlases for pediatric studies. Neuroimage, 54(1), 313-327. doi:10.1016/j.neuroimage.2010.07.033 Gallucci, M., Capoccia, S., y Catalucci, A. (2007). Radiographic atlas of skull and brain anatomy. Springer Science & Business Media. (p. 24). Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media. (pp. 8-13, 24-30, 114, 177, 184, 200). Gili, J. (1993). Introducción biofísica a la resonancia magnética. Centre Diagnóstic Pedralbes. (pp. 5,10). Gogolla, N. (2017). The insular cortex. Current Biology, 27(12), R580-R580. González, J. M., Alamos, F. y Abello, A. L. (2016). Cerebral Edema. En Nunes, R. H., Abello, A. L., y Castillo, M. (Eds.). Critical findings in neuroradiology (pp. 4-5). Switzerland: Springer. Goodfellow, I., Bengio, Y., Courville, A., y Bengio, Y. (2016). Deep learning. MIT press. vol. 1. (p. 122). Honig, S. E., Honig, E. L., Babiarz, L. B., Lewin, J. S., Berlanstein, B. y Yousem, D. M. (2014). Critical findings: timing of notification in neuroradiology. American Journal of Neuroradiology, 35(8), 1485. Jenkinson, M., y Smith, S. (2001). A global optimisation method for robust affine registration of brain images. Medical image analysis, 5(2), 143-156. Jenkinson, M., Bannister, P., Brady, M., y Smith, S. (2002). Improved optimization for the robust and accurate linear registration and motion correction of brain images. Neuroimage, 17(2), 825-841. Jenkinson, M., Beckmann, C. F., Behrens, T. E., Woolrich, M. W., y Smith, S. M. (2012). FSL. Neuroimage, 62(2), 786. Jenkinson, M., Pechaud, M., y Smith, S. (2005). BET2: MR-based estimation of brain, skull and scalp surfaces. In Eleventh annual meeting of the organization for human brain mapping, 167. Kimberley, T. J., y Lewis, S. M. (2007). Understanding neuroimaging. Physical therapy, 87(6), 673. doi: 10.2522/ptj.20060149 Larson, P. A., Berland, L. L., Griffith, B., Kahn Jr, C. E. y Liebscher, L. A. (2014). Actionable findings and the role of IT support: report of the ACR Actionable Reporting Work Group. Journal of the American College of Radiology, 11(6), 553. Recuperado de https://www.jacr.org/article/S1546-1440(13)00840-5/pdf Leach, M. O. (2014). Magnetic Resonance Imaging. En Dance, D. R., Christofides, S., Maidment, A. D. A., McLean, I. D., y Ng, K. H. (Eds.) Diagnostic radiology physics (p. 385). Austria: International Atomic Energy Agency. Marieb, E. (2008). Anatomía y fisiología humana. 9th ed. Madrid: Pearson Education S.A. (pp.242 – 243). Martini, F. H., Tallitsch, R. B., y Nath, J. L. (2017) Anatomía Humana. 9 ed. Pearson. (pp. 404-406). Mirtskhulava, L., Wong, J., Al-Majeed, S., y Pearce, G. (2015, March). Artificial Neural Network Model in Stroke Diagnosis. In 2015 17th UKSim-AMSS International Conference on Modelling and Simulation (UKSim), 50. Moreno, M. E., y Álamos, F. (2016a). Epidural Hematoma. En Nunes, R. H., Abello, A. L., y Castillo, M. (Eds.). Critical findings in neuroradiology (pp. 219-220). Switzerland: Springer. Moreno, M. E., y Álamos, F. (2016b). Subdural Hematoma. En Nunes, R. H., Abello, A. L., y Castillo, M. (Eds.). Critical findings in neuroradiology (pp. 225-226). Switzerland: Springer. National Health Service England (2017). Radiology review. A national review of radiology reporting within the NHS in England. pp. 5-6. [En línea]. Recuperado de https://www.cqc.org.uk/sites/default/files/20180718-radiologyreporting-review-report-final-for-web.pdf