Ablación automática de tumores en el contexto del aprendizaje automático

En los últimos años, los tumores malignos se han convertido en un problema de salud pública con una alta incidencia en la población mundial. Dependiendo del tipo de tumor se han planteado diferentes tratamientos, donde la ablación tumoral, mediante cirugía estereotáxica, se ha convertido en el proce...

Full description

Autores:: Orozco Gutiérrez, Álvaro Ángel
García Arias, Hernán Felipe
Vargas Cardona, Hernán Dario

Tipo de recurso:: Book

Fecha de publicación:: 2022

Institución:: Universidad Tecnológica de Pereira

Repositorio:: Repositorio Institucional UTP

Idioma:: spa

id	UTP2_242ce4fdafcf389ba51e8c3e666a2d11
oai_identifier_str	oai:repositorio.utp.edu.co:11059/14176
network_acronym_str	UTP2
network_name_str	Repositorio Institucional UTP
repository_id_str
dc.title.spa.fl_str_mv	Ablación automática de tumores en el contexto del aprendizaje automático
title	Ablación automática de tumores en el contexto del aprendizaje automático
spellingShingle	Ablación automática de tumores en el contexto del aprendizaje automático 610 - Medicina y salud::616 - Enfermedades Tumores malignos -Cirugía estereotáctica Diagnóstico por imagen Ablación tumoral por ultrasonido Tumores malignos - Tomografía computarizada
title_short	Ablación automática de tumores en el contexto del aprendizaje automático
title_full	Ablación automática de tumores en el contexto del aprendizaje automático
title_fullStr	Ablación automática de tumores en el contexto del aprendizaje automático
title_full_unstemmed	Ablación automática de tumores en el contexto del aprendizaje automático
title_sort	Ablación automática de tumores en el contexto del aprendizaje automático
dc.creator.fl_str_mv	Orozco Gutiérrez, Álvaro Ángel García Arias, Hernán Felipe Vargas Cardona, Hernán Dario
dc.contributor.author.none.fl_str_mv	Orozco Gutiérrez, Álvaro Ángel García Arias, Hernán Felipe Vargas Cardona, Hernán Dario
dc.subject.ddc.none.fl_str_mv	610 - Medicina y salud::616 - Enfermedades
topic	610 - Medicina y salud::616 - Enfermedades Tumores malignos -Cirugía estereotáctica Diagnóstico por imagen Ablación tumoral por ultrasonido Tumores malignos - Tomografía computarizada
dc.subject.mesh.none.fl_str_mv	Tumores malignos -Cirugía estereotáctica Diagnóstico por imagen Ablación tumoral por ultrasonido Tumores malignos - Tomografía computarizada
description	En los últimos años, los tumores malignos se han convertido en un problema de salud pública con una alta incidencia en la población mundial. Dependiendo del tipo de tumor se han planteado diferentes tratamientos, donde la ablación tumoral, mediante cirugía estereotáxica, se ha convertido en el proceso quirúrgico de mayor aceptación y éxito. Sin embargo, es bien sabido que la calidad de vida de los pacientes sometidos a cirugía estereotáxica se ve afectada a menudo debido al inevitable déficit neuronal que se produce durante los procedimientos altamente invasivos. Este daño neuronal en ocasiones puede generar efectos secundarios no deseados como parálisis muscular, trastornos del habla y problemas motores. La tractografía, basada en imágenes de difusión magnética (dMRI) con resolución mejorada, puede permitir una planificación estereotáxica más detallada a nivel de las fibras neuronales, lo que puede evitar daños insuficientes en la trayectoria de inserción de material quirúrgico, como electrodos exploradores o instrumentos para la ablación de tejidos. . El objetivo final del análisis de imágenes estructurales en tumores cerebrales es extraer información clínica relevante específica para cada paciente y sus características diagnósticas. En consecuencia, desarrollar modelos automáticos para la localización y reconocimiento de tejidos asociados a regiones tumorales es de vital importancia para el campo de la neuroimagen en el que las herramientas tecnológicas pueden apoyar al especialista en un proceso de ablación tumoral.
publishDate	2022
dc.date.accessioned.none.fl_str_mv	2022-07-11T19:51:40Z
dc.date.available.none.fl_str_mv	2022-07-11T19:51:40Z
dc.date.issued.none.fl_str_mv	2022
dc.type.spa.fl_str_mv	Libro
dc.type.version.none.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_2f33
dc.type.content.none.fl_str_mv	Text
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/book
format	http://purl.org/coar/resource_type/c_2f33
status_str	acceptedVersion
dc.identifier.isbn.none.fl_str_mv	978-958-722-582-2
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/11059/14176
dc.identifier.eisbn.none.fl_str_mv	978-958-722-583-9
dc.identifier.doi.none.fl_str_mv	https://doi.org/10.22517/9789587225839
dc.identifier.instname.none.fl_str_mv	Universidad Tecnológica de Pereira
dc.identifier.reponame.none.fl_str_mv	Repositorio Institucional Universidad Tecnológica de Pereira
dc.identifier.repourl.none.fl_str_mv	https://repositorio.utp.edu.co/home
identifier_str_mv	978-958-722-582-2 978-958-722-583-9 Universidad Tecnológica de Pereira Repositorio Institucional Universidad Tecnológica de Pereira
url	https://hdl.handle.net/11059/14176 https://doi.org/10.22517/9789587225839 https://repositorio.utp.edu.co/home
dc.language.iso.none.fl_str_mv	spa
language	spa
dc.relation.ispartofseries.none.fl_str_mv	Trabajos de investigación
dc.relation.references.none.fl_str_mv	A. Jog, A. Carass y J. L. Prince, “Improving Magnetic Resonance Resolution with Supervised Learning,” en 2014 IEEE 11th Proc. IEEE Int. Symp. Biomed. Imaging. (ISBI), IEEE, 2014, págs. 987-990. A. Barmpoutis, B. C. Vemuri, T. M. Shepherd y J. R. Forder, “Tensor Splines for Interpolation and Approximation of DT-MRI with Applications to Segmentation of Isolated Rat Hippocampi,” IEEE Trans. Medical Imaging, vol. 26, n.o 11, págs. 1537-1546, Oct 2007. K.-P. Wong, “Medical Image Segmentation: Methods and Applications in Functional Imaging,” en Handbook of Biomedical Image Analysis. Topics in Biomedical Engineering International Book Series, J. Suri, D. Wilson y S. Laxminarayan, eds., Boston: Springer, 2005, págs. 111-182. M. L. Aguena,N.D. Mascarenha, J. C. Anacleto y S. S. Fels, “MRI Iterative Super Resolution with Wiener Filter Regularization,” en 2013 26th Conf. SIBGRAPI Graph., Patt. Imag. (SIBGRAPI), IEEE, 2013, págs. 155-162. K. Jafari-Khouzani, “MRI Upsampling Using Feature-Based Nonlocal Means Approach,” IEEE Trans. Medic. Imaging, vol. 33, n.o 10, págs. 1969-1985, 2014. S.Rueda y col., “Evaluation and Comparison of Current Fetal Ultrasound Image Segmentation Methods for Biometric Measurements: A Grand Challenge,” IEEE Trans. Medic. Imaging, vol. 33, n.o 4, págs. 797-813, 2014. N.-H. Lu, C.-M. Kuo y H.-J. Ding, “Automatic ROI Segmentation in B-mode Ultrasound Image for Liver Fibrosis Classification,” en 2013 Int. Symp. Biometr. Sec. Tech. (ISBAST), IEEE, 2013, págs. 10-13. F. Rousseau y C. Studholme, “A Supervised Patch-Based Image Reconstruction Technique: Application to Brain MRI Super-Resolution,” en 2013 IEEE 10th Int. Symp. Biomed. Imaging (ISBI), IEEE, 2013, págs. 346-349. S. Pajevic, A. Aldroubi y P. J. Basser, “A Continuous Tensor Field Approximation of Discrete DT-MRI Data for Extracting Microstructural and Architectural Features of Tissue,” J. Magn. Reson., vol. 154, n.o 1, págs. 85-100, 2002. V. Arsigny, P. Fillard, X. Pennec y N. Ayache, “Log-Euclidean Metrics for Fast and Simple Calculus on Diffusion Tensors,” Magn. Reson. Medic., vol. 56, n.o 2, págs. 411-421, 2006. G. Kindlmann, R. S. J. Estepar, M. Niethammer, S. Haker y C.-F. Westin, “Geodesic-Loxodromes for Diffusion Tensor Interpolation and Difference Measurement,” en Medical Image Computing and Computer-Assisted Intervention – MICCAI 2007. MICCAI 2007. Lecture Notes in Computer Science, N. Ayache, S. Ourselin y A. Maeder, eds. Berlin, Heidelberg, 2007, vol. 4791, págs. 1-9. F. Yang, Y.