Aldana Ramírez, César AugustoOrozco Higuera, Nelson FabiánBarreto Melo, Samuel2019-09-192019-09-19http://hdl.handle.net/11349/20793La esclerosis múltiple (EM) es una enfermedad neurodegenerativa que ataca al sistema nervioso central (SNC), produce lesiones desmielinizantes y causa secuelas funcionales en adultos jóvenes, especialmente mujeres. Su diagnóstico y seguimiento se realizan a través de la resonancia magnética. En la actualidad, el análisis de texturas se ha convertido en una herramienta útil para la detección de este tipo lesiones. Por tal razón, en este artículo se busca identificar lesiones de EM utilizando los métodos de matrices de co-ocurrencia de nivel de gris y transformada wavelet (TW), y como métodos de clasificación redes neuronales (ANN) y máquinas de soporte vectorial (SVM) en imágenes de resonancia magnética (RMI) en secuencia FLAIR de 5 pacientes con diagnóstico de la enfermedad. La combinación apropiada de medidas de matrices de co-ocurrencia y wavelets permitieron obtener precisiones superiores a 96% para las máquinas de soporte vectorial y 90% para las redes neuronales, lo que demuestra que el uso combinado de dichas medidas es superior en la detección de estas lesionesLa esclerosis múltiple (EM) es una enfermedad neurodegenerativa que ataca al sistema nervioso central (SNC), produce lesiones desmielinizantes y causa secuelas funcionales en adultos jóvenes, especialmente mujeres. Su diagnóstico y seguimiento se realizan a través de la resonancia magnética. En la actualidad, el análisis de texturas se ha convertido en una herramienta útil para la detección de este tipo lesiones. Por tal razón, en este artículo se busca identificar lesiones de EM utilizando los métodos de matrices de co-ocurrencia de nivel de gris y transformada wavelet (TW), y como métodos de clasificación redes neuronales (ANN) y máquinas de soporte vectorial (SVM) en imágenes de resonancia magnética (RMI) en secuencia FLAIR de 5 pacientes con diagnóstico de la enfermedad. La combinación apropiada de medidas de matrices de co-ocurrencia y wavelets permitieron obtener precisiones superiores a 96% para las máquinas de soporte vectorial y 90% para las redes neuronales, lo que demuestra que el uso combinado de dichas medidas es superior en la detección de estas lesiones.application/pdfDerechos de autor 2015 Revista Tecnurainfo:eu-repo/semantics/article