Identificación de lesiones ocupantes de espacio en imágenes médicas del riñón: Una revisión

La tecnología existente para el reconocimiento automático de imágenes ha impactado el campo de la medicina apoyando, en forma cada vez más confiable, los diagnósticos que los profesionales médicos realizan de forma manual. En el caso de la detección de lesiones ocupantes de espacio (LOE) renales, se...

Full description

Autores:
Saenz, Frank
Vera, Miguel
Rodríguez, Raúl
Tipo de recurso:
Fecha de publicación:
2020
Institución:
Universidad Simón Bolívar
Repositorio:
Repositorio Digital USB
Idioma:
spa
OAI Identifier:
oai:bonga.unisimon.edu.co:20.500.12442/8775
Acceso en línea:
https://hdl.handle.net/20.500.12442/8775
http://doi.org/10.5281/zenodo.4407983
http://saber.ucv.ve/ojs/index.php/rev_aavft/article/view/21087
Palabra clave:
Riñón
Tumor renal
Imágenes médicas
Resonancia magnética
Ultrasonido
Tomografía computarizada
Kidney
Kidney tumor
Medical images
Magnetic resonance
Computerized tomography
Rights
openAccess
License
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
id USIMONBOL2_fc2960d4df98c2e6919da714949fd90c
oai_identifier_str oai:bonga.unisimon.edu.co:20.500.12442/8775
network_acronym_str USIMONBOL2
network_name_str Repositorio Digital USB
repository_id_str
dc.title.spa.fl_str_mv Identificación de lesiones ocupantes de espacio en imágenes médicas del riñón: Una revisión
dc.title.translated.eng.fl_str_mv Space-occupying lesions identification in medical imaging of the kidney: A review
title Identificación de lesiones ocupantes de espacio en imágenes médicas del riñón: Una revisión
spellingShingle Identificación de lesiones ocupantes de espacio en imágenes médicas del riñón: Una revisión
Riñón
Tumor renal
Imágenes médicas
Resonancia magnética
Ultrasonido
Tomografía computarizada
Kidney
Kidney tumor
Medical images
Magnetic resonance
Computerized tomography
title_short Identificación de lesiones ocupantes de espacio en imágenes médicas del riñón: Una revisión
title_full Identificación de lesiones ocupantes de espacio en imágenes médicas del riñón: Una revisión
title_fullStr Identificación de lesiones ocupantes de espacio en imágenes médicas del riñón: Una revisión
title_full_unstemmed Identificación de lesiones ocupantes de espacio en imágenes médicas del riñón: Una revisión
title_sort Identificación de lesiones ocupantes de espacio en imágenes médicas del riñón: Una revisión
dc.creator.fl_str_mv Saenz, Frank
Vera, Miguel
Rodríguez, Raúl
dc.contributor.author.none.fl_str_mv Saenz, Frank
Vera, Miguel
Rodríguez, Raúl
dc.subject.spa.fl_str_mv Riñón
Tumor renal
Imágenes médicas
Resonancia magnética
Ultrasonido
Tomografía computarizada
topic Riñón
Tumor renal
Imágenes médicas
Resonancia magnética
Ultrasonido
Tomografía computarizada
Kidney
Kidney tumor
Medical images
Magnetic resonance
Computerized tomography
dc.subject.eng.fl_str_mv Kidney
Kidney tumor
Medical images
Magnetic resonance
Computerized tomography
description La tecnología existente para el reconocimiento automático de imágenes ha impactado el campo de la medicina apoyando, en forma cada vez más confiable, los diagnósticos que los profesionales médicos realizan de forma manual. En el caso de la detección de lesiones ocupantes de espacio (LOE) renales, se han desarrollado muchos estudios que aplican diferentes técnicas para la segmentación de imágenes del riñón, y que han generado nuevos modelos propuestos que aportan al fortalecimiento del trabajo que se viene realizando en el reconocimiento de imágenes médicas de forma automática. El presente artículo hace una descripción de los diversos avances que se han reportado en la literatura científica con respecto a la segmentación del riñón y de sus LOE en imágenes médicas de diferentes fuentes como tomografía computarizada, resonancia magnética y ultrasonido. En ese sentido, se realizó una revisión sistemática de los artículos publicados, validando el nivel científico y el medio donde se publicó a través de la plataforma Scimago Journal & Country Rank, seleccionando fechas de publicación desde el año 2005 en adelante. Las palabras claves para realizar búsqueda fueron «Kidney Tumor», «Kidney Cancer», «Kidney Segmentation», «Renal Cell Carcinoma», «Renal Tumors», «Renal Cysts», «Automatic Segmentation Kidney». Este artículo brinda un panorama del trabajo que viene desarrollando la comunidad académica y científica con respecto al reconocimiento automático de tumores renales y el avance en el desarrollo de modelos más avanzados que ofrecen un nivel más alto de sensibilidad, especificidad y precisión en la detección de enfermedades del referido órgano, particularmente, en imágenes médicas.