-M. Zhu, I. E. Magnin, J.-H. Luo, P. Croisille y P. B. Kingsley, “Feature-Based Interpolation of Diffusion Tensor Fields and Application to Human Cardiac DT-MRI,” Medic. Image Anal., vol. 16, n.o 2, págs. 459-481, 2012. C. Son y S.-R. Xia, “Diffusion Tensor Interpolation Profile Control Using Non-Uniform Motion on a Riemannian Geodesic,” J. of Zhejiang Univ.-Sci. C, vol. 13, n.o 2, págs. 90-98, 2012. Ministero de Salud y Protección Social, Plan Decenal de Salud Pública PDSP, 2012-2021: la salud en Colombia la construyes tú. Grupo de Comunicaciones, Imprenta Nacional de Colombia, 2013. W. G. Bradley, R. B. Daroff, G. M. Fenichel y J. Jankovic, eds., Neurology in Clinical Practice: Principles of Diagnosis and Management, 4. ed. Elsevier, 2004, vol. 1. D. Le Bihan, E. Breton, D. Lallemand, P. Grenier, E. Cabanis y M. Laval-Jeantet, “MR Imaging of Intravoxel Incoherent Motions: Application to Diffusion and Perfusion in Neurologic Disorders,” Radiology, vol. 161, n.o 2, págs. 401-407, 1986. D. C. Van Essen y col., “The Human Connectome Project: A Data Acquisition Perspective,” Neuroimage, vol. 62, n.o 4, págs. 2222-2231, 2012. P. M. Kroonenberg, Applied Multiway Data Analysis. John Wiley & Sons, 2008, vol. 702. N. D. Sidiropoulos, R. Bro y G. B. Giannakis, “Parallel Factor Analysis in Sensor Array Processing,” IEEE Trans. Sign. Proc., vol. 48, n.o 8, págs. 2377-2388, Aug 2000. R. Bro, P. Geladi y A. Smilde, Multi-Way Analysis with Applications in the Chemical Sciences, 2004. M. A. O. Vasilescu y D. Terzopoulos, “Multilinear Image Analysis for Facial Recognition,” en Conf. 16th Int. Patt. Recogn., IEEE, vol. 2, 2002, págs. 511-514. M. Mørup, L. K. Hansen, S. M. Arnfred, L.-H. Lim y K. H. Madsen, “Shift-Invariant Multilinear Decomposition of Neuroimaging Data,” Neuroimage, vol. 42, n.o 4, págs. 1439-1450, 2008. W. Hollingworth y col., “The Diagnostic and Therapeutic Impact of MRI: an Observational Multi-Centre Study,” Clinic. Rad., vol. 55, n.o 11, págs. 825-831, 2000. P. J. Basser, J. Mattiello y D. LeBihan, “Estimation of the Effective Self-Diffusion Tensor from the NMR Spin Echo,” J. Magn. Res. Ser. B, vol. 103, n.o 3, págs. 247-254, 1994. L. J. Astola y L. M. J. Florack, “Finsler Geometry on Higher Order Tensor Fields and Applications to High Angular Resolution Diffusion Imaging,” en Scale Space and Variational Methods in Computer Vision, X. Tai, K. Morken, M. Lysaker y K. Lie, eds., ép. Lecture Notes in Computer Science, vol. 5567, Berlin, Heidelberg, New York: Springer-Verlag, 2009, págs. 224-234. J. S. Isaac y R. Kulkarni, “Super Resolution Techniques for Medical Image Processing,” en 2015 Int. Conf. Tech. Sustain. Develop. (ICTSD), IEEE, 2015, págs. 1-6. A. A. Hefnawy, “An Efficient Super-Resolution Approach for Obtaining Isotropic 3-D Imaging Using 2-D Multi-Slice MRI,” Egypt. Inform. J., vol. 14, n.o 2, págs. 117-123, 2013. I. Hotz, J. Sreevalsan-Nair, H. Hagen y B. Hamann, “Tensor Field Reconstruction Based on Eigenvector and Eigenvalue Interpolation,” en Dagstuhl Follow-Ups, Schloss Dagstuhl-Leibniz-Zentrum fuer Informatik, vol. 1, 2010. H. Greenspan, G. Oz, N. Kiryati y S. Peled, “MRI Inter-Slice Reconstruction Using Super-Resolution,” Magn. Reson. Imag., vol. 20, n.o 5, págs. 437-446, 2002. Y. Lu y R. Yang, “Super-Resolution Reconstruction of Dynamic MRI by Patch Learning,” en 2012 12th Int. Conf. Cont. Aut. Robot. & Vis. (ICARCV),, IEEE, 2012, págs. 1443-1448. A. Katouzian, E. D. Angelini, S. G. Carlier, J. S. Suri, N. Navab y A. F. Laine, “A State-Of-The-Art Review on Segmentation Algorithms in Intravascular Ultrasound (IVUS) Images,” IEEE Trans. Info. Tech. Biomed., vol. 16, n.o 5, págs. 823-834, Sep 2012. P. Jiang, J. Peng, G. Zhang, E. Cheng, V. Megalooikonomou y H. Ling, “Learning-Based Automatic Breast Tumor Detection and Segmentation in Ultrasound Images,” en 2012 9th IEEE Int. Symp. Biomed. Imag. (ISBI), IEEE, 2012, págs. 1587-1590. R. Y. Tsai y T. S. Huang, “Multiframe Image Restoration and Registration,” Adv. Comp. Vis. Image Proc., vol. 1, págs. 317-339, 1984. S. P. Kim, N. K. Bose y H. M. Valenzuela, “Recursive Reconstruction of High Resolution Image from Noisy Undersampled Multiframes,” IEEE Trans. Acoust., Sp. Sign. Proc., vol. 38, n.o 6, págs. 1013-1027, Jun 1990. A. J. Patti, M. Sezan Ibrahim y A. Murat Tekalp, “High-Resolution Image Reconstruction from a Low-Resolution Image Sequence in the Presence of Time-Varying Motion Blur,” en Proc. 1st Int. Conf. Image Proc., IEEE, vol. 1, 1994, págs. 343-347. A. Rueda, N. Malpica y E. Romero, “Single-Image Super-Resolution of Brain MR Images Using Overcomplete Dictionaries,” Medic. Image An., vol. 17, n.o 1, págs. 113-132, 2013. Y.-H. Wang, J. Qiao, J.-B. Li, P. Fu, S.-C. Chu y J. F. Roddick, “Sparse Representation-Based MRI Super-Resolution Reconstruction,” Measurem., vol. 47, págs. 946-953, 2014. J. Yang, J. Fan,D. Ai, S. Zhou, S. Tang e Y.Wang, “BrainMRImage Denoising for Rician Noise Using Pre-Smooth Non-Local Means Filter,” Biomed. Eng. Online, vol. 14, n.o 1, 2015. E. Akar, S. Kara, H. Akdemir y A. Kırış, “Fractal Analysis of MR Images in Patients with Chiari Malformation: The Importance of Preprocessing,” Biomed. Sign. Proc. Contr., vol. 31, págs. 63-70, 2017 A. Wong y A. K. Mishra, “Quasi-Monte Carlo Estimation Approach for Denoising MRI Data Based on Regional Statistics,” IEEE Trans. Biom. Eng., vol. 58, n.o 4, págs. 1076-1083, May 2011. S. Bauer, R. Wiest, L.-P. Nolte y M. Reyes, “A Survey of MRI-Based Medical Image Analysis for Brain Tumor Studies,” Phy. Med. Bio., vol. 58, n.o 13, 2013. L. Zhang, J. Chen, Y. Zhu y J. Luo, “Comparisons of Several New De-Noising Methods for Medical Images,” en 3rd Int. Conf. Bioinfo. Biomed. Eng., 2009 (ICBBE 2009), IEEE, 2009, págs. 1-4. C.-T. Huang, “Bayesian Inference for Neighborhood Filters with Application in Denoising,” en Proc. IEEE Conf. Comp. Vis. Patt. Recogn., 2015, págs. 1657-1665. M. C. Nicolae, L. Moraru y L. Onose, “Comparative Approach for Speckle Reduction in Medical Ultrasound Images,” Romanian J. Biophys, vol. 20, n.o 1, págs. 13-21, 2010. A. Buades, B. Coll y J.-M. Morel, “ANon-Local Algorithm for Image Denoising,” en IEEE Comp. Soc. Conf. Comp. Vis. Patt. Recogn. (CVPR 2005), IEEE, vol. 2, 2005, págs. 60-65. C. Tsiotsios y M. Petrou, “On the Choice of the Parameters for Anisotropic Diffusion in Image Processing,” Patt. Recogn., vol. 46, n.o 5, págs. 1369-1381, 2013. P. Perona y J. Malik, “Scale-Space and Edge Detection Using Anisotropic Diffusion,” IEEE Trans. Patt. Ana. Mach. Intel., vol. 12, n.o 7, págs. 629-639, Jun 1990. W. Hollingworth y col., “The Diagnostic and Therapeutic Impact of MRI: An Observational Multi-Centre Study,” Clin. Radiol., vol. 55, n.o 11, págs. 825-831, 2000. K. Malczewski, “INTER-K-SPACE MOTION BASED STRATEGY FOR SUPER-RESOLUTION IN MRI,” en 17th Euro. Sign. Proc. Conf., 2009, págs. 30-34. E. Carmi, S. L., A. Noga, F. Amos y D. Fia, “Resolution Enhancement in MRI,” Magn. Reson. Imag., vol. 24, págs. 133-154, 2006. T. S. Huang y T. R. Y., “Multi-Frame Image Restoration and Registration,” Adv. Comp. Vis. Image Proc., vol. 1, n.o 7, págs. 317-339, 1984. C. E. Rasmussen y C. K. Williams, Gaussian Processes for Machine Learning (Adaptive Computation and Machine Learning). Cambridge, MA: MIT Press, 2005. K. P. Murphy, Machine learning: A Probabilistic Perspective. Cambridge, MA: MIT Press, 2012. H. He y W.-C. Siu, “Single Image Super-Resolution Using Gaussian Process Regression,” en 2011 IEEE Conf. Comp. Vis. Patt. Recogn. (CVPR), IEEE, 2011, págs. 449-456. R. Kikinis, S. D. Pieper y K. G. Vosburgh, “3D Slicer: A Platform for Subject-Specific Image Analysis, Visualization, and Clinical Support,” en Intraoperative Imaging and Image-Guided Therapy, F. Jolesz, ed.New York, NY: Springer, 2014, págs. 277-289. F. Yang, Y.