Estrategia basada en realce por similaridad local para la segmentación computacional de la vena cava superior en imágenes de tomografía computarizada cardiaca
El artículo propone una estrategia para segmentar la vena cava superior (VCS) en 20imágenes tridimensionales (3-D) de tomografía computarizada multicapa, correspondientes al ciclo cardiaco completo de un paciente. Esta estrategia consta de las etapas de pre-procesamiento, segmentación y entonación d...
- Autores:
-
Vera, Miguel
Huérfano, Yoleidy
Contreras-Velásquez, Julio
Bermúdez, Valmore
Del Mar, Atilio
Cuberos, María
- Tipo de recurso:
- Fecha de publicación:
- 2017
- Institución:
- Universidad Simón Bolívar
- Repositorio:
- Repositorio Digital USB
- Idioma:
- spa
- OAI Identifier:
- oai:bonga.unisimon.edu.co:20.500.12442/1844
- Acceso en línea:
- http://hdl.handle.net/20.500.12442/1844
- Palabra clave:
- Tomografía
Vena cava superior
Realce por similaridad local
Segmentación
Tomography
Superior vena cava
Local similarity enhancement
Segmentation
- Rights
- License
- Licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional
id |
USIMONBOL2_5714901bb41e7e0d090e927296d1f002 |
---|---|
oai_identifier_str |
oai:bonga.unisimon.edu.co:20.500.12442/1844 |
network_acronym_str |
USIMONBOL2 |
network_name_str |
Repositorio Digital USB |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Estrategia basada en realce por similaridad local para la segmentación computacional de la vena cava superior en imágenes de tomografía computarizada cardiaca |
dc.title.alternative.eng.fl_str_mv |
A strategy based on local similarity enhancement for computational segmentation of the superior vena cava in cardiac computed tomography |
title |
Estrategia basada en realce por similaridad local para la segmentación computacional de la vena cava superior en imágenes de tomografía computarizada cardiaca |
spellingShingle |
Estrategia basada en realce por similaridad local para la segmentación computacional de la vena cava superior en imágenes de tomografía computarizada cardiaca Tomografía Vena cava superior Realce por similaridad local Segmentación Tomography Superior vena cava Local similarity enhancement Segmentation |
title_short |
Estrategia basada en realce por similaridad local para la segmentación computacional de la vena cava superior en imágenes de tomografía computarizada cardiaca |
title_full |
Estrategia basada en realce por similaridad local para la segmentación computacional de la vena cava superior en imágenes de tomografía computarizada cardiaca |
title_fullStr |
Estrategia basada en realce por similaridad local para la segmentación computacional de la vena cava superior en imágenes de tomografía computarizada cardiaca |
title_full_unstemmed |
Estrategia basada en realce por similaridad local para la segmentación computacional de la vena cava superior en imágenes de tomografía computarizada cardiaca |
title_sort |
Estrategia basada en realce por similaridad local para la segmentación computacional de la vena cava superior en imágenes de tomografía computarizada cardiaca |
dc.creator.fl_str_mv |
Vera, Miguel Huérfano, Yoleidy Contreras-Velásquez, Julio Bermúdez, Valmore Del Mar, Atilio Cuberos, María |
dc.contributor.author.none.fl_str_mv |
Vera, Miguel Huérfano, Yoleidy Contreras-Velásquez, Julio Bermúdez, Valmore Del Mar, Atilio Cuberos, María |
dc.subject.spa.fl_str_mv |
Tomografía Vena cava superior Realce por similaridad local Segmentación |
topic |
Tomografía Vena cava superior Realce por similaridad local Segmentación Tomography Superior vena cava Local similarity enhancement Segmentation |
dc.subject.eng.fl_str_mv |
Tomography Superior vena cava Local similarity enhancement Segmentation |
description |
