| Sumario: | Actualmente no existe una evidencia plenamente clara sobre la relación de las WMHs con enfermedades neurológicas, lo que supone una cuestión de relevancia en investigación. Por este motivo, se considera muy importante detectar, cuantificar y caracterizar las WMHs en personas que sufren este tipo de patologías. La delineación manual de WMHs es una tarea con un alto coste en tiempo y propensa a errores humanos. Por tanto, es obvio y justificable buscar un método robusto y lo más automático posible, para reconocer este tipo de objeto amorfo. Este trabajo se basa en el resultado de una segmentación completamente automática llevada a cabo por el proyecto AMOS-2D, donde el objetivo es detectar y clasificar manchas de sustancia blanca a partir de imágenes de resonancia magnética, utilizando técnicas de aprendizaje automático, como una herramienta de ayuda al diagnóstico al experto humano. A partir de los objetos detectados por AMOS-2D se desarrolla un conjunto de librerías con el fin de reconocer WMHs por medio de descriptores espaciales, de forma y de textura, haciendo uso de algoritmos de aprendizaje automático como Redes Bayesianas y Máquinas de Vector Soporte. No obstante, el estudio se centra fundamentalmente en el análisis de discriminación de WMHs por descriptores de textura. Se concluye que el conjunto de datos de entrenamiento utilizado no permite resolver la clasificación con una tasa menor al 10% cuando se tienen en cuenta todas las instancias del mismo. Sin embargo, filtrando verticalmente el conjunto de datos, el rendimiento del clasificador mejora a costa de descompensar la proporción de valores de la clase. Como trabajo futuro, sería interesante hacer un estudio en 3D y comparar con los resultados obtenidos en este trabajo para poder valorar si el rendimiento del sistema mejora o no al añadir una dimensión espacial.
|
|---|