-M. Zhu, J.-H. Luo, M. Robini, J. Liu y P. Croisille, “A Comparative Study of Different Level Interpolations for Improving Spatial Resolution in Diffusion Tensor Imaging,” IEEE J. Biomed. Heal. Info., vol. 18, n.o 4, págs. 1317-1327, 2014. P. Fletcher y S. Joshi, “Riemannian Geometry for the Statistical Analysis of Diffusion Tensor Data,” Sign. Proc., vol. 87, n.o 2, págs. 250-262, 2007. C. Bi, S. Takahashi e I. Fujishiro, “Interpolating 3D Diffusion Tensors in 2D Planar Domain by Locating Degenerate Lines,” en Advances in Visual Computing. ISVC 2010. Lecture Notes in Computer Science, G. Bebis y col., eds. Berlin, Heidelberg: Springer-Verlag, 2010, vol. 6453, págs. 328-337. A. Wilson y Z. Ghahramani, “Generalised Wishart Processes,” en 27th Conf. Uncert. Art. Intelligence, UAI 2011, Barcelona, Spain, 2011, págs. 736-744. J. Tanner y E. Stejskal, “Spin Diffusion Measurements: Spin Echoes in the Presence of a Time-Dependent Field Gradient,” J. Chem. Physi., vol. 42, págs. 288-292, 1965. P. Basser, “Inferring Microstructural Features and the Physiological State of Tissues from Diffusion Weighted Images,” NMR Biomed., vol. 8, págs. 333-344, 1995. C. Lin-Chin, D. Jones y C. Pierpaoli, “RESTORE: Robust Estimation of Tensors by Outlier Rejection,” Magn. Reson. Med., vol. 53, págs. 1088-1095, 2005. A. Barmpoutis y B. C. Vemuri, “A Unified Framework for Estimating Diffusion Tensors of Any Order with Symmetric Positive-Definite Constraints,” en 2010 IEEE Int. Symp. on Biomed. Imag.: From Nano to Macro, Rotterdam, Netherlands, Abr 2010, págs. 1385-1388. doi: 10 . 1109 / ISBI . 2010 . 5490256. M. J. Sasiadek, P. Szewczyk y J. Bladowska, “Application of Diffusion Tensor Imaging (DTI) in Pathological Changes of the Spinal Cord,” Med. Sci. Mon., vol. 18, n.o 6, RA73-RA79, 2012. J. L. Del Cura Rodríguez, S. Pedraza Gutiérrez y A. Gayete Cara, Radiologia Esencial. Editorial Medica Panamericana, 2010, vol. 2. V. Gupta, N. Ayache y X. Pennec, “Improving DTI Resolution from a Single Clinical Acquisition: A Statistical Approach Using Spatial Prior,” en Medical Image Computing and Computer-Assisted Intervention – MICCAI 2013. MICCAI 2013. Lecture Notes in Computer Science, K. Mori, I. Sakuma, Y. Sato, C. Barillot y N. Navab, eds., Springer, vol. 8151, Berlin, Heidelberg, 2013, págs. 477-484. Z. Wang, B. C. Vemuri, Y. Chen y T. H. Mareci, “A Constrained Variational Principle for Direct Estimation and Smoothing of the Diffusion Tensor Field from Complex DWI,” IEEE Trans. Med. Imag., vol. 23, n.o 8, págs. 930-939, 2004. P. G. Batchelor, M. Moakher, D. Atkinson, F. Calamante y A. Connelly, “A Rigorous Framework for Diffusion Tensor Calculus,” Magn. Reson. Med., vol. 53, n.o 1, págs. 221-225, 2005. H. D. Vargas Cardona, Á. A. Orozco y M. A. Álvarez, “Multi-output Gaussian processes for enhancing resolution of diffusion tensor fields,” en 2016 38th An. Int. Conf. IEEE Eng. Med. Bio. Soc. (EMBC), IEEE, 2016, págs. 1111-1114. M. A. Álvarez, L. Rosasco, N. D. Lawrence y col., “Kernels for Vector-Valued Functions: A Review,” Now Found. Trend. Mach. Learn., vol. 4, n.o 3, págs. 195-266, 2012. W. Herlands y col., “Scalable Gaussian Processes for Characterizing Multidimensional Change Surfaces,” ArXiv Preprint, 2015, arXiv:1511.04408. C. M. Bishop, Pattern Recognition and Machine Learning (Information Science and Statistics). Secaucus, NJ, USA: Springer-Verlag New York, Inc., 2006. J. Gill, Bayesian Methods: A Social and Behavioral Sciences Approach, 3. ed. Boca Raton, FL: CRC press, 2014, vol. 20. C. P. Robert y G. Casella, Monte Carlo Statistical Methods, 2. ed.New York, NY: Springer, 2004. I. Murray, R. Prescott Adams y D. J. MacKay, “Elliptical slice sampling,” 2010. F. Fagan, J. Bhandari y J. Cunningham, “Elliptical Slice Sampling with Expectation Propagation.,” en Proc.Thirty-Second Conf. Uncert. Art. Intel. (UAI’16), 2016. I. Murray, R. P. Adams y D. J. Mackay, “Elliptical Slice Sampling,” Proc. 13th Int. Conf. Art. Intel. Stat. (AISTATS), vol. 9, págs. 541-548, 2010. A. Ückermann, C. Elbrechter, R. Haschke y H. Ritter, “3D Scene Segmentation for Autonomous Robot Grasping,” en Conf. on 2012 IEEE/RSJ Int. Intel. Rob. Syst. (IROS), IEEE, 2012, págs. 1734-1740. D. L. Collins y A. C. Evans, “Animal: Validation and Applications of Nonlinear Registration-Based Segmentation,” Int. J. Patt. Recog. Artif. Intel., vol. 11, n.o 08, págs. 1271-1294, 1997. Y. Hao y col., “Local Label Learning (LLL) for Subcortical Structure Segmentation: Application to Hippocampus Segmentation,” Hum. Br. Map., vol. 35, n.o 6, págs. 2674-2697, 2014. M. Sen, A. K. Rudra, A. S. Chowdhury, A. Elnakib y A. El-Baz, “Cerebral White Matter Segmentation Using Probabilistic Graph Cut Algorithm,” en Multi Modality State-of-the-Art Medical Image Segmentation and Registration Methodologies, A. El-Baz, U. R. Acharya, A. Laine y J. Suri, eds., New York, NY: Springer, 2011, págs. 41-67. K. K. Singh y A. Singh, “A Study Of Image Segmentation Algorithms For Different Types Of Images Different Types Of Images,” International Journal of Computer Science Issues, vol. 7, n.o 5, 2010. L. L. Altshuler, G. Bartzokis, T. Grieder, J. Curran y J. Mintz, “Amygdala Enlargement in Bipolar Disorder and Hippocampal Reduction in Schizophrenia: An MRI Study Demonstrating Neuroanatomic Specificity,” Arch. Gen. Psychiatry, vol. 55, n.o 7, págs. 663-664, 1998. D. R. Williams y A. J. Lees, “Progressive Supranuclear Palsy: Clinicopathological Concepts and Diagnostic Challenges,” The Lancet Neurology, vol. 8, n.o 3, págs. 270-279, 2009. L. T. Grinberg y col., “The Dorsal Raphe Nucleus Shows Phospho-Tau Neurofibrillary Changes Before the Transentorhinal Region in Alzheimer’s Disease. A Precocious Onset?” Neuropathol. Appl. Neurobiol., vol. 35, n.o 4, págs. 406-416, 2009. J. W. Mink, “Neurobiology of Basal Ganglia and Tourette Syndrome: Basal Ganglia Circuits and Thalamocortical Outputs,” Adv. Neurol., vol. 99, págs. 89-98, 2006. E. Hollander y col., “Striatal Volume on Magnetic Resonance Imaging and Repetitive Behaviors in Autism,” Biol. Psych., vol. 58, n.o 3, págs. 226-232, 2005. A. Minagar y col., “The Thalamus and Multiple Sclerosis Modern Views on Pathologic, Imaging, and Clinical Aspects,” Neur., vol. 80, n.o 2, págs. 210-219, 2013. N. C. Andreasen y col., “Thalamic Abnormalities in Schizophrenia Visualized Through Magnetic Resonance Image Averaging,” Science, vol. 266, n.o 5183, págs. 294-298, 1994. P. M. Thompson, K. L. Narr, R. E. Blanton y A. W. Toga, “Mapping Structural Alterations of the Corpus Callosum During Brain,” en E. Zaidel y M. Iacoboni, eds. The MIT Press, 2003, págs. 93-130. N. Garg y col., “The Corpus Callosum in the Diagnosis of Multiple Sclerosis and Other CNS Demyelinating and Inflammatory Diseases,” J Neurol. Neurosurg. Psychiatry, vol. 86, págs. 1374-1382, 2015. M. P. DelBello, M. E. Zimmerman, N. P. Mills, G. E. Getz y S. M. Strakowski, “Magnetic Resonance Imaging Analysis of Amygdala and Other Subcortical Brain Regions in Adolescents with Bipolar Disorder,” Bipolar Disorders, vol. 6, n.o 1, págs. 43-52, 2004. B. H. Menze y col., “The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS),” IEEE Trans. Med. Imaging, vol. 34, n.o 10, págs. 1993-2024, Dec 2015. M. Havaei y col., “Brain tumor segmentation with Deep Neural Networks,” Med. Im. Anal., vol. 35, págs. 18-31, 2017. M. Sharma y S. Mukharjee, “Brain Tumor Segmentation Using Genetic Algorithm and Artificial Neural Network Fuzzy Inference System (ANFIS),” en Advances in Computing and Information Technology. Advances in Intelligent Systems and Computing, N. Meghanathan, D. Nagamalai y C. N., eds. Berlin, Heidelberg: Springer, 2013, vol. 177, págs. 329-339. J. Sachdeva, V. Kumar, I. Gupta, N. Khandelwal y C. K. Ahuja, “A Novel