Comparación de modelos estadísticos para la detección de campos reverberantes uniformes en la formación de imágenes de elastografía

• Autor: Miranda Zárate, Edmundo Arom
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Pontificia Universidad Católica del Perú
• Repositorio: PUCP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.pucp.edu.pe:20.500.14657/186137
• Enlace del recurso: http://hdl.handle.net/20.500.12404/23099
• Nivel de acceso: acceso abierto
• Materia: Procesamiento de imágenes digitales; Ultrasonido--Elasticidad; Diagnóstico por imágenes; https://purl.org/pe-repo/ocde/ford#2.02.01

La elastografía abarca un grupo de técnicas no invasivas para la caracterización de tejidos como complemento al diagnóstico médico de diversas patologías. Una de estas técnicas es la elastografía por campo reverberante (R-SWE, por sus siglas en inglés), la cual consiste en generar un campo reverberante en el tejido de interés mediante múltiples fuentes de vibración asumiendo una distribución isotrópica de ondas planas para facilitar el cálculo de la velocidad de onda de corte (SWS, por sus siglas en inglés). Su factibilidad ha sido validada para la caracterización de mamas, hígado, riñones, músculo y pie; sin embargo, el cálculo de la SWS ha sido comprobado mientras se verifique la uniformidad del campo. El modelo actual que valida la estimación de la SWS se basa en la umbralización del coeficiente de determinación R2, el cual es producto del ajuste de curva a la autocorrelación de la velocidad de partículas, no obstante, este no analiza propiamente el concepto de uniformidad. En el presente trabajo, se presenta el estudio del fenómeno de uniformidad en un campo reverberante, mediante la extracción y análisis de estimadores estadísticos usados en campos reverberantes de ondas electromagnéticas con sus equivalencias en ondas mecánicas. Se propone un modelo identificación de campos reverberantes uniformes para la asistencia de la R-SWE, basado en clasificadores automáticos basados en regresión logística, análisis discriminante lineal y máquinas de vector soporte (con kernel lineal y gaussiano) con exactitudes de 0.713, 0.729, 0.732 y 0.817, respectivamente.