Herramienta de medición del espesor íntima-media en imágenes de ultrasonido carotídeo
- Autores
- Gabiola, Agustín; Claret, Gastón
- Año de publicación
- 2015
- Idioma
- español castellano
- Tipo de recurso
- tesis de grado
- Estado
- versión aceptada
- Colaborador/a o director/a de tesis
- Massa, José María
Díaz, Alberto Alejandro - Descripción
- De acuerdo a los datos revelados recientemente por la Organización Mundial de la Salud (OMS), las enfermedades cardiovasculares representan la tercera causa de muerte en los países Occidentales. Es por esto que la individuación de los marcadores tempranos de riesgo de enfermedad cardiovascular es un parámetro de suma importancia en la práctica clínica. A pesar de ser una enfermedad tan importante, las políticas aplicadas en el cuidado de la salud por los gobiernos durante años se concentran principalmente en estrategias de prevención de riesgos cardiovasculares mediante la educación y promoción de estilos de vida más sanos, cuando hoy en día se sabe que no son suficientes. La manifestación más temprana de un posible desarrollo de una enfermedad cardiovascular es la ateroesclerosis. La ateroesclerosis tiene una larga etapa subclínica (asintomática), lo que ofrece una oportunidad para desarrollar estrategias que prevengan las complicaciones que puedan surgir dependiendo del individuo o frenar/ralentizar la evolución de esta enfermedad. Este síndrome se inicia con el depósito de lipoproteínas de baja densidad (LDL) y otros materiales provenientes del torrente sanguíneo en la pared íntima de la carótida, produciendo una reducción del flujo sanguíneo. El indicador más utilizado para riesgos cardiovasculares y cerebrovasculares es el espesor entre las capas íntima y media carotídeo conocido como EIM. Trabajos clínico-terapéuticos de regresión con hipolipemiantes han establecido que el EIM es un marcador válido de progresión y regresión de enfermedad ateroesclerótica. En este punto es importante aclarar que el complejo EIM puede utilizarse como indicador tanto para diagnóstico como para prevención de las enfermedades cardiovasculares. El EIM se calcula a partir del análisis de las imágenes de ultrasonido. El uso de esta tecnología para la detección, evaluación y diagnóstico de enfermedades arteriales está ampliamente establecido en el mundo de la salud debido a su naturaleza no invasiva, visualización en tiempo real, repetición, seguridad, obtención a partir de equipos de bajo costo (comparados con otros equipos médicos que ofrecen la misma funcionalidad) y el continuo avance en la calidad de las imágenes resultantes; siendo la tecnología más elegida al momento de consultas rutinarias. La calidad de estas imágenes se ve afectada por varios factores entre los que se encuentran las características de la máquina/scanner que obtiene la imagen y la técnica utilizada por el especialista que toma la imagen. En particular, las imágenes de ultrasonido contienen un tipo especial de ruido denominado speckle. Este ruido es una interferencia causada por la dispersión múltiple de las ondas de sonido: reduce la calidad general, ya que distorsiona y corrompe las imágenes creando un efecto de “pixelado” que es perjudicial tanto para el ojo humano (dificulta su observación) como para la ejecución de algoritmos de procesamiento de imágenes. El ruido speckle representa el principal factor en la degradación del contraste de resolución de la imagen, limitando la detección de lesiones pequeñas y con bajo contraste, lo que generalmente resulta en que estas lesiones no sean detectadas por una persona no especializada en el tema y en numerosos casos, que especialistas experimentados no lleguen a conclusiones útiles al analizar la imagen. Además, el ruido speckle limita la efectividad de la aplicación de técnicas de procesamiento de imágenes como segmentación y detección de bordes, por lo que resulta necesario filtrar este ruido si se desea un mejor funcionamiento de los algoritmos. En el proceso de eliminación de ruido hay que tener en cuenta varios aspectos como por ejemplo, la sensibilidad de la ventana utilizada, la degradación de los bordes, los criterios de evaluación, diferentes valores de intensidad para diferentes imágenes, entre otros. Todos estos detalles y consideraciones fueron tenidos en cuenta a lo largo del desarrollo del proyecto en la búsqueda de la mejor calidad de imagen final y futura obtención de datos de la misma. En este trabajo se decidió explorar diferentes filtros (siempre fundamentado en la lectura de diferentes publicaciones específicas al tema de estudio) entre los cuáles, debido a investigaciones previas dedicadas especialmente a la problemática de la segmentación en la carótida, se destacan el filtro geométrico, media, mediana y media ponderada todos por ser simples y efectivos en el procesamiento de las imágenes de ultrasonido para la segmentación automática del complejo EIM y