Ruiz-Correa S, Campos-Silvestre Y

Idioma: Español
Referencias bibliográficas: 36
Paginas: 15-29
Archivo PDF: 361.93 Kb.

RESUMEN

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%.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Cohen MM, MacLean MC. Craniosynostosis: Diagnosis, Evaluation, and Management, 2a Ed. Oxford University Press (Inglaterra), 2000.

2. Shuper A, Merlob P, Grunembaum M, Reisner SH. The incidence of isolated craniosynostosis in the newborn infant. Am J Dis Child 1985; 139(1): 85-86.

3. Speltz ML, Kapp-Simon KA, Cunningham ML, Marsh J, Dawson G. Single-suture craniosynostosis: a review of neurobehavioral research and theory. Journal of Pediatric Psychology 2004; 29(8): 651-668.

4. Lajeunie E, Le Merrer M, Marchac C, Renier D. Genetic study of scaphocephaly”. Am. J Med Gene 1996; 62: 282-285.

5. Wikie AOM. Craniosynostosis:genes and mechanisms”. Human Molecular Genetics 1997; 6(10): 1647-1656.

6. Ruiz-Correa S, Sze RW, Starr JR, Lin HJ, Speltz ML, Cunningham ML et al. New scaphocephaly severity indices of sagittal craniosynostosis. A quantitative study with cranial index quantifications. The American Cleft Palate-Craniofacial Association Journal, 2006; 43(2): 211-221.

7. Ruiz-Correa S, Starr JR , Lin HJ, Kapp-Simon K, Sze RW, Ellenbogen RG et al. New severity indices for quantifying single suture metopic craniosynostosis. Neurosurgery 2008; 63(2): 318-24; discussion 324-5.

8. Bookstein FL. Morphometric Tools for Landmark Data: Geometry and Biology. Cambridge University Press, 1991.

9. Lele SR, Richtsmeier TJ. An invariant approach to the statistical analysis of shapes, New York: Chapnan and Hall/CRC (EUA); 2001.

10. Ruiz-Correa S, Marroquin JL, Gatica-Perez D, Lin HJ, Shapiro LG, Sze RW. Discriminating cranial malformations from CT imaging by co-occurrences of skull shape features. Sometido a revisión.

11. Belongie S, Malik J, Puzicha J. Shape matching and object recognition using shape contexts, IEEE Transactions on PAMI, 2002; (24)24: 509-522.

12. Athitsos V, Wang J, Scarloff S, Betke M. Detecting instances of classes that exhibit variable structure’. Proc. European Conference on Computer Vision}, 2006.

13. Sebastian TB, Klein PN, Kimia BB. Recognition of shapes by editing shock graphs’. Proc. International Conference of Computer Vision (ICCV), 2001: 755-762.

14. Zhu SC, Yuille AL. FORMS: a flexible object recognition and modeling system’. International Journal of Computer Vision 1996; 20: 187-212.

15. Cootes TF, Taylor CJ, Cooper DH, Graham J. Active shape models - their training and application. Computer Vision and Image Understanding 1995; 61: 38-59.

16. Captier G, Bigorre M, Rakotoarimanana JL, Leboucq N, Montoya P. Étude des variations morphologiques des scaphocéphalies. Implication pour leur systématisation. Annales de Chirurgie Plastique et Esthetique 2006; 50(6): 715-722.

17. Scholkopf B, Somola A. Learning wit kernels. The MIT Press (EUA), 2002.

18. Rangaraj RM. Biomedical image analysis. CRC Press (EUA), 2006.

19. Ruiz-Correa S, Sze RW, Lin HJ, Shapiro LG, Speltz ML and Cunningham ML. Classifying craniosynostosis deformations from skull shape imaging, Computer-Based Medical Systems (CBMS). Proceedings of the 18th IEEE Symposium 2005: 335-340.

20. Ruiz-Correa S, Gatica-Perez D, Lin HJ, Shapiro LG, and Sze RW. A Bayesian Hierarchical Model for Classifying Craniofacial Malformations from CT Imaging. Proceedings of the 30th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Vancouver, Canada, 2008: 4063-4069.

21. Lee JA, Vereysen M. Nonlinear dimensionality reduction. Springer, New York, N.Y. (EUA), 2007.

22. Blei DM, Ng AY, Jordan MI. Latent Dirichlet Allocation. Journal of Machine Learning Research 2003: 993-1022.

23. Griffiths TL, Steyvers M. Finding scientific topics. Proceedings of the National Academy of Sciences 2004; 101: 5228-5235.

24. Golland P, Liang F, Mukherjee S, D. Panchenkoe D. Permutation test for classification. COLT, LNAI, 2005: 501-515.

25. Hein M, Bousquet O. Hilbertian metrics and positive definite kernels on probability measures. Proc. AISTATS 2005.

26. Gilks WR, Richardson S, Spiegelhalter DJ. Markov Chain Monte Carlo in practice. London: Chapman and Hall, 2005.

27. Richardson S, Spiegelhalter DJ. Markov Chain Monte Carlo in practice. London: Chapman and Hall (Inglaterra), 2005.

28. Dasgupta S, Hsu DJ, Verma N. A concentration theorem for projections, Twenty-Second Conference on Uncertainty in Artificial Intelligence (UAI), 2006.

29. Hofmann T. Unsupervised learning by probabilistic latent semantic analysis. Machine Learning 2001; 42: 177-196.

30. Roweis ST, Saul SK. Nonlinear Dimensionality Reduction by Locally Linear Embedding. Science 2000; 290(5500): 2323-2326.

31. Tanembaum JB, de Silva V, Langford JC. A global geometric framework for nonlinear dimensionality reduction. Science 2000; 290(5500): 2319-2323.

32. Rasmussen CE, Williams CKI. Gaussian Processes for Machine Learning. MIT Press (EUA), 2006.

33. Fergus R, Perona P, Zisserman A. A visual category filter for Google images. In Proc. ECCV, Springer, 2004.

34. Cao L, Fei-Fei L. Spatially coherent latent topic model for concurrent object segmentation and classification. IEEE Intern. Conf. in Computer Vision (ICCV). 2007.

35. Huang L, Yan D, Jordan MI. DiscLDA: Discriminative learning for dimensionally reduction and classification. Advances in Neural Information Processing Systems (NIPS), 21, 2008.

36. Romano PJ. Bootstrap and randomization tests of some nonparametric hypothesis. The Annals of Statistics 1989; 17(1): 141-159.