El sistema se apagará debido a tareas habituales de mantenimiento. Por favor, guarde su trabajo y desconéctese.
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.
Temas
Imágenes--Ultrasonido
Diagnóstico por imágenes
Diagnóstico por imágenes
Para optar el título de
Ingeniero Electrónico