la placa carotidea. La aplicación de técnicas avanzadas de procesamiento de imágenes puede ayudar a la obtención de ciertas características (especialmente de texturas) de la imagen de ultrasonido digitalizada y, así, mejorar el proceso de interpretación. La identificación manual de las paredes de la carótida requiere de cierto grado de experiencia por parte del humano que observa la imagen, además de ser un trabajo tedioso y estar sujeto a ciertas variaciones dependiendo del observador pero especialmente aquellas imágenes que contienen ruido como se explicó anteriormente. Por esto último, resulta útil automatizar el proceso de diagnóstico, por lo que se necesita la identificación de las paredes arteriales, siendo muy importante una definición o segmentación de las mismas para una medición precisa y un análisis confiable de la geometría vascular y su elasticidad. En cuanto a los métodos de segmentación, se propone la exploración de los métodos de detección de bordes y el método de contornos activos conocido como snakes, ya que estos modelos deformables se pueden adaptar fácilmente a este problema y son ampliamente usados en imágenes médicas. Se propone calcular el indicador IMT utilizando estos métodos de segmentación y en este punto es interesante asumir que la utilización de un método semi-automático de medición permite la obtención de mayor cantidad de mediciones en menor tiempo y esfuerzo que en el caso de un método totalmente manual. A pesar de que existen varios valores de referencia para el complejo EIM dependiendo del país (debido a los hábitos culturales y alimenticios), estos valores no son universales por eso es que siempre el diagnóstico final lo dará el profesional, sea automático o semi-automático, estos métodos de obtención del complejo EIM son siempre de asistencia en el diagnóstico. Como se mencionó, la herramienta final para la obtención del complejo EIM utiliza un método semi-automático ya que requiere que el usuario de la misma indique, primero la región de interés, y luego dos puntos de referencia de los cuales se obtendrán las intensidades y lugares de inicialización del algoritmo de contornos activos (snakes) mediante el cual se obtendrá el resultado final. Es importante aclarar que además de la información provista por los puntos que el usuario selecciona, se utilizan varios parámetros en este algoritmo que fueron configurados previamente luego de varias pruebas realizadas y el conocimiento obtenido (tanto previo, como de la imagen analizada). Los trabajos de investigación dedicados a este tema crecen cada año, denotando la importancia que ha adquirido en el ámbito académico y como la búsqueda de métodos y aplicaciones óptimas que ayuden al profesional sigue pendiente. A pesar de este crecimiento en el ámbito académico, los avances en los equipos de ultrasonido hacen necesario nuevas y mejores técnicas de eliminación de ruido y por ende algoritmos más robustos y precisos, que sean cada vez más independientes del usuario. Durante el estudio de los diversos programas informáticos existentes, tanto comerciales como libres, se arribó a la conclusión de que más allá de los algoritmos utilizados (nunca su implementación y consideraciones especiales tomadas) no se pueden obtener datos precisos de desarrollo (código fuente). Especialmente en los software privativos de los cuales además de ser muy costosos son en la gran mayoría de los casos dependientes de los ecógrafos en los que corren. Con la asistencia del cardiólogo Alejandro Díaz (co-director de esta tesis) se determinó que en promedio, una medición manual toma alrededor de 40 segundos en obtener la media y valores estadísticos para cada estudio/paciente. En este proyecto se evaluaron quince (15) pacientes tanto por el método manual como semi-automático (ambos realizados por el profesional experto). El error relativo entre la ambas mediciones fue de 0.5%, lo que es considerado muy pequeño. Un factor que se logró disminuir drásticamente es el tiempo de medición, el cuál es cinco (5) veces menor que el método manual. Además es importante mencionar que la cantidad de mediciones realizadas es considerablemente mayor llegando a realizarse 200 mediciones en la región seleccionada (en el método manual se realizan 10 aproximadamente) aunque esto no se puede considerar un parámetro de comparación fiable ya que todo depende de la región seleccionada y de la calidad del resultado de la segmentación final (usualmente se decide elegir dos regiones más pequeñas que la original, una a izquierda y otra a derecha del centro ya que este puede llegar a presentar saltos indeseados en el mismo). Con estos resultados se pudo verificar que el funcionamiento de la herramienta es satisfactorio y puede ser de asistencia al profesional como cualquier software comercial presente en los equipos, lo cual representaba uno de los mayores objetivos y motivaciones de este proyecto.
