Segmentación de la válvula pulmonar a partir de imágenes de tomografía cardiaca usando una estrategia basada en realce por similaridad local
En el siguiente artículo se da a conocer el uso de la estrategia similaridad local, en la segmentación tridimensional (3D) de la válvula pulmonar en 20 imágenes cardiacas de tomografía computarizada multicapa, correspondientes al ciclo cardiaco completo de un sujeto. La estrategia consta de las sigu...
- Autores:
-
Vera, Miguel
Huérfano, Yoleidy
Contreras-Velásquez, Julio
Bermúdez, Valmore
Del Mar, Atilio
Cuberos, María
Vivas, Marisela
Bautista, Nahid
Saenz, Frank
Rodriguez, Jhoel
- Tipo de recurso:
- Fecha de publicación:
- 2017
- Institución:
- Universidad Simón Bolívar
- Repositorio:
- Repositorio Digital USB
- Idioma:
- spa
- OAI Identifier:
- oai:bonga.unisimon.edu.co:20.500.12442/1833
- Acceso en línea:
- http://hdl.handle.net/20.500.12442/1833
- Palabra clave:
- Válvula pulmonar
Procesos de filtrado
Segmentación
Realce por similaridad local
Pulmonary valve
Filtering processes
Segmentation
Local similarity enhancement
- Rights
- License
- Licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional
Summary: | En el siguiente artículo se da a conocer el uso de la estrategia similaridad local, en la segmentación tridimensional (3D) de la válvula pulmonar en 20 imágenes cardiacas de tomografía computarizada multicapa, correspondientes al ciclo cardiaco completo de un sujeto. La estrategia consta de las siguientes etapas: a) pre-procesamiento, b) segmentación y c) entonación de parámetros. La etapa a) se aplica, preliminarmente al instante de diástole final y se divide en dos fases denominadas: Filtrado y Definición de una región de interés (ROI) y se emplea la técnica denominada realce por similaridad local (LSE). La aplicación de estas fases tiene por finalidad abordar los problemas de ruido, artefactos y bajo contraste que poseen las mencionadas imágenes. La etapa b) permite la segmentación de la válvula pulmonar, mediante un algoritmo de agrupamiento denominado crecimiento de regiones (RG) el cual es aplicado a las imágenes pre-procesadas. El RG es inicializado con un vóxel “semilla” el cual es detectado mediante un operador de inteligencia artificial denominado máquinas de soporte vectorial de mínimos cuadrados (LSSVM). Finalmente, durante la etapa c), una métrica denominada coeficiente de Dice (Dc) es utilizada para comparar las segmentaciones obtenidas mediante la estrategia propuesta y la segmentación generada, manualmente, por un cardiólogo. La combinación de técnicas de filtrado que genera el Dc más elevado considerando el instante de diástole se aplica posteriormente a las 19 imágenes 3D restantes, obteniéndose un Dc promedio comparable con el reportado en la literatura especializada. |
---|