DOI:
https://doi.org/10.14483/udistrital.jour.tecnura.2014.SE1.a07Publicado:
2014-12-01Número:
Vol. 18 (2014): Edición EspecialSección:
InvestigaciónIdentification of multiple sclerosis brain lesions in magnetic resonance imaging using texture analysis
Identificación de lesiones cerebrales de esclerosis múltiple en imágenes de resonancia magnética mediante análisis de textura
Descargas
Resumen (en)
La esclerosis múltiple (EM) es una enfermedad neurodegenerativa que ataca al sistema nervioso central (SNC), produce lesiones desmielinizantes y causa secuelas funcionales en adultos jóvenes, especialmente mujeres. Su diagnóstico y seguimiento se realizan a través de la resonancia magnética. En la actualidad, el análisis de texturas se ha convertido en una herramienta útil para la detección de este tipo lesiones. Por tal razón, en este artículo se busca identificar lesiones de EM utilizando los métodos de matrices de co-ocurrencia de nivel de gris y transformada wavelet (TW), y como métodos de clasificación redes neuronales (ANN) y máquinas de soporte vectorial (SVM) en imágenes de resonancia magnética (RMI) en secuencia FLAIR de 5 pacientes con diagnóstico de la enfermedad. La combinación apropiada de medidas de matrices de co-ocurrencia y wavelets permitieron obtener precisiones superiores a 96% para las máquinas de soporte vectorial y 90% para las redes neuronales, lo que demuestra que el uso combinado de dichas medidas es superior en la detección de estas lesionesResumen (es)
La esclerosis múltiple (EM) es una enfermedad neurodegenerativa que ataca al sistema nervioso central (SNC), produce lesiones desmielinizantes y causa secuelas funcionales en adultos jóvenes, especialmente mujeres. Su diagnóstico y seguimiento se realizan a través de la resonancia magnética. En la actualidad, el análisis de texturas se ha convertido en una herramienta útil para la detección de este tipo lesiones. Por tal razón, en este artículo se busca identificar lesiones de EM utilizando los métodos de matrices de co-ocurrencia de nivel de gris y transformada wavelet (TW), y como métodos de clasificación redes neuronales (ANN) y máquinas de soporte vectorial (SVM) en imágenes de resonancia magnética (RMI) en secuencia FLAIR de 5 pacientes con diagnóstico de la enfermedad. La combinación apropiada de medidas de matrices de co-ocurrencia y wavelets permitieron obtener precisiones superiores a 96% para las máquinas de soporte vectorial y 90% para las redes neuronales, lo que demuestra que el uso combinado de dichas medidas es superior en la detección de estas lesiones.
Referencias
Barreto, S. (2004). Análisis Comparativo de las Multiwavelets y Wavelets escalares en lo que respecta a los criterios de calidad y Compresión de Imágenes. Bogotá: Universidad Distrital Francisco José de Caldas (Tesis de grado).
Barreto, S.; E. Betancourt; M. Lesmes (2012). Transformación de Imágenes a Través del Álgebra Lineal. Bogotá: Editorial U.D.
Betancourt, G. (abril 2005). Las máquinas de soporte vectorial. Scientia et Technica, año XI, No. 27.
Bharati, M.; J. Jay Liu, et al. (2004). Image texture analysis: methods and comparisons. Chemometrics and Intelligent Laboratory Systems, vol. 72, pp. 57–7.