National Health Service England (2018). Diagnostic Imaging Dataset Annual Statistical Release 2016/17. p. 6. [En línea]. Recuperado de https://www.england.nhs.uk/statistics/wpcontent/uploads/sites/2/2017/11/Annual-Statistical-Release-2016-17DID-PDF-1.5MB.pdf Nunes, R. H., Abello, A. L., y Castillo, M. (Eds.). (2016). Critical findings in neuroradiology. (p. xi). Switzerland: Springer. Nwankpa, C., Ijomah, W., Gachagan, A., y Marshall, S. (2018). Activation functions: Comparison of trends in practice and research for deep learning. arXiv preprint arXiv:1811.03378, 1-2 Recuperado de https://arxiv.org/abs/1811.03378 Orejuela Zapata, J. F. (2019). Impact of an educational initiative targeting nonradiologist staff on overall notification times of critical findings in radiology. Emergency radiology, 26(6), 594. doi: 10.1007/s10140-019-01708-w Parizel, P. M., van den Hauwe, L., De Belder, F., Van Goethem, J., Venstermans, C., Salgado, R., Voormolen, M., y Van Hecke, W. (2010). Magnetic resonance imaging of the brain. In Clinical MR Imaging (pp. 107-195). Springer, Berlin, Heidelberg. Pukenas, B. (2011). Normal brain anatomy on magnetic resonance imaging. Magnetic Resonance Imaging Clinics, 19(3), 429. Raeisi Shahraki, H., Pourahmad, S., y Zare, N. (2017). K Important neighbors: a novel approach to binary classification in high dimensional data. BioMed research international, 2. doi: 10.1155/2017/7560807 Research Imaging Institute, UTHSCSA (2020). Mango - short for Multi-image Analysis GUI. [Software de computación] Rivera, D. M., Puentes, S., y Caballero, L. (2011). Resonancia magnética cerebral: secuencias básicas e interpretación. Universitas Médica, 52(3), 292-306. Shalev-Shwartz, S., y Ben-David, S. (2014). Understanding machine learning: From theory to algorithms. Cambridge university press. (p. 2). Sierra, D. F. J., Sierra, I. J., Montaño, C. A. C., Salazar, J. A. M., y Jens, C. T. (2019). Anatomía Básica de los Ganglios Basales. Rev. Médica Sanitas, 22(2), 67. Recuperado de http://www.unisanitas.edu.co/Revista/71/03Rev_Medica_Sanitas_22-2_DFortunato_et_al.pdf Silva, F. A., Zarruk, J. G., Quintero, C., Arenas, W., Rueda-Clausen, C. F., Silva, S. Y. y Estupiñán, A. M. (2006). Enfermedad cerebrovascular en Colombia. Revista Colombiana de Cardiología, 13(2), 86. Smith-Bindman, R., Kwan, M. L., Marlow, E. C., Theis, M. K., Bolch, W., Cheng, S. Y., Bowles, E.J.A., Duncan, J.R., Greenlee, R. T., Kushi, L. H., Pole, J. D, Rahm, A. K., Stout, N. K., Weinmann, S. y Miglioretti, D. L. (2019). Trends in use of medical imaging in US health care systems and in Ontario, Canada, 2000-2016. Jama, 322(9), 845. doi: 10.1001/jama.2019.11456 Solomon, C., y Breckon, T. (2011). Fundamentals of Digital Image Processing: A practical approach with examples in Matlab. John Wiley & Sons. (pp. 63, 295). Tortora, G. J., y Derrickson, B. (2013). Principios de anatomía y fisiología. Médica Panamericana. (p. 528). Wasule, V., y Sonar, P. (2017). Classification of brain MRI using SVM and KNN classifier. In 2017 Third International Conference on Sensing, Signal Processing and Security (ICSSS), 218-221. doi: 10.1109/SSPS.2017.8071594. Waxman, S. (2011) Neuroanatomía Clínica. (26a. ed.). McGraw-Hill Interamericana. (p. 91). Whitcher, B., Schmid, V. J., y Thornton, A. (2011). Working