Content-Based Active Contour Model for Brain Tumor Segmentation,” Magn. Reson. Imaging, vol. 30, n.o 5, págs. 694-715, 2012. T.Wang, I. Cheng, A. Basu y col., “Fluid Vector Flow and Applications in Brain Tumor Segmentation,” IEEE Trans. Biomed. Eng., vol. 56, n.o 3, págs. 781-789, March 2009. K. Xie, J. Yang, Z. G. Zhang e Y. M. Zhu, “Semi-Automated Brain Tumor and Edema Segmentation Using MRI,” Eur.n J.f Rad., vol. 56, n.o 1, págs. 12-19, 2005. A. Hamamci, N. Kucuk, K. Karaman, K. Engin y G. Unal, “Tumor-Cut: Segmentation of Brain Tumors on Contrast Enhanced MR Images for Radiosurgery Applications,” IEEE Trans. Med. Imaging, vol. 31, n.o 3, págs. 790-804, March 2012. A. Hamamci y G. Unal, “Multimodal Brain Tumor Segmentation Using the Tumor-Cut Method on the BraTS Dataset,” Proc. MICCAI-BRATS, págs. 19-23, 2012. Y. Li, F. Jia y J. Qin, “Brain Tumor Segmentation from Multimodal Magnetic Resonance Images Via Sparse Representation,” Art. Intel. Med., vol. 73, págs. 1-13, 2016. C. Sompong y S. Wongthanavasu, “Brain Tumor Segmentation Using Cellular Automata-Based Fuzzy C-Means,” en Conf. 2016 13th Int. Joint Comp. Sci. Soft. Eng. (JCSSE), IEEE, 2016, págs. 1-6. T. M. Hsieh, Y.-M. Liu, C.-C. Liao, F. Xiao, I.-J. Chiang y J.-M.Wong, “Automatic Segmentation of Meningioma from Non-Contrasted Brain MRI Integrating Fuzzy Clustering and Region Growing,” BMC Med. Inform. Decis. Mak., vol. 11, n.o 54, 2011. R. B. Dubey, M. Hanmandlu y S. K. Gupta, “Region Growing for MRI Brain Tumor Volume Analysis,” Ind. J. Sci. Tech., vol. 2, n.o 9, págs. 26-31, 2009. N. Gordillo, E. Montseny y P. Sobrevilla, “State of the Art Survey on MRI Brain Tumor Segmentation,” Magn. Reson. Imaging, vol. 31, n.o 8, págs. 1426-1438, 2013. R.Adams y L. Bischof, “Seeded Region Growing,” IEEE Trans. Patt. Anal. Mach. Intel., vol. 16, n.o 6, págs. 641-647, Jun 1994. T. F. Chan y L. A. Vese, “Active Contours Without Edges,” IEEE Trans. Image Proc., vol. 10, n.o 2, págs. 266-277, Feb 2001. D. Mumford y J. Shah, “Optimal Approximations by Piecewise Smooth Functions and Associated Variational Problems,” Com. Pure Appl. Math., vol. 42, n.o 5, págs. 577-685, 1989. S. Osher y J. A. Sethian, “Fronts Propagating with Curvature-Dependent Speed: Algorithms Based on Hamilton-Jacobi Formulations,” J. Comp. Phys., vol. 79, n.o 1, págs. 12-49, 1988.
dc.rights.license.none.fl_str_mv	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.uri.none.fl_str_mv	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.coar.none.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.accessrights.none.fl_str_mv	info:eu-repo/semantics/openAccess
rights_invalid_str_mv	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) https://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.extent.none.fl_str_mv	105 Páginas
dc.format.mimetype.none.fl_str_mv	application/pdf
dc.publisher.none.fl_str_mv	Universidad Tecnológica de Pereira
dc.publisher.place.none.fl_str_mv	Pereira
publisher.none.fl_str_mv	Universidad Tecnológica de Pereira
institution	Universidad Tecnológica de Pereira
bitstream.url.fl_str_mv	https://dspace7-utp.metabuscador.org/bitstreams/c80256ad-6566-4449-92a9-7a7c0f6de8b6/download https://dspace7-utp.metabuscador.org/bitstreams/0524c230-f61a-450d-a455-c344b79271de/download https://dspace7-utp.metabuscador.org/bitstreams/998a4029-58ff-4cc2-a345-156e1418a775/download https://dspace7-utp.metabuscador.org/bitstreams/442824f6-3683-4801-8655-09e1fcba3a42/download
bitstream.checksum.fl_str_mv	386b26b21d8bb9034d4584076adedf37 2f9959eaf5b71fae44bbf9ec84150c7a c8248ec113f9bcc27cf83afe4fcd6ad8 98ad79646361532519f3096212170ae9
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio de la Universidad Tecnológica de Pereira
repository.mail.fl_str_mv	bdigital@metabiblioteca.com
_version_	1814022040357699584
spelling	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)Manifiesto (Manifestamos) en este documento la voluntad de autorizar a la Biblioteca Jorge Roa Martínez de la Universidad Tecnológica de Pereira la publicación en el Repositorio institucional (http://biblioteca.utp.edu.co), la versión electrónica de la OBRA titulada: ________________________________________________________________________________________________ ________________________________________________________________________________________________ ________________________________________________________________________________________________ La Universidad Tecnológica de Pereira, entidad académica sin ánimo de lucro, queda por lo tanto facultada para ejercer plenamente la autorización anteriormente descrita en su actividad ordinaria de investigación, docencia y publicación. La autorización otorgada se ajusta a lo que establece la Ley 23 de 1982. Con todo, en mi (nuestra) condición de autor (es) me (nos) reservo (reservamos) los derechos morales de la OBRA antes citada con arreglo al artículo 30 dehttps://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessOrozco Gutiérrez, Álvaro ÁngelGarcía Arias, Hernán FelipeVargas Cardona, Hernán Dario2022-07-11T19:51:40Z2022-07-11T19:51:40Z2022978-958-722-582-2https://hdl.handle.net/11059/14176978-958-722-583-9https://doi.org/10.22517/9789587225839Universidad Tecnológica de PereiraRepositorio Institucional Universidad Tecnológica de Pereirahttps://repositorio.utp.edu.co/homeEn los últimos años, los tumores malignos se han convertido en un problema de salud pública con una alta incidencia en la población mundial. Dependiendo del tipo de tumor se han planteado diferentes tratamientos, donde la ablación tumoral, mediante cirugía estereotáxica, se ha convertido en el proceso quirúrgico de mayor aceptación y éxito. Sin embargo, es bien sabido que la calidad de vida de los pacientes sometidos a cirugía estereotáxica se ve afectada a menudo debido al inevitable déficit neuronal que se produce durante los procedimientos altamente invasivos. Este daño neuronal en ocasiones puede generar efectos secundarios no deseados como parálisis muscular, trastornos del habla y problemas motores. La tractografía, basada en imágenes de difusión magnética (dMRI) con resolución mejorada, puede permitir una planificación estereotáxica más detallada a nivel de las fibras neuronales, lo que puede evitar daños insuficientes en la trayectoria de inserción de material quirúrgico, como electrodos exploradores o instrumentos para la ablación de tejidos. . El objetivo final del análisis de imágenes estructurales en tumores cerebrales es extraer información clínica relevante específica para cada paciente y sus características diagnósticas. En consecuencia, desarrollar modelos automáticos para la localización y reconocimiento de tejidos asociados a regiones tumorales es de vital importancia para el campo de la neuroimagen en el que las herramientas tecnológicas pueden apoyar al especialista en un proceso de ablación tumoral.In recent years, malignant tumors have become a public health problem with a high incidence in the world population. Depending on the type of tumor, different treatments have been considered, where tumor ablation, through stereotaxic surgery, has become the most accepted and successful surgery process. However, it is well known that the quality of life of patients undergoing stereotaxic surgery is often affected due to the inevitable neuronal deficit that occurs during highly invasive procedures. This neuronal damage can sometimes generate unwanted side effects such as muscle paralysis, speech disorders, and motor problems. Tractography, based on magnetic diffusion imaging (dMRI) with improved resolution, can allow a more detailed stereotaxic planning at the level of neuronal fibers, which can avoid insufficient damage to the trajectory of insertion of surgical material such as exploratory electrodes or instruments for