Spelling suggestions: "subject:"sacroiliac"" "subject:"sacroilíaca""
1 |
Avaliação computadorizada de sacroiliíte em imagens de ressonância magnética / Computer-aided diagnosis of sacroiliitis in resonance magnetic imagesFaleiros, Matheus Calil 08 October 2018 (has links)
Espondiloartrites são um grupo de doenças com características clínicas, radiológicas e laboratoriais comuns, que afetam principalmente as articulações sacroilíacas e possuem um forte potencial de morbidade e impacto socioeconômico. O protocolo padrão para diagnóstico da sacroiliíte utiliza seis cortes coronais de imagens de ressonância magnética. Contudo, a avaliação visual das articulações sacroilíacas pode apresentar desafios aos especialistas, além de uma variação intrapessoal e interpessoal. Nesse sentido, o objetivo desse projeto foi desenvolver e comparar métodos de extração de atributos e classificação computadorizada a fim de detectar padrões nas imagens que levem a sua classificação como positiva ou negativa para presença de sacroiliíte ativa. O projeto obteve aprovação do Comitê de Ética do Hospital das Clínicas de Ribeirão Preto. Imagens de exames de ressonância magnética de 51 pacientes, obtidas com sequência Spectral Attenuated Inversion Recovery (SPAIR) e 46 com sequência Short Tau Inversion Recovery (STIR) foram utilizadas retrospectivamente, sendo que cada exame contém 6 imagens obtidas em corte coronal. Cada exame foi classificado por um especialista em positivo ou negativo para sacroiliíte ativa, totalizando 22 exames positivos e 29 negativos para SPAIR e 20 exames positivos e 26 negativos para STIR. Para evitar desbalanceamento de classes, o método de síntese de dados Syntetic Minority Over-sampling Technique foi utilizado. Cada imagem foi segmentada manualmente e colada em um fundo escuro para separar a região de interesse. Para reduzir possíveis ruídos, um pré-processamento utilizando uma transformação de perspectiva warp foi aplicado em cada uma das imagens, ampliando o tamanho da região de interesse para que cobrisse o fundo escuro. Os atributos extraídos para caracterizar as imagens foram estatísticos de níveis de cinza, textura de Haralick baseados na matriz de coocorrência de níveis de cinza, textura de Tamura baseados na direcionalidade do histograma, atributos espectrais baseados na transformada de Fourier, energias da wavelet de Haar, Gabor e estimativa da dimensão fractal. Cada paciente foi caracterizado pela média e desvio padrão de cada um dos atributos para suas 6 imagens do exame, formando um vetor de 230 componentes. Para reduzir o impacto da dimensionalidade, métodos de seleção de atributos ReliefF, Wrapper e teste Mann-Whitney U foram utilizados. Para classificação, foram utilizados os métodos de aprendizado de máquina naive bayes, árvore de decisão J48, floresta aleatória, perceptron multicamadas, k-vizinhos mais próximos e máquina de vetores de suporte. A classificação foi realizada utilizando validação cruzada 10-fold e foi avaliada pelas métricas sensibilidade, especificidade, área sob a curva ROC (receiver operating characteristic) (AUC), e pelas taxas de acerto e erro. Métodos de aprendizado profundo também foram utilizados. Foi efetuada uma comparação entre a concordância das sequências SPAIR e STIR utilizando coeficiente Kappa. A AUC máxima alcançada foi de 0,975 utilizando o perceptron multicamadas com seleção de atributos reliefF. / Spondyloarthritis are a group of diseases with common clinical, radiological and laboratory characteristics that mainly affect the sacroiliac joints and have a strong potential for morbidity and socioeconomic impact. The standard protocol for the diagnosis of sacroiliitis uses six coronal sections of magnetic resonance imaging. However, the visual evaluation of the sacroiliac joints may present challenges to the specialists, as well as an intrapersonal and interpersonal variation. In this sense, the objective of this project is to develop and compare methods of feature extraction and computerized classification in order to detect patterns in the images that lead to the classification between positive and negative for sacroiliitis. The project was approved by the Ethics Committee of the Hospital das Clínicas of Ribeirão Preto. Images of the exam of 51 patients for Spectral Attenuated Inversion Recovery and 46 for Short Tau Inversion Recovery were used retrospectively, and each exam contains 6 images. Each exam was classified by a specialist in positive and negative for sacroiliitis, totaling 22 positive and 29 negative exams for SPAIR and 20 positives and 26 negative for STIR. To avoid class imbalance, we used the data synthesis method Syntetic Minority Over-sampling Technique. Each image was manually segmented and pasted to a black background to separate the region of interest. To reduce possible high-frequency noise between the region of interest and the black background, a pre-processing using a warp perspective transformation was applied to each of the images, increasing the size of the region of interest to cover the entire black background. The extracted features to characterize were gray level statistics, Haralick texture based on gray level co-occurrence matrix, Tamura texture based on histogram directionality, spectral attributes based on Fourier transform, Haar wavelet energies, Gabor and fractal dimension estimation. Each patient was characterized by the mean and standard deviation of each of the features for their 6 images of the exam, forming a vector of 230 components. The feature selection methods ReliefF, Wrapper and Mann-Whitney U test was used. For classification, we used the conventional methods of machine learning naive bayes, decision tree J48, random forest, multilayer perceptron, k-nearest neighbors and support vector machine. The classification was performed using 10-fold cross validation and was evaluated by the sensitivity, specificity, area under the receiver operating characteristic (AUC), and complemented by the values of the hit rate and error rate. Deep learning methods was used. The comparison between SPAIR and STIR sequences was performed using kappa statistics. The highest AUC obteined was 0,975 using multilayer perceptron and ReliefF feature selection method.
|
Page generated in 0.0282 seconds