Ruiz-Correa S, Campos-Silvestre Y

Idioma: Español
Referencias bibliográficas: 24
Paginas: 157-173
Archivo PDF: 919.21 Kb.

RESUMEN

En este trabajo se presenta un nuevo conjunto de indicadores de severidad que combinan diversos rasgos craneales para cuantificar las craneosinostosis aisladas de tipo sagital y metópica. La utilidad de los indicadores se evaluó examinando las tomografías computarizadas del cráneo de un grupo de infantes afectados por craneosinostosis aislada y un grupo de infantes no afectados. La base de datos contiene estudios de 90 pacientes con craneosinostosis sagital, 40 con craneosinostosis metópica y 60 pacientes no afectados. Los indicadores de severidad se obtienen a partir de un conjunto de índices de severidad por medio de un método estadístico de regresión logística regularizada conocido como red elástica. Los índices de severidad son medidas univariadas de forma que se calculan a partir de tres planos de análisis. Los planos se estiman a partir de referencias anatómicas cerebrales radiológicamente identificables. El desempeño de los indicadores se midió estimando el grado de separación lineal (GSL), que cuantifica la capacidad de un indicador para distinguir cráneos sagitales o metópicos de cráneos no afectados. Los indicadores de severidad propuestos alcanzan un GSL del 95.83% y 98.9% en las poblaciones sagitales vs. controles y metópicos vs. controles, respectivamente. Los resultados obtenidos en este trabajo sugieren que es posible construir indicadores multivariables de severidad que son clínicamente reproducibles y cuantifican efectivamente aspectos de la morfología craneal codificada por medio de un conjunto de índices de severidad.

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, Runembaum M, Reisner SH. “The incidence of isolated craneosynostosis in the newborn infant”, Am J Dis Child, 1985; 139(1): 85-86.

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

4. Panchal J, Marsh JL, Park TS, Haufman B, Pilgram T, Huang SH. “Sagital craneosynostosis outcome assessment for two methods and timings of intervention”, Plast Reconstr Surg, 1999; 103: 1574-1999.

5. Kocabalkan O, Owman-Moll P, Sugawara Y, Friede H, Lauritzen C. “Evaluation of a surgical technique for trigonocephaly”, Scand J Plast Reconstr Surg Hand Surg, 2000; 34(1) 33-42.

6. Ruiz-Correa S, Sze RW, Start JR, Lin HT Speltz ML Cunningham ML, Hing AV. “New scaphocephaly severity indices of sagital craneosynostosis: a comparative study with cranial index quantifications”, Cleft Palate Craniofac J, 2006; 43: 211-21.

7. Ruiz-Correa S, Start JR, Lin HJ, Kappa-SImon KA, Sze RW, Speltz ML. Cunningham ML. “New severity indices for quantifying single suture metopic craneosynostosis”, Neurosurgery, 2008; 63(2): 318-325.

8. Anderson PJ, Netherway DJ, Abbott A, David DJ. “Intracranial volume measurement of metopic craniosynostosis”, J Craniofac Surg, 2004; 15(6): 1014-6.

9. Christophis P, Junger TH, Howaldt HP. “Surgical correction of scaphocephaly: experiences with a new procedure and follow up investigations”. J Maxillofac Surg, 2001; 29: 33-38.

10. Bottero L, Lajeunie E, Arnaud E, Marchac D, Renier D. “Functional outcome after surgery for trigonocephaly”, Plastic and reconstructive Surgery, 1998; 102(4): 952- 95.

11. Lele SR, Richtsmeier JT. An invariant approach to the statistical analysis of shapes. Chapman and Hall/CRC (EUA), 2001.

12. Calder J, Tahmasebi AM, Mansouri A-R. “A variational approach to bone segmentation in CT images”, Proc. SPIE Medical Imaging, 2011; doi:10.1117/12.877355.

13. Rangayyan MR. Biomedical Image Analysis. New York. CRC Press (EUA), 2005.

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

15. Manay S, Cremers D, Huang BW, Yezzi AJ, and Satto S. “Integral invariants for shape matching”, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006; 28(10): 1602-1618.

16. Bishop, C. M. Pattern recognition and machinel learning. Springer (Alemania), 2006.

17. Hastie, T., R. Tibshirani, and J. Friedman. The Elements of Statistical Learning, 2nd edition. Springer (Alemania), 2008.

18. Zou, H, Hastie T. “Regularization and variable selection via the elastic net”, Journal of the Royal Statistical Society, Series B, 2005; 67(2): 301-320.

19. Friedman J, Tibshirani R, Hastie T. “Regularization paths for generalized linear models via coordinate descent”, Journal of Statistical Software, 2010; 33(1).

20. Yang S, Shapiro L, Cunningham ML, Speltz ML, Birgfeld C, Atmosukarto I, Lee SI. “Skull Retrieval for craniosynostosis using sparse logistic regression models”, Medical Content-Based Retrieval for Clinical Decision Support, Lecture Notes in Computer Science, 2013; 7723: 33-34.

21. Lin H, Ruiz-Correa S, .Sze RW, Cunningham ML, Speltz ML. and Hing AV, Shapiro L. “Efficient symbolic signatures for classifying craniosynostosis skull deformities”, Computer Vision for Biomedical Image Applications, Lecture Notes in Computer Science, 2005; 3765: 302-313.

22. Cootes TF, Cooper D, Taylor C J, Graham J. “Active shape models - Their training and application”, Computer Vision and Image Understanding, 1999; 61(1): 38-59.

23. Heimann T, Meinzer HP. “Statistical shape models for 3D medical image segmentation: A review”, Medical Image Analysis, 2009; 13(14): 543-563.

24. Ruiz-Correa S, Starr, JR, Lin HT, Kappa- Simon KA, Cunningham ML, and Speltz, ML. “Severity of skull malformation is unrelated to presurgery neuro-behavioral status of infants with sagittal synostosis”. The American Cleft Palate- Craniofacial Association Journal, 2007; 44(5): 548-554.