Ingeniería de descriptores y aprendizaje automático en la segmentación de ultrasonido intravascular

El ultrasonido intravascular permite la visualización de arterias desde su interior para la evaluación de la enfermedad aterosclerótica y la eficiencia de tratamientos vasculares. El análisis automático es una valiosa herramienta para el diagnóstico clínico debido al gran número de imágenes gener...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Lo Vercio, Lucas D
Formato: Artículo revista
Lenguaje:Español
Publicado: Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas 2017
Materias:
Ultrasonido intravascular
Enfermedad aterosclerótica
Tratamientos vasculares
Biomedicina
Segmentación de imágenes
Ecografía intravascular
Ingeniería de descriptores
Ingeniería de sistemas
Computación
Tesis de doctorado
Acceso en línea:http://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/1398
Aporte de:
Repositorio Institucional de Acceso Abierto (RIDAA) de Universidad Nacional del Centro
id I21-R190-123456789-1398
record_format ojs
spelling I21-R190-123456789-13982023-05-31T15:50:43Z Ingeniería de descriptores y aprendizaje automático en la segmentación de ultrasonido intravascular Lo Vercio, Lucas D Larrabide, Ignacio Fresno, Mariana del Ultrasonido intravascular Enfermedad aterosclerótica Tratamientos vasculares Biomedicina Segmentación de imágenes Ecografía intravascular Ingeniería de descriptores Ingeniería de sistemas Computación Tesis de doctorado El ultrasonido intravascular permite la visualización de arterias desde su interior para la evaluación de la enfermedad aterosclerótica y la eficiencia de tratamientos vasculares. El análisis automático es una valiosa herramienta para el diagnóstico clínico debido al gran número de imágenes generadas por estudio. Sin embargo, la presencia de ruido y artefactos convierte a la segmentación en un desafío computacional. El objetivo de esta tesis es la aplicación de técnicas de aprendizaje automático supervisado en la segmentación de la pared arterial, al tiempo que se evalúa la importancia de los descriptores de imagen propuestos en la literatura. Para la caracterización de las túnicas arteriales se utilizaron Maquinas de Vectores de Soporte. La mejor combinación de descriptores, obtenida utilizando Selección Secuencial, fue la compuesta por filtros de reducción de ruido e indicadores de textura basados en matrices de coocurrencia. El Bosque Aleatorio demostró ser eficaz para detectar estructuras morfológicas, mejorando su desempeño cuando fue combinado con submuestreo aleatorio. Para la segmentación de las interfaces lumen-íntima y media-adventicia, los clasificadores propuestos fueron incorporados exitosamente a un método basado en contornos activos. Los resultados obtenidos son altamente satisfactorios, lo que alienta su incorporación en técnicas de segmentación mas robustas. Fil: Lo Vercio, Lucas D. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. Fil: Larrabide, Ignacio. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. Fil: Fresno, Mariana del. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. Intravascular Ultrasound (IVUS) allows the visualization of arteries to assess atherosclerosis and vascular treatments effectiveness. The automatic analysis is valuable for clinical diagnosis due to the large number of images in the studies. Nevertheless, the presence of noise and artifacts in the images turns the segmentation into a computational challenge. The aim of the present thesis is the application of supervised machine learning methods to the automatic segmentation of the artery. Furthermore, the importance of state-of-the-art image features is assessed during the training process. For arterial layers characterization, Support Vector Machines were used. The best set of features, obtained through Sequential Forward Selection, was composed of noise reduction filters and textural descriptors based on gray level co-ocurrence matrixes. Random Forest demonstrated good performance to classify morphological structures when it was combined with Random Undersampling. For segmenting lumen-intima and media-adventitia interfaces, the classifiers were incorporated into a method based on deformable models. The obtained results were successful, suggesting their inclusion on more robust segmentation techniques. 2017-03 info:eu-repo/date/embargoEnd/2017-12-22 2017-06-23T15:30:43Z info:ar-repo/semantics/tesis doctoral info:eu-repo/semantics/doctoralThesis info:eu-repo/semantics/acceptedVersion http://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/1398 https://www.ridaa.unicen.edu.ar/handle/123456789/1398 spa http://creativecommons.org/licenses/by-nc/2.5/ar/ info:eu-repo/semantics/openAccess application/pdf application/pdf Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas
institution Universidad Nacional del Centro
institution_str I-21
repository_str R-190
container_title_str Repositorio Institucional de Acceso Abierto (RIDAA)
language Español
format Artículo revista
topic Ultrasonido intravascular
Enfermedad aterosclerótica
Tratamientos vasculares
Biomedicina
Segmentación de imágenes
Ecografía intravascular
Ingeniería de descriptores
Ingeniería de sistemas
Computación
Tesis de doctorado
spellingShingle Ultrasonido intravascular
Enfermedad aterosclerótica
Tratamientos vasculares
Biomedicina
Segmentación de imágenes
Ecografía intravascular
Ingeniería de descriptores
Ingeniería de sistemas
Computación
Tesis de doctorado
Lo Vercio, Lucas D
Ingeniería de descriptores y aprendizaje automático en la segmentación de ultrasonido intravascular
topic_facet Ultrasonido intravascular
Enfermedad aterosclerótica
Tratamientos vasculares
Biomedicina
Segmentación de imágenes
Ecografía intravascular
Ingeniería de descriptores
Ingeniería de sistemas
Computación
Tesis de doctorado
author Lo Vercio, Lucas D
author_facet Lo Vercio, Lucas D
author_sort Lo Vercio, Lucas D
title Ingeniería de descriptores y aprendizaje automático en la segmentación de ultrasonido intravascular
title_short Ingeniería de descriptores y aprendizaje automático en la segmentación de ultrasonido intravascular
title_full Ingeniería de descriptores y aprendizaje automático en la segmentación de ultrasonido intravascular
title_fullStr Ingeniería de descriptores y aprendizaje automático en la segmentación de ultrasonido intravascular
title_full_unstemmed Ingeniería de descriptores y aprendizaje automático en la segmentación de ultrasonido intravascular
title_sort ingeniería de descriptores y aprendizaje automático en la segmentación de ultrasonido intravascular
description El ultrasonido intravascular permite la visualización de arterias desde su interior para la evaluación de la enfermedad aterosclerótica y la eficiencia de tratamientos vasculares. El análisis automático es una valiosa herramienta para el diagnóstico clínico debido al gran número de imágenes generadas por estudio. Sin embargo, la presencia de ruido y artefactos convierte a la segmentación en un desafío computacional. El objetivo de esta tesis es la aplicación de técnicas de aprendizaje automático supervisado en la segmentación de la pared arterial, al tiempo que se evalúa la importancia de los descriptores de imagen propuestos en la literatura. Para la caracterización de las túnicas arteriales se utilizaron Maquinas de Vectores de Soporte. La mejor combinación de descriptores, obtenida utilizando Selección Secuencial, fue la compuesta por filtros de reducción de ruido e indicadores de textura basados en matrices de coocurrencia. El Bosque Aleatorio demostró ser eficaz para detectar estructuras morfológicas, mejorando su desempeño cuando fue combinado con submuestreo aleatorio. Para la segmentación de las interfaces lumen-íntima y media-adventicia, los clasificadores propuestos fueron incorporados exitosamente a un método basado en contornos activos. Los resultados obtenidos son altamente satisfactorios, lo que alienta su incorporación en técnicas de segmentación mas robustas.
publisher Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas
publishDate 2017
url http://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/1398
work_keys_str_mv AT loverciolucasd ingenieriadedescriptoresyaprendizajeautomaticoenlasegmentaciondeultrasonidointravascular
first_indexed 2023-04-13T15:30:34Z
last_indexed 2024-08-12T22:50:31Z
_version_ 1807223914516971520

Ejemplares similares