Herold-Garcia S, Marrero-Fernández P, Guerrero-Peña F, Gual-Arnau X, Montoya-Pedrón A, Jaume-i-Capó A

Idioma: Español
Referencias bibliográficas: 11
Paginas: 134-143
Archivo PDF: 217.18 Kb.

RESUMEN

El procesamiento de imágenes digitales y la visión por computador son ampliamente utilizados en medicina actualmente y son de gran interés las propuestas de nuevos métodos de análisis automatizado de imágenes digitales o mejorar la eficiencia de los existentes. En este trabajo se desarrollaron métodos nuevos para estudiar computacionalmente a través de imágenes de muestras de sangre la drepanocitosis, dolencia con alta incidencia mundial y en Cuba, sobre todo en la región oriental. Se propusieron nuevos métodos de análisis de formas, obtenidos a partir de resultados clásicos de geometría integral y nuevas propuestas de visión por computador para evaluar trastornos neurofisiológicos asociados a través del estudio de las expresiones faciales del paciente. La validación estadística realizada comprobó la superioridad de estos métodos sobre otros, se determinó que son válidos para ser introducidos en software de apoyo para mejorar la calidad de la atención médica.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Espinosa E, Svarch E, Martinez G, Hernandez P. La anemia drepanocítica en Cuba: Experiencia de 30 años. Rev. Cuba. Hematol. Inmunol. Hemoter. 1996; 12(2): 97-105.

2. Wheeless L, Robinson R, Lapets OP, Cox C, Rubio A, Weintraub M, Benjamin LJ. Classfication of red blood cells as normal, sickle, or other abnormal, using a single image analysis feature. Cytometry. 1994; 17(2): 159-166.

3. Frejlichowski D. Pre-processing, extraction and recognition of binary erythrocyte shapes for computer-assisted diagnosis based on MGG images. En: Bolc L, Tadeusiewicz R, Chmielewski LJ, Wojciechowski K, editors. ICCVG 2010: Proceedings or the International Conference on Computer Vision and Graphics. September 20-22, 2010, Warsaw, Poland; Springer, LNCS 6374 Part I, 2010: 368- 375.

4. Song H, Wang W. A new separation algorithm for overlapping blood cells using shape analysis. Int. J. Pattern Recog. Artif. Intell. 2009; 23(4): 847-864.

5. Kothari S, Chaudry Q, Wang MD. Automated cell counting and cluster segmentation using concavity detection and ellipse fitting techniques. En: ISBI '09: IEEE International Symposium on Biomedical Imaging: From Nano to Macro, 2009 June 28 2009-July 1; Boston, MA: IEEE 2009: 795-798.

6. Kindratenko V. On using functions to describe the shapes. J. Math. Imaging Vision. 2003; 18: 225-245.

7. Delin R. Topics in Integral Geometry, World Scientific, Singapore, 1994.

8. Gual X, Herold S, Simó A. Shape description from generalized support functions. Pattern Recog Lett. 2013; 34: 619-626.

9. Gual X, Herold S, Simó A. Erythrocyte Shape Classification Using IntegralGeometry-Based Methods. Med Biol Eng Comput. 2015; 53(7): 623-633.

10. Gonzalez M, Guerrero FA, Herold S, Jaume-i-Capo A, Marrero PD. Red Blood Cell Cluster Separation from Digital Images for use in Sickle Cell Disease. IEEE J Biomed Health Inform. 2014; 19(4): 1514-1525.

11. Marrero P, Montoya A, Jaume-i-Capó A, Buades JM. Evaluating the Research in Automatic Emotion Recognition. IETE Tech Rev. 2014; 31(3): 220-232.