dc.contributorHernández Hoyos, Marcela
dc.contributorIMAGINE
dc.creatorGarcía Alvarado, María Valentina
dc.date.accessioned2023-08-04T13:14:28Z
dc.date.accessioned2023-09-07T00:40:15Z
dc.date.available2023-08-04T13:14:28Z
dc.date.available2023-09-07T00:40:15Z
dc.date.created2023-08-04T13:14:28Z
dc.date.issued2023-08-03
dc.identifierhttp://hdl.handle.net/1992/69210
dc.identifierinstname:Universidad de los Andes
dc.identifierreponame:Repositorio Institucional Séneca
dc.identifierrepourl:https://repositorio.uniandes.edu.co/
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8727618
dc.description.abstractEl accidente vascular cerebral (ACV), también conocido como ataque cerebral, es un importante problema de salud, siendo la segunda causa de discapacidad y muerte en todo el mundo. Tan solo en Colombia, el accidente cerebrovascular se reportó dentro de las primeras cinco causas de mortalidad en el país, ocasionando 32 muertes por cada 100.000 habitantes en el año 2019. El accidente de tipo intraparenquimatoso (ICH) es la forma más común de ataque cerebral hemorrágico y representa aproximadamente el 10% o 15% de todos los casos. Este tipo de hemorragia se caracteriza por la presencia de un hematoma, cuyo volumen y ubicación son determinantes a la hora de realizarse un diagnóstico clínico. El objetivo principal de este proyecto de grado es la detección y cuantificación automática de hemorragias intraparenquimatosas a partir del procesamiento de imágenes de tomografías computarizadas del cerebro. Los objetivos específicos se encuentran en el capítulo. Una introducción a los ataques cerebrovasculares, los tipos considerados en el estudio, las características de las imágenes utilizadas, y el método de clustering utilizado se encuentran en el capítulo 2. Detalles de los datos utilizados se muestran en el capítulo 3. Posteriormente, en el capítulo 4, se expone el diseño de la solución y se explica con detalle en qué consiste cada paso junto con el código correspondiente escrito en Python. El análisis y los resultados obtenidos se muestran en el capítulo 5. Finalmente, en el capítulo 6 se discuten las conclusiones, aspectos por mejorar de este proyecto de grado y trabajo futuro en este tema. Como resultados más importantes de este trabajo, se resalta que la implementación propuesta logra identificar sangre en el cerebro. Con esto encuentra los hematomas en cada caso estudiado y además llega a identificar hemorragias de tipo intraventricular y subaracnoideo, estas últimas suelen ser más difíciles de ver incluso para un radiólogo experimentado. Además, este método permite realizar el cálculo de las áreas y volúmenes con más precisión que el método de aproximación de elipsoides utilizado por los radiólogos actualmente. Aunque el método presenta resultados prometedores, este debe seguir en desarrollo con el fin de lograr una mejor concordancia con los hallazgos de los expertos.
dc.languagespa
dc.publisherUniversidad de los Andes
dc.publisherIngeniería de Sistemas y Computación
dc.publisherFacultad de Ingeniería
dc.publisherDepartamento de Ingeniería Sistemas y Computación
dc.relationN. Bautista, "Enfermedad cerebrovascular, otra comorbilidad priorizada contra el covid-19," Boletin de prensa Minsalud, no. 689, junio 2021. [Online]. Available: https://www.minsalud.gov.co/Paginas/Enfermedad-cerebrovascular, -otra-comorbilidad-priorizada-contra-el-covid-19.aspx
dc.relationM. A. LoPresti, S. S. Bruce, E. Camacho, S. Kunchala, B. G. Dubois, E. Bruce, G. Appelboom, and E. S. Connolly, "Hematoma volume as the major determinant of outcomes after intracerebral hemorrhage," Journal of the neurological sciences, vol. 345, no. 1, pp. 3-7, 2014
dc.relationJ. Souza, J. Almeida, G. Holanda, and P. P. Filho, New Approach to Detect and Classify Stroke in Skull CT Images via Structural Co-occurrence Matrix and Machine Learning, 01 2019, pp. 341-348
dc.relationR. U, T.-H. Pham, A. Gudigar, V. Vidhya, N. R. Budipi, S. Sabut, J. E. W. Koh, E. Ciaccio, and U. R. Acharya, "Novel and accurate non-linear index for the automated detection of haemorrhagic brain stroke using ct images," Complex Intelligent Systems, vol. 7, 01 2021
dc.relationD. F. HANLEY, "Intraventricular hemorrhage : Severity factor and treatment target in spontaneous intracerebral hemorrhage," Stroke (1970), vol. 40, no. 4, pp. 1533-1538, 2009
dc.relationv. G. Jan, R. S. Kerr, and G. J. E. Rinkel, "Subarachnoid haemorrhage," The Lancet, vol. 369, no. 9558, pp. 306-18, Jan 2007, copyright - Copyright Elsevier Limited Jan 27-Feb 2, 2007; Características del documento - Photographs; ; Ultima actualización - 2023-03-01; CODEN - LANCAO. [Online]. Available: https://ezproxy.uniandes.edu.co:8443/login?url=https://www.proquest. com/scholarly-journals/subarachnoid-haemorrhage/docview/199072926/se-2
dc.relationA. Patel, F. Schreuder, C. Klijn, M. Prokop, B. Ginneken, H. Marquering, Y. Roos, M. Baharoglu, F. Meijer, and R. Manniesing, "Intracerebral haemorrhage segmentation in non-contrast ct," Scientific Reports, vol. 9, 11 2019
dc.relationK.-S. Chuang, H.-L. Tzeng, S. Chen, J. Wu, and T.-J. Chen, "Fuzzy c-means clustering with spatial information for image segmentation. computerized medical imaging and graphics, 30, 9-15," Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society, vol. 30, pp. 9-15, 02 2006
dc.relationD. Nameirakpam and Y. Chanu, "A survey on image segmentation methods using clustering techniques," European Journal of Engineering Research and Science, vol. 2, p. 15, 01 2017
dc.relationD. Krasnov, D. Davis, K. Malott, Y. Chen, X. Shi, and A. Wong, "Fuzzy c-means clustering: A review of applications in breast cancer detection," Entropy, vol. 25, no. 7, 2023. [Online]. Available: https://www.mdpi.com/1099-4300/25/7/1021
dc.relationI. A. Maraziotis, "A semi-supervised fuzzy clustering algorithm applied to gene expression data," Pattern Recognition, vol. 45, no. 1, pp. 637-648, 2012. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S0031320311002068
dc.relationH. Bhadauria and M. Dewal, "Intracranial hemorrhage detection using spatial fuzzy c-mean and region-based active contour on brain ct imaging," Signal, Image and Video Processing, vol. 8, 02 2014
dc.relationJ. Nayak, B. Naik, and H. S. Behera, "Fuzzy c-means (fcm) clustering algorithm: A decade review from 2000 to 2014," in Computational Intelligence in Data Mining - Volume 2, L. C. Jain, H. S. Behera, J. K. Mandal, and D. P. Mohapatra, Eds. New Delhi: Springer India, 2015, pp. 133-149.
dc.rightsAtribución 4.0 Internacional
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.titleIdentificación y cuantificación de hemorragias cerebrales intraparenquimatosas en imágenes de tomografías computarizadas
dc.typeTrabajo de grado - Pregrado


Este ítem pertenece a la siguiente institución