tissue ablation. The ultimate goal of structural imaging analysis in brain tumors is to extract relevant clinical information specific to each patient and their diagnostic features. Consequently, developing automatic models for the localization and recognition of tissues associated with tumor regions is of vital importance for the field of neuroimaging in what technological tools can support the specialist in a tumor ablation process.CONTENIDO CAPÍTULO UNO...................................................................................................9 Introducción..........................................................................................................10 1.1. Sistema de procesamiento automático para la ablación de.................12 tumores............................................................................................................12 CAPÍTULO DOS..................................................................................................15 Filtrado de imágenes médicas..............................................................................16 2.1. Introducción.............................................................................................16 2.2. Enfoques para el filtrado de imágenes médicas....................................17 2.2.1. Modelo general de filtrado espacial.................................................17 2.2.2. Filtro de mediana..............................................................................18 2.2.3. Filtro de medias no locales...............................................................18 2.2.4. Filtro de Wiener................................................................................19 2.2.5. Filtro anisotrópico.............................................................................19 2.3. Resultados experimentales y discusión..................................................20 2.3.1. Base de datos de MRI.......................................................................20 2.3.2. Procedimiento de preprocesamiento...............................................21 CAPÍTULO TRES................................................................................................26 Procesos tensoriales para el modelamiento........................................................27 3.1. Procesos gaussianos para el mejoramiento de la resolución................27 espacial de imágenes estructurales MRI (T1-T2)........................................27 3.1.1. Introducción......................................................................................27 3.1.2. Enfoques para el modelamiento de imágenes.................................29 estructurales................................................................................................29 3.1.3. Resultados experimentales y discusión...........................................31 3.1.4. Conclusiones y trabajo futuro.........................................................35 3.2. Procesos generalizados de Wishart para la interpolación de tensores de difusión............................................................................................................35 3.2.1. Introducción......................................................................................35 3.2.2. Materiales y métodos........................................................................37 3.2.3. Resultados experimentales y discusión...........................................40 3.2.4. Conclusiones y trabajos futuros......................................................43 3.3. Procesos gaussianos de múltiples salidas para mejorar la resolución de campos de tensores de difusión......................................................................44 3.3.1. Introducción......................................................................................44 3.3.2. Materiales y métodos........................................................................45 3.3.3. Resultados experimentales y discusión...........................................47 3.3.4. Campo de tensores de difusión de datos reales..............................49 3.3.5. Conclusiones y trabajos futuros......................................................49 CAPÍTULO CUATRO.........................................................................................51 Optimización de hiperparámetros.......................................................................52 4.1. Introducción.............................................................................................52 4.2. Métodos.....................................................................................................53 4.2.1. Cadenas de Markov..........................................................................53 4.2.2. Algoritmo de Metrolopolis-Hastings...............................................54 4.2.3. Algoritmo de Elliptical Slice Sampling...........................................54 4.2.4. Inferencia bayesiana para el aprendizaje de campos DTI............55 4.2.5. Interpolación de campos DTI a través del modelamiento con GWP.............................................................................................................57 4.3. Resultados y discusión.............................................................................57 CAPÍTULO CINCO.............................................................................................60 Segmentación y ablación de tumores..................................................................61 5.1. Introducción.............................................................................................61 5.2. Materiales y métodos...............................................................................62 5.2.1. Base de datos.....................................................................................62 5.2.2. Algoritmo «Seed Region Growing».................................................63 5.2.3. «Level set» basado en el modelo de Chan–Vese.............................64 5.3. Resultados y discusión.............................................................................66 5.3.1. Algoritmo «Region Growing»..........................................................66 5.3.2. Algoritmo level set, basado en el modelo de Chan–Vese................67 5.3.3. Segmentación.....................................................................................69 CAPÍTULO SEIS..................................................................................................74 Protocolo de validación clínica............................................................................75 6.1. Descripción de la base de datos..............................................................75 6.2. Segmentación de tumores de la base de datos Neurocentro»..............75 6.3. Estimación del parámetro de escala en metodología de.......................76 segmentación sobre la base de datos de Neurocentro..................................76 6.4. Validación de la segmentación y estimación del parámetro.................79 factor por medio de validación cruzada.......................................................79 CAPÍTULO SIETE...............................................................................................90 Consideraciones....................................................................................................91 7.1. Conclusiones.............................................................................................91 7.2. Trabajos futuros.......................................................................................92 7.3. Agradecimientos.......................................................................................92 Referencias.............................................................................................................93Pregrado105 Páginasapplication/pdfspaUniversidad Tecnológica de PereiraPereiraTrabajos de investigaciónA. Jog, A. Carass y J. L. Prince, “Improving Magnetic Resonance Resolution with Supervised Learning,” en 2014 IEEE 11th Proc. IEEE Int. Symp. Biomed. Imaging. (ISBI), IEEE, 2014, págs. 987-990.A. Barmpoutis, B. C. Vemuri, T. M. Shepherd y J. R. Forder, “Tensor Splines for Interpolation and Approximation of DT-MRI with Applications to Segmentation of Isolated Rat Hippocampi,” IEEE Trans. Medical Imaging, vol. 26, n.o 11, págs. 1537-1546, Oct 2007.K.