Aprendizaje automático y análisis estadístico para la evaluación de riesgo de rotura y comportamiento biomecánico de aneurismas intracraneales

Se estima que el 2 %-3% de de la población mundial presenta aneurismas intracraneales. Aunque los mismos suelen ser asintomáticos, la rotura y consecuente hemorragia del mismo, ponen en gran riesgo la vida de las personas, con tasas de mortalidad cercanas al 50 %. Junto a otros accidentes cerebro va...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Camussoni, Francesco
Formato: Tesis NonPeerReviewed
Lenguaje:Español
Publicado: 2021
Materias:
Medicina informática
Machine learning
Aprendizaje automático
Statistics
Estadística
[Rupture risk
Riesgo de rotura
Biomechanics
Biomecánica
Intracraneal aneurysms
Aneurismas intracraneal]
Acceso en línea:http://ricabib.cab.cnea.gov.ar/1018/1/1Camussoni.pdf
Aporte de:
Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB) de Instituto Balseiro
id I25-R131-1018
record_format dspace
institution Instituto Balseiro
institution_str I-25
repository_str R-131
collection Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB)
language Español
orig_language_str_mv es
topic Medicina informática
Machine learning
Aprendizaje automático
Statistics
Estadística
[Rupture risk
Riesgo de rotura
Biomechanics
Biomecánica
Intracraneal aneurysms
Aneurismas intracraneal]
spellingShingle Medicina informática
Machine learning
Aprendizaje automático
Statistics
Estadística
[Rupture risk
Riesgo de rotura
Biomechanics
Biomecánica
Intracraneal aneurysms
Aneurismas intracraneal]
Camussoni, Francesco
Aprendizaje automático y análisis estadístico para la evaluación de riesgo de rotura y comportamiento biomecánico de aneurismas intracraneales
topic_facet Medicina informática
Machine learning
Aprendizaje automático
Statistics
Estadística
[Rupture risk
Riesgo de rotura
Biomechanics
Biomecánica
Intracraneal aneurysms
Aneurismas intracraneal]
description Se estima que el 2 %-3% de de la población mundial presenta aneurismas intracraneales. Aunque los mismos suelen ser asintomáticos, la rotura y consecuente hemorragia del mismo, ponen en gran riesgo la vida de las personas, con tasas de mortalidad cercanas al 50 %. Junto a otros accidentes cerebro vasculares, representan la tercer causa de muerte en argentina. Sumado a esto, no existen al presente marcadores genéticos claros, ni factores de riesgo que in fluyan en el crecimiento y rotura de un aneurisma, existiendo variaciones significativas en la bibliografía. Entonces, existe el dilema de realizar una posible intervención quirúrgica innecesaria, de alta morbilidad, frente al riesgo que involucra la rotura del mismo. En el presente proyecto, se desarrollaron técnicas de aprendizaje automático para la clasificación del estado de rotura de aneurismas de la base de datos de Aneurisk. Para esto, se realizo una búsqueda exhaustiva de atributos relevantes al estado de rotura de aneurisma en antecedentes. Además, se desarrollaron técnicas de ingeniera de atributos como ser RFE y SPEC. Por otro lado, se utilizaron técnicas de reducción de dimensionalidad como ser UMAP, Isomap, PCA y el uso de un autoencoder. Finalmente, se generaron datos artificiales mediante la salida de un autoencoder. Los clasificadores propuestos fueron LR, KNN, SVC, XGB, GL y LGL, para los cuales se obtuvieron rendimientos máximos según AUC de 0.79, 0.79, 0.78, 0.8, 0.79, 0.82 para los clasificadores, respectivamente, para los datos de generalización. Por otro lado, se realizaron análisis estadísticos de los atributos obtenidos de un modelo biomecánico de laminas delgadas de Kircho-Love desarrollado en el proyecto PICTO-2016-0054, que enmarca el presente proyecto. Se encontró la dimensión intrínseca de los datos de salida, que resulto de 3, donde se utilizaron técnicas como PCA local, error de reconstrucción y la correlación de dimensión. En consiguiente, se realizo una reducción de dimensionalidad con Isomap a n de identificar propiedades de los atributos de salida. Se utilizo el aneurisma 34 como caso de estudio. En este, se idéntico que los efectos de pandeo están asociados a grandes curvaturas máximas, grandes relaciones de desplazamiento máximo y medio y grandes energías de membrana. Dichos resultados, fueron consistentes para los aneurismas 14, 42 y 90, como casos de control.
