Exploración de técnicas automáticas de detección de líneas-B en imágenes de ultrasonido para diagnóstico de neumonía en pacientes pediátricos

Abstract

La neumonía es la principal causa de muerte en niños menores de 5 años a nivel mundial. Los métodos radiológicos ionizantes (Rayos X y Tomógrafos computarizados) son considerados los estudios de referencia para su detección. Sin embargo, los pacientes son expuestos a radiación durante la prueba, y el riesgo de daño es mayor en poblaciones pediátricas. El presente trabajo analiza los histogramas de espacios intercostales extraídos de videos ultrasónicos de pulmón en niños, para su clasificación entre sanos y enfermos, dentro de un video. Para ello, se trabajó con 15 videos de pacientes enfermos y 15 videos de pacientes sanos. Los espacios intercostales (región de interés) se encuentran debajo de la línea pleural en cada cuadro de video. Para identificar la línea pleural se implementó un algoritmo basado en el análisis del centroide de la imagen, donde se obtuvo las áreas que conforman la zona pleural, y mediante interpolación, los puntos de dicha línea. Estos puntos fueron determinantes para la segmentación de los espacios intercostales, ya que marcaron la referencia de inicio para la segmentación. Finalmente, de dichos espacios segmentados, se extrajeron características numéricas de oblicuidad, curtosis, desviación estándar, energía y promedio. El potencial de clasificación de las propiedades fue evaluado individualmente, en pares, y en un solo grupo de 5. Para el análisis de una sola característica, el umbral óptimo de clasificación fue seleccionado por Curva ROC (receiver operator characteristic); para el estudio de las características en pares, se usó análisis SVM (support vector machine) usando kernel RBF; y para el estudio de las 5 características en simultáneo se usó PCA (principal component analaysis) para hallar las dos componentes principales y aplicar SVM para la clasificación. Los resultados revelaron que el promedio es el mejor discriminador cuando se analizaba una sola característica, con 77% de sensibilidad, 75% de especificidad y 75% de exactitud. Cuando se analizó características en pares, el promedio y oblicuidad permitieron la mejor clasificación con 93% de sensibilidad, 86% de especificidad y 88% de exactitud. Finalmente, analizando las 5 características en simultáneo, los resultados fueron: 100% de sensibilidad, 98% de especificidad y 98% de exactitud.