-P. Wong, “Medical Image Segmentation: Methods and Applications in Functional Imaging,” en Handbook of Biomedical Image Analysis. Topics in Biomedical Engineering International Book Series, J. Suri, D. Wilson y S. Laxminarayan, eds., Boston: Springer, 2005, págs. 111-182.M. L. Aguena,N.D. Mascarenha, J. C. Anacleto y S. S. Fels, “MRI Iterative Super Resolution with Wiener Filter Regularization,” en 2013 26th Conf. SIBGRAPI Graph., Patt. Imag. (SIBGRAPI), IEEE, 2013, págs. 155-162.K. Jafari-Khouzani, “MRI Upsampling Using Feature-Based Nonlocal Means Approach,” IEEE Trans. Medic. Imaging, vol. 33, n.o 10, págs. 1969-1985, 2014.S.Rueda y col., “Evaluation and Comparison of Current Fetal Ultrasound Image Segmentation Methods for Biometric Measurements: A Grand Challenge,” IEEE Trans. Medic. Imaging, vol. 33, n.o 4, págs. 797-813, 2014.N.-H. Lu, C.-M. Kuo y H.-J. Ding, “Automatic ROI Segmentation in B-mode Ultrasound Image for Liver Fibrosis Classification,” en 2013 Int. Symp. Biometr. Sec. Tech. (ISBAST), IEEE, 2013, págs. 10-13.F. Rousseau y C. Studholme, “A Supervised Patch-Based Image Reconstruction Technique: Application to Brain MRI Super-Resolution,” en 2013 IEEE 10th Int. Symp. Biomed. Imaging (ISBI), IEEE, 2013, págs. 346-349.S. Pajevic, A. Aldroubi y P. J. Basser, “A Continuous Tensor Field Approximation of Discrete DT-MRI Data for Extracting Microstructural and Architectural Features of Tissue,” J. Magn. Reson., vol. 154, n.o 1, págs. 85-100, 2002.V. Arsigny, P. Fillard, X. Pennec y N. Ayache, “Log-Euclidean Metrics for Fast and Simple Calculus on Diffusion Tensors,” Magn. Reson. Medic., vol. 56, n.o 2, págs. 411-421, 2006.G. Kindlmann, R. S. J. Estepar, M. Niethammer, S. Haker y C.-F. Westin, “Geodesic-Loxodromes for Diffusion Tensor Interpolation and Difference Measurement,” en Medical Image Computing and Computer-Assisted Intervention – MICCAI 2007. MICCAI 2007. Lecture Notes in Computer Science, N. Ayache, S. Ourselin y A. Maeder, eds. Berlin, Heidelberg, 2007, vol. 4791, págs. 1-9.F. Yang, Y.-M. Zhu, I. E. Magnin, J.-H. Luo, P. Croisille y P. B. Kingsley, “Feature-Based Interpolation of Diffusion Tensor Fields and Application to Human Cardiac DT-MRI,” Medic. Image Anal., vol. 16, n.o 2, págs. 459-481, 2012.C. Son y S.-R. Xia, “Diffusion Tensor Interpolation Profile Control Using Non-Uniform Motion on a Riemannian Geodesic,” J. of Zhejiang Univ.-Sci. C, vol. 13, n.o 2, págs. 90-98, 2012.Ministero de Salud y Protección Social, Plan Decenal de Salud Pública PDSP, 2012-2021: la salud en Colombia la construyes tú. Grupo de Comunicaciones, Imprenta Nacional de Colombia, 2013.W. G. Bradley, R. B. Daroff, G. M. Fenichel y J. Jankovic, eds., Neurology in Clinical Practice: Principles of Diagnosis and Management, 4. ed. Elsevier, 2004, vol. 1.D. Le Bihan, E. Breton, D. Lallemand, P. Grenier, E. Cabanis y M. Laval-Jeantet, “MR Imaging of Intravoxel Incoherent Motions: Application to Diffusion and Perfusion in Neurologic Disorders,” Radiology, vol. 161, n.o 2, págs. 401-407, 1986.D. C. Van Essen y col., “The Human Connectome Project: A Data Acquisition Perspective,” Neuroimage, vol. 62, n.o 4, págs. 2222-2231, 2012.P. M. Kroonenberg, Applied Multiway Data Analysis. John Wiley & Sons, 2008, vol. 702.N. D. Sidiropoulos, R. Bro y G. B. Giannakis, “Parallel Factor Analysis in Sensor Array Processing,” IEEE Trans. Sign. Proc., vol. 48, n.o 8, págs. 2377-2388, Aug 2000.R. Bro, P. Geladi y A. Smilde, Multi-Way Analysis with Applications in the Chemical Sciences, 2004.M. A. O. Vasilescu y D. Terzopoulos, “Multilinear Image Analysis for Facial Recognition,” en Conf. 16th Int. Patt. Recogn., IEEE, vol. 2, 2002, págs. 511-514.M. Mørup, L. K. Hansen, S. M. Arnfred, L.-H. Lim y K. H. Madsen, “Shift-Invariant Multilinear Decomposition of Neuroimaging Data,” Neuroimage, vol. 42, n.o 4, págs. 1439-1450, 2008.W. Hollingworth y col., “The Diagnostic and Therapeutic Impact of MRI: an Observational Multi-Centre Study,” Clinic. Rad., vol. 55, n.o 11, págs. 825-831, 2000.P. J. Basser, J. Mattiello y D. LeBihan, “Estimation of the Effective Self-Diffusion Tensor from the NMR Spin Echo,” J. Magn. Res. Ser. B, vol. 103, n.o 3, págs. 247-254, 1994.L. J. Astola y L. M. J. Florack, “Finsler Geometry on Higher Order Tensor Fields and Applications to High Angular Resolution Diffusion Imaging,” en Scale Space and Variational Methods in Computer Vision, X. Tai, K. Morken, M. Lysaker y K. Lie, eds., ép. Lecture Notes in Computer Science, vol. 5567, Berlin, Heidelberg, New York: Springer-Verlag, 2009, págs. 224-234.J. S. Isaac y R. Kulkarni, “Super Resolution Techniques for Medical Image Processing,” en 2015 Int. Conf. Tech. Sustain. Develop. (ICTSD), IEEE, 2015, págs. 1-6.A. A. Hefnawy, “An Efficient Super-Resolution Approach for Obtaining Isotropic 3-D Imaging Using 2-D Multi-Slice MRI,” Egypt. Inform. J., vol. 14, n.o 2, págs. 117-123, 2013.I. Hotz, J. Sreevalsan-Nair, H. Hagen y B. Hamann, “Tensor Field Reconstruction Based on Eigenvector and Eigenvalue Interpolation,” en Dagstuhl Follow-Ups, Schloss Dagstuhl-Leibniz-Zentrum fuer Informatik, vol. 1, 2010.H. Greenspan, G. Oz, N. Kiryati y S. Peled, “MRI Inter-Slice Reconstruction Using Super-Resolution,” Magn. Reson. Imag., vol. 20, n.o 5, págs. 437-446, 2002.Y. Lu y R. Yang, “Super-Resolution Reconstruction of Dynamic MRI by Patch Learning,” en 2012 12th Int. Conf. Cont. Aut. Robot. & Vis. (ICARCV),, IEEE, 2012, págs. 1443-1448.A. Katouzian, E. D. Angelini, S. G. Carlier, J. S. Suri, N. Navab y A. F. Laine, “A State-Of-The-Art Review on Segmentation Algorithms in Intravascular Ultrasound (IVUS) Images,” IEEE Trans. Info. Tech. Biomed., vol. 16, n.o 5, págs. 823-834, Sep 2012.P. Jiang, J. Peng, G. Zhang, E. Cheng, V. Megalooikonomou y H. Ling, “Learning-Based Automatic Breast Tumor Detection and Segmentation in Ultrasound Images,” en 2012 9th IEEE Int. Symp. Biomed. Imag. (ISBI), IEEE, 2012, págs. 1587-1590.R. Y. Tsai y T. S. Huang, “Multiframe Image Restoration and Registration,” Adv. Comp. Vis. Image Proc., vol. 1, págs. 317-339, 1984.S. P. Kim, N. K. Bose y H. M. Valenzuela, “Recursive Reconstruction of High Resolution Image from Noisy Undersampled Multiframes,” IEEE Trans. Acoust., Sp. Sign. Proc., vol. 38, n.o 6, págs. 1013-1027, Jun 1990.A. J. Patti, M. Sezan Ibrahim y A. Murat Tekalp, “High-Resolution Image Reconstruction from a Low-Resolution Image Sequence in the Presence of Time-Varying Motion Blur,” en Proc. 1st Int. Conf. Image Proc., IEEE, vol. 1, 1994, págs. 343-347.A. Rueda, N. Malpica y E. Romero, “Single-Image Super-Resolution of Brain MR Images Using Overcomplete Dictionaries,” Medic. Image An., vol. 17, n.o 1, págs. 113-132, 2013.Y.-H. Wang, J. Qiao, J.-B. Li, P. Fu, S.-C. Chu y J. F. Roddick, “Sparse Representation-Based MRI Super-Resolution Reconstruction,” Measurem., vol. 47, págs. 946-953, 2014.J. Yang, J. Fan,D. Ai, S. Zhou, S. Tang e Y.Wang, “BrainMRImage Denoising for Rician Noise Using Pre-Smooth Non-Local Means Filter,” Biomed. Eng. Online, vol. 14, n.o 1, 2015.E. Akar, S. Kara, H. Akdemir y A. Kırış, “Fractal Analysis of MR Images in Patients with Chiari Malformation: The Importance of Preprocessing,” Biomed. Sign. Proc. Contr., vol. 31, págs. 63-70, 2017A. Wong y A. K. Mishra, “Quasi-Monte Carlo Estimation Approach for Denoising MRI Data Based on Regional Statistics,” IEEE Trans. Biom. Eng., vol. 58, n.o 4, págs. 1076-1083, May 2011.S. Bauer, R. Wiest, L.