Item request has been placed! ×
Item request cannot be made. ×
loading  Processing Request

Desarrollo de una metodología de identificación automática de diagnósticos críticos a nivel cerebral en el departamento de radiología de la Fundación Valle del Lili

Item request has been placed! ×
Item request cannot be made. ×
loading   Processing Request
اقرأ أكثر حفظ في قائمتي
  • معلومة اضافية
    • Contributors:
      Pulgarín Giraldo, Juan Diego
    • بيانات النشر:
      Universidad Autónoma de Occidente
      Ingeniería Biomédica
      Departamento de Automática y Electrónica
      Facultad de Ingeniería
    • الموضوع:
      2020
    • Collection:
      Repositorio Educativo Digital Universidad Autónoma de Occidente (RED UAO)
    • الموضوع:
      Universidad Autónoma de Occidente. Calle 25 115-85. Km 2 vía Cali-Jamundí
    • نبذة مختصرة :
      El objetivo de este trabajo es proponer una metodología de identificación de diagnósticos significativos a nivel cerebral usando estudios de resonancia magnética de 98 pacientes: 33 con cerebros sanos y 65 pacientes con cerebros patológicos. Para esto, se implementan máquinas de aprendizaje para clasificar los estudios cerebrales entre sujetos sanos y patológicos, de acuerdo con los hallazgos por imagen para priorizar la revisión del estudio y su consecuente notificación oportuna del hallazgo crítico. Para la clasificación de los diagnósticos, se hizo la comparación de cinco modelos de máquinas de aprendizaje para obtener el modelo con las mejores métricas. Los resultados de clasificación fueron sobresalientes, pero el mejor fue el modelo Naive Bayes con unos resultados de exactitud, kappa y medida F de 100%, demostrando su alta exactitud al predecir el diagnóstico crítico cerebral al determinar la ausencia de falsos positivos y falsos negativos, lo cual permitiría priorizar las tareas de lectura y suponer un mejor desenlace clínico del paciente. Los hallazgos de este trabajo sugieren la utilidad de la metodología propuesta para identificar automáticamente alteraciones significativas en estudios de resonancia magnética cerebral que permitiría clasificarlos y priorizarlos en la lista de tareas de lectura ; The objective of this work is to propose a methodology to identify significant findings in the brain using MRI studies of 98 patients: 33 with healthy brains and 65 patients with pathological brains. We implement machine learning models to classify brain studies between healthy and pathological subjects, according to the imaging findings to prioritize the study review and its consequent timely notification of the critical finding. In the diagnosis classification, we compared five learning machine models to obtain the model with the best metrics. The classification results were outstanding, where the best was the Naive Bayes model, which has an accuracy, kappa, and measurement F of 100% values. The findings of ...
    • File Description:
      application/pdf; 99 páginas
    • Relation:
      Agency for Healthcare Research and Quality (2012). Emergency Severity Index (ESI): A Triage Tool for Emergency Department Care, 1-4. [En línea]. Recuperado de https://www.ahrq.gov/sites/default/files/wysiwyg/professionals/systems/hospital/esi/esihandbk.pdf; Alom, M. Z., Taha, T. M., Yakopcic, C., Westberg, S., Sidike, P., Nasrin, M. S., Van Esesn, B. C., Awwal, A. A. S. y Asari, V. K. (2018). The History Began from AlexNet: A Comprehensive Survey on Deep Learning Approaches. arXiv preprint arXiv:1803.01164, 2. Recuperado de