El artículo propone una estrategia para segmentar la vena cava superior (VCS) en 20imágenes tridimensionales (3-D) de tomografía computarizada multicapa, correspondientes al ciclo cardiaco completo de un paciente. Esta estrategia consta de las etapas de pre-procesamiento, segmentación y entonación de parámetros. La etapa de pre-procesamiento se divide en dos fases. En la primera, denominada fase 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). En la segunda, identificada como fase de definición de una región de interés (ROI), se consideran las imágenes filtradas, máquinas de soporte vectorial de mínimos cuadrados e información a priori para aislar las estructuras anatómicas que circundan la VCS. 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 vena cava superior, obtenidas automáticamente, con la segmentación de la VCS 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 19 imágenes tridimensionales restantes, obteniéndose un Dc promedio superior a 0.88 lo cual indica una buena correlación entre las segmentaciones generadas por el experto cardiólogo y las producidas por la estrategia desarrollada. |
publishDate |
2017 |
dc.date.issued.none.fl_str_mv |
2017 |
dc.date.accessioned.none.fl_str_mv |
2018-03-09T22:29:37Z |
dc.date.available.none.fl_str_mv |
2018-03-09T22:29:37Z |
dc.type.spa.fl_str_mv |
article |
dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_6501 |
dc.identifier.issn.none.fl_str_mv |
18564550 |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12442/1844 |
identifier_str_mv |
18564550 |
url |
http://hdl.handle.net/20.500.12442/1844 |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.license.spa.fl_str_mv |
Licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional |
rights_invalid_str_mv |
Licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional http://purl.org/coar/access_right/c_abf2 |
dc.publisher.spa.fl_str_mv |
Cooperativa servicios y suministros 212518 RS |
dc.source.spa.fl_str_mv |
Revista Latinoamericana de Hipertensión Vol. 12, No.4 (2017) |
institution |
Universidad Simón Bolívar |
dc.source.uri.none.fl_str_mv |
https://www.redalyc.org/articulo.oa?id=170253258001 |
bitstream.url.fl_str_mv |
https://bonga.unisimon.edu.co/bitstreams/cf1e2489-6920-48b4-831d-39b8db9cf3f4/download |
bitstream.checksum.fl_str_mv |
8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
DSpace UniSimon |
repository.mail.fl_str_mv |
bibliotecas@biteca.com |
_version_ |
1814076107230543872 |
spelling |
Licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacionalhttp://purl.org/coar/access_right/c_abf2Vera, Miguelc485e4e3-5bbd-4d00-8ec7-e5bc8a0a21e3-1Huérfano, Yoleidy769899ba-e6a1-4144-95c2-ff4614f93578-1Contreras-Velásquez, Julio4a0bae0a-e2a1-4f4b-a25e-afd4c5e502d1-1Bermúdez, Valmore29f9aa18-16a4-4fd3-8ce5-ed94a0b8663a-1Del Mar, Atilio82c097a4-4438-4c35-b8c2-f17c5324ac8b-1Cuberos, María8c8b8bcd-088d-4518-82f4-d7b4038e6a4b-12018-03-09T22:29:37Z2018-03-09T22:29:37Z201718564550http://hdl.handle.net/20.500.12442/1844El artículo propone una estrategia para segmentar la vena cava superior (VCS) en 20imágenes tridimensionales (3-D) de tomografía computarizada multicapa, correspondientes al ciclo cardiaco completo de un paciente. Esta estrategia consta de las etapas de pre-procesamiento, segmentación y entonación de parámetros. La etapa de pre-procesamiento se divide en dos fases. En la primera, denominada fase 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). En la segunda, identificada como fase de definición de una región de interés (ROI), se consideran las imágenes filtradas, máquinas de soporte vectorial de mínimos cuadrados e información a priori para aislar las estructuras anatómicas que circundan la VCS. 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 vena cava superior, obtenidas automáticamente, con la segmentación de la VCS 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 19 imágenes tridimensionales restantes, obteniéndose un Dc promedio superior a 0.88 lo cual indica una buena correlación entre las segmentaciones generadas por el experto cardiólogo y las producidas por la estrategia desarrollada.The article proposes a strategy to segment the superior vena cava (VCS) into 20-dimen- sion (3-D) images of multi-layer computed tomography, corresponding to the complete cardiac cycle of a patient. This strategy consists of the stages of pre-processing, segmentation and intonation of parameters. The pre-processing stage is divided into two phases. In the first phase, called the filtering phase, a technique called local similarity enhancement (LSE) is used in order to reduce the impact of the artifacts and to 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). In the second, identified as a region of interest (ROI) definition phase, we consider