Fil: Gabiola, Agustín. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina
Fil: Claret, Gastón. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina
Fil: Massa, José María. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina
Fil: Díaz, Alberto Alejandro. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina - Materia
-
EIM
Digitalización
Sistema cardiovascular
Enfermedades cardiovasculares
Diagnóstico por imágenes
Ultrasonido carotídeo
Ingeniería de sistemas
Ingeniería del software
Ultrasonido carotídeo
Imágenes de ultrasonidos
Diseño de software
Técnicas de medición - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-nd/2.5/ar/
- Repositorio
- Institución
- Universidad Nacional del Centro de la Provincia de Buenos Aires
- OAI Identificador
- oai:ridaa.unicen.edu.ar:123456789/774
Ver los metadatos del registro completo
id |
RIDUNICEN_f75f15d85a01212daa099a09affb8159 |
---|---|
oai_identifier_str |
oai:ridaa.unicen.edu.ar:123456789/774 |
network_acronym_str |
RIDUNICEN |
repository_id_str |
a |
network_name_str |
RIDAA (UNICEN) |
spelling |
Herramienta de medición del espesor íntima-media en imágenes de ultrasonido carotídeoGabiola, AgustínClaret, GastónEIMDigitalizaciónSistema cardiovascularEnfermedades cardiovascularesDiagnóstico por imágenesUltrasonido carotídeoIngeniería de sistemasIngeniería del softwareUltrasonido carotídeoImágenes de ultrasonidosDiseño de softwareTécnicas de mediciónDe acuerdo a los datos revelados recientemente por la Organización Mundial de la Salud (OMS), las enfermedades cardiovasculares representan la tercera causa de muerte en los países Occidentales. Es por esto que la individuación de los marcadores tempranos de riesgo de enfermedad cardiovascular es un parámetro de suma importancia en la práctica clínica. A pesar de ser una enfermedad tan importante, las políticas aplicadas en el cuidado de la salud por los gobiernos durante años se concentran principalmente en estrategias de prevención de riesgos cardiovasculares mediante la educación y promoción de estilos de vida más sanos, cuando hoy en día se sabe que no son suficientes. La manifestación más temprana de un posible desarrollo de una enfermedad cardiovascular es la ateroesclerosis. La ateroesclerosis tiene una larga etapa subclínica (asintomática), lo que ofrece una oportunidad para desarrollar estrategias que prevengan las complicaciones que puedan surgir dependiendo del individuo o frenar/ralentizar la evolución de esta enfermedad. Este síndrome se inicia con el depósito de lipoproteínas de baja densidad (LDL) y otros materiales provenientes del torrente sanguíneo en la pared íntima de la carótida, produciendo una reducción del flujo sanguíneo. El indicador más utilizado para riesgos cardiovasculares y cerebrovasculares es el espesor entre las capas íntima y media carotídeo conocido como EIM. Trabajos clínico-terapéuticos de regresión con hipolipemiantes han establecido que el EIM es un marcador válido de progresión y regresión de enfermedad ateroesclerótica. En este punto es importante aclarar que el complejo EIM puede utilizarse como indicador tanto para diagnóstico como para prevención de las enfermedades cardiovasculares. El EIM se calcula a partir del análisis de las imágenes de ultrasonido. El uso de esta tecnología para la detección, evaluación y diagnóstico de enfermedades arteriales está ampliamente establecido en el mundo de la salud debido a su naturaleza no invasiva, visualización en tiempo real, repetición, seguridad, obtención a partir de equipos de bajo costo (comparados con otros equipos médicos que ofrecen la misma funcionalidad) y el continuo avance en la calidad de las imágenes resultantes; siendo la tecnología más elegida al momento de consultas rutinarias. La calidad de estas imágenes se ve afectada por varios factores entre los que se encuentran las características de la máquina/scanner que obtiene la imagen y la técnica utilizada por el especialista que toma la imagen. En particular, las imágenes de ultrasonido contienen un tipo especial de ruido denominado speckle. Este ruido es una interferencia causada por la dispersión múltiple de las ondas de sonido: reduce la calidad general, ya que distorsiona y corrompe las imágenes creando un efecto de “pixelado” que es perjudicial tanto para el ojo humano (dificulta su observación) como para la ejecución de algoritmos de procesamiento de imágenes. El ruido speckle representa el principal factor en la degradación del contraste de resolución de la imagen, limitando la detección de lesiones pequeñas y con bajo contraste, lo que generalmente resulta en que estas lesiones no sean detectadas por una persona no especializada en el tema y en numerosos casos, que especialistas experimentados no lleguen a conclusiones útiles al analizar la imagen. Además, el ruido speckle limita la efectividad de la aplicación de técnicas de procesamiento de imágenes como segmentación y detección de bordes, por lo que resulta necesario filtrar este ruido si se desea un mejor funcionamiento de los algoritmos. En el proceso de eliminación de ruido hay que tener en cuenta varios aspectos como por ejemplo, la sensibilidad de la ventana utilizada, la degradación de los bordes, los criterios de evaluación, diferentes valores de intensidad para diferentes imágenes, entre otros. Todos estos detalles y consideraciones fueron tenidos en cuenta a lo largo del desarrollo del proyecto en la búsqueda de la mejor calidad de imagen final y futura obtención de datos de la misma. En este trabajo se decidió explorar diferentes filtros (siempre fundamentado en la lectura de diferentes publicaciones específicas al tema de estudio) entre los cuáles, debido a investigaciones previas dedicadas especialmente a la problemática de la segmentación en la carótida, se destacan el filtro