Morfometría del sistema ventricular encefálico en adultos con funciones cognitivas normales
Palabras clave:
biomarcadores, volumetría, ventrículos cerebrales.Resumen
Introducción: Con la introducción de las técnicas modernas de aprendizaje automático en las neuroimágenes ha sido posible desarrollar sistemas de clasificación automáticos y descubrir biomarcadores de envejecimiento.
Objetivo: Determinar la volumetríadel sistema ventricular encefálico según la edad y el sexo.
Métodos: Se desarrolló un estudio observacional analítico, en 320 sujetos con funciones neurocognitivas y examen neuropsiquiátrico normales, en edades comprendidas entre 30 y 79 años, a quienes se les realizó tomografía computarizada de cráneo simple monocorte. Se empleó un método de segmentación de imagen basado en el análisis de texturas homogéneas e interpolación.
Resultados: Los volúmenes de los ventrículos encefálicos aumentaron con el incremento de la edad. Mientras que el sexo tuvo un efecto significativo; se obtuvieron magnitudes mayores en el sexo masculino.
Conclusiones: El protocolo de adquisición de neuroimágenes implementado permite obtener los parámetros volumétricos encefálico, según el sexo y la edad, en una población con funciones cognitivas globales normales, a partir de imágenes de tomografía axial computarizada.
Descargas
Los datos de descargas todavía no están disponibles.
Citas
1. Baecker L, Dafflon J, Da Costa PF, García-Días R, Vieira S, Scarpazza C, et al. Brain age prediction: A comparison between machine learning models using region-and voxel-based morphometric data. Hum Brain Mapp.2021; 42(8): 2332-46. DOI: 10.1002/hbm.25368
2. Mesa Pujals AA, Hernández Cortés KS, Montoya Pedrón A, Bolaños Vaillant S, Álvarez Guerra ED. Análisis de texturas homogéneas para la estimación volumétrica de la materia cerebral por tomografía computarizada. RCIM. 2022 [acceso: 27/01/2023]; 14(1): [aprox. 14 p.]. Disponible en: http://scielo.sld.cu/scielo.php?pid=S1684-18592022000100003&script=sci_abstract&tlng=en
3. Valdés Sosa PA, Galán García L, Bosch Bayard J, Bringas Vega ML, Aubert Vazquez E, Rodríguez Gil I, et al. The Cuban Human Brain Mapping Project, a young and middle age population-based EEG, MRI, and cognition dataset. Sci data. 2021; 8(1): 45. DOI: 10.1038/s41597-021-00829-7
4. Spalletta G, Piras F, Gili T. Brain Morphometry, Neuromethods. En: Hiroshi M. Morphometry in Normal Aging. New Jersey: Human Press; 2018. p. 165-70. DOI: 10.1007/978-1-4939-7647-8
5. Hernández- Cortés Katherine S, Mesa- Pujals Adrián A, García- Gómez Odalis, Montoya Pedrón A. Brain morphometry in adult: volumetric visualization as a tool in image processing. Rev mex neurocienc. 2021; 22(3): 101-11. DOI: 10.24875/rmn.20000074
6. Kang DW, Wang SM, Na HR, Park SY, Kim NY, Lee CU, et al. Differences in cortical Structure between cognitively normal East Asian and Caucasian older adults: a surface-based morphometry study. Sci. Rep. 2020; 10(1): 1-9. DOI: 10.1038/s41598-020-77848-8
7. Rueda A, Enriquez LF. Una revisión de técnicas básicas de neuroimagen para el diagnóstico de enfermedades neurodegenerativas. Biosalud. 2018; 17(2): 59-90. DOI: 10.17151/biosa.2018.17.2.5
8. Rouviere H, Delmas A. Anatomía Humana Descriptiva, Topográfica y Funcional. 11.ª ed. Francia; 2005.
9. Mohanty A, Mahapatra S, Bhanja U. Traffic congestion detection in a city using clustering techniques in VANETs. Indones. J Electr Eng Comput Sci. 2019; 13(2): 884-91. DOI: 10.11591/ijeecs.v13.i3.pp884-891
10. Heurtier A. Texture feature extraction methods: A survey. IEEE Access. 2019; 7: 8975-9000. DOI: 10.1109/ACCESS.2018.2890743
11. Baecker L, Dafflon J, Da Costa PF, García-Días R, Vieira S, Scarpazza C, et al. Brain age prediction: A comparison between machine learning models using region-and voxel-based morphometric data. Hum Brain Mapp. 2021; 42(8):2332-2346. DOI: 10.1002/hbm.25368
12. Soltanian Zadeh H, Windham JP. A multiresolution approach for contour extraction from brain images. J Med Phys.1997; 24(12):1844-53. DOI: 10.1118/1.598099
13. Kollem S, Reddy KR, Rao DS. A review of image denoising and segmentation methods based on medical images. Int J Mach Learn Comput. 2019; 9(3):288-95. DOI: 10.18178/ijmlc.2019.9.3.800
