Orellana GA, García PLM

Idioma: Español
Referencias bibliográficas: 25
Paginas:
Archivo PDF: 477.68 Kb.

RESUMEN

Una de las campañas más reconocidas en el mundo es la lucha contra el cáncer, siendo el sistema renal uno de los más afectados por esta patología. El carcinoma de células renales (CCR), el más común de cáncer renal en los adultos, representa la sexta causa de muerte por cáncer. Debido al aumento en el uso de las técnicas de diagnóstico por imagen, las lesiones renales pueden ser diagnosticadas en forma incidental aproximadamente en 50% de los casos. Cuba apuesta por el uso de la tecnología en la salud y en la Universidad de las Ciencias Informáticas (UCI) se ha desarrollado un sistema para el almacenamiento, transmisión y visualización de imágenes médicas (XAVIA PACS), el cual se encuentra implantado en varios hospitales del país, pero no cuenta con alternativas para realizar la detección del CCR en imágenes tomográficas, haciendo más lento el diagnóstico, lo que se traduce en menos posibilidades para el paciente. La presente investigación tiene como objetivo realizar un análisis sobre las principales técnicas de segmentación y procesamiento para la detección de carcinomas renales en imágenes de tomografías abdominal, que propicie a los equipos de desarrollo contar con la base teórica necesaria para enfrentar el problema en cuestión. Para ello se realizó un análisis documental sobre trabajos relacionados con la temática y que propician soluciones al problema. Se estudiaron algoritmos y técnicas computacionales efectivas para la segmentación y procesamiento de imágenes abdominales. Como resultado de la investigación se obtuvieron los algoritmos más acordes para el sistema XAVIA PACS y el contexto médico cubano.

REFERENCIAS (EN ESTE ARTÍCULO)

1. De Guevara H. Imágenes en oncología: generalidades y aplicaciones. Revista Médica Clínica Las Condes. 2013 Jul 1;24(4):571-7.

2. Trigo JM, Bellmunt J. Estrategias actuales en el tratamiento del carcinoma de células renales: fármacos dirigidos a dianas moleculares. Medicina Clínica. 2008 Mar 1;130(10):380-92.

3. Linehan WM, Zbar B. Focus on kidney cancer. Cancer cell. 2004 Sep 1;6(3):223-8.

4. Motzer RJ, Agarwal N, Beard C, Bolger GB, Boston B, Carducci MA, Choueiri TK, Figlin RA, Fishman M, Hancock SL, Hudes GR. Kidney cancer. Journal of the National Comprehensive Cancer Network. 2009 Jun 1;7(6):618-30.

5. 5 Pascau J. DICOM Almacenamiento y comunicación de imágenes médicas. Hospital General Universitario Gregorio Marañón, Digital Imaging and Communication in Medicine (DICOM).

6. Grupo PA. Estándar y protocolo de imágenes médicas DICOM. Bilbao: Universidad de Deusto. 2005.

7. Orellana A, Pérez DA, Larrea OA. Analysis of Hospital Processes with Process Mining Techniques. Studies in health technology and informatics. 2015;216:310-4.

8. Orellana AO, Ramirez YE, Larrea OU. Process Mining in Healthcare: Analysis and Modeling of Processes in the Emergency Area. IEEE Latin America Transactions. 2015 May 22;13(5):1612-8.

9. Orellana A, Armenteros OU, Ramirez YE, Alfonso DP. Inductive visual miner plugin customization for the detection of eventualities in the processes of a hospital information system. IEEE Latin America Transactions. 2016 Jun 2;14(4):1930-6.

10. Orellana A, Senti VE, Alfonso DP. MVD: A Model for the Detection of Variability in Hospital Processes Using Process Mining. IEEE Latin America Transactions. 2018 May 14;16(3):966-74.

11. Orellana A, Dominguez LC, Martinez AV. Analysis of hospital processes from the time perspective using process mining. IEEE Latin America Transactions. 2018 Aug 22;16(6):1741-8.

12. Rivero A, Rivera Y, Borges Y, Naranjo Y. Algoritmo para la identificación de nódulos pulmonares solitarios en imágenes de tomografía de tórax. Revista Cubana de Informática Médica. 2015 Jun;7(1):73-88.

13. Ali AH, Hasan EH, Nazar A. Analysis and classification of kidney images using watershed segmentation and texture properties. IJCSMC. 2016;5:592-604.

14. Song H, Kang W, Zhang Q, Wang S. Kidney segmentation in CT sequences using SKFCM and improved GrowCut algorithm. BMC systems biology. 2015 Dec 1;9(S5):S5.

15. Mahmood FH, Mahmood NA, Ismaeel AR. Automated Methods to Segment Kidneys and Detect Tumors Using CT Images. Iraqi Journal of Science. 2017;58(3B):1555-64.

16. Myint MM, Myint T. Effective kidney segmentation using gradient based approach in abdominal CT images. InInternational conference on future computational technologies ICFCT 2015 Mar (pp. 130-5).

17. Mredhula L, Dorairangaswamy MA. Detection and Classification of tumors in CT images. Indian Journal of Computer Science and Engineering (IJCSE). 2015;6(2).

18. Natarajan P, Singh BP, Dwivedi S, Nancy S. Kidney segmentation in CT-scan image. International Journal of Scientific & Engineering Research. 2013 Jun;4(6):221-5.

19. Dougherty ER, Lotufo RA. Hands-on morphological image processing. SPIE press; 2003.

20. Gonzales RC, Woods RE. Digital image processing. Pearson Prentice Hall, New Jersey: s.n.

21. Cabanilles Mengual PA. Segmentación Automática del Cerebro mediante Técnicas de Tratamiento de Imagen (Doctoral dissertation).

22. Bereciartua A. Desarrollo de algoritmos de procesamiento de imagen avanzado para interpretación de imágenes médicas (Doctoral dissertation, UPV-EHU).

23. Rodríguez Gutierrez Y. Comparación de algoritmos de segmentación sobre imágenes de hematología celular (Doctoral dissertation, Universidad Central" Marta Abreu" de Las Villas).

24. Mustafa ID, Hassan MA, Mawia A. A comparison between different segmentation techniques used in medical imaging. American journal of biomedical engineering. 2016;6(2):59-69.

25. Beucher S. The watershed transformation applied to image segmentation. Scanning microscopy-supplement-. 1992 Sep:299-.