EUVIMEDEUVIMED entdecken
Open Access · CC BY-SA 4.0

Caracterización de isquemias cerebrales en imágenes de resonancia magnética usando la transformada de Hermite

Yaileth Johanna Morales Daza, Leticia María Acosta Oñate, Lorena Paola Vargas Quintero, Leiner Barba Jiménez, Carlos Eduardo Díaz Fernández

Tecnura · 31.03.2026 · 30 (87) · 25-38

DOI: 10.14483/22487638.24046 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Tecnura, online erschienen am 31.03.2026. Verfasst von Yaileth Johanna Morales Daza und 4 weiteren Autor:innen. Die Arbeit nennt 9 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-SA 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Contexto: Las Imágenes de Resonancia Magnética (IRM) son altamente útiles para evaluar isquemias cerebrales y resultan de vital importancia para detectar las regiones donde se ubican dichas lesiones, así como para determinar su estado y condición. El análisis de estas imágenes lo realiza normalmente el médico especialista, y el diagnóstico depende fundamentalmente del conocimiento y experiencia del especialista. No obstante, para llevar a cabo un análisis cuantitativo y más objetivo, resulta de mucha utilidad la creación de modelos y herramientas matemáticas que permitan caracterizar las regiones afectadas y las regiones sanas. Ante esta necesidad, las técnicas de procesamiento digital de imágenes y las de inteligencia artificial se han convertido en alternativas para desarrollar herramientas de ayuda diagnóstica para las isquemias y otros tipos de enfermedades. Objetivo: Caracterizar y segmentar isquemias cerebrales a partir de IRM utilizando un proceso de análisis de textura basado en la transformada de Hermite. Metodología: La caracterización permite desarrollar un esquema capaz de diferenciar tejidos sanos e isquémicos de forma automática en las IRM, mediante un algoritmo de aprendizaje de máquinas o clasificador. Además, se utilizan otras técnicas de procesamiento de imágenes que contribuyen al proceso final de segmentación. Resultados: Las pruebas se realizaron con imágenes de una base de datos pública conformada por IRM que han sido adquiridas de pacientes con isquemias cerebrales. Los resultados fueron evaluados y analizados en la etapa de clasificación de los tejidos y en la etapa de segmentación, con presentación de resultados cualitativos y cuantitativos. En el contexto de la segmentación, el algoritmo desarrollado mostró un alto nivel de eficacia al delimitar las regiones isquémicas con un coeficiente Dice promedio cercano al 80 %. Aunque se observaron algunos falsos positivos, estos fueron mitigados en etapas posteriores mediante técnicas de morfología matemática como la erosión, dilatación y llenado de huecos. Conclusiones: El enfoque descrito no solo mejoró la calidad de la segmentación, sino que también aseguró la robustez del sistema frente a variaciones y ruidos en las imágenes. Este enfoque matemático demostró ser una herramienta de gran valor, al permitir un análisis profundo y direccional de las texturas presentes en las imágenes, destacándose por su capacidad para identificar y diferenciar tejidos sanos de los afectados por isquemias con una alta precisión.

Zitieren

APA

Daza, Y. J. M., Oñate, L. M. A., Quintero, L. P. V., Jiménez, L. B., & Fernández, C. E. D. (2026). Caracterización de isquemias cerebrales en imágenes de resonancia magnética usando la transformada de Hermite. Tecnura, 30(87), 25-38. https://doi.org/10.14483/22487638.24046

Vancouver

Daza YJM, Oñate LMA, Quintero LPV, Jiménez LB, Fernández CED. Caracterización de isquemias cerebrales en imágenes de resonancia magnética usando la transformada de Hermite. Tecnura. 2026;30(87):25-38. doi:10.14483/22487638.24046

BibTeX
@article{Daza2026,
  author = {Daza, Yaileth Johanna Morales and Oñate, Leticia María Acosta and Quintero, Lorena Paola Vargas and Jiménez, Leiner Barba and Fernández, Carlos Eduardo Díaz},
  title = {Caracterización de isquemias cerebrales en imágenes de resonancia magnética usando la transformada de Hermite},
  journal = {Tecnura},
  year = {2026},
  volume = {30},
  number = {87},
  pages = {25--38},
  doi = {10.14483/22487638.24046}
}
Kostenlos starten →