Análisis cuantitativo de variables hemodinámicas de la aorta obtenidas de 4D flow
Objetivo: Los parámetros hemodinámicos son de gran utilidad para realizar un adecuado diagnóstico. Sin embargo, debido a la gran cantidad de variables que pueden obtenerse, el análisis global de todas ellas puede ser complejo. Para facilitar esta tarea, nosotros proponemos crear un modelo que permita clasificar distintas variables hemodinámicas entre las pertenecientes a un individuo sano o a uno patológico. Para ello, usaremos técnicas de minería de datos que permitan identificar y encontrar relaciones entre distintos parámetros hemodinámicos de la aorta obtenidos a través de flujo multidimensional (4D flow) por resonancia magnética. Método: Una secuencia 4D flow de todo el corazón y los grandes vasos fue adquirida utilizando resonancia magnética en 19 voluntarios sanos y 2 pacientes (uno con una coartación aórtica y otro con una coartación aórtica reparada). Retrospectivamente, los datos fueron reformateados a lo largo de la aorta, originándose 3 cortes en los voluntarios y 30 cortes en cada paciente. En cada corte la aorta fue segmentada y distintos parámetros fueron cuantificados: área, velocidad máxima, velocidad mínima, flujo y volumen, calculándose en los cuatro últimos su valor máximo, promedio, desviación estándar, curtosis, sesgo, proporción de tiempo en alcanzar el valor máximo, entre otros. Teniendo un total de 26 variables por cada corte. Se aplicó la técnica de árboles de decisión tipo CART (por sus siglas en inglés) para clasificar los datos. Para validar el modelo, 2 cortes extras fueron generados por cada voluntario y 20 cortes por cada paciente. Resultados: La técnica CART, mediante la utilización de sólo 7 variables, puede clasificar las imágenes de los voluntarios y pacientes con una tasa de error del 14,1%, una sensibilidad de 82,5% y una especificidad de 89.4%. Conclusiones: 4D flow provee una gran cantidad de datos hemodinámicos que son difíciles de analizar. En este trabajo demostramos que al utilizar minería de datos se pueden clasificar imágenes a partir de parámetros hemodinámicos relevantes y sus relaciones para apoyar el diagnóstico de alteraciones cardiovasculares.
| Main Authors: | , , , , |
|---|---|
| Format: | Digital revista |
| Language: | Spanish / Castilian |
| Published: |
Sociedad Chilena de Radiología
2012
|
| Online Access: | http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0717-93082012000200005 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Objetivo: Los parámetros hemodinámicos son de gran utilidad para realizar un adecuado diagnóstico. Sin embargo, debido a la gran cantidad de variables que pueden obtenerse, el análisis global de todas ellas puede ser complejo. Para facilitar esta tarea, nosotros proponemos crear un modelo que permita clasificar distintas variables hemodinámicas entre las pertenecientes a un individuo sano o a uno patológico. Para ello, usaremos técnicas de minería de datos que permitan identificar y encontrar relaciones entre distintos parámetros hemodinámicos de la aorta obtenidos a través de flujo multidimensional (4D flow) por resonancia magnética. Método: Una secuencia 4D flow de todo el corazón y los grandes vasos fue adquirida utilizando resonancia magnética en 19 voluntarios sanos y 2 pacientes (uno con una coartación aórtica y otro con una coartación aórtica reparada). Retrospectivamente, los datos fueron reformateados a lo largo de la aorta, originándose 3 cortes en los voluntarios y 30 cortes en cada paciente. En cada corte la aorta fue segmentada y distintos parámetros fueron cuantificados: área, velocidad máxima, velocidad mínima, flujo y volumen, calculándose en los cuatro últimos su valor máximo, promedio, desviación estándar, curtosis, sesgo, proporción de tiempo en alcanzar el valor máximo, entre otros. Teniendo un total de 26 variables por cada corte. Se aplicó la técnica de árboles de decisión tipo CART (por sus siglas en inglés) para clasificar los datos. Para validar el modelo, 2 cortes extras fueron generados por cada voluntario y 20 cortes por cada paciente. Resultados: La técnica CART, mediante la utilización de sólo 7 variables, puede clasificar las imágenes de los voluntarios y pacientes con una tasa de error del 14,1%, una sensibilidad de 82,5% y una especificidad de 89.4%. Conclusiones: 4D flow provee una gran cantidad de datos hemodinámicos que son difíciles de analizar. En este trabajo demostramos que al utilizar minería de datos se pueden clasificar imágenes a partir de parámetros hemodinámicos relevantes y sus relaciones para apoyar el diagnóstico de alteraciones cardiovasculares. |
|---|