Show simple item record

dc.contributorEscuela de Ingenierias Industrial e Informaticaes_ES
dc.contributor.authorGonzález Castro, Víctor
dc.contributor.authorValdés Hernández, María del C.
dc.contributor.authorChappell, Francesca M.
dc.contributor.authorArmitage, Paul A.
dc.contributor.authorMakin, Stephen
dc.contributor.authorWardlaw, Joanna M.
dc.contributor.otherIngenieria de Sistemas y Automaticaes_ES
dc.date2017-07
dc.date.accessioned2019-05-12T23:29:25Z
dc.date.available2019-05-12T23:29:25Z
dc.date.issued2019-05-13
dc.identifier.citationClinical Science, 2017, vol.13, n. 131,es_ES
dc.identifier.otherhttp://www.clinsci.org/content/131/13/1465es_ES
dc.identifier.urihttp://hdl.handle.net/10612/10717
dc.descriptionpp. 1465-1481es_ES
dc.description.abstractEn el cerebro, los espacios perivasculares agrandados (PVS) se relacionan con la enfermedad de los vasos pequeños (SVD), mala cognición, inflamación e hipertensión. Proponemos un esquema totalmente automático que utiliza una máquina de vectores de soporte (SVM) para clasificar la carga de PVS en los ganglios basales (BG) como baja o alta. Evaluamos el rendimiento de tres tipos diferentes de descriptores extraídos de la región BG en imágenes de RMN ponderadas en T2: (I) estadísticas obtenidas de los coeficientes de la transformada de Wavelet, (II) patrones binarios locales y (III) bolsa de palabras visuales (BoW), descriptores basados en la caracterización de claves locales obtenidas de una rejilla densa con las características de transformación de la función de escala-invariante (SIFT). Cuando se utilizaron estos últimos, el SVM clasificador alcanzó la mejor precisión (81,16%). Lo obtenido del clasificador utilizando los descriptores del BoW se comparó con las calificaciones visuales realizadas por un neurorradiólogo experimentado (observador 1) y por un analista de imágenes entrenado (observador 2). El acuerdo y la correlación cruzada entre el clasificador y el observador 2 (κ = 0,67 (0,58 – 0,76)) fueron ligeramente más altos que entre el clasificador y el observador 1 (κ = 0,62 (0,53 – 0,72)) y entre ambos observadores (κ = 0,68 (0,61 – 0,75)). Por último, se construyeron tres modelos de regresión logística que utilizan variables clínicas como variable independiente y cada una de las clasificaciones de PVS como variable dependiente, para evaluar clínicamente lo significativas que resultan las predicciones del clasificador. El ajuste del modelo para el clasificador era bueno (área bajo la curva (AUC) valores: 0,93 (modelo 1), 0,90 (modelo 2) y 0,92 (modelo 3)) y un poco mejor (es decir, valores de AUC: 0,02 unidades superiores) que las del modelo para el observador 2. Estos resultados sugieren que, aunque se puede mejorar, un clasificador automático para evaluar la carga de PVS de la resonancia magnética del cerebro puede proporcionar resultados clínicamente significativos cercanos a los de un observador entrenado.es_ES
dc.languageenges_ES
dc.publisherPortland Presses_ES
dc.subjectMedicina. Saludes_ES
dc.subject.otherEnfermedad de los pequeños vasoses_ES
dc.subject.otherHipertensidades de la materia blancaes_ES
dc.subject.otherEnfermedad de Alzheimeres_ES
dc.subject.otherClasificación de texturases_ES
dc.subject.otherSegmentaciónes_ES
dc.subject.otherImágeneses_ES
dc.subject.otherDemenciaes_ES
dc.subject.otherModeloses_ES
dc.subject.otherCadenas de Markoves_ES
dc.titleReliability of an automatic classifier for brain enlarged perivascular spaces burden and comparison with human performancees_ES
dc.typeinfo:eu-repo/semantics/articlees_ES
dc.description.peerreviewedSIes_ES


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record