filtered images, least squares vector support machines and a priori information to isolate the anatomical structures that surround the VCS. On the other hand, during the 3-D segmentation stage a clustering algorithm, called region growth (RG), is implemented, which is applied to the preprocessed images. During the intonation of parameters, of the proposed strategy, the Dice coefficient (Dc) is used to compare the segmentations of the superior vena cava, obtained automatically, with the segmentation of the VCS generated manually by a cardiologist. The combination of parameters that generated the highest Dc considering the instant of diastole is then applied to the remaining 19 three-dimensional images, obtaining an average Dc higher than 0.88 which indicates a good correlation between the segmentations generated by the expert cardiologist and those produced by the strategy developed.spaCooperativa servicios y suministros 212518 RSRevista Latinoamericana de HipertensiónVol. 12, No.4 (2017)https://www.redalyc.org/articulo.oa?id=170253258001TomografíaVena cava superiorRealce por similaridad localSegmentaciónTomographySuperior vena cavaLocal similarity enhancementSegmentationEstrategia basada en realce por similaridad local para la segmentación computacional de la vena cava superior en imágenes de tomografía computarizada cardiacaA strategy based on local similarity enhancement for computational segmentation of the superior vena cava in cardiac computed tomographyarticlehttp://purl.org/coar/resource_type/c_6501Diccionario Enciclopédico Ilustrado de Medicina Dorland. Vol. 6. New York: McGraw-Hill - Interamericana de España; 1996.Zambudio AR, González JR, Prats MC, Madrona AP, Cogollos TS, Paricio PP. Síndrome de vena cava superior por bocio multinodular. Revista Clínica Española 2000; 200(4): 208-11.Calzas J, Lianes P, Cortés- Funes H. Corazón y neoplasias: Puesta al día. Patologías del corazón de origen extracardíaco. Revista española de cardiología. 1998; 51(4): 314-31.Domínguez MA, Manterola A, Romero P, Martínez E, Arias F, Villafranca E, Martínez M. Obstrucción maligna de la vena cava superior Malign obstruction of the superior vena cava. Anales Sis San Navarra. 2004; vol.27 (3):1137-6627.Schechter MM. The superior vena cava síndrome. Am J Med Sci. 1954; 227(1): 46-56.Lokich JJ, Goodman RL. Superior vena cava síndrome. JAMA. 1975; 231(1): 58- 61.Pinto AA, González M. Síndrome de vena cava superior. Med Clin. 2009; 132(5):195-9.Huérfano Y, Vera M, Del Mar A, Vera MI, Chacón J, Wilches S, Graterol M, Torres M, Arias V, Rojas J, Prieto C, Siguencia W, Angarita L, Ortiz R, Rojas D, Garicano C, Riaño D, Chacín M, Contreras J, Bermúdez V, Bravo A. “Segmentación computacional de la vena cava superior y procesos hipertensivos”. Revista Latinoamericana de Hipertensión. 2016; 11(2): 25-29.Vera M. “Segmentación de estructuras cardiacas en imágenes de tomografía computarizada multi-corte,”. Tesis doctoral.. Mérida-Venezuela: Universidad de los Andes; 2014.Passarielo G, Mora F. Imágenes Médicas, Adquisición, Análisis, Procesamiento e Interpretación.Caracas: Equinoccio Universidad Simón Bolívar; 1995.Roswit B, Kaplan G, Jacobson HG. The superior vena cava syndrome in bronchogenic carcinoma. Radiology. 1953; 61(5): 722.Dice L. Measures of the amount of ecologic association between species. Ecology. 1945; 26(3): 297-302.Medical images edge detection based on mathematical morphology. Shanghai,China; 17-18 Jan. 2006. In Engineering in Medicine and Biology Society, 2005. IEEE-EMBS 2005. 27th Annual International Conference of the: 2006: 6492-95.Meijering H. “Image en hancement in digital X ray angiography” Tesis de Doctorado.. Wageningen: Utrecht University, Netherlands; 2000.Fischer M, Paredes JL, Arce GR. Weighted median image sharpeners for the world wide web. IEEE Transactions on Image Processing. 2002; 11(7):717-27.LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://bonga.unisimon.edu.co/bitstreams/cf1e2489-6920-48b4-831d-39b8db9cf3f4/download8a4605be74aa9ea9d79846c1fba20a33MD5220.500.12442/1844oai:bonga.unisimon.edu.co:20.500.12442/18442019-04-11 21:51:42.291metadata.onlyhttps://bonga.unisimon.edu.coDSpace UniSimonbibliotecas@biteca.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 |