geométrico, media, mediana y media ponderada todos por ser simples y efectivos en el procesamiento de las imágenes de ultrasonido para la segmentación automática del complejo EIM y la placa carotidea. La aplicación de técnicas avanzadas de procesamiento de imágenes puede ayudar a la obtención de ciertas características (especialmente de texturas) de la imagen de ultrasonido digitalizada y, así, mejorar el proceso de interpretación. La identificación manual de las paredes de la carótida requiere de cierto grado de experiencia por parte del humano que observa la imagen, además de ser un trabajo tedioso y estar sujeto a ciertas variaciones dependiendo del observador pero especialmente aquellas imágenes que contienen ruido como se explicó anteriormente. Por esto último, resulta útil automatizar el proceso de diagnóstico, por lo que se necesita la identificación de las paredes arteriales, siendo muy importante una definición o segmentación de las mismas para una medición precisa y un análisis confiable de la geometría vascular y su elasticidad. En cuanto a los métodos de segmentación, se propone la exploración de los métodos de detección de bordes y el método de contornos activos conocido como snakes, ya que estos modelos deformables se pueden adaptar fácilmente a este problema y son ampliamente usados en imágenes médicas. Se propone calcular el indicador IMT utilizando estos métodos de segmentación y en este punto es interesante asumir que la utilización de un método semi-automático de medición permite la obtención de mayor cantidad de mediciones en menor tiempo y esfuerzo que en el caso de un método totalmente manual. A pesar de que existen varios valores de referencia para el complejo EIM dependiendo del país (debido a los hábitos culturales y alimenticios), estos valores no son universales por eso es que siempre el diagnóstico final lo dará el profesional, sea automático o semi-automático, estos métodos de obtención del complejo EIM son siempre de asistencia en el diagnóstico. Como se mencionó, la herramienta final para la obtención del complejo EIM utiliza un método semi-automático ya que requiere que el usuario de la misma indique, primero la región de interés, y luego dos puntos de referencia de los cuales se obtendrán las intensidades y lugares de inicialización del algoritmo de contornos activos (snakes) mediante el cual se obtendrá el resultado final. Es importante aclarar que además de la información provista por los puntos que el usuario selecciona, se utilizan varios parámetros en este algoritmo que fueron configurados previamente luego de varias pruebas realizadas y el conocimiento obtenido (tanto previo, como de la imagen analizada). Los trabajos de investigación dedicados a este tema crecen cada año, denotando la importancia que ha adquirido en el ámbito académico y como la búsqueda de métodos y aplicaciones óptimas que ayuden al profesional sigue pendiente. A pesar de este crecimiento en el ámbito académico, los avances en los equipos de ultrasonido hacen necesario nuevas y mejores técnicas de eliminación de ruido y por ende algoritmos más robustos y precisos, que sean cada vez más independientes del usuario. Durante el estudio de los diversos programas informáticos existentes, tanto comerciales como libres, se arribó a la conclusión de que más allá de los algoritmos utilizados (nunca su implementación y consideraciones especiales tomadas) no se pueden obtener datos precisos de desarrollo (código fuente). Especialmente en los software privativos de los cuales además de ser muy costosos son en la gran mayoría de los casos dependientes de los ecógrafos en los que corren. Con la asistencia del cardiólogo Alejandro Díaz (co-director de esta tesis) se determinó que en promedio, una medición manual toma alrededor de 40 segundos en obtener la media y valores estadísticos para cada estudio/paciente. En este proyecto se evaluaron quince (15) pacientes tanto por el método manual como semi-automático (ambos realizados por el profesional experto). El error relativo entre la ambas mediciones fue de 0.5%, lo que es considerado muy pequeño. Un factor que se logró disminuir drásticamente es el tiempo de medición, el cuál es cinco (5) veces menor que el método manual. Además es importante mencionar que la cantidad de mediciones realizadas es considerablemente mayor llegando a realizarse 200 mediciones en la región seleccionada (en el método manual se realizan 10 aproximadamente) aunque esto no se puede considerar un parámetro de comparación fiable ya que todo depende de la región seleccionada y de la calidad del resultado de la segmentación final (usualmente se decide elegir dos regiones más pequeñas que la original, una a izquierda y otra a derecha del centro ya que este puede llegar a presentar saltos indeseados en el mismo). Con estos resultados se pudo verificar que el funcionamiento de la herramienta es satisfactorio y puede ser de asistencia al profesional como cualquier software comercial presente en los equipos, lo cual representaba uno de los mayores objetivos y motivaciones de este proyecto.Fil: Gabiola, Agustín. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; ArgentinaFil: Claret, Gastón. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; ArgentinaFil: Massa, José María. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; ArgentinaFil: Díaz, Alberto Alejandro. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; ArgentinaUniversidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias ExactasMassa, José MaríaDíaz, Alberto Alejandro2015-102016-10-24T14:49:11Zinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfapplication/pdfhttp://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/774https://www.ridaa.unicen.edu.ar/handle/123456789/774spahttp://creativecommons.org/licenses/by-nc-nd/2.5/ar/info:eu-repo/semantics/openAccessreponame:RIDAA (UNICEN)instname:Universidad Nacional del Centro de la Provincia de Buenos Aires2025-09-29T13:41:13Zoai:ridaa.unicen.edu.ar:123456789/774instacron:UNICENInstitucionalhttps://www.ridaa.unicen.edu.ar/Universidad públicaNo correspondehttps://www.ridaa.unicen.edu.ar/oailleiboff@rec.unicen.edu.ar;gimeroni@rec.unicen.edu.ar;lvarela@rec.unicen.edu.ar ;ArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2025-09-29 13:41:14.001RIDAA (UNICEN) - Universidad Nacional del Centro de la Provincia de Buenos Airesfalse |
