Rodrigo, Florencia L. (2013) Segmentación de lesiones de esclerosis múltiple en imágenes de RM de alto campo. / Multiple sclerosis lesions segmentation in high field MRI. Maestría en Física Médica, Universidad Nacional de Cuyo, Instituto Balseiro.
![[img]](/style/images/fileicons/application_pdf.png)
| PDF (Tesis) Español 2827Kb |
Resumen en español
La esclerosis múltiple (EM) es una enfermedad neurodegenerativa que produce daño en el tejido cerebral, el cual se observa principalmente como anomalías de la materia blanca en imágenes de resonancia magnética (IRM). Estas regiones anómalas, denominadas lesiones, aparecen como regiones hiperintensas (brillantes) en IRM de cerebro. En este trabajo se presenta un método totalmente automatizado para la segmentación y clasificación de lesiones de EM. El método propuesto consiste en un primer proceso de segmentación automática de tejidos cerebrales hiperintensos observados en imágenes de la serie de atenuación de fluido por recuperación inversa (FLAIR). Luego de la segmentación, se calcula un gran conjunto de características (o descriptores) que describen las regiones segmentadas en términos de intensidad, forma, ubicación y contexto anatómico. Por lo tanto, a partir de una combinación de estas características, se entrenaron sistemas de aprendizaje como son el análisis discriminante, las redes neuronales y las máquinas de soporte vectorial, con el fin de poder clasificar regiones hiperintensas en nuevos estudios. Finalmente, la clasificación se llevó a cabo implementando métodos de conjunto, con el objetivo de optimizar los resultados de la clasificación. La exactitud del enfoque propuesto se validó mediante la comparación de los volúmenes clasificados como lesión y la segmentación manual realizada por un radiólogo experto. El resultado final de este proyecto de investigación fue un algoritmo de clasificación basado en sistemas inteligentes que permitió identificar la presencia de lesiones de Esclerosis Múltiple en una imagen médica de RM, con una validación superior al 90%. De esta manera, se pretende transferir a la práctica clínica herramientas que permitan mejorar la calidad del diagnóstico, el tratamiento y la evolución del paciente, proporcionando objetividad y repetitividad en el análisis.
Resumen en inglés
Multiple Sclerosis (MS) is a neurodegenerative disease that is associated with brain tissue damage primarily observed as white matter abnormalities referred as lesion. MS lesions appear as hyperintense (bright) regions in brain magnetic resonance imaging (MRI). In this study, a fully automated method for MS lesions segmentation and classification is presented. The method proposed consist on a prior automatic hyperintense brain tissues segmentation based on the fluid attenuated inversion recovery (FLAIR) image. Then, it produces a large set of features describing the regions segmented in terms of intensity, shape, location and anatomical context. Thus, having a combination of characteristics, learning systems, consisting of discriminant analysis, neural networks and support vector machines, were trained in order to be able to classify new studies. Finally, the classifiers were implemented under joint methods, aiming to optimize the classification results. The accuracy of the proposed approach was further validated by comparing the lesion volumes computed using the automated approach and lesions manually segmented by an expert radiologist. The final result of this investigation project is a classification algorithm based upon smart systems that allows identifying the presence of Multiple Sclerosis lesions in a medical MR image, with a validation result of over 90%. Hence, it was attempted to transfer tools allowing to improve the quality of the treatment and diagnosis, to the health processes, providing objectivity and repetitiveness to the analysis.