Boudraa, Abdel-Ouahab Sidi; Mohammed Réda Dehak; Yue-Min Zhu; Chahin Pachai; Yong-Gang Bao; Jérôme Grimaud. Automated segmentation of multiple sclerosis lesions in multispectral MR imaging using fuzzy clustering. Computers in Biology and Medicine, vol. 30, Issue 1, 15 January 2000, pp. 23-40.
http://dx.doi.org/10.1016/S0010-4825(99)00019-0
Castellano, G.; L. Bonilha; L.M. Li; F. Cendes. Texture analysis of medical images. Clinical Radiology, vol. 59, Issue 12, December 2004, pp. 1061-1069.
http://dx.doi.org/10.1016/j.crad.2004.07.008
Dettori, Lucia; Lindsay Semler. A comparison of wavelet, ridgelet, and curvelet-based texture classification algorithms in computed tomography. Computers in Biology and Medicine, vol. 37, Issue 4, April 2007, pp. 486-498.
http://dx.doi.org/10.1016/j.compbiomed.2006.08.002
Filipuzzi, M.; R. Rodrigo; E. Laciar, et al. Clasificación automática de lesiones de esclerosis múltiple mediante métodos de conjunto en imágenes de resonancia magnética. Universidad Nacional de San Juan, Facultad de Ingeniería. Gabinete de Tecnología Médica.
http://ofisy.aigroup.com.ar/tric/tric-v/papers
García-Lorenzo, D.; S. Francis; S. Narayanan, et al. Review of automatic segmentation methods of multiple sclerosis white matter lesions on conventional magnetic resonance imaging. Medical Image Analysis, vol. 17, pp. 1-18, 2013.
Ghazel, M.; A. Traboulsee; R. Ward. Semi-Automated Segmentation of Multiple Sclerosis Lesions in Brain MRI using Texture Analysis. IEEE International Symposium on Signal Processing and Information Technology, vol. 6, No. 10, 2006.
Goldberg-Zimring, D.; A. Achiron; S. Miron, et al. Automated detection and characterization of multiple Sclerosis lesions in brain MR images. Magnetic resonance imaging, vol. 16, No. 3, pp. 311-318, 1998.
Gómez, E. (2000). Caracterización de frutos maduros de café mediante visión artificial. Manizales: Universidad Nacional de Colombia. Facultad de Ingeniería, 47 pp. (Tesis: ingeniero electrónico).
González, R.; R. Woods (2002). Tratamiento Digital de Imágenes. Delaware: Editorial Wilmington.
Haralick, R.; K. Shanmugam; I. Dinstein. Textural Features for Image Classification. IEEE transactions on systems, man, and cybernetics, vol. SMC-3, No. 6, pp. 610-621, 1973.
Herlidou-Même, S.; J.M. Constans; B. Carsin, et al. MRI texture analysis on texture test objects, normal brain and intracranial tumors. Magnetic Resonance Imaging, vol. 2, pp. 989-993, 2003.
Kassner, A.; R.E. Thornhill. Texture Analysis: A Review of Neurologic MR Imaging Applications. American Journal of Neuroradiology, vol. 31, No. 5, pp. 809-816, 2010.
Labrador, P. Reconocimiento de patrones utilizando máquinas de soporte vectorial (SVM). Universidad Nacional Abierta, San Cristóbal (Venezuela), 2009 (proyecto de grado).
Le Pennec, E.; S. Mallat. Sparse Geometric Image Representations With Bandelets. IEEE transactions on image processing, vol. 14, No. 4, 2005.
Lladó, Xavier; Arnau Oliver; Mariano Cabezas; Jordi Freixenet; Joan C. Vilanova; Ana Quiles; Laia Valls; Lluís Ramió-Torrentà; Àlex Rovira. Segmentation of multiple sclerosis lesions in brain MRI: A review of automated approaches. Information Sciences, vol. 186, Issue 1, 1 March 2012, pp. 164-185.
http://dx.doi.org/10.1016/j.ins.2011.10.011.
Loizou, C.P. Quantitative Analysis of Brain White Matter Lesions in Multiple Sclerosis Subjects. 9th International Conference on Information Technology and Applications in Biomedicine. Noviembre 2009.
Loizou, C.P. Texture Image Analysis of Normal Appearing White Matter Areas in Clinically Isolated Syndrome that Evolved in Demyelinating Lesions in Subsequent MRI scans, Multiple Sclerosis Disease Evolution. 2010.