dc.title.none.fl_str_mv |
Herramienta de medición del espesor íntima-media en imágenes de ultrasonido carotídeo |
title |
Herramienta de medición del espesor íntima-media en imágenes de ultrasonido carotídeo |
spellingShingle |
Herramienta de medición del espesor íntima-media en imágenes de ultrasonido carotídeo Gabiola, Agustín EIM Digitalización Sistema cardiovascular Enfermedades cardiovasculares Diagnóstico por imágenes Ultrasonido carotídeo Ingeniería de sistemas Ingeniería del software Ultrasonido carotídeo Imágenes de ultrasonidos Diseño de software Técnicas de medición |
title_short |
Herramienta de medición del espesor íntima-media en imágenes de ultrasonido carotídeo |
title_full |
Herramienta de medición del espesor íntima-media en imágenes de ultrasonido carotídeo |
title_fullStr |
Herramienta de medición del espesor íntima-media en imágenes de ultrasonido carotídeo |
title_full_unstemmed |
Herramienta de medición del espesor íntima-media en imágenes de ultrasonido carotídeo |
title_sort |
Herramienta de medición del espesor íntima-media en imágenes de ultrasonido carotídeo |
dc.creator.none.fl_str_mv |
Gabiola, Agustín Claret, Gastón |
author |
Gabiola, Agustín |
author_facet |
Gabiola, Agustín Claret, Gastón |
author_role |
author |
author2 |
Claret, Gastón |
author2_role |
author |
dc.contributor.none.fl_str_mv |
Massa, José María Díaz, Alberto Alejandro |
dc.subject.none.fl_str_mv |
EIM Digitalización Sistema cardiovascular Enfermedades cardiovasculares Diagnóstico por imágenes Ultrasonido carotídeo Ingeniería de sistemas Ingeniería del software Ultrasonido carotídeo Imágenes de ultrasonidos Diseño de software Técnicas de medición |
topic |
EIM Digitalización Sistema cardiovascular Enfermedades cardiovasculares Diagnóstico por imágenes Ultrasonido carotídeo Ingeniería de sistemas Ingeniería del software Ultrasonido carotídeo Imágenes de ultrasonidos Diseño de software Técnicas de medición |
dc.description.none.fl_txt_mv |
De acuerdo a los datos revelados recientemente por la Organización Mundial de la Salud (OMS), las enfermedades cardiovasculares representan la tercera causa de muerte en los países Occidentales. Es por esto que la individuación de los marcadores tempranos de riesgo de enfermedad cardiovascular es un parámetro de suma importancia en la práctica clínica. A pesar de ser una enfermedad tan importante, las políticas aplicadas en el cuidado de la salud por los gobiernos durante años se concentran principalmente en estrategias de prevención de riesgos cardiovasculares mediante la educación y promoción de estilos de vida más sanos, cuando hoy en día se sabe que no son suficientes. La manifestación más temprana de un posible desarrollo de una enfermedad cardiovascular es la ateroesclerosis. La ateroesclerosis tiene una larga etapa subclínica (asintomática), lo que ofrece una oportunidad para desarrollar estrategias que prevengan las complicaciones que puedan surgir dependiendo del individuo o frenar/ralentizar la evolución de esta enfermedad. Este síndrome se inicia con el depósito de lipoproteínas de baja densidad (LDL) y otros materiales provenientes del torrente sanguíneo en la pared íntima de la carótida, produciendo una reducción del flujo sanguíneo. El indicador más utilizado para riesgos cardiovasculares y cerebrovasculares es el espesor entre las capas íntima y media carotídeo conocido como EIM. Trabajos clínico-terapéuticos de regresión con hipolipemiantes han establecido que el EIM es un marcador válido de progresión y regresión de enfermedad ateroesclerótica. En este punto es importante aclarar que el complejo EIM puede utilizarse como indicador tanto para diagnóstico como para prevención de las enfermedades cardiovasculares. El EIM se calcula a partir del análisis de las imágenes de ultrasonido. El uso de esta tecnología para la detección, evaluación y diagnóstico de enfermedades arteriales está ampliamente establecido en el mundo de la salud debido a su naturaleza no invasiva, visualización en tiempo real, repetición, seguridad, obtención a partir de equipos de bajo costo (comparados con otros equipos médicos que ofrecen la misma funcionalidad) y el continuo avance en la calidad de las imágenes resultantes; siendo la tecnología más elegida al momento de consultas rutinarias. La calidad de estas imágenes se ve afectada por varios factores entre los que se encuentran las características de la máquina/scanner que obtiene la imagen y la técnica utilizada por el especialista que toma la imagen. En particular, las imágenes de ultrasonido contienen un tipo especial de ruido denominado speckle. Este ruido es una interferencia causada por la dispersión múltiple de las ondas de sonido: reduce la calidad general, ya que distorsiona y corrompe las imágenes creando un efecto de “pixelado” que es perjudicial tanto para el ojo humano (dificulta su observación) como para la ejecución de algoritmos de procesamiento de imágenes. El ruido speckle representa el principal factor en la degradación del contraste de resolución de la imagen, limitando la detección de lesiones pequeñas y con bajo contraste, lo que generalmente resulta en que estas lesiones no sean detectadas por una persona no especializada en el tema y en numerosos casos, que especialistas