Monne CY, Monne RD

Idioma: Español
Referencias bibliográficas: 17
Paginas: 1-13
Archivo PDF: 221.41 Kb.

RESUMEN

El análisis de los cambios estructurales del cerebro a través de imágenes de Resonancia Magnética puede proveer información útil para el diagnóstico y el manejo clínico de los pacientes con demencia. Si bien el grado de sofisticación alcanzado por el equipamiento de Resonancia Magnética es alto, la cuantificación de estructuras y tejidos aún no ha sido completamente solucionada. Las segmentaciones que estos equipos permiten en la actualidad fracasan en aquellas estructuras donde los bordes no están claramente definidos. En este trabajo se presenta un método de segmentación automática de imágenes de Resonancia Magnética cerebrales basada en la utilización de Redes Neuronales de Regresión Generalizada utilizando algoritmos genéticos para el ajuste de los parámetros. La red se entrena a partir de una sola imagen y clasifica al resto de ellas siempre que las imágenes de Resonancia Magnética hayan sido adquiridas con el mismo protocolo. Un método de medición de la atrofia progresiva y sus posibles cambios frente a un efecto terapéutico debe ser fundamentalmente automático y por lo tanto independiente del radiólogo.

REFERENCIAS (EN ESTE ARTÍCULO)

1. [1] Davis P, Gray A, Albert M et al. The Consortium to Establish a Registry for Alzheimer's Disease. Neurology. 1992; 42:1676-1680.

2. [2] Fox N, Freeborough P. Brain Atrophy Progression Measured from Registered Serial MRI: Validation and Application to Alzheimer Disease. J. Mag. Res. Imag. 1997; 7:1069-1075.

3. [3] Manes F. Resonancia magnética nuclear en la Enfermedad de Alzheimer. Rev. Neurol. Arg. 2000;25: 29-37.

4. [4] Raya SP. Low level segmentation of 3D resonance brain images. IEEE Trans. Med. Imaging; 1990; 9: 2.

5. [5] Chen S, Wei-chun L, Chen C. Medical image understanding system based on Dempster-Shafer reasoning. SPIE Biomedical Imag. Processing II. San Jose, California; 1991.

6. [6] Clarke LP et al. Comparison of Supervised Pattern Recognition Techniques and Unsupervised Methods for MRI Segmentation. Proc. SPIE Medical Imaging VI Conference, Vol. 1652, SPIE Press, Bellingham, WA: 668-677; 1992.

7. [7] Vannier MW, Brunsden BS, Hildebolt CF, Falk D, Cheverud JM, Figiel GS, Perman WH, Kohn A, Robb RA, YoffieRL. Brain surface cortical sulcal lengths: quantification with three- dimensional MR imaging. Radiology. 1991; 180:479-484.

8. [8] Gerig G, Martin J, Kikinis R. Unsupervised tissue type segmentation of 3D dual-echo MR head data. Image Vision Computer. 1992; 10: 349–360.

9. [9] Alfano B, Brunetti B et al. Unsupervised, automated segmentation of the normal brain using multispectral relaxometric magnetic resonance approach. Magn. Reson. Med. 1992; 37: 84-93.

10. [10] Bartlett T, Vannier M, Mc Keel D, Gado M, Hildebolt C, Walkup R. Interactive segmentation of cerebral gray matter, white matter, and CSF: photographic and MR images.Comp. Med. Imag. Graphics. 1994 18(6): 449-460.

11. [11] Abras G, Ballarin V, González M. Aplicación de Reconocimiento de Patrones en la Clasificación de Tejido Cerebral. Actas del Congreso Argentino de Bioingeniería. Tafí del Valle. Septiembre 2001. (Publicadas en CD).

12. [12] Parzen E. On estimation of a probability density function and mode. Annals of Mathematical Statistics. 1962; 33: 1065-1076.

13. [13] Specht D. A General Regression Neural Network. IEEE Transactions on Neural Networks. 1991;2 (6): 588-596.

14. [14] Holland JH. Outline for a logical theory of adaptive systems. J. Assoc. Comput, Mach. 1962; 3: 297-314.

15. [15] Holland JH. Adaptation in Natural and Artificial Systems. Ann Arbor, MI: Univ. of Michigan Press; 1975.

16. [16] De Jong KA. On using genetic algorithms to search program spaces. Proc. 2nd Int. Conf. on Genetic Algorithms and Their Applications. Hillsdale, NJ: Lawrence Erlabaum: 210-216; 1987.

17. [17] Goldberg DE. Genetic Algorithms in Search, Optimization & Machine Learning. Addison-Wesley; 1989.