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...

Full description

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_ 1812100474258587648
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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