publishDate 2020
dc.date.issued.none.fl_str_mv 2020
dc.date.accessioned.none.fl_str_mv 2021-10-23T04:00:22Z
dc.date.available.none.fl_str_mv 2021-10-23T04:00:22Z
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/20.500.12442/8775
dc.identifier.doi.none.fl_str_mv http://doi.org/10.5281/zenodo.4407983
dc.identifier.url.none.fl_str_mv http://saber.ucv.ve/ojs/index.php/rev_aavft/article/view/21087
identifier_str_mv 26107988
url https://hdl.handle.net/20.500.12442/8775
http://doi.org/10.5281/zenodo.4407983
http://saber.ucv.ve/ojs/index.php/rev_aavft/article/view/21087
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 6 (2020)
institution Universidad Simón Bolívar
bitstream.url.fl_str_mv https://bonga.unisimon.edu.co/bitstreams/8d46367b-37eb-4fb0-bc28-c7fefb9d1144/download
https://bonga.unisimon.edu.co/bitstreams/8badb8bf-e2e7-4c99-87af-6f44f378cc07/download
https://bonga.unisimon.edu.co/bitstreams/b77010ef-1dd8-4573-bba6-299f834936f7/download
https://bonga.unisimon.edu.co/bitstreams/b9cbb342-3615-45e2-9a85-ff4994ee4d0f/download
https://bonga.unisimon.edu.co/bitstreams/2e85633c-8f17-45eb-a32e-a8b9d02f7212/download
https://bonga.unisimon.edu.co/bitstreams/78f62617-f4a3-4213-b64f-3320f3e392b2/download
https://bonga.unisimon.edu.co/bitstreams/b0a92f39-2ef2-4d0d-b79e-044d653a41cd/download
bitstream.checksum.fl_str_mv 67e0e562780e82587d58faf20ea85c7d
4460e5956bc1d1639be9ae6146a50347
733bec43a0bf5ade4d97db708e29b185
4b7782a24640ee938f85bceb825d7821
338ed0cf704b630825d3ffa8eb216c2e
872502b5f1aa2c4a6abe027a32931a7e
be9a1a68f1ec23b56f9c317e5a58b5fb
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_ 1814076103386464256
spelling Saenz, Frankac6ff178-167e-4859-a410-b0ad6bbd83b4Vera, Miguelc485e4e3-5bbd-4d00-8ec7-e5bc8a0a21e3Rodríguez, Raúlf1a4b423-ff91-4690-9343-c9a78ea3338c2021-10-23T04:00:22Z2021-10-23T04:00:22Z202026107988https://hdl.handle.net/20.500.12442/8775http://doi.org/10.5281/zenodo.4407983http://saber.ucv.ve/ojs/index.php/rev_aavft/article/view/21087La tecnología existente para el reconocimiento automático de imágenes ha impactado el campo de la medicina apoyando, en forma cada vez más confiable, los diagnósticos que los profesionales médicos realizan de forma manual. En el caso de la detección de lesiones ocupantes de espacio (LOE) renales, se han desarrollado muchos estudios que aplican diferentes técnicas para la segmentación de imágenes del riñón, y que han generado nuevos modelos propuestos que aportan al fortalecimiento del trabajo que se viene realizando en el reconocimiento de imágenes médicas de forma automática. El presente artículo hace una descripción de los diversos avances que se han reportado en la literatura científica con respecto a la segmentación del riñón y de sus LOE en imágenes médicas de diferentes fuentes como tomografía computarizada, resonancia magnética y ultrasonido. En ese sentido, se realizó una revisión sistemática de los artículos publicados, validando el nivel científico y el medio donde se publicó a través de la plataforma Scimago Journal & Country Rank, seleccionando fechas de publicación desde el año 2005 en adelante. Las palabras claves para realizar búsqueda fueron «Kidney Tumor», «Kidney Cancer», «Kidney Segmentation», «Renal Cell Carcinoma», «Renal Tumors», «Renal Cysts», «Automatic Segmentation Kidney». Este artículo brinda un panorama del trabajo que viene desarrollando la comunidad académica y científica con respecto al reconocimiento automático de tumores renales y el avance en el desarrollo de modelos más avanzados que ofrecen un nivel más alto de sensibilidad, especificidad y precisión en la detección de enfermedades del referido órgano, particularmente, en imágenes médicas.Existing technology for automatic image recognition has impacted