Fuente:
Este artículo es originalmente publicado en:
http://www.condroprotectores.es/diagnostico-de-la-artrosis-de-rodilla-inicial-asistido-por-ordenador/
Este artículo es originalmente publicado en:
http://www.condroprotectores.es/diagnostico-de-la-artrosis-de-rodilla-inicial-asistido-por-ordenador/
http://iospress.metapress.com/content/x3087u7q2u0q71k6/?genre=article&issn=0959-2989&volume=24&issue=6&spage=3379
De:
Wu Y1, Yang R2, Jia S3, Li Z1, Zhou Z4, Lou T5.
De:
Wu Y1, Yang R2, Jia S3, Li Z1, Zhou Z4, Lou T5.
Biomed Mater Eng. 2014;24(6):3379-88. doi: 10.3233/BME-141161.
Todos los derechos reservados para:
Copyright ©2015 IOS Press All rights reserved.
Diagnóstico de la artrosis de rodilla inicial asistido por ordenador
Abstract
This work was aimed at studying the method of computer-aided diagnosis of early knee OA (OA: osteoarthritis). Based on the technique of MRI (MRI: Magnetic Resonance Imaging) T2 Mapping, through computer image processing, feature extraction, calculation and analysis via constructing a classifier, an effective computer-aided diagnosis method for knee OA was created to assist doctors in their accurate, timely and convenient detection of potential risk of OA. In order to evaluate this method, a total of 1380 data from the MRI images of 46 samples of knee joints were collected. These data were then modeled through linear regression on an offline general platform by the use of the ImageJ software, and a map of the physical parameter T2 was reconstructed. After the image processing, the T2 values of ten regions in the WORMS (WORMS: Whole-organ Magnetic Resonance Imaging Score) areas of the articular cartilage were extracted to be used as the eigenvalues in data mining. Then,a RBF (RBF: Radical Basis Function) network classifier was built to classify and identify the collected data. The classifier exhibited a final identification accuracy of 75%, indicating a good result of assisting diagnosis. Since the knee OA classifier constituted by a weights-directly-determined RBF neural network didn't require any iteration, our results demonstrated that the optimal weights, appropriate center and variance could be yielded through simple procedures. Furthermore, the accuracy for both the training samples and the testing samples from the normal group could reach 100%. Finally, the classifier was superior both in time efficiency and classification performance to the frequently used classifiers based on iterative learning. Thus it was suitable to be used as an aid to computer-aided diagnosis of early knee OA.
KEYWORDS:
Knee OA; MR T2 mapping; RBF neural network; computer-aided diagnosis
Resumen
Este trabajo tuvo como objetivo estudiar el método de diagnóstico asistido por ordenador de la OA de rodilla temprano (OA: osteoartritis). Basado en la técnica de la resonancia magnética (RM: resonancia magnética nuclear) Mapeo T2, a través del procesamiento de imágenes por ordenador, extracción de características, el cálculo y el análisis a través de la construcción de un clasificador, un método de diagnóstico asistido por ordenador eficaz para la artrosis de rodilla fue creado para ayudar a los médicos en su exacta , detección oportuna y conveniente de riesgo potencial de la OA. Para evaluareste método, se recogieron un total de 1380 datos de las imágenes por resonancia magnética de 46 muestras de las articulaciones de rodilla. Estos datos se modelarondespués a través de regresión lineal sobre una plataforma general fuera de línea por eluso del software ImageJ, y un mapa del parámetro T2 física fue reconstruido. Después del tratamiento de la imagen, los valores de T2 de diez regiones en los GUSANOS(gusanos: Whole-órgano resonancia magnética Score) se extrajeron las áreas delcartílago articular que se utilizará como los valores propios de la minería de datos.Entonces, una RBF (RBF: Función de base Radical) clasificador red fue construida paraclasificar e identificar los datos recogidos. El clasificador exhibió una exactitudidentificación final de 75%, lo que indica un buen resultado de ayudar diagnóstico. Desdeel clasificador OA de rodilla constituido por una red neuronal RBF-determinadadirectamente-pesos no requiere ninguna iteración, nuestros resultados demuestran que los pesos óptimos, centro y varianza apropiado podrían ser cedidos a través deprocedimientos sencillos. Además, la exactitud tanto para las muestras de entrenamientoy las muestras de prueba desde el grupo normal podría llegar a 100%. Por último, el clasificador fue superior tanto en la eficiencia del tiempo y clasificación de rendimientode los clasificadores utilizados con frecuencia basados en el aprendizaje iterativo. Por lo tanto, era adecuado para ser utilizado como ayuda en el diagnóstico asistido por ordenador de la OA de la rodilla temprano.
PALABRAS CLAVE:
OA de la rodilla; el mapeo RM T2; Red neuronal RBF; diagnóstico asistido por ordenador
PMID: 25227048 [PubMed - in process]
Todos los derechos reservados para:
Copyright ©2015 IOS Press All rights reserved.
Diagnóstico de la artrosis de rodilla inicial asistido por ordenador
Un reciente estudio publicado en la revista Bio-Medical Materials and Engineering analiza el método de diagnóstico asistido por ordenador de la artrosis inicial de rodilla, basándose en el mapeo de imágenes de resonancia magnética (IRM) T2. Dicho mapeo se realizó mediante el procesamiento informático de las imágenes, la extracción de las características, el cálculo y elanálisis a través de la construcción de un clasificador. De esta manera se elaboró un método de diagnóstico con el objetivo de asistir a los doctores a la hora de detectar de manera precisa el riesgo potencial de artrosis de rodilla.