Pradilla, G.; F. León. Esclerosis múltiple en Colombia: cerrando la brecha. Disponible en: http://www.acnweb.org/acta/2007_23_1_3.pdf
Serrano, A.; E. Soria; J. Martín. Redes neuronales artificiales. Escuela Técnica Superior de Ingeniería, Curso de Doctorado, pp. 15-19, 2009-2010.
Wang, L.; N. Li; X. Zhou, et al. Texture Characteristic Analysis of MRI for Exploratory Study on Early Diagnosis of Multiple Sclerosis. IEEE/ICME International Conference on Complex Medical Engineering. pp. 652-655, 2007.
Yamamoto, D.; H. Arimura; S. Kakeda, et al. Computer-aided detection of multiple sclerosis lesions in brain magnetic resonance images: False positive reduction scheme consisted of rule-based, level set method, and support vector machine. Computerized Medical Imaging and Graphics, vol. 34, pp. 404-413, 2010.
Zhang, J.; L. Wang; L. Tong. Feature “Reduction and Texture Classification in MRI-Texture Analysis of Multiple Sclerosis”. IEEE/ICME International Conference on Complex Medical Engineering, pp. 752-757, 2007.
Zhang, J.; L. Tong; L. Wang, et al. Texture analysis of multiple sclerosis: a comparative study. Magnetic Resonance Imaging, vol. 26, pp. 1160-1166, 2008.
Barreto, S.; E. Betancourt; M. Lesmes (2012). Transformación de Imágenes a Través del Álgebra Lineal. Bogotá: Editorial U.D.
Betancourt, G. (abril 2005). Las máquinas de soporte vectorial. Scientia et Technica, año XI, No. 27.
Bharati, M.; J. Jay Liu, et al. (2004). Image texture analysis: methods and comparisons. Chemometrics and Intelligent Laboratory Systems, vol. 72, pp. 57–7.
Boudraa, Abdel-Ouahab Sidi; Mohammed Réda Dehak; Yue-Min Zhu; Chahin Pachai; Yong-Gang Bao; Jérôme Grimaud. Automated segmentation of multiple sclerosis lesions in multispectral MR imaging using fuzzy clustering. Computers in Biology and Medicine, vol. 30, Issue 1, 15 January 2000, pp. 23-40.
http://dx.doi.org/10.1016/S0010-4825(99)00019-0
Castellano, G.; L. Bonilha; L.M. Li; F. Cendes. Texture analysis of medical images. Clinical Radiology, vol. 59, Issue 12, December 2004, pp. 1061-1069.
http://dx.doi.org/10.1016/j.crad.2004.07.008
Dettori, Lucia; Lindsay Semler. A comparison of wavelet, ridgelet, and curvelet-based texture classification algorithms in computed tomography. Computers in Biology and Medicine, vol. 37, Issue 4, April 2007, pp. 486-498.
http://dx.doi.org/10.1016/j.compbiomed.2006.08.002
Filipuzzi, M.; R. Rodrigo; E. Laciar, et al. Clasificación automática de lesiones de esclerosis múltiple mediante métodos de conjunto en imágenes de resonancia magnética. Universidad Nacional de San Juan, Facultad de Ingeniería. Gabinete de Tecnología Médica.
http://ofisy.aigroup.com.ar/tric/tric-v/papers
García-Lorenzo, D.; S. Francis; S. Narayanan, et al. Review of automatic segmentation methods of multiple sclerosis white matter lesions on conventional magnetic resonance imaging. Medical Image Analysis, vol. 17, pp. 1-18, 2013.
Ghazel, M.; A. Traboulsee; R. Ward. Semi-Automated Segmentation of Multiple Sclerosis Lesions in Brain MRI using Texture Analysis. IEEE International Symposium on Signal Processing and Information Technology, vol. 6, No. 10, 2006.
