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

La 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...

Full description

Autores:: Medelo Ballesteros, Hebert
Espinosa-Castro, Jhon-Franklin
Rodríguez, Johel E.
Neira Borja, James
Diaz, Viviana Elizabeth
Gómez Félix, Gabriela
Chango Cando, Freddy
Mallitasig Panchi, Betty
Añez, Roberto
A. Fossi, Cleiver
Bermúdez, Valmore

Tipo de recurso:

Fecha de publicación:: 2020

Institución:: Universidad Simón Bolívar

Repositorio:: Repositorio Digital USB

Idioma:: spa

id	USIMONBOL2_462ba77da3bee67793d10065d5507340
oai_identifier_str	oai:bonga.unisimon.edu.co:20.500.12442/8781
network_acronym_str	USIMONBOL2
network_name_str	Repositorio Digital USB
repository_id_str
dc.title.spa.fl_str_mv	Sistema computacional para la detección de glioblastomas en resonancia magnética usando aprendizaje no supervisado
dc.title.translated.eng.fl_str_mv	Computational system for the detection of glioblastomas in magnetic resonance imaging using unsupervised learning Hebert
title	Sistema computacional para la detección de glioblastomas en resonancia magnética usando aprendizaje no supervisado
spellingShingle	Sistema computacional para la detección de glioblastomas en resonancia magnética usando aprendizaje no supervisado Glioblastoma Resonancia magnética Realce de imágenes Filtro de suavizado Segmentación Aprendizaje no supervisado Visualización tridimensional Interfaz gráfica de usuario Magnetic resonance Image enhancement Smoothing filter Segmentation Unsupervised learning Three-dimensional visualization Graphical user interface
title_short	Sistema computacional para la detección de glioblastomas en resonancia magnética usando aprendizaje no supervisado
title_full	Sistema computacional para la detección de glioblastomas en resonancia magnética usando aprendizaje no supervisado
title_fullStr	Sistema computacional para la detección de glioblastomas en resonancia magnética usando aprendizaje no supervisado
title_full_unstemmed	Sistema computacional para la detección de glioblastomas en resonancia magnética usando aprendizaje no supervisado
title_sort	Sistema computacional para la detección de glioblastomas en resonancia magnética usando aprendizaje no supervisado
dc.creator.fl_str_mv	Medelo Ballesteros, Hebert Espinosa-Castro, Jhon-Franklin Rodríguez, Johel E. Neira Borja, James Diaz, Viviana Elizabeth Gómez Félix, Gabriela Chango Cando, Freddy Mallitasig Panchi, Betty Añez, Roberto A. Fossi, Cleiver Bermúdez, Valmore
dc.contributor.author.none.fl_str_mv	Medelo Ballesteros, Hebert Espinosa-Castro, Jhon-Franklin Rodríguez, Johel E. Neira Borja, James Diaz, Viviana Elizabeth Gómez Félix, Gabriela Chango Cando, Freddy Mallitasig Panchi, Betty Añez, Roberto A. Fossi, Cleiver Bermúdez, Valmore
dc.subject.spa.fl_str_mv	Glioblastoma Resonancia magnética Realce de imágenes Filtro de suavizado Segmentación Aprendizaje no supervisado Visualización tridimensional Interfaz gráfica de usuario
topic	Glioblastoma Resonancia magnética Realce de imágenes Filtro de suavizado Segmentación Aprendizaje no supervisado Visualización tridimensional Interfaz gráfica de usuario Magnetic resonance Image enhancement Smoothing filter Segmentation Unsupervised learning Three-dimensional visualization Graphical user interface
dc.subject.eng.fl_str_mv	Magnetic resonance Image enhancement Smoothing filter Segmentation Unsupervised learning Three-dimensional visualization Graphical user interface
description	La 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.
publishDate	2020
dc.date.issued.none.fl_str_mv	2020
dc.date.accessioned.none.fl_str_mv	2021-10-25T21:17:26Z
dc.date.available.none.fl_str_mv	2021-10-25T21:17:26Z
dc.type.coarversion.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.driver.eng.fl_str_mv	info:eu-repo/semantics/article
dc.type.spa.spa.fl_str_mv	Artículo científico
dc.identifier.issn.none.fl_str_mv	26107988