with the DICOM and NIfTI Data Standards in R. Journal of Statistical Software, 44(6), 1. doi: 10.18637/jss.v044.i06 Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2019). Dive into Deep Learning. Unpublished draft. Retrieved. (p. 23). Zhang, J. (2019). Secrets of the Brain: An Introduction to the Brain Anatomical Structure and Biological Function. arXiv preprint arXiv:1906.03314, 12-15 Zhang, Y., Komlosi, P., Xie, M., y Wintermark, M. (2016). Neuroimaging. Oxford Textbook of Neurocritical Care. Oxford University Press. doi: 10.1093/med/9780198739555.003.0015 Zhang, Z. (2014). Too much covariates in a multivariable model may cause the problem of overfitting. Journal of thoracic disease, 6(9), E196. doi: 10.3978/j.issn.2072-1439.2014.08.33 Zhang, Z. (2016). Naïve Bayes classification in R. Annals of translational medicine, 4(12), 2. doi: 10.21037/atm.2016.03.38 Zhu, W., Zeng, N., y Wang, N. (2010). Sensitivity, specificity, accuracy, associated confidence interval and ROC analysis with practical SAS implementations. NESUG proceedings: health care and life sciences, 3. |
| dc.rights.spa.fl_str_mv |
Derechos Reservados - Universidad Autónoma de Occidente |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.uri.eng.fl_str_mv |
https://creativecommons.org/licenses/by-nd/4.0/ |
| dc.rights.accessrights.eng.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.creativecommons.spa.fl_str_mv |
Atribución-SinDerivadas 4.0 Internacional (CC BY-ND 4.0) |
| rights_invalid_str_mv |
Derechos Reservados - Universidad Autónoma de Occidente https://creativecommons.org/licenses/by-nd/4.0/ Atribución-SinDerivadas 4.0 Internacional (CC BY-ND 4.0) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.eng.fl_str_mv |
application/pdf |
| dc.format.extent.spa.fl_str_mv |
99 páginas |
| dc.coverage.spatial.none.fl_str_mv |
Universidad Autónoma de Occidente. Calle 25 115-85. Km 2 vía Cali-Jamundí |
| dc.publisher.spa.fl_str_mv |
Universidad Autónoma de Occidente |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería Biomédica |
| dc.publisher.department.spa.fl_str_mv |
Departamento de Automática y Electrónica |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.source.spa.fl_str_mv |
instname:Universidad Autónoma de Occidente reponame:Repositorio Institucional UAO |
| instname_str |
Universidad Autónoma de Occidente |
| institution |
Universidad Autónoma de Occidente |
| reponame_str |
Repositorio Institucional UAO |
| collection |
Repositorio Institucional UAO |
| bitstream.url.fl_str_mv |
https://red.uao.edu.co/bitstreams/082bb1a8-cfb8-41ca-9014-b1db3a0b645c/download https://red.uao.edu.co/bitstreams/d3045434-e1e4-4aab-b13d-52711add3e96/download https://red.uao.edu.co/bitstreams/35ad9e50-4a2d-4bc9-a00b-e9332b02187c/download https://red.uao.edu.co/bitstreams/92a82026-76ee-4798-8821-b9645b8bc0ad/download https://red.uao.edu.co/bitstreams/15a9b6e0-ac4a-49c2-b057-19bfd8434f6f/download https://red.uao.edu.co/bitstreams/8fbdf2e0-f93f-4c28-98ca-5b9cbb02927d/download https://red.uao.edu.co/bitstreams/826f9559-050a-4d36-8058-5a1748938280/download https://red.uao.edu.co/bitstreams/5ff32909-537b-418a-bd73-2245f0cdc9e7/download |
| bitstream.checksum.fl_str_mv |