Goldberg-Zimring, D.; A. Achiron; S. Miron, et al. Automated detection and characterization of multiple Sclerosis lesions in brain MR images. Magnetic resonance imaging, vol. 16, No. 3, pp. 311-318, 1998.
Gómez, E. (2000). Caracterización de frutos maduros de café mediante visión artificial. Manizales: Universidad Nacional de Colombia. Facultad de Ingeniería, 47 pp. (Tesis: ingeniero electrónico).
González, R.; R. Woods (2002). Tratamiento Digital de Imágenes. Delaware: Editorial Wilmington.
Haralick, R.; K. Shanmugam; I. Dinstein. Textural Features for Image Classification. IEEE transactions on systems, man, and cybernetics, vol. SMC-3, No. 6, pp. 610-621, 1973.
Herlidou-Même, S.; J.M. Constans; B. Carsin, et al. MRI texture analysis on texture test objects, normal brain and intracranial tumors. Magnetic Resonance Imaging, vol. 2, pp. 989-993, 2003.
Kassner, A.; R.E. Thornhill. Texture Analysis: A Review of Neurologic MR Imaging Applications. American Journal of Neuroradiology, vol. 31, No. 5, pp. 809-816, 2010.
Labrador, P. Reconocimiento de patrones utilizando máquinas de soporte vectorial (SVM). Universidad Nacional Abierta, San Cristóbal (Venezuela), 2009 (proyecto de grado).
Le Pennec, E.; S. Mallat. Sparse Geometric Image Representations With Bandelets. IEEE transactions on image processing, vol. 14, No. 4, 2005.
Lladó, Xavier; Arnau Oliver; Mariano Cabezas; Jordi Freixenet; Joan C. Vilanova; Ana Quiles; Laia Valls; Lluís Ramió-Torrentà; Àlex Rovira. Segmentation of multiple sclerosis lesions in brain MRI: A review of automated approaches. Information Sciences, vol. 186, Issue 1, 1 March 2012, pp. 164-185.
http://dx.doi.org/10.1016/j.ins.2011.10.011.
Loizou, C.P. Quantitative Analysis of Brain White Matter Lesions in Multiple Sclerosis Subjects. 9th International Conference on Information Technology and Applications in Biomedicine. Noviembre 2009.
Loizou, C.P. Texture Image Analysis of Normal Appearing White Matter Areas in Clinically Isolated Syndrome that Evolved in Demyelinating Lesions in Subsequent MRI scans, Multiple Sclerosis Disease Evolution. 2010.
Pradilla, G.; F. León. Esclerosis múltiple en Colombia: cerrando la brecha. Disponible en: http://www.acnweb.org/acta/2007_23_1_3.pdf
Serrano, A.; E. Soria; J. Martín. Redes neuronales artificiales. Escuela Técnica Superior de Ingeniería, Curso de Doctorado, pp. 15-19, 2009-2010.
Wang, L.; N. Li; X. Zhou, et al. Texture Characteristic Analysis of MRI for Exploratory Study on Early Diagnosis of Multiple Sclerosis. IEEE/ICME International Conference on Complex Medical Engineering. pp. 652-655, 2007.
Yamamoto, D.; H. Arimura; S. Kakeda, et al. Computer-aided detection of multiple sclerosis lesions in brain magnetic resonance images: False positive reduction scheme consisted of rule-based, level set method, and support vector machine. Computerized Medical Imaging and Graphics, vol. 34, pp. 404-413, 2010.
Zhang, J.; L. Wang; L. Tong. Feature “Reduction and Texture Classification in MRI-Texture Analysis of Multiple Sclerosis”. IEEE/ICME International Conference on Complex Medical Engineering, pp. 752-757, 2007.
Zhang, J.; L. Tong; L. Wang, et al. Texture analysis of multiple sclerosis: a comparative study. Magnetic Resonance Imaging, vol. 26, pp. 1160-1166, 2008.