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/20.500.12442/8781
dc.identifier.doi.none.fl_str_mv	http://doi.org/10.5281/zenodo.4263299
dc.identifier.url.none.fl_str_mv	http://saber.ucv.ve/ojs/index.php/rev_aavft/article/view/21059
identifier_str_mv	26107988
url	https://hdl.handle.net/20.500.12442/8781 http://doi.org/10.5281/zenodo.4263299 http://saber.ucv.ve/ojs/index.php/rev_aavft/article/view/21059
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.rights.*.fl_str_mv	Attribution-NonCommercial-NoDerivatives 4.0 Internacional
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.eng.fl_str_mv	info:eu-repo/semantics/openAccess
rights_invalid_str_mv	Attribution-NonCommercial-NoDerivatives 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	pdf
dc.publisher.spa.fl_str_mv	Saber UCV, Universidad Central de Venezuela
dc.source.spa.fl_str_mv	Revista AVFT - Archivos Venezolanos de Farmacología y Terapéutica
dc.source.none.fl_str_mv	Vol. 39, No. 5 (2020)
institution	Universidad Simón Bolívar
bitstream.url.fl_str_mv	https://bonga.unisimon.edu.co/bitstreams/64b888a0-c3b2-4845-bee5-984940ed2291/download https://bonga.unisimon.edu.co/bitstreams/ff382de7-0048-4310-b5e6-6e6f3b88b427/download https://bonga.unisimon.edu.co/bitstreams/f25ff10d-435f-4a83-90b0-938be311897c/download https://bonga.unisimon.edu.co/bitstreams/cb0b842f-e99f-45ee-b62f-6cb3060e051e/download https://bonga.unisimon.edu.co/bitstreams/13e2850b-024a-481b-af70-58bf78e8cb8e/download https://bonga.unisimon.edu.co/bitstreams/ff84cbdc-fc72-4434-a53e-f5d72c9942fe/download https://bonga.unisimon.edu.co/bitstreams/ab517578-f77b-4295-a863-69efb064bbb2/download
bitstream.checksum.fl_str_mv	72065d4e1b7aae376c10188911179dc5 4460e5956bc1d1639be9ae6146a50347 733bec43a0bf5ade4d97db708e29b185 05a4682fab611cbdfc568af93596cbd1 a778c1fae1f7d20cdae5d67e2c258b86 bde0b7c22bf2fc5d73db5716701bb3ac 672a81ce9bbd0041737a80930ea65c98
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Digital Universidad Simón Bolívar
repository.mail.fl_str_mv	repositorio.digital@unisimon.edu.co
_version_	1814076117171044352
spelling	Medelo Ballesteros, Hebert2d47fe99-51c1-4abf-a8d6-74929f69cf76Espinosa-Castro, Jhon-Franklin3b29e060-d18e-4921-a919-55bc22b369f8Rodríguez, Johel E.c676ecb4-6592-4c68-a85c-37fda5ef7e00Neira Borja, James078d72a7-1573-4638-9f74-51f68f3ea386Diaz, Viviana Elizabeth351c0d47-fdf8-43fd-b29f-5e566234ee43Gómez Félix, Gabriela4292ebcf-bd85-4bb5-8318-a9ebee7b5a5dChango Cando, Freddy93711673-e1fe-4781-85d1-45b654a237c5Mallitasig Panchi, Betty84e25fd2-d209-47dd-812d-331cd73f7c49Añez, Roberto0a8ecfdc-a89a-4435-9859-b66bba8947faA. Fossi, Cleiver01fcd7fb-d17c-48a0-8c98-21322544a88eBermúdez, Valmore29f9aa18-16a4-4fd3-8ce5-ed94a0b8663a2021-10-25T21:17:26Z2021-10-25T21:17:26Z202026107988https://hdl.handle.net/20.500.12442/8781http://doi.org/10.5281/zenodo.4263299http://saber.ucv.ve/ojs/index.php/rev_aavft/article/view/21059La 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.Conventional 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.pdfspaSaber UCV, Universidad Central de VenezuelaAttribution-NonCommercial-NoDerivatives 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Revista AVFT - Archivos Venezolanos de Farmacología y TerapéuticaVol. 39, No. 5 (2020)GlioblastomaResonancia magnéticaRealce de imágenesFiltro de suavizadoSegmentaciónAprendizaje no supervisadoVisualización tridimensionalInterfaz gráfica de usuarioMagnetic resonanceImage enhancementSmoothing filterSegmentationUnsupervised learningThree-dimensional visualizationGraphical user interfaceSistema computacional para la detección de glioblastomas en resonancia magnética usando aprendizaje no supervisadoComputational system for the detection of glioblastomas in magnetic resonance imaging using unsupervised learning Hebertinfo:eu-repo/semantics/articleArtículo científicohttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/resource_type/c_2df8fbb1Buonocore M, Maddock R. Magnetic resonance spectroscopy of the brain: A review of physical principles and technical methods. Reviews in the Neurosciences. 