https://arxiv.org/ftp/arxiv/papers/1803/1803.01164.pdf; Alves Ferreira, A. L. y C., Canudas, J., Cuellar, J., Roman Vaca, O., Flores, S., y Jiménez, W. (2011) Accidente Cerebro Vascular (ACV). Univ. Cienc. Soc., 5, 20. Recuperado de http://www.revistasbolivianas.org.bo/pdf/ucs/n5/n5_a04.pdf; American College of Radiology (2019). Acr–Asnr–Spr Practice Parameter for the Performance and Interpretation of Magnetic Resonance Imaging (MRI) of the Brain, 2-4.; Arauz, A. y Ruíz-Franco, A. (2012). Enfermedad vascular cerebral, Revista de la Facultad de Medicina, 55(3), 12. Recuperado de http://www.scielo.org.mx/pdf/facmed/v55n3/v55n3a3.pdf; Babiarz, L. S., Lewin, J. S. y Yousem, D. M. (2015). Continuous practice quality improvement initiative for communication of critical findings in neuroradiology. American Journal of Medical Quality, 30(5), 447. doi:10.1177/1062860614539188; Barone, L. R., Rodríguez, C. E., Ghiglioni, M. L., Gonzáles, C. D., y Luna, S. S. (2004). Anatomía y fisiología del cuerpo humano. Argentina: Cultural Librera Americana SA. (p.121).; Benjamin, P., Khan, F., y MacKinnon, A. D. (2017). The use of diffusion weighted imaging to evaluate pathology outside the brain parenchyma in neuroimaging studies. The British journal of radiology, 90(1072), 1.; Bishop, C. M. (2006). Pattern recognition and machine learning. Springer. pp. 137, 179-180.; Chouinard, B., Boliek, C., y Cummine, J. (2016). How to interpret and critique neuroimaging research: a tutorial on use of functional magnetic resonance imaging in clinical populations. American journal of speech-language pathology, 25(3), 269-270.; Christ, M., Grossmann, F., Winter, D., Bingisser, R. y Platz, E. (2010). Modern triage in the emergency department. Deutsches Ärzteblatt International, 107(50), 892.; DCM2NII (2016) [Software de computación]. Dougherty, G. (2009). Digital image processing for medical applications. Cambridge University Press. (p. 124).; Duda, R. O., Hart, P. E., & Stork, D. G. (2012). Pattern classification. John Wiley & Sons. pp. 7-9, 517.; Fonov, V. S., Evans, A. C., McKinstry, R. C., Almli, C. R., y Collins, D. L. (2009). Unbiased nonlinear average age-appropriate brain templates from birth to adulthood. NeuroImage, (47), S102. doi:10.1016/s1053-8119(09)70884-5; Fonov, V., Evans, A. C., Botteron, K., Almli, C. R., McKinstry, R. C., Collins, D. L., y Brain Development Cooperative Group. (2011). Unbiased average ageappropriate atlases for pediatric studies. Neuroimage, 54(1), 313-327. doi:10.1016/j.neuroimage.2010.07.033; Gallucci, M., Capoccia, S., y Catalucci, A. (2007). Radiographic atlas of skull and brain anatomy. Springer Science & Business Media. (p. 24).; Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media. (pp. 8-13, 24-30, 114, 177, 184, 200).; Gili, J. (1993). Introducción biofísica a la resonancia magnética. Centre Diagnóstic Pedralbes. (pp. 5,10).; Gogolla, N. (2017). The insular cortex. Current Biology, 27(12), R580-R580.; González, J. M., Alamos, F. y Abello, A. L. (2016). Cerebral Edema. En Nunes, R. H., Abello, A. L., y Castillo, M. (Eds.). Critical findings in neuroradiology (pp. 4-5). Switzerland: Springer.; Goodfellow, I., Bengio, Y., Courville, A., y Bengio, Y. (2016). Deep learning. MIT press. vol. 1. (p. 122).; Honig, S. E., Honig, E. L., Babiarz, L. B., Lewin, J. S., Berlanstein, B. y Yousem, D. M. (2014). Critical findings: timing of notification in neuroradiology. American Journal of Neuroradiology, 35(8), 1485.; Jenkinson, M., y Smith, S. (2001). A global optimisation method for robust affine