fa7725d0b35a16ce1155a54bcf8199fb e1c06d85ae7b8b032bef47e42e4c08f9 662e3027b0eaeea4e9817eddff4b9cbd 4cae41cb0003929598d26f0d8e2a329b 91bb15bf86dca70cd315edc6d969c273 27df8f6d7b2d5ec167f4d954eaf1a2d4 f7d494f61e544413a13e6ba1da2089cd 20b5ba22b1117f71589c7318baa2c560 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Digital Universidad Autonoma de Occidente |
| repository.mail.fl_str_mv |
repositorio@uao.edu.co |
| _version_ |
1828229901612744704 |
| spelling |
Pulgarín Giraldo, Juan Diegovirtual::4176-1Santamaría Macías, Natalia712834e9363a0a04fc1bab5a5f63988dIngeniero BiomédicoUniversidad Autónoma de Occidente. Calle 25 115-85. Km 2 vía Cali-Jamundí2020-10-19T22:05:26Z2020-10-19T22:05:26Z2020-10-13http://red.uao.edu.co//handle/10614/12639El objetivo de este trabajo es proponer una metodología de identificación de diagnósticos significativos a nivel cerebral usando estudios de resonancia magnética de 98 pacientes: 33 con cerebros sanos y 65 pacientes con cerebros patológicos. Para esto, se implementan máquinas de aprendizaje para clasificar los estudios cerebrales entre sujetos sanos y patológicos, de acuerdo con los hallazgos por imagen para priorizar la revisión del estudio y su consecuente notificación oportuna del hallazgo crítico. Para la clasificación de los diagnósticos, se hizo la comparación de cinco modelos de máquinas de aprendizaje para obtener el modelo con las mejores métricas. Los resultados de clasificación fueron sobresalientes, pero el mejor fue el modelo Naive Bayes con unos resultados de exactitud, kappa y medida F de 100%, demostrando su alta exactitud al predecir el diagnóstico crítico cerebral al determinar la ausencia de falsos positivos y falsos negativos, lo cual permitiría priorizar las tareas de lectura y suponer un mejor desenlace clínico del paciente. Los hallazgos de este trabajo sugieren la utilidad de la metodología propuesta para identificar automáticamente alteraciones significativas en estudios de resonancia magnética cerebral que permitiría clasificarlos y priorizarlos en la lista de tareas de lecturaThe objective of this work is to propose a methodology to identify significant findings in the brain using MRI studies of 98 patients: 33 with healthy brains and 65 patients with pathological brains. We implement machine learning models to classify brain studies between healthy and pathological subjects, according to the imaging findings to prioritize the study review and its consequent timely notification of the critical finding. In the diagnosis classification, we compared five learning machine models to obtain the model with the best metrics. The classification results were outstanding, where the best was the Naive Bayes model, which has an accuracy, kappa, and measurement F of 100% values. The findings of this work suggest the usefulness of the proposed methodology to automatically identify significant alterations in MRI studies of the brain that would allow them to be classified and prioritized on the list of reading tasksPasantía institucional (Ingeniero Biomédico)-- Universidad Autónoma de Occidente, 2020PregradoIngeniero(a) Biomédico(a)application/pdf99 páginasspaUniversidad Autónoma de OccidenteIngeniería BiomédicaDepartamento de Automática y ElectrónicaFacultad de IngenieríaDerechos Reservados - Universidad Autónoma de Occidentehttps://creativecommons.org/licenses/by-nd/4.0/info:eu-repo/semantics/openAccessAtribución-SinDerivadas 4.0 Internacional (CC BY-ND 