Bolsa 19/25425-0 - Esclerose múltipla, Sistema nervoso central - BV FAPESP
Busca avançada
Ano de início
Entree

Desenvolvimento de estratégias de parada e seleção do número de agrupamentos para um modelo de mistura t-Student iterativo usado para a segmentação de lesões de esclerose múltipla em imagens de ressonância magnética

Processo: 19/25425-0
Modalidade de apoio:Bolsas no Brasil - Iniciação Científica
Data de Início da vigência: 01 de fevereiro de 2020
Data de Término da vigência: 31 de janeiro de 2021
Área de conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Ricardo José Ferrari
Beneficiário:João Gabriel Coli de Souza Monteneri Nacinben
Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
Assunto(s):Esclerose múltipla   Sistema nervoso central   Ressonância magnética   Segmentação de imagens   Imagem por ressonância magnética   Visualização volumétrica   Metodologia e técnicas de computação
Palavra(s)-Chave do Pesquisador:análise de textura | Esclerose Múltipla | Modelos de mistura de distribuições t-Student | Ressonância Magnética | segmentação de imagens | Processamento de Imagens Médicas

Resumo

Esclerose múltipla (EM) é uma doença inflamatória crônica, e possivelmente autoimune, que afeta o sistema nervoso central (SNC) e atinge principalmente a população de adultos jovens. Por motivos genéticos ou ambientais, na EM, o sistema imunológico começa a agredir a bainha de mielina que recobre os neurônios, comprometendo, assim, a função do SNC. O imageamento por ressonância magnética (RM) tem sido usado clinicamente com muito sucesso para o diagnóstico e monitoramento da EM devido, principalmente, ao excelente contraste entre os tecidos moles. Nos últimos anos, alguns métodos computacionais têm sido propostos para auxiliar na segmentação e medição volumétrica das lesões de EM, dentre os quais podemos citar um método, recentemente desenvolvido pelo nosso grupo de pesquisa, que é iterativo, não-supervisionado e baseia-se num modelo de mistura de distribuições t-Student. Apesar das vantagens de ser automático, não-supervisionado e ter apresentado resultados comparados a outros métodos propostos na literatura, o nosso método carece de uma estratégia de parada para o modelo, que é iterativo mas usa um número fixo de iterações, e de um critério de seleção do número de agrupamentos, que, atualmente, é fixo. Como possíveis soluções para as limitações mencionadas, nessa pesquisa investigaremos o uso de padrões de textura de mapas de lesões, obtidos a cada iteração do método, para definir uma estratégia de parada para o algoritmo. Além disso, também analisaremos os critérios Bayesian Information Criterion (BIC) e Akaike Information Criterion (AIC) como uma maneira de selecionar o número de agrupamentos para o modelo de mistura.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)