registration of brain images. Medical image analysis, 5(2), 143-156.; Jenkinson, M., Bannister, P., Brady, M., y Smith, S. (2002). Improved optimization for the robust and accurate linear registration and motion correction of brain images. Neuroimage, 17(2), 825-841.; Jenkinson, M., Beckmann, C. F., Behrens, T. E., Woolrich, M. W., y Smith, S. M. (2012). FSL. Neuroimage, 62(2), 786.; Jenkinson, M., Pechaud, M., y Smith, S. (2005). BET2: MR-based estimation of brain, skull and scalp surfaces. In Eleventh annual meeting of the organization for human brain mapping, 167.; Kimberley, T. J., y Lewis, S. M. (2007). Understanding neuroimaging. Physical therapy, 87(6), 673. doi:10.2522/ptj.20060149; Larson, P. A., Berland, L. L., Griffith, B., Kahn Jr, C. E. y Liebscher, L. A. (2014). Actionable findings and the role of IT support: report of the ACR Actionable Reporting Work Group. Journal of the American College of Radiology, 11(6), 553. Recuperado de https://www.jacr.org/article/S1546-1440(13)00840-5/pdf; Leach, M. O. (2014). Magnetic Resonance Imaging. En Dance, D. R., Christofides, S., Maidment, A. D. A., McLean, I. D., y Ng, K. H. (Eds.) Diagnostic radiology physics (p. 385). Austria: International Atomic Energy Agency.; Marieb, E. (2008). Anatomía y fisiología humana. 9th ed. Madrid: Pearson Education S.A. (pp.242 – 243).; Martini, F. H., Tallitsch, R. B., y Nath, J. L. (2017) Anatomía Humana. 9 ed. Pearson. (pp. 404-406).; Mirtskhulava, L., Wong, J., Al-Majeed, S., y Pearce, G. (2015, March). Artificial Neural Network Model in Stroke Diagnosis. In 2015 17th UKSim-AMSS International Conference on Modelling and Simulation (UKSim), 50.; Moreno, M. E., y Álamos, F. (2016a). Epidural Hematoma. En Nunes, R. H., Abello, A. L., y Castillo, M. (Eds.). Critical findings in neuroradiology (pp. 219-220). Switzerland: Springer.; Moreno, M. E., y Álamos, F. (2016b). Subdural Hematoma. En Nunes, R. H., Abello, A. L., y Castillo, M. (Eds.). Critical findings in neuroradiology (pp. 225-226). Switzerland: Springer.; National Health Service England (2017). Radiology review. A national review of radiology reporting within the NHS in England. pp. 5-6. [En línea]. Recuperado de https://www.cqc.org.uk/sites/default/files/20180718-radiologyreporting-review-report-final-for-web.pdf; National Health Service England (2018). Diagnostic Imaging Dataset Annual Statistical Release 2016/17. p. 6. [En línea]. Recuperado de https://www.england.nhs.uk/statistics/wpcontent/uploads/sites/2/2017/11/Annual-Statistical-Release-2016-17DID-PDF-1.5MB.pdf; Nunes, R. H., Abello, A. L., y Castillo, M. (Eds.). (2016). Critical findings in neuroradiology. (p. xi). Switzerland: Springer.; Nwankpa, C., Ijomah, W., Gachagan, A., y Marshall, S. (2018). Activation functions: Comparison of trends in practice and research for deep learning. arXiv preprint arXiv:1811.03378, 1-2 Recuperado de https://arxiv.org/abs/1811.03378; Orejuela Zapata, J. F. (2019). Impact of an educational initiative targeting nonradiologist staff on overall notification times of critical findings in radiology. Emergency radiology, 26(6), 594. doi:10.1007/s10140-019-01708-w; Parizel, P. M., van den Hauwe, L., De Belder, F., Van Goethem, J., Venstermans, C., Salgado, R., Voormolen, M., y Van Hecke, W. (2010). Magnetic resonance imaging of the brain. In Clinical MR Imaging (pp. 107-195). Springer, Berlin, Heidelberg.; Pukenas, B. (2011). Normal brain anatomy on magnetic resonance imaging. Magnetic Resonance Imaging Clinics, 19(3), 429.; Raeisi Shahraki, H., Pourahmad, S., y