AUTORES: Miguel Angel Vera Antonio Bravo UNIVERSIDAD NACIONAL EXPERIMENTAL DEL TÁCHIRA DECANATO DE INVESTIGACIÓN I CONGRESO DE COMPUTACIÓN APLICADA San Cristóbal, Octubre 2006

EXTRACCIÓN DE LA FORMA VENTRICULAR IMÁGENES DE ANGIOGRAFÍA DIGITALIZADAS (I.A.D) FUNCIÓN VENTRICULAR

CONTORNOS VENTRICULARES

EN ATENCIÓN A LA NATURALEZA DEL PROBLEMA PLANTEADO Y DE ACUERDO A INVESTIGACIONES PREVIAS, SE DECIDIÓ TRABAJAR CON: R.N.A multicapa alimentadas hacia delante y entrenadas con el algoritmo de Retropropagación Resilente (RBP).R.N.A multicapa alimentadas hacia delante y entrenadas con el algoritmo de Retropropagación Resilente (RBP).

I.A.D APEX REG. ANT. V.AREG. POST. V.P Extracción de marcadores anatómicos VECTORES DE 961 COMP. SUBIMÁGENES DE 31*31 Px Genera Convertidas IMÁGENES BAJADAS DE INTERNET (“BASURA”) BASES DE DATOS (BD) Construcción R.N.A. Entrada Target PROCESOS TRAINNIGVALIDATION TEST SIMULACIÓNBOOSTRAPING ADAPTACIÓN Sometidas a De

Para generar una RNA, se debe establecer: 5.¿Cuántas unidades o neuronas se emplearán por capa? y ¿Cuántas capas debe poseer la red? R: RECOMIENDO usar El criterio de la raíz. Ecuación: h i = Ejemplo: Si n=961, el criterio se aplica así: Neuronas de primera capa escondida ( h 1 ), h 1 = = =31 Neuronas de segunda capa escondida (h 2 ), h 2 = = 6 …y asi sucesivamente.

Generación de la RNA RNA=newff(minmax(p),[31,7,2,1], {'tansig','tansig','tansig','tansig'},'trainrp'); Establecimiento de los parámetros a usar de RBP. RNA.trainParam.show=10; RNA.trainParam.epochs=100; RNA.trainParam.goal=1e-14; RNA.trainParam.min_grad=1e-015;

Entrenamiento, validación y test de la red. [RNA,tr]=train(RNA,p,t,[],[],val,test);

A partir de la información obtenida, se diseño una red neural, con la siguiente configuración: 961:31:6:2:1

RESULTADOS # de la ImagenCOORDENADA FINAL VPVAAP 1(0,0)(198,173)(282,263) 2(129,193)(195,169)(285,260) 3(121,191)(163,129)(298,285) 4(119,188)(185,160)(305,301) 5(120,187)(169,137)(306,302) 6(121,185)(185,157)(306,302) 7(119,182)(0,0)(304,303) 8(204,256)(177,148)(304,307) 9(118,187)(180,155)(310,302) 10(0,0)(199,170)(0,0) 11(109,156)(210,182)(282,277) 12(96,127)(209,182)(284,261) 13(0,0)(200,171)(282,263) 14(0,0)(186,156)(281,266) 15(95,189)(176,143)(289,277) 16(117,192)(175,146)(298,296) 17(116,190)(181,154)(304,301) 18(118,189)(184,157)(304,303) 19(116,186)(177,146)(303,303) 20(160,222)(172,142)(307,310) 21(115,188)(180,153)(307,306)

RESULTADOS

BIBLIOGRAFÍA (Boeker 86) Boeker Y., Witte G., Hoene K., “Experiments with Three-Dimensional Reconstrution of Ventriculograms using automatic contour detection”, in NATO ASI Series F, Pictoral Information System in Medicine, Ed. Hoehne K, Berlin, (Bravo 99) Bravo A., “Segmentación de Imágenes Ventriculográficas usando Modelos Deformables”, Universidad de los Andes, Facultad de Ingeniería, Mérida, Venezuela, (Covvey 70) Covvey H., “Measuring the human heart with a real-time computing system”. Data Processing Magazine, (Singh 98) Singh A., Goldfog D., Terzopoulos D, “Deformable Models in Medical Image Analysis”, IEEE Computer Society, Los Alamitos, (Veronin 92) Veronin C., “Optical Image Segmentation Using Neural-Based Wavelet Filtering Techniques”, Optical Engineering, Vol. 3, N° 2, pp , Enlaces en Internet: Genetic Algoritms, Canaveral/ 9802/3d5ca000.htmhttp:// Canaveral/ 9802/3d5ca000.htm Introducción a los Algoritmos Genéticos,