experimentados no lleguen a conclusiones útiles al analizar la imagen. Además, el ruido speckle limita la efectividad de la aplicación de técnicas de procesamiento de imágenes como segmentación y detección de bordes, por lo que resulta necesario filtrar este ruido si se desea un mejor funcionamiento de los algoritmos. En el proceso de eliminación de ruido hay que tener en cuenta varios aspectos como por ejemplo, la sensibilidad de la ventana utilizada, la degradación de los bordes, los criterios de evaluación, diferentes valores de intensidad para diferentes imágenes, entre otros. Todos estos detalles y consideraciones fueron tenidos en cuenta a lo largo del desarrollo del proyecto en la búsqueda de la mejor calidad de imagen final y futura obtención de datos de la misma. En este trabajo se decidió explorar diferentes filtros (siempre fundamentado en la lectura de diferentes publicaciones específicas al tema de estudio) entre los cuáles, debido a investigaciones previas dedicadas especialmente a la problemática de la segmentación en la carótida, se destacan el filtro geométrico, media, mediana y media ponderada todos por ser simples y efectivos en el procesamiento de las imágenes de ultrasonido para la segmentación automática del complejo EIM y la placa carotidea. La aplicación de técnicas avanzadas de procesamiento de imágenes puede ayudar a la obtención de ciertas características (especialmente de texturas) de la imagen de ultrasonido digitalizada y, así, mejorar el proceso de interpretación. La identificación manual de las paredes de la carótida requiere de cierto grado de experiencia por parte del humano que observa la imagen, además de ser un trabajo tedioso y estar sujeto a ciertas variaciones dependiendo del observador pero especialmente aquellas imágenes que contienen ruido como se explicó anteriormente. Por esto último, resulta útil automatizar el proceso de diagnóstico, por lo que se necesita la identificación de las paredes arteriales, siendo muy importante una definición o segmentación de las mismas para una medición precisa y un análisis confiable de la geometría vascular y su elasticidad. En cuanto a los métodos de segmentación, se propone la exploración de los métodos de detección de bordes y el método de contornos activos conocido como snakes, ya que estos modelos deformables se pueden adaptar fácilmente a este problema y son ampliamente usados en imágenes médicas. Se propone calcular el indicador IMT utilizando estos métodos de segmentación y en este punto es interesante asumir que la utilización de un método semi-automático de medición permite la obtención de mayor cantidad de mediciones en menor tiempo y esfuerzo que en el caso de un método totalmente manual. A pesar de que existen varios valores de referencia para el complejo EIM dependiendo del país (debido a los hábitos culturales y alimenticios), estos valores no son universales por eso es que siempre el diagnóstico final lo dará el profesional, sea automático o semi-automático, estos métodos de obtención del complejo EIM son siempre de asistencia en el diagnóstico. Como se mencionó, la herramienta final para la obtención del complejo EIM utiliza un método semi-automático ya que requiere que el usuario de la misma indique, primero la región de interés, y luego dos puntos de referencia de los cuales se obtendrán las intensidades y lugares de inicialización del algoritmo de contornos activos (snakes) mediante el cual se obtendrá el resultado final. Es importante aclarar que además de la información provista por los puntos que el usuario selecciona, se utilizan varios parámetros en este algoritmo que fueron configurados previamente luego de varias pruebas realizadas y el conocimiento obtenido (tanto previo, como de la imagen analizada). Los trabajos de investigación dedicados a este tema crecen cada año, denotando la importancia que ha adquirido en el ámbito académico y como la búsqueda de métodos y aplicaciones óptimas que ayuden al profesional sigue pendiente. A pesar de este crecimiento en el ámbito académico, los avances en los equipos de ultrasonido hacen necesario nuevas y mejores técnicas de eliminación de ruido y por ende algoritmos más robustos y precisos, que sean cada vez más independientes del usuario. Durante el estudio de los diversos programas informáticos existentes, tanto comerciales como libres, se arribó a la conclusión de que más allá de los algoritmos utilizados (nunca su implementación y consideraciones especiales tomadas) no se pueden obtener datos precisos de desarrollo (código fuente). Especialmente en los software privativos de los cuales además de ser muy costosos son en la gran mayoría de los casos dependientes de los ecógrafos en los que corren. Con la asistencia del cardiólogo Alejandro Díaz (co-director de esta tesis) se determinó que en promedio, una medición manual toma alrededor de 40 segundos en obtener la media y valores estadísticos para cada estudio/paciente. En este proyecto se evaluaron quince (15) pacientes tanto por el método manual como semi-automático (ambos realizados por el profesional experto). El error relativo entre la ambas mediciones fue de 0.5%, lo que es considerado muy pequeño. Un factor que se logró disminuir drásticamente es el tiempo de medición, el cuál es cinco (5) veces menor que el método manual. Además es importante mencionar que la cantidad de mediciones realizadas es considerablemente mayor llegando a realizarse 200 mediciones en la región seleccionada (en el método manual se realizan 10 aproximadamente) aunque esto no se puede considerar un parámetro de comparación fiable ya que todo depende de la región seleccionada y de la calidad del resultado de la segmentación final (usualmente se decide elegir dos regiones más pequeñas que la original, una a izquierda y otra a derecha del centro ya que este puede llegar a presentar saltos indeseados en el mismo). Con estos resultados se pudo verificar que el funcionamiento de la herramienta es satisfactorio y puede ser de asistencia al profesional como cualquier software comercial presente en los equipos, lo cual representaba uno de los mayores objetivos y motivaciones de este proyecto. Fil: Gabiola, Agustín. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina Fil: Claret, Gastón. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina Fil: Massa, José María. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina Fil: Díaz, Alberto Alejandro. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina |
description |
De acuerdo a los datos revelados recientemente por la Organización Mundial de la Salud (OMS), las enfermedades cardiovasculares representan la tercera causa de muerte en los países Occidentales. Es por esto que la individuación de los marcadores tempranos de riesgo de enfermedad cardiovascular es un parámetro de suma importancia en la práctica clínica. A pesar de ser una enfermedad tan importante, las políticas aplicadas en el cuidado de la salud por los gobiernos durante años se concentran principalmente en estrategias de prevención de riesgos cardiovasculares mediante la educación y promoción de estilos de vida más sanos, cuando hoy en día se sabe que no son suficientes. La manifestación más temprana de un posible desarrollo de una enfermedad cardiovascular es la ateroesclerosis. La ateroesclerosis tiene una larga etapa subclínica (asintomática), lo que ofrece una oportunidad para desarrollar estrategias que prevengan las complicaciones que puedan surgir dependiendo del individuo o frenar/ralentizar la evolución de esta enfermedad. Este síndrome se inicia con el depósito de lipoproteínas de baja densidad (LDL) y otros materiales provenientes del torrente sanguíneo en la pared íntima de la carótida, produciendo una reducción del flujo sanguíneo. El indicador más utilizado para riesgos cardiovasculares y cerebrovasculares es el espesor entre las capas íntima y media carotídeo conocido como EIM. Trabajos clínico-terapéuticos de regresión con hipolipemiantes han establecido que el EIM es un marcador válido de progresión y regresión de enfermedad ateroesclerótica. En este punto es importante aclarar que el complejo EIM puede utilizarse como indicador tanto para diagnóstico como para prevención de las enfermedades cardiovasculares. El EIM se calcula a partir del análisis de las imágenes de ultrasonido. El uso de esta tecnología para la detección, evaluación y diagnóstico de enfermedades arteriales está ampliamente establecido en el mundo de la salud debido a su naturaleza no invasiva, visualización en tiempo real, repetición, seguridad, obtención a partir de equipos de bajo costo (comparados con otros equipos médicos que ofrecen la misma funcionalidad) y el continuo avance en la calidad de las imágenes resultantes; siendo la tecnología más elegida al momento de consultas rutinarias. La calidad de estas imágenes se ve afectada por varios factores entre los que se encuentran las características de la máquina/scanner que obtiene la imagen y la técnica utilizada por el especialista que toma la imagen. En particular, las imágenes de ultrasonido contienen un tipo especial de ruido denominado speckle. Este ruido es una interferencia causada por la dispersión múltiple de las ondas de sonido: reduce la calidad general, ya que distorsiona y corrompe las imágenes creando un efecto de “pixelado” que es perjudicial tanto para el ojo humano (dificulta su observación) como para la ejecución de algoritmos de procesamiento de imágenes. El ruido speckle representa el principal factor en la degradación del contraste de resolución de la imagen, limitando la detección de lesiones pequeñas y con bajo contraste, lo que generalmente resulta en que estas lesiones no sean detectadas por una persona no especializada en el tema y en numerosos casos, que especialistas experimentados no lleguen a conclusiones útiles al analizar la imagen. Además, el ruido speckle limita la efectividad de la aplicación de técnicas de procesamiento de imágenes como segmentación y detección de bordes, por lo que resulta necesario filtrar este ruido si se desea un mejor funcionamiento de los algoritmos. En el proceso de eliminación de ruido hay que tener en cuenta varios aspectos como por ejemplo, la sensibilidad de la ventana utilizada, la degradación de los bordes, los criterios de evaluación, diferentes valores de intensidad para diferentes imágenes, entre otros. Todos estos detalles y consideraciones fueron tenidos en cuenta a lo largo del desarrollo del proyecto en la búsqueda de la mejor calidad de imagen final y futura obtención de datos de la misma. En este trabajo se decidió explorar diferentes filtros (siempre fundamentado en la lectura de diferentes publicaciones específicas al tema de estudio) entre los cuáles, debido a investigaciones previas dedicadas especialmente a la problemática de la segmentación en la carótida, se destacan el filtro geométrico, media, mediana y media ponderada todos por ser simples y efectivos en el procesamiento de las imágenes de ultrasonido para la segmentación automática del complejo EIM y la placa carotidea. La aplicación de técnicas avanzadas de procesamiento de imágenes puede ayudar a la obtención de ciertas características (especialmente de texturas) de la imagen de ultrasonido digitalizada y, así, mejorar el proceso de interpretación. La identificación manual de las paredes de la carótida requiere de cierto grado de experiencia por parte del humano que observa la imagen, además de ser un trabajo tedioso y estar sujeto a ciertas variaciones dependiendo del observador pero especialmente aquellas imágenes que contienen ruido como se