-P. Nolte y M. Reyes, “A Survey of MRI-Based Medical Image Analysis for Brain Tumor Studies,” Phy. Med. Bio., vol. 58, n.o 13, 2013.L. Zhang, J. Chen, Y. Zhu y J. Luo, “Comparisons of Several New De-Noising Methods for Medical Images,” en 3rd Int. Conf. Bioinfo. Biomed. Eng., 2009 (ICBBE 2009), IEEE, 2009, págs. 1-4.C.-T. Huang, “Bayesian Inference for Neighborhood Filters with Application in Denoising,” en Proc. IEEE Conf. Comp. Vis. Patt. Recogn., 2015, págs. 1657-1665.M. C. Nicolae, L. Moraru y L. Onose, “Comparative Approach for Speckle Reduction in Medical Ultrasound Images,” Romanian J. Biophys, vol. 20, n.o 1, págs. 13-21, 2010.A. Buades, B. Coll y J.-M. Morel, “ANon-Local Algorithm for Image Denoising,” en IEEE Comp. Soc. Conf. Comp. Vis. Patt. Recogn. (CVPR 2005), IEEE, vol. 2, 2005, págs. 60-65.C. Tsiotsios y M. Petrou, “On the Choice of the Parameters for Anisotropic Diffusion in Image Processing,” Patt. Recogn., vol. 46, n.o 5, págs. 1369-1381, 2013.P. Perona y J. Malik, “Scale-Space and Edge Detection Using Anisotropic Diffusion,” IEEE Trans. Patt. Ana. Mach. Intel., vol. 12, n.o 7, págs. 629-639, Jun 1990.W. Hollingworth y col., “The Diagnostic and Therapeutic Impact of MRI: An Observational Multi-Centre Study,” Clin. Radiol., vol. 55, n.o 11, págs. 825-831, 2000.K. Malczewski, “INTER-K-SPACE MOTION BASED STRATEGY FOR SUPER-RESOLUTION IN MRI,” en 17th Euro. Sign. Proc. Conf., 2009, págs. 30-34.E. Carmi, S. L., A. Noga, F. Amos y D. Fia, “Resolution Enhancement in MRI,” Magn. Reson. Imag., vol. 24, págs. 133-154, 2006.T. S. Huang y T. R. Y., “Multi-Frame Image Restoration and Registration,” Adv. Comp. Vis. Image Proc., vol. 1, n.o 7, págs. 317-339, 1984.C. E. Rasmussen y C. K. Williams, Gaussian Processes for Machine Learning (Adaptive Computation and Machine Learning). Cambridge, MA: MIT Press, 2005.K. P. Murphy, Machine learning: A Probabilistic Perspective. Cambridge, MA: MIT Press, 2012.H. He y W.-C. Siu, “Single Image Super-Resolution Using Gaussian Process Regression,” en 2011 IEEE Conf. Comp. Vis. Patt. Recogn. (CVPR), IEEE, 2011, págs. 449-456.R. Kikinis, S. D. Pieper y K. G. Vosburgh, “3D Slicer: A Platform for Subject-Specific Image Analysis, Visualization, and Clinical Support,” en Intraoperative Imaging and Image-Guided Therapy, F. Jolesz, ed.New York, NY: Springer, 2014, págs. 277-289.F. Yang, Y.-M. Zhu, J.-H. Luo, M. Robini, J. Liu y P. Croisille, “A Comparative Study of Different Level Interpolations for Improving Spatial Resolution in Diffusion Tensor Imaging,” IEEE J. Biomed. Heal. Info., vol. 18, n.o 4, págs. 1317-1327, 2014.P. Fletcher y S. Joshi, “Riemannian Geometry for the Statistical Analysis of Diffusion Tensor Data,” Sign. Proc., vol. 87, n.o 2, págs. 250-262, 2007.C. Bi, S. Takahashi e I. Fujishiro, “Interpolating 3D Diffusion Tensors in 2D Planar Domain by Locating Degenerate Lines,” en Advances in Visual Computing. ISVC 2010. Lecture Notes in Computer Science, G. Bebis y col., eds. Berlin, Heidelberg: Springer-Verlag, 2010, vol. 6453, págs. 328-337.A. Wilson y Z. Ghahramani, “Generalised Wishart Processes,” en 27th Conf. Uncert. Art. Intelligence, UAI 2011, Barcelona, Spain, 2011, págs. 736-744.J. Tanner y E. Stejskal, “Spin Diffusion Measurements: Spin Echoes in the Presence of a Time-Dependent Field Gradient,” J. Chem. Physi., vol. 42, págs. 288-292, 1965.P. Basser, “Inferring Microstructural Features and the Physiological State of Tissues from Diffusion Weighted Images,” NMR Biomed., vol. 8, págs. 333-344, 1995.C. Lin-Chin, D. Jones y C. Pierpaoli, “RESTORE: Robust Estimation of Tensors by Outlier Rejection,” Magn. Reson. Med., vol. 53, págs. 1088-1095, 2005.A. Barmpoutis y B. C. Vemuri, “A Unified Framework for Estimating Diffusion Tensors of Any Order with Symmetric Positive-Definite Constraints,” en 2010 IEEE Int. Symp. on Biomed. Imag.: From Nano to Macro, Rotterdam, Netherlands, Abr 2010, págs. 1385-1388. doi: 10 . 1109 / ISBI . 2010 . 5490256.M. J. Sasiadek, P. Szewczyk y J. Bladowska, “Application of Diffusion Tensor Imaging (DTI) in Pathological Changes of the Spinal Cord,” Med. Sci. Mon., vol. 18, n.o 6, RA73-RA79, 2012.J. L. Del Cura Rodríguez, S. Pedraza Gutiérrez y A. Gayete Cara, Radiologia Esencial. Editorial Medica Panamericana, 2010, vol. 2.V. Gupta, N. Ayache y X. Pennec, “Improving DTI Resolution from a Single Clinical Acquisition: A Statistical Approach Using Spatial Prior,” en Medical Image Computing and Computer-Assisted Intervention – MICCAI 2013. MICCAI 2013. Lecture Notes in Computer Science, K. Mori, I. Sakuma, Y. Sato, C. Barillot y N. Navab, eds., Springer, vol. 8151, Berlin, Heidelberg, 2013, págs. 477-484.Z. Wang, B. C. Vemuri, Y. Chen y T. H. Mareci, “A Constrained Variational Principle for Direct Estimation and Smoothing of the Diffusion Tensor Field from Complex DWI,” IEEE Trans. Med. Imag., vol. 23, n.o 8, págs. 930-939, 2004.P. G. Batchelor, M. Moakher, D. Atkinson, F. Calamante y A. Connelly, “A Rigorous Framework for Diffusion Tensor Calculus,” Magn. Reson. Med., vol. 53, n.o 1, págs. 221-225, 2005.H. D. Vargas Cardona, Á. A. Orozco y M. A. Álvarez, “Multi-output Gaussian processes for enhancing resolution of diffusion tensor fields,” en 2016 38th An. Int. Conf. IEEE Eng. Med. Bio. Soc. (EMBC), IEEE, 2016, págs. 1111-1114.M. A. Álvarez, L. Rosasco, N. D. Lawrence y col., “Kernels for Vector-Valued Functions: A Review,” Now Found. Trend. Mach. Learn., vol. 4, n.o 3, págs. 195-266, 2012.W. Herlands y col., “Scalable Gaussian Processes for Characterizing Multidimensional Change Surfaces,” ArXiv Preprint, 2015, arXiv:1511.04408.C. M. Bishop, Pattern Recognition and Machine Learning (Information Science and Statistics). Secaucus, NJ, USA: Springer-Verlag New York, Inc., 2006.J. Gill, Bayesian Methods: A Social and Behavioral Sciences Approach, 3. ed. Boca Raton, FL: CRC press, 2014, vol. 20.C. P. Robert y G. Casella, Monte Carlo Statistical Methods, 2. ed.New York, NY: Springer, 2004.I. Murray, R. Prescott Adams y D. J. MacKay, “Elliptical slice sampling,” 2010.F. Fagan, J. Bhandari y J. Cunningham, “Elliptical Slice Sampling with Expectation Propagation.,” en Proc.Thirty-Second Conf. Uncert. Art. Intel. (UAI’16), 2016.I. Murray, R. P. Adams y D. J. Mackay, “Elliptical Slice Sampling,” Proc. 13th Int. Conf. Art. Intel. Stat. (AISTATS), vol. 9, págs. 541-548, 2010.A. Ückermann, C. Elbrechter, R. Haschke y H. Ritter, “3D Scene Segmentation for Autonomous Robot Grasping,” en Conf. on 2012 IEEE/RSJ Int. Intel. Rob. Syst. (IROS), IEEE, 2012, págs. 1734-1740.D. L. Collins y A. C. Evans, “Animal: Validation and Applications of Nonlinear Registration-Based Segmentation,” Int. J. Patt. Recog. Artif. Intel., vol. 11, n.o 08, págs. 1271-1294, 1997.Y. Hao y col., “Local Label Learning (LLL) for Subcortical Structure Segmentation: Application to Hippocampus Segmentation,” Hum. Br. Map., vol. 35, n.o 6, págs. 2674-2697, 2014.M. Sen, A. K. Rudra, A. S. Chowdhury, A. Elnakib y A. El-Baz, “Cerebral White Matter Segmentation Using Probabilistic Graph Cut Algorithm,” en Multi Modality State-of-the-Art Medical Image Segmentation and Registration Methodologies, A. El-Baz, U. R. Acharya, A. Laine y J. Suri, eds., New York, NY: Springer, 2011, págs. 41-67.K. K. Singh y A. Singh, “A Study Of Image Segmentation Algorithms For Different Types Of Images Different Types Of Images,” International Journal of Computer Science Issues, vol. 7, n.o 5, 2010.L. L. Altshuler, G. Bartzokis, T. Grieder, J. Curran y J. Mintz, “Amygdala Enlargement in