format Tesis
NonPeerReviewed
author Camussoni, Francesco
author_facet Camussoni, Francesco
author_sort Camussoni, Francesco
title Aprendizaje automático y análisis estadístico para la evaluación de riesgo de rotura y comportamiento biomecánico de aneurismas intracraneales
title_short Aprendizaje automático y análisis estadístico para la evaluación de riesgo de rotura y comportamiento biomecánico de aneurismas intracraneales
title_full Aprendizaje automático y análisis estadístico para la evaluación de riesgo de rotura y comportamiento biomecánico de aneurismas intracraneales
title_fullStr Aprendizaje automático y análisis estadístico para la evaluación de riesgo de rotura y comportamiento biomecánico de aneurismas intracraneales
title_full_unstemmed Aprendizaje automático y análisis estadístico para la evaluación de riesgo de rotura y comportamiento biomecánico de aneurismas intracraneales
title_sort aprendizaje automático y análisis estadístico para la evaluación de riesgo de rotura y comportamiento biomecánico de aneurismas intracraneales
publishDate 2021
url http://ricabib.cab.cnea.gov.ar/1018/1/1Camussoni.pdf
work_keys_str_mv AT camussonifrancesco aprendizajeautomaticoyanalisisestadisticoparalaevaluacionderiesgoderoturaycomportamientobiomecanicodeaneurismasintracraneales
_version_ 1812569730970550272
spelling I25-R131-10182022-05-06T18:17:24Z Aprendizaje automático y análisis estadístico para la evaluación de riesgo de rotura y comportamiento biomecánico de aneurismas intracraneales Machine learning and statiscal analysis for rupture risk and biomechanical behaviour of intracraneal aneurysms Camussoni, Francesco Medicina informática Machine learning Aprendizaje automático Statistics Estadística [Rupture risk Riesgo de rotura Biomechanics Biomecánica Intracraneal aneurysms Aneurismas intracraneal] Se estima que el 2 %-3% de de la población mundial presenta aneurismas intracraneales. Aunque los mismos suelen ser asintomáticos, la rotura y consecuente hemorragia del mismo, ponen en gran riesgo la vida de las personas, con tasas de mortalidad cercanas al 50 %. Junto a otros accidentes cerebro vasculares, representan la tercer causa de muerte en argentina. Sumado a esto, no existen al presente marcadores genéticos claros, ni factores de riesgo que in fluyan en el crecimiento y rotura de un aneurisma, existiendo variaciones significativas en la bibliografía. Entonces, existe el dilema de realizar una posible intervención quirúrgica innecesaria, de alta morbilidad, frente al riesgo que involucra la rotura del mismo. En el presente proyecto, se desarrollaron técnicas de aprendizaje automático para la clasificación del estado de rotura de aneurismas de la base de datos de Aneurisk. Para esto, se realizo una búsqueda exhaustiva de atributos relevantes al estado de rotura de aneurisma en antecedentes. Además, se desarrollaron técnicas de ingeniera de atributos como ser RFE y SPEC. Por otro lado, se utilizaron técnicas de reducción de dimensionalidad como ser UMAP, Isomap, PCA y el uso de un autoencoder. Finalmente, se generaron datos artificiales mediante la salida de un autoencoder. Los clasificadores propuestos fueron LR, KNN, SVC, XGB, GL y LGL, para los cuales se obtuvieron rendimientos máximos según AUC de 0.79, 0.79, 0.78, 0.8, 0.79, 0.82 para los clasificadores, respectivamente, para los datos de generalización. Por otro lado, se realizaron análisis estadísticos de los atributos obtenidos de un modelo biomecánico de laminas delgadas de Kircho-Love desarrollado en el proyecto PICTO-2016-0054, que enmarca el presente proyecto. Se encontró la dimensión intrínseca de los datos de salida, que resulto de 3, donde se utilizaron técnicas como PCA local, error de reconstrucción y la correlación de dimensión. En consiguiente, se realizo una reducción de dimensionalidad con Isomap a n de identificar propiedades de los atributos de salida. Se utilizo el aneurisma 34 como caso de estudio. En este, se idéntico que los efectos de pandeo están asociados a grandes curvaturas máximas, grandes relaciones de desplazamiento máximo y medio y grandes energías de membrana. Dichos resultados, fueron consistentes para los aneurismas 14, 42 y 90, como casos de control. It is estimated that 2% - 3% of the world population present intracranial aneurysms. Although they are usually asymptomatic, the rupture and its consequent hemorrhage,implies great risk for people's live with mortality rates close to 50 %. This illness, along with other cerebrovascular accidents, represent the third death cause in Argentina. In addition, there are no clear genetic markers present or risk factors that in fluence the growth and rupture of an aneurysm, with signicant variations in the literature. Then, there is the dilemma of a possible and unnecessary surgical intervention, with high morbidity, when an aneurysm is detected and the risk involved in its rupture. In the present project, machine learning techniques were developed for classifying the rupture status of aneurysms from the Aneurisk database. For this, an exhaustive search in antecedents was carried out, where relevant features to the state of rupture of the aneurysm were found. In addition, feature engineering techniques such as RFE and SPEC were developed. On the other hand, dimensionality reduction techniques were used, such as UMAP, Isomap, PCA and an autoencoder. Finally, articial data was generated by an autoencoder. The proposed classiers were LR, KNN, SVC, XGB, GL and LGL, where the obtained maximum performances according to AUC were 0.79, 0.79, 0.78, 0.8, 0.79, 0.82 for the classiers, respectively, for the generalization data. On the other hand, statistical analysis was carried out of the features obtained from a Kircho-Love thin-lamina biomechanical model developed in project PICTO-2016- 0054, which frames the present work. The intrinsic dimension of the output data was found, which was 3. For this, local PCA techniques, reconstruction error and dimension correlation were used. Consequently, dimensionality reduction techniques were performed with techniques such as Isomap and UMAP in order to identify properties of the output features. Aneurysm 34 was used as a case study. Buckling eeffcts were associated with large maximum curvatures, large maximum and mean displacement ratios and large membrane energies. These results were consistent for control aneurysms 14, 42 and 90. 2021-07-02 Tesis NonPeerReviewed application/pdf http://ricabib.cab.cnea.gov.ar/1018/1/1Camussoni.pdf es Camussoni, Francesco (2021) Aprendizaje automático y análisis estadístico para la evaluación de riesgo de rotura y comportamiento biomecánico de aneurismas intracraneales / Machine learning and statiscal analysis for rupture risk and biomechanical behaviour of intracraneal aneurysms. Proyecto Integrador Ingeniería Mecánica, Universidad Nacional de Cuyo, Instituto Balseiro. http://ricabib.cab.cnea.gov.ar/1018/

Ejemplares similares