Cómo citar
APA
Aldana Ramírez, C. A., Orozco Higuera, N. F., y Barreto Melo, S. (2014). Identification of multiple sclerosis brain lesions in magnetic resonance imaging using texture analysis. Tecnura, 18, 89–102. https://doi.org/10.14483/udistrital.jour.tecnura.2014.SE1.a07
ACM
[1]
Aldana Ramírez, C.A. et al. 2014. Identification of multiple sclerosis brain lesions in magnetic resonance imaging using texture analysis. Tecnura. 18, (dic. 2014), 89–102. DOI:https://doi.org/10.14483/udistrital.jour.tecnura.2014.SE1.a07.
ACS
(1)
Aldana Ramírez, C. A.; Orozco Higuera, N. F.; Barreto Melo, S. Identification of multiple sclerosis brain lesions in magnetic resonance imaging using texture analysis. Tecnura 2014, 18, 89-102.
ABNT
ALDANA RAMÍREZ, César Augusto; OROZCO HIGUERA, Nelson Fabián; BARRETO MELO, Samuel. Identification of multiple sclerosis brain lesions in magnetic resonance imaging using texture analysis. Tecnura, [S. l.], v. 18, p. 89–102, 2014. DOI: 10.14483/udistrital.jour.tecnura.2014.SE1.a07. Disponível em: https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/8160. Acesso em: 18 ene. 2025.
Chicago
Aldana Ramírez, César Augusto, Nelson Fabián Orozco Higuera, y Samuel Barreto Melo. 2014. «Identification of multiple sclerosis brain lesions in magnetic resonance imaging using texture analysis». Tecnura 18 (diciembre):89-102. https://doi.org/10.14483/udistrital.jour.tecnura.2014.SE1.a07.
Harvard
Aldana Ramírez, C. A., Orozco Higuera, N. F. y Barreto Melo, S. (2014) «Identification of multiple sclerosis brain lesions in magnetic resonance imaging using texture analysis», Tecnura, 18, pp. 89–102. doi: 10.14483/udistrital.jour.tecnura.2014.SE1.a07.
IEEE
[1]
C. A. Aldana Ramírez, N. F. Orozco Higuera, y S. Barreto Melo, «Identification of multiple sclerosis brain lesions in magnetic resonance imaging using texture analysis», Tecnura, vol. 18, pp. 89–102, dic. 2014.
MLA
Aldana Ramírez, César Augusto, et al. «Identification of multiple sclerosis brain lesions in magnetic resonance imaging using texture analysis». Tecnura, vol. 18, diciembre de 2014, pp. 89-102, doi:10.14483/udistrital.jour.tecnura.2014.SE1.a07.
Turabian
Aldana Ramírez, César Augusto, Nelson Fabián Orozco Higuera, y Samuel Barreto Melo. «Identification of multiple sclerosis brain lesions in magnetic resonance imaging using texture analysis». Tecnura 18 (diciembre 1, 2014): 89–102. Accedido enero 18, 2025. https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/8160.
Vancouver
1.
Aldana Ramírez CA, Orozco Higuera NF, Barreto Melo S. Identification of multiple sclerosis brain lesions in magnetic resonance imaging using texture analysis. Tecnura [Internet]. 1 de diciembre de 2014 [citado 18 de enero de 2025];18:89-102. Disponible en: https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/8160
Descargar cita
Licencia
Esta licencia permite a otros remezclar, adaptar y desarrollar su trabajo incluso con fines comerciales, siempre que le den crédito y concedan licencias para sus nuevas creaciones bajo los mismos términos. Esta licencia a menudo se compara con las licencias de software libre y de código abierto “copyleft”. Todos los trabajos nuevos basados en el tuyo tendrán la misma licencia, por lo que cualquier derivado también permitirá el uso comercial. Esta es la licencia utilizada por Wikipedia y se recomienda para materiales que se beneficiarían al incorporar contenido de Wikipedia y proyectos con licencias similares.
