Ancho de banda variable para datos multivariados Public Deposited
El diagnóstico por imagen es una herramienta invaluable en la medicina. La resonancia magnética (RM), tomografía computarizada (TAC), mamografía digital, entre otras modalidades, proveen un medio efectivo para el mapeo de forma no invasiva de la anatomía del sujeto. Los algoritmos para la segmentación de imágenes, juegan un papel importante en numerosas aplicaciones de imágenes médicas, como la cuantificación de los volúmenes de tejidos, diagnóstico, localización de patologías, estudios de estructuras anatómicas, planeación de tratamiento, entre otras [l]. La determinación de regiones con espacios de características multimodales, como las imágenes de RM, algunas veces requieren técnicas de estimación de kernel con anchos de banda que se adaptan localmente. La elección del ancho de banda es un aspecto crítico en la etapa de filtrado de la segmentación de una imagen. En este trabajo se lleva a cabo la segmentación de imágenes de RM, empleando una técnica no paramétrica de estimación de densidad basada en el procedimiento de corrimiento de media (CM) con ancho de banda variable. Se utilizaron dos métodos para el ancho de banda variable: punto muestral y k-vecinos más cercanos en la aplicación de la estimación de densidad, para segmentar regiones del espacio de características de imágenes de RM. El procedimiento de segmentación a partir de CM fue aplicado a datos sintéticos [2] y datos reales [3] utilizando el ancho de banda fijo y ancho de banda variable por los dos métodos en la etapa de filtrado Se realizaron las siguientes etapas para la segmentación: Se calcularon los mapas de confianza, se realizó el filtrado de los datos aplicando anchos de banda fijo y variable, se realizó la etapa de etiquetado, fusión de regiones y podado además se realizó la normalización de los datos con la información a priori, que corresponde a los mapas probabiüsticos del fondo, materia blanca, materia gris y líquido cefalorraquídeo, se realizó la clasificación de las cuatro clases y por último se obtuvieron los índices de similitud para los datos sintéticos y para los datos reales, en este caso se contó con la segmentación realizada por el experto. Se calcularon los índices de similitud para los dos tipos de datos logrando mejores resultados en la segmentación de las imágenes, cuando se utiliza ancho de banda variable con índices de similitud de 0.68 y O. 71 para la materia gris y blanca respectivamente; además se mejoraron los valores de los índices de similitud ya reportados por [3] y [4] ya que se utilizó información a priori para la etapa de clasificación.
Relationships
| In Administrative Set: |
|---|
Descriptions
| Attribute Name | Values |
|---|---|
| Creador | |
| Contributors | |
| Tema | |
| Editor | |
| Idioma | |
| Identificador | |
| Keyword | |
| Año de publicación |
|
| Tipo de Recurso | |
| Derechos | |
| División académica | |
| Línea académica | |
| Licencia |