4.0)http://purl.org/coar/access_right/c_abf2instname:Universidad Autónoma de Occidentereponame:Repositorio Institucional UAOIngeniería BiomédicaImágenes de resonancia magnéticaInteligencia artificialMáquinas de aprendizajeAprendizaje supervisadoImágenes diagnósticasRadiologíaInteligencia artificialResonancia magnética en imágenesDiagnóstico por imagenArtificial intelligenceMagnetic resonance imagingDiagnostic imagingDesarrollo de una metodología de identificación automática de diagnósticos críticos a nivel cerebral en el departamento de radiología de la Fundación Valle del LiliTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttps://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Agency for Healthcare Research and Quality (2012). Emergency Severity Index (ESI): A Triage Tool for Emergency Department Care, 1-4. [En línea]. Recuperado de https://www.ahrq.gov/sites/default/files/wysiwyg/professionals/systems/hospital/esi/esihandbk.pdfAlom, M. Z., Taha, T. M., Yakopcic, C., Westberg, S., Sidike, P., Nasrin, M. S., Van Esesn, B. C., Awwal, A. A. S. y Asari, V. K. (2018). The History Began from AlexNet: A Comprehensive Survey on Deep Learning Approaches. arXiv preprint arXiv:1803.01164, 2. Recuperado de https://arxiv.org/ftp/arxiv/papers/1803/1803.01164.pdfAlves Ferreira, A. L. y C., Canudas, J., Cuellar, J., Roman Vaca, O., Flores, S., y Jiménez, W. (2011) Accidente Cerebro Vascular (ACV). Univ. Cienc. Soc., 5, 20. Recuperado de http://www.revistasbolivianas.org.bo/pdf/ucs/n5/n5_a04.pdfAmerican College of Radiology (2019). Acr–Asnr–Spr Practice Parameter for the Performance and Interpretation of Magnetic Resonance Imaging (MRI) of the Brain, 2-4.Arauz, A. y Ruíz-Franco, A. (2012). Enfermedad vascular cerebral, Revista de la Facultad de Medicina, 55(3), 12. Recuperado de http://www.scielo.org.mx/pdf/facmed/v55n3/v55n3a3.pdfBabiarz, L. S., Lewin, J. S. y Yousem, D. M. (2015). Continuous practice quality improvement initiative for communication of critical findings in neuroradiology. American Journal of Medical Quality, 30(5), 447. doi: 10.1177/1062860614539188Barone, L. R., Rodríguez, C. E., Ghiglioni, M. L., Gonzáles, C. D., y Luna, S. S. (2004). Anatomía y fisiología del cuerpo humano. Argentina: Cultural Librera Americana SA. (p.121).Benjamin, P., Khan, F., y MacKinnon, A. D. (2017). The use of diffusion weighted imaging to evaluate pathology outside the brain parenchyma in neuroimaging studies. The British journal of radiology, 90(1072), 1.Bishop, C. M. (2006). Pattern recognition and machine learning. Springer. pp. 137, 179-180.Chouinard, B., Boliek, C., y Cummine, J. (2016). How to interpret and critique neuroimaging research: a tutorial on use of functional magnetic resonance imaging in clinical populations. American journal of speech-language pathology, 25(3), 269-270.Christ, M., Grossmann, F., Winter, D., Bingisser, R. y Platz, E. (2010). Modern triage in the emergency department. Deutsches Ärzteblatt International, 107(50), 892.DCM2NII (2016) [Software de computación]. Dougherty, G. (2009). Digital image processing for medical applications. Cambridge University Press. (p. 124).Duda, R. O., Hart, P. E., & Stork, D. G. (2012). Pattern classification. John Wiley & Sons. pp. 7-9, 517.Fonov, V. S., Evans, A. C., McKinstry, R. C., Almli, C. R., y Collins, D. L. (2009). Unbiased nonlinear average