explicó anteriormente. Por esto último, resulta útil automatizar el proceso de diagnóstico, por lo que se necesita la identificación de las paredes arteriales, siendo muy importante una definición o segmentación de las mismas para una medición precisa y un análisis confiable de la geometría vascular y su elasticidad. En cuanto a los métodos de segmentación, se propone la exploración de los métodos de detección de bordes y el método de contornos activos conocido como snakes, ya que estos modelos deformables se pueden adaptar fácilmente a este problema y son ampliamente usados en imágenes médicas. Se propone calcular el indicador IMT utilizando estos métodos de segmentación y en este punto es interesante asumir que la utilización de un método semi-automático de medición permite la obtención de mayor cantidad de mediciones en menor tiempo y esfuerzo que en el caso de un método totalmente manual. A pesar de que existen varios valores de referencia para el complejo EIM dependiendo del país (debido a los hábitos culturales y alimenticios), estos valores no son universales por eso es que siempre el diagnóstico final lo dará el profesional, sea automático o semi-automático, estos métodos de obtención del complejo EIM son siempre de asistencia en el diagnóstico. Como se mencionó, la herramienta final para la obtención del complejo EIM utiliza un método semi-automático ya que requiere que el usuario de la misma indique, primero la región de interés, y luego dos puntos de referencia de los cuales se obtendrán las intensidades y lugares de inicialización del algoritmo de contornos activos (snakes) mediante el cual se obtendrá el resultado final. Es importante aclarar que además de la información provista por los puntos que el usuario selecciona, se utilizan varios parámetros en este algoritmo que fueron configurados previamente luego de varias pruebas realizadas y el conocimiento obtenido (tanto previo, como de la imagen analizada). Los trabajos de investigación dedicados a este tema crecen cada año, denotando la importancia que ha adquirido en el ámbito académico y como la búsqueda de métodos y aplicaciones óptimas que ayuden al profesional sigue pendiente. A pesar de este crecimiento en el ámbito académico, los avances en los equipos de ultrasonido hacen necesario nuevas y mejores técnicas de eliminación de ruido y por ende algoritmos más robustos y precisos, que sean cada vez más independientes del usuario. Durante el estudio de los diversos programas informáticos existentes, tanto comerciales como libres, se arribó a la conclusión de que más allá de los algoritmos utilizados (nunca su implementación y consideraciones especiales tomadas) no se pueden obtener datos precisos de desarrollo (código fuente). Especialmente en los software privativos de los cuales además de ser muy costosos son en la gran mayoría de los casos dependientes de los ecógrafos en los que corren. Con la asistencia del cardiólogo Alejandro Díaz (co-director de esta tesis) se determinó que en promedio, una medición manual toma alrededor de 40 segundos en obtener la media y valores estadísticos para cada estudio/paciente. En este proyecto se evaluaron quince (15) pacientes tanto por el método manual como semi-automático (ambos realizados por el profesional experto). El error relativo entre la ambas mediciones fue de 0.5%, lo que es considerado muy pequeño. Un factor que se logró disminuir drásticamente es el tiempo de medición, el cuál es cinco (5) veces menor que el método manual. Además es importante mencionar que la cantidad de mediciones realizadas es considerablemente mayor llegando a realizarse 200 mediciones en la región seleccionada (en el método manual se realizan 10 aproximadamente) aunque esto no se puede considerar un parámetro de comparación fiable ya que todo depende de la región seleccionada y de la calidad del resultado de la segmentación final (usualmente se decide elegir dos regiones más pequeñas que la original, una a izquierda y otra a derecha del centro ya que este puede llegar a presentar saltos indeseados en el mismo). Con estos resultados se pudo verificar que el funcionamiento de la herramienta es satisfactorio y puede ser de asistencia al profesional como cualquier software comercial presente en los equipos, lo cual representaba uno de los mayores objetivos y motivaciones de este proyecto. |
publishDate |
2015 |
dc.date.none.fl_str_mv |
2015-10 2016-10-24T14:49:11Z |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/acceptedVersion http://purl.org/coar/resource_type/c_7a1f info:ar-repo/semantics/tesisDeGrado |
format |
bachelorThesis |
status_str |
acceptedVersion |
dc.identifier.none.fl_str_mv |
http://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/774 https://www.ridaa.unicen.edu.ar/handle/123456789/774 |
url |
http://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/774 https://www.ridaa.unicen.edu.ar/handle/123456789/774 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/ar/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/ar/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf application/pdf |
dc.publisher.none.fl_str_mv |
Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas |
publisher.none.fl_str_mv |
Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas |
dc.source.none.fl_str_mv |
reponame:RIDAA (UNICEN) instname:Universidad Nacional del Centro de la Provincia de Buenos Aires |
reponame_str |
RIDAA (UNICEN) |
collection |
RIDAA (UNICEN) |
instname_str |
Universidad Nacional del Centro de la Provincia de Buenos Aires |
repository.name.fl_str_mv |
RIDAA (UNICEN) - Universidad Nacional del Centro de la Provincia de Buenos Aires |
repository.mail.fl_str_mv |
lleiboff@rec.unicen.edu.ar;gimeroni@rec.unicen.edu.ar;lvarela@rec.unicen.edu.ar ; |
_version_ |
1844619020771262464 |
score |
12.559606 |