Revista: | Revista mexicana de ingeniería biomédica |
Base de datos: | PERIÓDICA |
Número de sistema: | 000407532 |
ISSN: | 0188-9532 |
Autores: | Ruiz Correa, Salvador1 Campos Silvestre, Yerania1 |
Instituciones: | 1Universidad de Guanajuato, Centro de Investigaciones Matemáticas, Guanajuato. México |
Año: | 2010 |
Periodo: | Jul |
Volumen: | 31 |
Número: | 1 |
Paginación: | 15-29 |
País: | México |
Idioma: | Español |
Tipo de documento: | Artículo |
Enfoque: | Experimental, aplicado |
Resumen en español | La craneosinostosis primaria (CP) es una condición patológica asociada a la fusión prematura de una sutura del calvario. La fusión temprana produce malformaciones craneales severas que se asocian frecuentemente con discapacidades cognitivas, del lenguaje, el aprendizaje y el comportamiento social en general. Por estas razones, la CP representa un área de investigación importante que requiere de métodos efectivos para caracterizar la morfología del complejo craneofacial. En este trabajo, se estudia el desempeño de un algoritmo que combina en forma novedosa kernels no lineales, concurrencias de rasgos craneales de forma, un método de selección de variables y un método estándar de reducción de dimensionalidad para clasificar malformaciones causadas por CP en una población de infantes afectados, utilizando imágenes de tomografía computarizada (TC). Las imágenes fueron obtenidas de 102 estudios de cráneos con sinostosis sagital, 42 cráneos con sinostosis metópica, 12 cráneos con sinostosis unicoronal y 65 cráneos de individuos sanos (población control). El estudio cuantitativo de los resultados obtenidos sugiere que el método propuesto es efectivo, ya que alcanza tasas de clasificación superiores al 94% |
Resumen en inglés | Single-suture craniosynostosis (SSC) is the pathologic condition of premature fusion of a calvarial suture. Premature fusion produces significant cranial deformities and is associated with an increased risk of cognitive deficits and neurobehavioral impairments. For these reasons, SSC represents an important area of research that requires effective methods for characterizing cranial morphology. In this paper we evaluate a new approach that combines the use of nonlinear kernels, co-occurrences of skull shape features, a new feature selection process and standard nonlinear dimensionality reduction techniques, as a means to classify cranial malformations due to SSC using computed tomography (CT) imaging. CT images were obtained from CT studies of 102 sagittal synostosis crania, 42 metopic synostosis crania, 12 unicoronal synostosis crania and 65 nonsynostotic skulls. We validate our approach with an extensive series of experiments and show that our proposed approach outperforms the classification performance of previously published techniques, achieving classification rates above 95% |
Disciplinas: | Medicina, Ciencias de la computación |
Palabras clave: | Anatomía humana, Procesamiento de datos, Malformación craneal, Craneosinostosis, Procesamiento de imágenes, Kernel no lineal, Algoritmos |
Keyword: | Medicine, Computer science, Human anatomy, Data processing, Cranial malformation, Craniosynostosis, Images processing, Non-linear kernel, Algorithms |
Texto completo: | Texto completo (Ver HTML) |