age-appropriate brain templates from birth to adulthood. NeuroImage, (47), S102. doi:10.1016/s1053-8119(09)70884-5Fonov, V., Evans, A. C., Botteron, K., Almli, C. R., McKinstry, R. C., Collins, D. L., y Brain Development Cooperative Group. (2011). Unbiased average ageappropriate atlases for pediatric studies. Neuroimage, 54(1), 313-327. doi:10.1016/j.neuroimage.2010.07.033Gallucci, M., Capoccia, S., y Catalucci, A. (2007). Radiographic atlas of skull and brain anatomy. Springer Science & Business Media. (p. 24).Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media. (pp. 8-13, 24-30, 114, 177, 184, 200).Gili, J. (1993). Introducción biofísica a la resonancia magnética. Centre Diagnóstic Pedralbes. (pp. 5,10).Gogolla, N. (2017). The insular cortex. Current Biology, 27(12), R580-R580.González, J. M., Alamos, F. y Abello, A. L. (2016). Cerebral Edema. En Nunes, R. H., Abello, A. L., y Castillo, M. (Eds.). Critical findings in neuroradiology (pp. 4-5). Switzerland: Springer.Goodfellow, I., Bengio, Y., Courville, A., y Bengio, Y. (2016). Deep learning. MIT press. vol. 1. (p. 122).Honig, S. E., Honig, E. L., Babiarz, L. B., Lewin, J. S., Berlanstein, B. y Yousem, D. M. (2014). Critical findings: timing of notification in neuroradiology. American Journal of Neuroradiology, 35(8), 1485.Jenkinson, M., y Smith, S. (2001). A global optimisation method for robust affine registration of brain images. Medical image analysis, 5(2), 143-156.Jenkinson, M., Bannister, P., Brady, M., y Smith, S. (2002). Improved optimization for the robust and accurate linear registration and motion correction of brain images. Neuroimage, 17(2), 825-841.Jenkinson, M., Beckmann, C. F., Behrens, T. E., Woolrich, M. W., y Smith, S. M. (2012). FSL. Neuroimage, 62(2), 786.Jenkinson, M., Pechaud, M., y Smith, S. (2005). BET2: MR-based estimation of brain, skull and scalp surfaces. In Eleventh annual meeting of the organization for human brain mapping, 167.Kimberley, T. J., y Lewis, S. M. (2007). Understanding neuroimaging. Physical therapy, 87(6), 673. doi: 10.2522/ptj.20060149Larson, P. A., Berland, L. L., Griffith, B., Kahn Jr, C. E. y Liebscher, L. A. (2014). Actionable findings and the role of IT support: report of the ACR Actionable Reporting Work Group. Journal of the American College of Radiology, 11(6), 553. Recuperado de https://www.jacr.org/article/S1546-1440(13)00840-5/pdfLeach, M. O. (2014). Magnetic Resonance Imaging. En Dance, D. R., Christofides, S., Maidment, A. D. A., McLean, I. D., y Ng, K. H. (Eds.) Diagnostic radiology physics (p. 385). Austria: International Atomic Energy Agency.Marieb, E. (2008). Anatomía y fisiología humana. 9th ed. Madrid: Pearson Education S.A. (pp.242 – 243).Martini, F. H., Tallitsch, R. B., y Nath, J. L. (2017) Anatomía Humana. 9 ed. Pearson. (pp. 404-406).Mirtskhulava, L., Wong, J., Al-Majeed, S., y Pearce, G. (2015, March). Artificial Neural Network Model in Stroke Diagnosis. In 2015 17th UKSim-AMSS International Conference on Modelling and Simulation (UKSim), 50.Moreno, M. E., y Álamos, F. (2016a). Epidural Hematoma. En Nunes, R. H., Abello, A. L., y Castillo, M. (Eds.). Critical findings in neuroradiology (pp. 219-220). Switzerland: Springer.Moreno, M. E., y Álamos, F. (2016b). Subdural Hematoma. En Nunes, R. H., Abello, A. L., y Castillo, M. (Eds.). Critical findings in