the medicine field by supporting, in an increasingly reliable way, the diagnoses that clinicians perform manually. In the space-occupying renal lesions (SORL) detection cases, many studies have been developed that apply different techniques for kidney segmentation and they have generated new models that contribute to the strengthening of the work that has been carried out in the recognition of medical images automatically. This article describes several advances that have been reported in the scientific literature regarding kidney segmentation and it’s SORL in medical images from different sources such as computed tomography, magnetic resonance imaging, and ultrasound. In this sense, a systematic review of the published articles was carried out, validating the scientific level and the medium where it was published through the Scimago Journal & Country Rank platform, selecting publication dates from 2005 onwards. The keywords to search were “Kidney Tumor”, “Kidney Cancer”, “Kidney Segmentation”, “Renal Cell Carcinoma”, “Renal Tumors”, “Renal Cysts”, “Automatic Segmentation Kidney”. This paper provides an overview of the work that the academic and scientific community has been developing to the automatic recognition of kidney tumors and progress in the development of more advanced models that offer a higher level of sensitivity, specificity, and precision in the detection of diseases of the referred organ, particularly, in medical images.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 6 (2020)RiñónTumor renalImágenes médicasResonancia magnéticaUltrasonidoTomografía computarizadaKidneyKidney tumorMedical imagesMagnetic resonanceComputerized tomographyIdentificación de lesiones ocupantes de espacio en imágenes médicas del riñón: Una revisiónSpace-occupying lesions identification in medical imaging of the kidney: A reviewinfo:eu-repo/semantics/articleArtículo científicohttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/resource_type/c_2df8fbb1Quiroga W, Fernández F, Citarella D, Rangel J, Estrada A, Patiño I. Guía de manejo del carcinoma de células renales. Revista Urología Colombiana [Internet]. 2016; 35(2):169-189. Recuperado de: https:// www.redalyc.org/articulo.oa?id=149146287016.Sanz E, García R, Rodríguez R, Arias F, Lennie A, Mayayo T. Estudio ultrasonográfico de las masas renales de pequeño tamaño. Arch. Esp. Urol., 59(4), 333-342, 2006.Fernández J, Zuluaga A, Valle Diaz F. Caracterización por la imagen de las masas renales. Atlas por la imagen. Actas Urol Esp 33(5): 482-498, 2009.Ameri C, Contreras P, Villasante N, Ríos H, Richards N, Mazza O. Masa ocupante renal sólida hasta 4 cm: análisis de 78 casos. Rev Arg de Urol. 7(1): 28-39, 2006.Sociedad Española de Oncología Médica: Las cifras del cáncer en España 2020 https://seom.org/seomcms/images/stories/recursos/ Cifras_del_cancer_2020.pdfBoletín Epidemiológico Semanal. Semana epidemiológica 08 (17 al 23 de febrero de 2019). Instituto Nacional de Salud. Dirección de vigilancia y análisis del Riesgo en Salud Pública. Publicación en línea: ISSN 2357-6189. 2019Schmidt L, Linehan W. Predisposición genética al cáncer de riñón. Seminarios en oncología, 43(5): 566–574. 2016Huérfano Y, Vera M, Del Mar A, et al., Imagenología médica: Fundamentos y alcances AVFT 35(3): 71-76. 201Agnello, F., Albano, D., Micci, G. et al. CT and MR imaging of cystic renal lesions. Insights Imaging 11(5) 2020. https://doi.org/10.1186/ s13244-019-0826-3Hélénon O, Crosnier A, Verkarre V, Merran S, Méjean A, Correas J. Simple and complex renal cysts in adults: Classification system for renal cystic masses. Diagnostic and Interventional Imaging 99(1):189-218. 