Desarrollo de técnicas computacionales para la detección de cambios morfológicos cerebrales
La morfometría individual basada en voxel (MIBV) es una técnica para el estudio de cambios morfométricos cerebrales a partir de imágenes de resonancia magnética. Su principal ventaja sobre la morfometría basada en voxel clásica (MBV) es que permite estudiar a los sujetos de manera individual. Sin em...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión aceptada para publicación |
| Fecha de publicación: | 2022 |
| País: | Argentina |
| Institución: | Universidad Nacional del Centro de la Provincia de Buenos Aires |
| Repositorio: | RIDAA (UNICEN) |
| Idioma: | español |
| OAI Identifier: | oai:ridaa.unicen.edu.ar:123456789/3276 |
| Acceso en línea: | https://doi.org/10.52278/3276 https://www.ridaa.unicen.edu.ar/handle/123456789/3276 |
| Access Level: | acceso abierto |
| Palabra clave: | MIBV Morfométricos cerebrales Resonancia magnética Técnicas computacionales Esclerosis hipocampal |
| Sumario: | La morfometría individual basada en voxel (MIBV) es una técnica para el estudio de cambios morfométricos cerebrales a partir de imágenes de resonancia magnética. Su principal ventaja sobre la morfometría basada en voxel clásica (MBV) es que permite estudiar a los sujetos de manera individual. Sin embargo, su aplicabilidad se ve limitada por la gran cantidad de falsos positivos que produce. Por esta razón, sus aspectos de configuración no han sido estudiados tan exhaustivamente como en MBV. Para abordar esta problemática, primero se realizo un estudio de MIBV sobre sujetos sanos para analizar los falsos positivos y la influencia del tamaño de grupo control y núcleo de suavizado. Segundo, se evaluó la sensibilidad de MIBV sobre sujetos con atrofias simuladas en distintas regiones y tamaños, analizando la influencia del nucleó de suavizado. Tercero, se estudio la sensibilidad y especificidad de MIBV sobre pacientes con esclerosis hipocampal. Cuarto, se desarrollo una metodología basada en aprendizaje de maquina para la reducción de falsos positivos. Se concluyo que los aspectos de configuración de MIBV son determinantes para el rendimiento en la detección de cambios morfológicos. Se pudieron determinar los lımites de rendimiento de MIBV. Finalmente, se demostró que es posible reducirlos falsos positivos, preservando los verdaderos positivos mediante aprendizaje de maquina. |
|---|