neuroradiology (pp. 225-226). Switzerland: Springer.National Health Service England (2017). Radiology review. A national review of radiology reporting within the NHS in England. pp. 5-6. [En línea]. Recuperado de https://www.cqc.org.uk/sites/default/files/20180718-radiologyreporting-review-report-final-for-web.pdfNational Health Service England (2018). Diagnostic Imaging Dataset Annual Statistical Release 2016/17. p. 6. [En línea]. Recuperado de https://www.england.nhs.uk/statistics/wpcontent/uploads/sites/2/2017/11/Annual-Statistical-Release-2016-17DID-PDF-1.5MB.pdfNunes, R. H., Abello, A. L., y Castillo, M. (Eds.). (2016). Critical findings in neuroradiology. (p. xi). Switzerland: Springer.Nwankpa, C., Ijomah, W., Gachagan, A., y Marshall, S. (2018). Activation functions: Comparison of trends in practice and research for deep learning. arXiv preprint arXiv:1811.03378, 1-2 Recuperado de https://arxiv.org/abs/1811.03378Orejuela Zapata, J. F. (2019). Impact of an educational initiative targeting nonradiologist staff on overall notification times of critical findings in radiology. Emergency radiology, 26(6), 594. doi: 10.1007/s10140-019-01708-wParizel, P. M., van den Hauwe, L., De Belder, F., Van Goethem, J., Venstermans, C., Salgado, R., Voormolen, M., y Van Hecke, W. (2010). Magnetic resonance imaging of the brain. In Clinical MR Imaging (pp. 107-195). Springer, Berlin, Heidelberg.Pukenas, B. (2011). Normal brain anatomy on magnetic resonance imaging. Magnetic Resonance Imaging Clinics, 19(3), 429.Raeisi Shahraki, H., Pourahmad, S., y Zare, N. (2017). K Important neighbors: a novel approach to binary classification in high dimensional data. BioMed research international, 2. doi: 10.1155/2017/7560807Research Imaging Institute, UTHSCSA (2020). Mango - short for Multi-image Analysis GUI. [Software de computación]Rivera, D. M., Puentes, S., y Caballero, L. (2011). Resonancia magnética cerebral: secuencias básicas e interpretación. Universitas Médica, 52(3), 292-306.Shalev-Shwartz, S., y Ben-David, S. (2014). Understanding machine learning: From theory to algorithms. Cambridge university press. (p. 2).Sierra, D. F. J., Sierra, I. J., Montaño, C. A. C., Salazar, J. A. M., y Jens, C. T. (2019). Anatomía Básica de los Ganglios Basales. Rev. Médica Sanitas, 22(2), 67. Recuperado de http://www.unisanitas.edu.co/Revista/71/03Rev_Medica_Sanitas_22-2_DFortunato_et_al.pdfSilva, F. A., Zarruk, J. G., Quintero, C., Arenas, W., Rueda-Clausen, C. F., Silva, S. Y. y Estupiñán, A. M. (2006). Enfermedad cerebrovascular en Colombia. Revista Colombiana de Cardiología, 13(2), 86.Smith-Bindman, R., Kwan, M. L., Marlow, E. C., Theis, M. K., Bolch, W., Cheng, S. Y., Bowles, E.J.A., Duncan, J.R., Greenlee, R. T., Kushi, L. H., Pole, J. D, Rahm, A. K., Stout, N. K., Weinmann, S. y Miglioretti, D. L. (2019). Trends in use of medical imaging in US health care systems and in Ontario, Canada, 2000-2016. Jama, 322(9), 845. doi: 10.1001/jama.2019.11456Solomon, C., y Breckon, T. (2011). Fundamentals of Digital Image Processing: A practical approach with examples in Matlab. John Wiley & Sons. (pp. 63, 295).Tortora, G. J., y Derrickson, B. (2013). Principios de anatomía y fisiología. Médica Panamericana. (p. 528).Wasule, V., y Sonar, P. (2017). Classification of brain MRI using SVM and KNN classifier. In 2017 Third