2018Shehata M, Mahmoud A, Soliman A, Khalifa F, Ghazal M, Abou ElGhar M, et al. (2018) 3D kidney segmentation from abdominal diffusion MRI using an appearance-guided deformable boundary. PLoS ONE 13(7). https://doi.org/10.1371/journal.pone.0200082.Kline T, Korfiatis P, Edwards M, et al. Automatic total kidney volume measurement on follow-up magnetic resonance images to facilitate monitoring of autosomal dominant polycystic kidney disease progression Nephrol Dial Transplant (2016) 31:241–248 doi: 10.1093/ ndt/gfv314Raudales-Díaz I. Imágenes diagnósticas: Conceptos y generalidades. Rev Fac Cienc Med. 2014;11(1):35–43. Available from: http://www.bvs.hn/RFCM/ pdf/2014/pdf/RFCMVol11-1-2014-6.pdfTonolini M, Lerardi A, Carrafiello G. Letter to the editor: spontaneous renal haemorrhage in end-stage renal disease. Insights Imaging 6: 693–695 (2015). https://doi.org/10.1007/s13244-015-0439-4.Global Cancer Observatory: International Agency for Research on Cancer [Online]. Available:https://gco.iarc.fr/today/onlineanal ysistable?v=2018&mode=cancer&mode_population=continents &population=900&populations=900&key=asr&sex=0&cancer=39 &type=0&statistic=5&prevalence=0&population_group=0&ages_ g r o u p % 5 B % 5 D = 0 & a g e s _ g r o u p % 5 B % 5 D = 1 7 & g r o u p _ cancer=1&include_nmsc=1&include_nmsc_other=1Millet I, Doyon F, Hoa D, Thuret R, Merigeaud S, Serre I, Taourel P. Characterization of small solid renal lesions: can benign and malignant tumors be differentiated with ct? American journal of roentgenology 197, 887–896. 2011.Gimpel Ch, Fred E, Breysem L, et al. Imaging of Kidney Cysts and Cystic Kidney Diseases in Children: An International Working Group Consensus Statement. 2019. https://doi.org/10.1148/radiol.2018181243Bartlett S, Solomon C, Tassell B, et al. Complex renal cysts associated with crizotinib treatment Cancer Medicine 4(6):887–896. 2015.Eknoyan G A. Clinical view of simple and complex renal cysts. JASN 20 (9)1874-1876 2009Israel G, Bosniak M. An update of the Bosniak renal cyst classification system 66(3)484-488. 2005Graumann O, Osther S, Karstoft J, Horlyck A, Sloth P. Evaluation of Bosniak category IIF complex renal cysts Insights Imaging 4(1):471- 480. 2013.Ahmad M, Sabr M, Roshy E. Assessment of apparent diffusion coefficient value as prognostic factor for renal cell carcinoma aggressiveness Egyptian Journal of Radiology and Nuclear Medicine 50(32). 2019. https://doi.org/10.1186/s43055-019-0038-3Ishigami K, Jones A, Dahmoush L, Leite L, Pakalniskis M, Barloon T. Imaging spectrum of renal oncocytomas: a pictorial review with pathologic correlation Insights Imaging 6(1):53-64. 2015.Walsh B, Sutijono D, Moore C. Emergency ultrasound diagnosis of traumatic renal cyst rupture Critical Ultrasound Journal 1:127–128. 2010.Peters et al. Incidence of synchronous and metachronous adrenal metastases following tumor nephrectomy in renal cell cancer patients: a retrospective bi-center analysis. Springer Plus 2:293-297. 2013.Rhee H, Blazak J, Tham CM, Ng KL, Shepherd B, Lawson M, Preston J, Vela I, Thomas P, Wood S. Pilot study: use of gallium-68 PSMA PET for detection of metastatic lesions in patients with renal tumour. EJNMMI Res. 2016 Dec;6(1):76. doi: 10.1186/s13550-016-0231-6. Epub 2016 Oct 22. PMID: 27771904; PMCID: PMC5075321.Mauri G, Nicosia L, Varano G, Bonomo G, Della Vigna P, Monfardini L, Orsi F. Tips and tricks for a safe and effective image-guided percutaneous renal tumour ablation. Insights Imaging 8:357–363 2017.Jin C, Shi F, Xiang D, Jiang X, Zhang B, Wang X, Zhu W, Gao E, Chen X, 3D Fast Automatic Segmentation of Kidney Based on Modified AAM and Random Forest IEEE Transactions on Medical Imaging 35(6), 195-1407. 