Resumen

La rápida propagación mundial de la pandemia de COVID-19 ha infectado a pacientes de todo el mundo en un breve espacio de tiempo. Las imágenes de tomografía computarizada (TC) torácica de los pacientes infectados por COVID-19 pueden ofrecer un diagnóstico precoz y un seguimiento eficaz del pronóstico a bajo coste. El diagnóstico de COVID-19 en TC de forma automatizada puede agilizar muchas tareas y la aplicación de tratamientos médicos. Esto puede ayudar a complementar el diagnóstico por transcripción inversa-reacción en cadena de la polimerasa (RT-PCR). El objetivo de este trabajo es desarrollar un sistema que identifique automáticamente la opacidad en vidrio deslustrado (OGL) y los infiltrados pulmonares (IP) en imágenes de TC de pacientes con COVID-19. El objetivo es evaluar la progresión de la enfermedad durante el seguimiento y evaluación del paciente. Proponemos una metodología eficiente que incorpora el desplazamiento medio de la sobresegmentación seguido del algoritmo superpixel-SLIC (agrupación iterativa lineal simple) en imágenes de TC con COVID-19 para la segmentación del parénquima pulmonar. Para identificar el parénquima pulmonar, describimos cada clúster de superpíxeles según su posición, intensidad de gris, textura de segundo orden y características de saliencia de contexto espacial para clasificar mediante un bosque aleatorio en árbol (TRF). En segundo lugar, aplicando la segmentación de cuenca a los clusters de desplazamiento medio, sólo las zonas de parénquima pulmonar identificadas por la segmentación mostraron GGO y PI basándose en la descripción de cada cluster de cuenca de su posición, intensidad de gris, entropía de gradiente, textura de segundo orden, posición euclidiana respecto a la región fronteriza de la zona PI, y características de saliencia global, después de utilizar TRF. Nuestros resultados de clasificación para la identificación del parénquima pulmonar en imágenes de TC con COVID-19 tuvieron una precisión superior al 92 y una recuperación superior al 92% en validación cruzada doble. Para GGO, la identificación del IP mostró una precisión del 96% y una recuperación del 96% en validación cruzada doble.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:COVID-19, segmentación de parénquima pulmonar, imágenes de TC, GGO, pacientes, validación cruzada, intensidad de gris, textura de orden, agrupación iterativa lineal simple, seguimiento eficaz de previsiones.
• Keywords:COVID-19, pulmonary parenchyma segmentation, CT images, GGO, patients, cross validation, grey intensity, order texture, simple linear iterative clustering, efficient forecast monitoring