International Conference on Sensing, Signal Processing and Security (ICSSS), 218-221. doi: 10.1109/SSPS.2017.8071594.Waxman, S. (2011) Neuroanatomía Clínica. (26a. ed.). McGraw-Hill Interamericana. (p. 91).Whitcher, B., Schmid, V. J., y Thornton, A. (2011). Working with the DICOM and NIfTI Data Standards in R. Journal of Statistical Software, 44(6), 1. doi: 10.18637/jss.v044.i06Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2019). Dive into Deep Learning. Unpublished draft. Retrieved. (p. 23).Zhang, J. (2019). Secrets of the Brain: An Introduction to the Brain Anatomical Structure and Biological Function. arXiv preprint arXiv:1906.03314, 12-15Zhang, Y., Komlosi, P., Xie, M., y Wintermark, M. (2016). Neuroimaging. Oxford Textbook of Neurocritical Care. Oxford University Press. doi: 10.1093/med/9780198739555.003.0015Zhang, Z. (2014). Too much covariates in a multivariable model may cause the problem of overfitting. Journal of thoracic disease, 6(9), E196. doi: 10.3978/j.issn.2072-1439.2014.08.33Zhang, Z. (2016). Naïve Bayes classification in R. Annals of translational medicine, 4(12), 2. doi: 10.21037/atm.2016.03.38Zhu, W., Zeng, N., y Wang, N. (2010). Sensitivity, specificity, accuracy, associated confidence interval and ROC analysis with practical SAS implementations. NESUG proceedings: health care and life sciences, 3.Publicationhttps://scholar.google.com.co/citations?user=Bwuc2BkAAAAJ&hl=envirtual::4176-10000-0002-6409-5104virtual::4176-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000207497virtual::4176-133e9b6b4-bd6d-4b86-b500-ae237e1e9a98virtual::4176-133e9b6b4-bd6d-4b86-b500-ae237e1e9a98virtual::4176-1TEXTT09459.pdf.txtT09459.pdf.txtExtracted texttext/plain111510https://red.uao.edu.co/bitstreams/082bb1a8-cfb8-41ca-9014-b1db3a0b645c/downloadfa7725d0b35a16ce1155a54bcf8199fbMD57TA9459.pdf.txtTA9459.pdf.txtExtracted texttext/plain2https://red.uao.edu.co/bitstreams/d3045434-e1e4-4aab-b13d-52711add3e96/downloade1c06d85ae7b8b032bef47e42e4c08f9MD59THUMBNAILT09459.pdf.jpgT09459.pdf.jpgGenerated Thumbnailimage/jpeg6674https://red.uao.edu.co/bitstreams/35ad9e50-4a2d-4bc9-a00b-e9332b02187c/download662e3027b0eaeea4e9817eddff4b9cbdMD58TA9459.pdf.jpgTA9459.pdf.jpgGenerated Thumbnailimage/jpeg14847https://red.uao.edu.co/bitstreams/92a82026-76ee-4798-8821-b9645b8bc0ad/download4cae41cb0003929598d26f0d8e2a329bMD510ORIGINALT09459.pdfT09459.pdfapplication/pdf1283745https://red.uao.edu.co/bitstreams/15a9b6e0-ac4a-49c2-b057-19bfd8434f6f/download91bb15bf86dca70cd315edc6d969c273MD55TA9459.pdfTA9459.pdfapplication/pdf933632https://red.uao.edu.co/bitstreams/8fbdf2e0-f93f-4c28-98ca-5b9cbb02927d/download27df8f6d7b2d5ec167f4d954eaf1a2d4MD56CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8799https://red.uao.edu.co/bitstreams/826f9559-050a-4d36-8058-5a1748938280/downloadf7d494f61e544413a13e6ba1da2089cdMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-81665https://red.uao.edu.co/bitstreams/5ff32909-537b-418a-bd73-2245f0cdc9e7/download20b5ba22b1117f71589c7318baa2c560MD5410614/12639oai:red.uao.edu.co:10614/126392024-03-13 14:16:24.282https://creativecommons.org/licenses/by-nd/4.0/Derechos Reservados - Universidad Autónoma de Occidenteopen.accesshttps://red.uao.edu.coRepositorio Digital Universidad Autonoma de Occidenterepositorio@uao.edu.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 |