| Tipo de objeto: | Tesis (Maestría en Física Médica) |
|---|---|
| Palabras Clave: | Multiple sclerosis; Esclerosis múltiple; Magnetic resonance; Resonancia magnética; Injuries; Lesiones; Brain; Cerebro |
| Referencias: | [1] Compston A, Coles A.: "Multiple sclerosis". Lancet 372 (9648): 1502–17. 2008. [2] McDonald WI, Compston A, Edan G.: “Recommended diagnostic criteria for multiple sclerosis: guidelines from the International Panel on the diagnosis of multiple sclerosis”. Ann. Neurol. 50 (1): pp. 121–7. 2001. [3] Calabresi P.: “Multiple sclerosis and demyelinating conditions of the central nervous system.” In: Goldman L, Ausiello D, eds. Cecil Medicine. 23rd ed. Philadelphia, Pa: Saunders Elsevier;chap 436. 2007. [4] H. L. Weiner, J.M. Stankiewicz.: “Multiple Sclerosis: Diagnosis and Therapy”. 2012. [5] Zamboni P.: “Chronic cerebrospinal venous insufficiency in patients with multiple sclerosis.” J Neurol Neurosurg Psychiatry. 80(4): 392–399. 2009. [6] M.A. Sahraian, E.-W. Radue.: “MRI Atlas of EM Lesions”. ISBN 978-3-540-71371-5. Springer Berlin Heidelberg, New York. 2008. [7] J.P. Hornak.: “The Basics of MRI-Interactive Learning Software”. 2013. Henietta, NY. http://www.cis.rit.edu/htbooks/mri/inside.htm [8] The DICOM Standard. http://medical.nema.org/standard.html [9] R. C. González , R. E. Woods.: “ Digital image processing”. Ed. Addison- Wesley, 1993. [10] S. Singh, M. Singh. “Progress in Pattern Recognition”. 2007. Springer-Verlag. London. Pag 172. [11] R. Isoardi.: “Optimizacíon de Análisis y Registración de Imágenes Tomográficas”. 2010. Tesis Doctoral en Física, Instituto Balseiro - Universidad Nacional de Cuyo. [12] “SPM. Statistical Parametring Mapping”. http://www.fil.ion.ucl.ac.uk/spm/ [13] D. García-Lorenzo , S. Francis, S, Narayanan, D.L. Arnold, D. Louis Collins. “Review of automatic segmentation methods of multiple sclerosis white matter lesions on conventional magnetic resonance imaging”. 2013. Medical Image Analysis 17 –18. [14] “The MNI brain and the Talairach atlas”. MRC Cognition and Brain Sciences Unit. 2009. http://imaging.mrc-cbu.cam.ac.uk/imaging/MniTalairac [15] E. Calot.: “Reconocimiento de Patrones en Imágenes Médicas Basado en Sistemas Inteligentes”. 2008. Tesis de Grado en Ingeniería en Informática. Universidad de Buenos Aires. [16] G.Pajares Marinsanz.: “Visión por Computador: Imágenes Digitales y Aplicaciones”. 2008. Editorial RA-MA. ISBN: 9788478978311. [17] J. Gil Flores, E. García Jiménez, G. Rodriguez Gómez.: “Análisis Discriminante”. Cuadernos de Estadística. 2001. Editorial Hespérides. ISBN: 84-7133-704-5. [18] A. Ethem.: “Introduction to Machine Learning”. 2004. Massachusetts Institute of Technology [19] J. Heaton.: “Introduction to Neural Networks for Java, 2nd Edition Paperback”. 2008. [20] D. Opitz; R. Maclin. "Popular ensemble methods: An empirical study". 1999. Journal of Artificial Intelligence Research 11: 169–198. [21] Acharya, Ray.: “Image Processing: Principles and Applications”. 2005. Wiley-Interscience. [22] M. Filipuzzi, F. Rodrigo, J.P. Graffigna, R. Isoardi, M. Noceti.: ”Normalización de Estudios de RMN Aplicada a Clasificación de Lesiones de Esclerosis Múltiple”. 2012. 3rd Chilean Meeting on Biomedical Engineering. [23] P. Schmidt, C. Gaser, M. Arsic, D. Buck, A. Förschler, A. Berthele, M. Hoshi, R. Ilg, V.J. Schmid, C. Zimmer, B. Hemmer, M. Mühlau.: “An automated tool for detection of FLAIR-hyperintense white-matter lesions in Multiple”, NeuroImage, Volume 59, Issue 4, 15 February 2012, Pages 3774-3783, ISSN 1053-8119. [24] Y.Wu, S. K.Warfield, I. Tan,W. M.Wells, D. S. Meier, R. van Schijndel, F. Barkhof, C. R. Guttmann.: “Automated segmentation of multiple sclerosis lesion subtypes with multichannel MRI”. 2006. NeuroImage, vol. 32, no. 3, pp. 1205–1215. IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 56, NO. 10, OCTOBER 2009 2461 [25] A. Akselrod-Ballin, M. Galun, J. Moshe Gomori, M. Filippi, P. Valsasina, R. Basri, A. Brandt.: ”Automatic Segmentation and Classification of Multiple Sclerosis in Multichannel MRI”. 2009. Biomedical Engineering, IEEE. Volume:56 Issue:10 [26] S. Dzeroski, B. Zenko. “Is Combining Classifiers with Stacking Better than Selecting the Best One?”. 2004.. Machine Learning, 54, 255–273, 2004. Kluwer Academic Publishers. |
| Materias: | Medicina > Diagnóstico por imagen y medicina nuclear Medicina > Neurociencias |
| Divisiones: | FUESMEN |
| Código ID: | 436 |
| Depositado Por: | Marisa G. Velazco Aldao |
| Depositado En: | 10 Abr 2014 14:55 |
| Última Modificación: | 10 Abr 2014 14:55 |
Personal del repositorio solamente: página de control del documento