2015; 26(6):609-632Milchenko 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.Louis 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.Ohgaki H, Kleihues P. Epidemiology and etiology of gliomas. Acta Neuropathologica. 2005;109(1): 93-108.National 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.Fu K, Mui F.A survey on image segmentation. PatternRecognition. 1981;13(1): 3-16.Angelini 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.Hendrick P. Signal, Noise, Signal-to-Noise, and Contrast-to-Noise Ratios. En: Breast MRI. Springer, New York. 2008.Velho L, Frery A, Gomes J. Image Processing for Computer Graphics and Vision. Springer Science & Business Media. 2009.Astola J, Kuosmanen P.Fundamentals of Nonlinear Digital Filtering, CRC Press. 1997.. Serra J. Image analysis and mathematical morphology. USA: Academic Press. 1983.Sobierajski L. The VTK user’s guide. 11th ed. Kitware, Inc.2010.Lehmann 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;5747:546-555González R, Woods R. Digital image processing. Prentice Hall, USA. 2002.Johnson H, McCormick M, Ibáñez L, Insight Software Consortium. The ITK Software Guide, ITK. 2018.Salomon D. Computer Graphics and Geometric Modeling. Springer Publishing Company, Incorporated. 2013.Lorensen W, Cline H. Marching cubes: A high resolution 3d surface construction algorithm. Computer Graphics.1987;21(4):163-169.Chang S. Handbook of Software Engineering and Knowledge Engineering: Recent Advances, World Scientific Publishing Co., USA. 2005.Costantini 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.Menze 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.Vera 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):175-181Zhao Z, Yang G, Lin Y, Pang H, Wang, M. Automated glioma detection and segmentation using graphical models. PloS one. 2018;13(8):1-22.NBIA 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 3Vera 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.Osorio 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.ORIGINALPDF.pdfPDF.pdfPDFapplication/pdf536790https://bonga.unisimon.edu.co/bitstreams/64b888a0-c3b2-4845-bee5-984940ed2291/download72065d4e1b7aae376c10188911179dc5MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://bonga.unisimon.edu.co/bitstreams/ff382de7-0048-4310-b5e6-6e6f3b88b427/download4460e5956bc1d1639be9ae6146a50347MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-8381https://bonga.unisimon.edu.co/bitstreams/f25ff10d-435f-4a83-90b0-938be311897c/download733bec43a0bf5ade4d97db708e29b185MD53TEXT2020_AVFT_Sistema_computacional.pdf.txt2020_AVFT_Sistema_computacional.pdf.txtExtracted texttext/plain40620https://bonga.unisimon.edu.co/bitstreams/cb0b842f-e99f-45ee-b62f-6cb3060e051e/download05a4682fab611cbdfc568af93596cbd1MD54PDF.pdf.txtPDF.pdf.txtExtracted texttext/plain42371https://bonga.unisimon.edu.co/bitstreams/13e2850b-024a-481b-af70-58bf78e8cb8e/downloada778c1fae1f7d20cdae5d67e2c258b86MD56THUMBNAIL2020_AVFT_Sistema_computacional.pdf.jpg2020_AVFT_Sistema_computacional.pdf.jpgGenerated Thumbnailimage/jpeg19842https://bonga.unisimon.edu.co/bitstreams/ff84cbdc-fc72-4434-a53e-f5d72c9942fe/downloadbde0b7c22bf2fc5d73db5716701bb3acMD55PDF.pdf.jpgPDF.pdf.jpgGenerated Thumbnailimage/jpeg6052https://bonga.unisimon.edu.co/bitstreams/ab517578-f77b-4295-a863-69efb064bbb2/download672a81ce9bbd0041737a80930ea65c98MD5720.500.12442/8781oai:bonga.unisimon.edu.co:20.500.12442/87812024-08-14 21:52:50.6http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internacionalopen.accesshttps://bonga.unisimon.edu.coRepositorio Digital Universidad Simón Bolívarrepositorio.digital@unisimon.edu.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

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

Publicaciones similares