Bipolar Disorder and Hippocampal Reduction in Schizophrenia: An MRI Study Demonstrating Neuroanatomic Specificity,” Arch. Gen. Psychiatry, vol. 55, n.o 7, págs. 663-664, 1998.D. R. Williams y A. J. Lees, “Progressive Supranuclear Palsy: Clinicopathological Concepts and Diagnostic Challenges,” The Lancet Neurology, vol. 8, n.o 3, págs. 270-279, 2009.L. T. Grinberg y col., “The Dorsal Raphe Nucleus Shows Phospho-Tau Neurofibrillary Changes Before the Transentorhinal Region in Alzheimer’s Disease. A Precocious Onset?” Neuropathol. Appl. Neurobiol., vol. 35, n.o 4, págs. 406-416, 2009.J. W. Mink, “Neurobiology of Basal Ganglia and Tourette Syndrome: Basal Ganglia Circuits and Thalamocortical Outputs,” Adv. Neurol., vol. 99, págs. 89-98, 2006.E. Hollander y col., “Striatal Volume on Magnetic Resonance Imaging and Repetitive Behaviors in Autism,” Biol. Psych., vol. 58, n.o 3, págs. 226-232, 2005.A. Minagar y col., “The Thalamus and Multiple Sclerosis Modern Views on Pathologic, Imaging, and Clinical Aspects,” Neur., vol. 80, n.o 2, págs. 210-219, 2013.N. C. Andreasen y col., “Thalamic Abnormalities in Schizophrenia Visualized Through Magnetic Resonance Image Averaging,” Science, vol. 266, n.o 5183, págs. 294-298, 1994.P. M. Thompson, K. L. Narr, R. E. Blanton y A. W. Toga, “Mapping Structural Alterations of the Corpus Callosum During Brain,” en E. Zaidel y M. Iacoboni, eds. The MIT Press, 2003, págs. 93-130.N. Garg y col., “The Corpus Callosum in the Diagnosis of Multiple Sclerosis and Other CNS Demyelinating and Inflammatory Diseases,” J Neurol. Neurosurg. Psychiatry, vol. 86, págs. 1374-1382, 2015.M. P. DelBello, M. E. Zimmerman, N. P. Mills, G. E. Getz y S. M. Strakowski, “Magnetic Resonance Imaging Analysis of Amygdala and Other Subcortical Brain Regions in Adolescents with Bipolar Disorder,” Bipolar Disorders, vol. 6, n.o 1, págs. 43-52, 2004.B. H. Menze y col., “The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS),” IEEE Trans. Med. Imaging, vol. 34, n.o 10, págs. 1993-2024, Dec 2015.M. Havaei y col., “Brain tumor segmentation with Deep Neural Networks,” Med. Im. Anal., vol. 35, págs. 18-31, 2017.M. Sharma y S. Mukharjee, “Brain Tumor Segmentation Using Genetic Algorithm and Artificial Neural Network Fuzzy Inference System (ANFIS),” en Advances in Computing and Information Technology. Advances in Intelligent Systems and Computing, N. Meghanathan, D. Nagamalai y C. N., eds. Berlin, Heidelberg: Springer, 2013, vol. 177, págs. 329-339.J. Sachdeva, V. Kumar, I. Gupta, N. Khandelwal y C. K. Ahuja, “A Novel Content-Based Active Contour Model for Brain Tumor Segmentation,” Magn. Reson. Imaging, vol. 30, n.o 5, págs. 694-715, 2012.T.Wang, I. Cheng, A. Basu y col., “Fluid Vector Flow and Applications in Brain Tumor Segmentation,” IEEE Trans. Biomed. Eng., vol. 56, n.o 3, págs. 781-789, March 2009.K. Xie, J. Yang, Z. G. Zhang e Y. M. Zhu, “Semi-Automated Brain Tumor and Edema Segmentation Using MRI,” Eur.n J.f Rad., vol. 56, n.o 1, págs. 12-19, 2005.A. Hamamci, N. Kucuk, K. Karaman, K. Engin y G. Unal, “Tumor-Cut: Segmentation of Brain Tumors on Contrast Enhanced MR Images for Radiosurgery Applications,” IEEE Trans. Med. Imaging, vol. 31, n.o 3, págs. 790-804, March 2012.A. Hamamci y G. Unal, “Multimodal Brain Tumor Segmentation Using the Tumor-Cut Method on the BraTS Dataset,” Proc. MICCAI-BRATS, págs. 19-23, 2012.Y. Li, F. Jia y J. Qin, “Brain Tumor Segmentation from Multimodal Magnetic Resonance Images Via Sparse Representation,” Art. Intel. Med., vol. 73, págs. 1-13, 2016.C. Sompong y S. Wongthanavasu, “Brain Tumor Segmentation Using Cellular Automata-Based Fuzzy C-Means,” en Conf. 2016 13th Int. Joint Comp. Sci. Soft. Eng. (JCSSE), IEEE, 2016, págs. 1-6.T. M. Hsieh, Y.-M. Liu, C.-C. Liao, F. Xiao, I.-J. Chiang y J.-M.Wong, “Automatic Segmentation of Meningioma from Non-Contrasted Brain MRI Integrating Fuzzy Clustering and Region Growing,” BMC Med. Inform. Decis. Mak., vol. 11, n.o 54, 2011.R. B. Dubey, M. Hanmandlu y S. K. Gupta, “Region Growing for MRI Brain Tumor Volume Analysis,” Ind. J. Sci. Tech., vol. 2, n.o 9, págs. 26-31, 2009.N. Gordillo, E. Montseny y P. Sobrevilla, “State of the Art Survey on MRI Brain Tumor Segmentation,” Magn. Reson. Imaging, vol. 31, n.o 8, págs. 1426-1438, 2013.R.Adams y L. Bischof, “Seeded Region Growing,” IEEE Trans. Patt. Anal. Mach. Intel., vol. 16, n.o 6, págs. 641-647, Jun 1994.T. F. Chan y L. A. Vese, “Active Contours Without Edges,” IEEE Trans. Image Proc., vol. 10, n.o 2, págs. 266-277, Feb 2001.D. Mumford y J. Shah, “Optimal Approximations by Piecewise Smooth Functions and Associated Variational Problems,” Com. Pure Appl. Math., vol. 42, n.o 5, págs. 577-685, 1989.S. Osher y J. A. Sethian, “Fronts Propagating with Curvature-Dependent Speed: Algorithms Based on Hamilton-Jacobi Formulations,” J. Comp. Phys., vol. 79, n.o 1, págs. 12-49, 1988.610 - Medicina y salud::616 - EnfermedadesTumores malignos -Cirugía estereotácticaDiagnóstico por imagenAblación tumoral por ultrasonidoTumores malignos - Tomografía computarizadaAblación automática de tumores en el contexto del aprendizaje automáticoLibroinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_2f33Textinfo:eu-repo/semantics/bookPublication5-17-2Desarrollo de un sistema de soporte clínico basado en el procesamiento estocástico para mejorar la resolución espacial de la resonancia magnética estructural y de difusión con aplicación al procedimiento de ablación de tumoresORIGINALAblación automática de tumores.pdfAblación automática de tumores.pdfapplication/pdf21186113https://dspace7-utp.metabuscador.org/bitstreams/c80256ad-6566-4449-92a9-7a7c0f6de8b6/download386b26b21d8bb9034d4584076adedf37MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-814828https://dspace7-utp.metabuscador.org/bitstreams/0524c230-f61a-450d-a455-c344b79271de/download2f9959eaf5b71fae44bbf9ec84150c7aMD52TEXTAblación automática de tumores.pdf.txtAblación automática de tumores.pdf.txtExtracted texttext/plain233773https://dspace7-utp.metabuscador.org/bitstreams/998a4029-58ff-4cc2-a345-156e1418a775/downloadc8248ec113f9bcc27cf83afe4fcd6ad8MD53THUMBNAILAblación automática de tumores.pdf.jpgAblación automática de tumores.pdf.jpgGenerated Thumbnailimage/jpeg15280https://dspace7-utp.metabuscador.org/bitstreams/442824f6-3683-4801-8655-09e1fcba3a42/download98ad79646361532519f3096212170ae9MD5411059/14176oai:dspace7-utp.metabuscador.org:11059/141762024-09-05 17:25:21.652https://creativecommons.org/licenses/by-nc-nd/4.0/Manifiesto (Manifestamos) en este documento la voluntad de autorizar a la Biblioteca Jorge Roa Martínez de la Universidad Tecnológica de Pereira la publicación en el Repositorio institucional (http://biblioteca.utp.edu.co), la versión electrónica de la OBRA titulada: ________________________________________________________________________________________________ ________________________________________________________________________________________________ ________________________________________________________________________________________________ La Universidad Tecnológica de Pereira, entidad académica sin ánimo de lucro, queda por lo tanto facultada para ejercer plenamente la autorización anteriormente descrita en su actividad ordinaria de investigación, docencia y publicación. La autorización otorgada se ajusta a lo que establece la Ley 23 de 1982. Con todo, en mi (nuestra) condición de autor (es) me (nos) reservo (reservamos) los derechos morales de la OBRA antes citada con arreglo al artículo 30 deopen.accesshttps://dspace7-utp.metabuscador.orgRepositorio de la Universidad Tecnológica de Pereirabdigital@metabiblioteca.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

Ablación automática de tumores en el contexto del aprendizaje automático

Publicaciones similares