Para poder evaluar este método, se recogieron 1.380 datos procedentes de 46 IRM de rodilla. Los datos se modelaron a través de una regresión lineal sobre una plataforma offline, y se reconstruyó un mapa del parámetro físico T2. Tras el procesamiento de las imágenes, se extrajeron los valores T2 pertenecientes a diez regiones de la escala WORMS (Whole-organ Magnetic Resonance Imaging Score) del cartílago articular, para usarlos como vectores propios en la exploración de los datos.
El clasificador demostró tener una exactitud de identificación del 75 por ciento, lo que los expertos han indicado como un buen resultado para asistir el diagnóstico. El clasificador de artrosis de rodilla fue constituido por una red neuronal RBF, determinada directamente por pesos, por lo que no requiere ninguna iteración. Los autores afirman además tanto para las muestras de entrenamiento y las muestras de prueba a partir del grupo normal podrían alcanzar una exactitud del 100%. Por último, el clasificador demostró ser superior en eficiencia de los tiempos como en la clasificación, respecto a los métodos basados en el aprendizaje iterativo que se utilizan frecuentemente. Es por esto que podría ser de ayuda a la hora de realizar un diagnóstico asistido por ordenador de la artrosis de rodilla en su fase inicial.
Abstract
This work was aimed at studying the method of computer-aided diagnosis of early knee OA (OA: osteoarthritis). Based on the technique of MRI (MRI: Magnetic Resonance Imaging) T2 Mapping, through computer image processing, feature extraction, calculation and analysis via constructing a classifier, an effective computer-aided diagnosis method for knee OA was created to assist doctors in their accurate, timely and convenient detection of potential risk of OA. In order to evaluate this method, a total of 1380 data from the MRI images of 46 samples of knee joints were collected. These data were then modeled through linear regression on an offline general platform by the use of the ImageJ software, and a map of the physical parameter T2 was reconstructed. After the image processing, the T2 values of ten regions in the WORMS (WORMS: Whole-organ Magnetic Resonance Imaging Score) areas of the articular cartilage were extracted to be used as the eigenvalues in data mining. Then,a RBF (RBF: Radical Basis Function) network classifier was built to classify and identify the collected data. The classifier exhibited a final identification accuracy of 75%, indicating a good result of assisting diagnosis. Since the knee OA classifier constituted by a weights-directly-determined RBF neural network didn't require any iteration, our results demonstrated that the optimal weights, appropriate center and variance could be yielded through simple procedures. Furthermore, the accuracy for both the training samples and the testing samples from the normal group could reach 100%. Finally, the classifier was superior both in time efficiency and classification performance to the frequently used classifiers based on iterative learning. Thus it was suitable to be used as an aid to computer-aided diagnosis of early knee OA.
KEYWORDS:
Knee OA; MR T2 mapping; RBF neural network; computer-aided diagnosis
Resumen
Este trabajo tuvo como objetivo estudiar el método de diagnóstico asistido por ordenador de la OA de rodilla temprano (OA: osteoartritis). Basado en la técnica de la resonancia magnética (RM: resonancia magnética nuclear) Mapeo T2, a través del procesamiento de imágenes por ordenador, extracción de características, el cálculo y el análisis a través de la construcción de un clasificador, un método de diagnóstico asistido por ordenador eficaz para la artrosis de rodilla fue creado para ayudar a los médicos en su exacta , detección oportuna y conveniente de riesgo potencial de la OA. Para evaluareste método, se recogieron un total de 1380 datos de las imágenes por resonancia magnética de 46 muestras de las articulaciones de rodilla. Estos datos se modelarondespués a través de regresión lineal sobre una plataforma general fuera de línea por eluso del software ImageJ, y un mapa del parámetro T2 física fue reconstruido. Después del tratamiento de la imagen, los valores de T2 de diez regiones en los GUSANOS(gusanos: Whole-órgano resonancia magnética Score) se extrajeron las áreas delcartílago articular que se utilizará como los valores propios de la minería de datos.Entonces, una RBF (RBF: Función de base Radical) clasificador red fue construida paraclasificar e identificar los datos recogidos. El clasificador exhibió una exactitudidentificación final de 75%, lo que indica un buen resultado de ayudar diagnóstico. Desdeel clasificador OA de rodilla constituido por una red neuronal RBF-determinadadirectamente-pesos no requiere ninguna iteración, nuestros resultados demuestran que los pesos óptimos, centro y varianza apropiado podrían ser cedidos a través deprocedimientos sencillos. Además, la exactitud tanto para las muestras de entrenamientoy las muestras de prueba desde el grupo normal podría llegar a 100%. Por último, el clasificador fue superior tanto en la eficiencia del tiempo y clasificación de rendimientode los clasificadores utilizados con frecuencia basados en el aprendizaje iterativo. Por lo tanto, era adecuado para ser utilizado como ayuda en el diagnóstico asistido por ordenador de la OA de la rodilla temprano.
PALABRAS CLAVE:
OA de la rodilla; el mapeo RM T2; Red neuronal RBF; diagnóstico asistido por ordenador
PMID: 25227048 [PubMed - in process]
No hay comentarios:
Publicar un comentario