2016.Myronenko A, Hatamizadeh A 3D Kidneys and Kidney Tumor Semantic Segmentation using Boundary-Aware Networks arXiv:1909.06684v1 [eess.IV] 14 Sep 2019Kim Y, Ge Y, Tao C, et al. Automated Segmentation of Kidneys from MR Images in Patients with Autosomal Dominant Polycystic Kidney Disease Clin J Am Soc Nephrol 11:576–584, 2016. doi: 10.2215/ CJN.08300815.Yang G, Li G, Pan T, Automatic Segmentation of Kidney and Renal Tumor in CT Images Based on Pyramid Pooling and Gradually Enhanced Feature Modules 24th International Conference on Pattern Recognition, ICPR 2018, Aug 2018, Beijing, China. 3790-3795, DOI: 10.1109/ICPR.2018.8545143.Vu M, Grimbergen G, Simkó A, Nyholm T, Löfstedt T, End-to-End Cascaded U-Nets with a Localization Network for Kidney TumoSegmentation arXiv:1910.07521v1 [eess.IV] 16 Oct 2019Yin S, Zhang Z, Li H, Peng Q, You X, Furth S, Tasian G, Fan Y Fully-automatic Segmentation of Kidneys in Clinical Ultrasound Images using a Boundary Distance Regression Network Proc IEEE Int Symp Biomed Imaging. 2019: 1741–1744. doi:10.1109/ ISBI.2019.8759170.Santini G, Moreau N, Rubeaux M Kidney tumor segmentation using an ensembling multi-stage deep learning approach. A contribution to the KiTS19 challenge. arXiv:1909.00735v1 [eess.IV] 2 Sep 2019.Nithya A, Appathurai A, Venkatadri N, Ramji D, Palagan C Kidney disease detection and segmentation using artificial neural network and multi-kernel k-means clustering for ultrasound images Measurement 149 (2020) 106952 https://doi.org/10.1016.Lituiev D, Cha S, Chin An Automated Localization and Segmentation of Mononuclear Cell Aggregates in Kidney Histological Images Using Deep Learning 2019 medRxiv preprint doi: https://doi. org/10.1101/19002634.Rana S, Jain S, Virmani J. SVM-Based Characterization of Focal Kidney Lesions from B-Mode Ultrasound Images Research Journal of Pharmaceutical, Biological and Chemical Sciences 7(4) 837-846. 2016Heller N, Isensee F, Maeir-Hein K, et al. The state of the art in kidney and kidney tumor segmentation in contrast-enhanced CT imaging: Results of the KiTS19 Challenge arXiv:1912.01054v2 [eess.IV]. 2019.Heller N, Sathianathen N, Arveen Kalapara et al. The KiTS19 Challenge Data: 300 Kidney Tumor Cases with Clinical Context, CT Semantic Segmentations, and Surgical Outcomes arXiv:1904.00445v1 [q-bio.QM] 31 Mar 2019.ORIGINALPDF.pdfPDF.pdfPDFapplication/pdf437314https://bonga.unisimon.edu.co/bitstreams/8d46367b-37eb-4fb0-bc28-c7fefb9d1144/download67e0e562780e82587d58faf20ea85c7dMD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://bonga.unisimon.edu.co/bitstreams/8badb8bf-e2e7-4c99-87af-6f44f378cc07/download4460e5956bc1d1639be9ae6146a50347MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-8381https://bonga.unisimon.edu.co/bitstreams/b77010ef-1dd8-4573-bba6-299f834936f7/download733bec43a0bf5ade4d97db708e29b185MD53TEXT2020_AVFT_Identificacion-de-lesiones.pdf.txt2020_AVFT_Identificacion-de-lesiones.pdf.txtExtracted texttext/plain37020https://bonga.unisimon.edu.co/bitstreams/b9cbb342-3615-45e2-9a85-ff4994ee4d0f/download4b7782a24640ee938f85bceb825d7821MD54PDF.pdf.txtPDF.pdf.txtExtracted texttext/plain37602https://bonga.unisimon.edu.co/bitstreams/2e85633c-8f17-45eb-a32e-a8b9d02f7212/download338ed0cf704b630825d3ffa8eb216c2eMD56THUMBNAIL2020_AVFT_Identificacion-de-lesiones.pdf.jpg2020_AVFT_Identificacion-de-lesiones.pdf.jpgGenerated Thumbnailimage/jpeg20714https://bonga.unisimon.edu.co/bitstreams/78f62617-f4a3-4213-b64f-3320f3e392b2/download872502b5f1aa2c4a6abe027a32931a7eMD55PDF.pdf.jpgPDF.pdf.jpgGenerated Thumbnailimage/jpeg6336https://bonga.unisimon.edu.co/bitstreams/b0a92f39-2ef2-4d0d-b79e-044d653a41cd/downloadbe9a1a68f1ec23b56f9c317e5a58b5fbMD5720.500.12442/8775oai:bonga.unisimon.edu.co:20.500.12442/87752024-08-14 21:52:17.837http://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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

Publicaciones similares