Zare, N. (2017). K Important neighbors: a novel approach to binary classification in high dimensional data. BioMed research international, 2. doi:10.1155/2017/7560807; Research Imaging Institute, UTHSCSA (2020). Mango - short for Multi-image Analysis GUI. [Software de computación]; Rivera, D. M., Puentes, S., y Caballero, L. (2011). Resonancia magnética cerebral: secuencias básicas e interpretación. Universitas Médica, 52(3), 292-306.; Shalev-Shwartz, S., y Ben-David, S. (2014). Understanding machine learning: From theory to algorithms. Cambridge university press. (p. 2).; Sierra, D. F. J., Sierra, I. J., Montaño, C. A. C., Salazar, J. A. M., y Jens, C. T. (2019). Anatomía Básica de los Ganglios Basales. Rev. Médica Sanitas, 22(2), 67. Recuperado de http://www.unisanitas.edu.co/Revista/71/03Rev_Medica_Sanitas_22-2_DFortunato_et_al.pdf; Silva, F. A., Zarruk, J. G., Quintero, C., Arenas, W., Rueda-Clausen, C. F., Silva, S. Y. y Estupiñán, A. M. (2006). Enfermedad cerebrovascular en Colombia. Revista Colombiana de Cardiología, 13(2), 86.; Smith-Bindman, R., Kwan, M. L., Marlow, E. C., Theis, M. K., Bolch, W., Cheng, S. Y., Bowles, E.J.A., Duncan, J.R., Greenlee, R. T., Kushi, L. H., Pole, J. D, Rahm, A. K., Stout, N. K., Weinmann, S. y Miglioretti, D. L. (2019). Trends in use of medical imaging in US health care systems and in Ontario, Canada, 2000-2016. Jama, 322(9), 845. doi:10.1001/jama.2019.11456; Solomon, C., y Breckon, T. (2011). Fundamentals of Digital Image Processing: A practical approach with examples in Matlab. John Wiley & Sons. (pp. 63, 295).; Tortora, G. J., y Derrickson, B. (2013). Principios de anatomía y fisiología. Médica Panamericana. (p. 528).; Wasule, V., y Sonar, P. (2017). Classification of brain MRI using SVM and KNN classifier. In 2017 Third International Conference on Sensing, Signal Processing and Security (ICSSS), 218-221. doi:10.1109/SSPS.2017.8071594.; Waxman, S. (2011) Neuroanatomía Clínica. (26a. ed.). McGraw-Hill Interamericana. (p. 91).; Whitcher, B., Schmid, V. J., y Thornton, A. (2011). Working with the DICOM and NIfTI Data Standards in R. Journal of Statistical Software, 44(6), 1. doi:10.18637/jss.v044.i06; Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2019). Dive into Deep Learning. Unpublished draft. Retrieved. (p. 23).; Zhang, J. (2019). Secrets of the Brain: An Introduction to the Brain Anatomical Structure and Biological Function. arXiv preprint arXiv:1906.03314, 12-15; Zhang, Y., Komlosi, P., Xie, M., y Wintermark, M. (2016). Neuroimaging. Oxford Textbook of Neurocritical Care. Oxford University Press. doi:10.1093/med/9780198739555.003.0015; Zhang, Z. (2014). Too much covariates in a multivariable model may cause the problem of overfitting. Journal of thoracic disease, 6(9), E196. doi:10.3978/j.issn.2072-1439.2014.08.33; Zhang, Z. (2016). Naïve Bayes classification in R. Annals of translational medicine, 4(12), 2. doi:10.21037/atm.2016.03.38; Zhu, W., Zeng, N., y Wang, N. (2010). Sensitivity, specificity, accuracy, associated confidence interval and ROC analysis with practical SAS implementations. NESUG proceedings: health care and life sciences, 3.; http://red.uao.edu.co//handle/10614/12639
    • الدخول الالكتروني :
      http://red.uao.edu.co//handle/10614/12639
    • Rights:
      Derechos Reservados - Universidad Autónoma de Occidente ; https://creativecommons.org/licenses/by-nd/4.0/ ; info:eu-repo/semantics/openAccess ; Atribución-SinDerivadas 4.0 Internacional (CC BY-ND 4.0)
    • الرقم المعرف:
      edsbas.CAF20791