14. Rencher AC. Methods of Multivariate Analysis. Second Edition. Brigham Young University; 2002.
15. Shaikh Shamama F, Sukre SB. Morphometric study of frontal horn of lateral ventricle by Computerised Tomography. Int J Anat Res. 2017; 5(3.1):4063-66. DOI: 10.16965/ijar.2017.250
16. Namrata K, Radhika PM , Shailaja S, Ashok K. Morphometric study of ventricular indices in human brain using computed tomography scans in indian population. Int J Anat Res. 2018; 6(3.2):5574-80. DOI: 10.16965/ijar.2018.286
17. Polat S, Öksüzler FY, Öksüzler M, Kabakci AG, Yücel AH. Morphometric MRI study of the brain ventricles in healthy Turkish subjects. Int J Morpho. 2019; 37(2):554-60. DOI: 10.4067/S0717-95022019000200554
18. Dzefi-Tettey K, Edzie E, Gorleku PN, Brakohiapa EK, Osei B, Asemah AR, et al . Evans index among adult Ghanaians on normal head computerized tomography scan. 2021; 7(5): e06982. DOI: 10.1016/j.heliyon.2021.e06982
19. Hirnsteina M, Hausmann M. Sex/ gender differences in the brain are not trivial. Neuroscience and Biobehavioral Reviews. 2021; 130:408-9. DOI: 10.1016/j.neubiorev.2021.09.012
20. Pintzka CW, Hansen TI, Evensmoen HR, Håberg AK. Marked effects of intracranial volume correction methods on sex differences in neuroanatomical structures: a HUNT MRI study. Frontiers in neuroscience. 2015; 9: 238. DOI: 10.3389/fnins.2015.00238
21. Sanchis Segura C, Ibañez Gual MV, Aguirre N, Cruz Gómez ÁJ, Forn C. Effects of different intracranial volume correction methods on univariate sex differences in grey matter volume and multivariate sex prediction. Scientific Reports. 2020; 10(1):1-15. DOI: 10.1038/s41598.020.69361.9
2. Mesa Pujals AA, Hernández Cortés KS, Montoya Pedrón A, Bolaños Vaillant S, Álvarez Guerra ED. Análisis de texturas homogéneas para la estimación volumétrica de la materia cerebral por tomografía computarizada. RCIM. 2022 [acceso: 27/01/2023]; 14(1): [aprox. 14 p.]. Disponible en: http://scielo.sld.cu/scielo.php?pid=S1684-18592022000100003&script=sci_abstract&tlng=en
3. Valdés Sosa PA, Galán García L, Bosch Bayard J, Bringas Vega ML, Aubert Vazquez E, Rodríguez Gil I, et al. The Cuban Human Brain Mapping Project, a young and middle age population-based EEG, MRI, and cognition dataset. Sci data. 2021; 8(1): 45. DOI: 10.1038/s41597-021-00829-7
4. Spalletta G, Piras F, Gili T. Brain Morphometry, Neuromethods. En: Hiroshi M. Morphometry in Normal Aging. New Jersey: Human Press; 2018. p. 165-70. DOI: 10.1007/978-1-4939-7647-8
5. Hernández- Cortés Katherine S, Mesa- Pujals Adrián A, García- Gómez Odalis, Montoya Pedrón A. Brain morphometry in adult: volumetric visualization as a tool in image processing. Rev mex neurocienc. 2021; 22(3): 101-11. DOI: 10.24875/rmn.20000074
6. Kang DW, Wang SM, Na HR, Park SY, Kim NY, Lee CU, et al. Differences in cortical Structure between cognitively normal East Asian and Caucasian older adults: a surface-based morphometry study. Sci. Rep. 2020; 10(1): 1-9. DOI: 10.1038/s41598-020-77848-8
7. Rueda A, Enriquez LF. Una revisión de técnicas básicas de neuroimagen para el diagnóstico de enfermedades neurodegenerativas. Biosalud. 2018; 17(2): 59-90. DOI: 10.17151/biosa.2018.17.2.5
8. Rouviere H, Delmas A. Anatomía Humana Descriptiva, Topográfica y Funcional. 11.ª ed. Francia; 2005.
9. Mohanty A, Mahapatra S, Bhanja U. Traffic congestion detection in a city using clustering techniques in VANETs. Indones. J Electr Eng Comput Sci. 2019; 13(2): 884-91. DOI: 10.11591/ijeecs.v13.i3.pp884-891
10. Heurtier A. Texture feature extraction methods: A survey. IEEE Access. 2019; 7: 8975-9000. DOI: 10.1109/ACCESS.2018.2890743
11. Baecker L, Dafflon J, Da Costa PF, García-Días R, Vieira S, Scarpazza C, et al. Brain age prediction: A comparison between machine learning models using region-and voxel-based morphometric data. Hum Brain Mapp. 2021; 42(8):2332-2346. DOI: 10.1002/hbm.25368
12. Soltanian Zadeh H, Windham JP. A multiresolution approach for contour extraction from brain images. J Med Phys.1997; 24(12):1844-53. DOI: 10.1118/1.598099
13. Kollem S, Reddy KR, Rao DS. A review of image denoising and segmentation methods based on medical images. Int J Mach Learn Comput. 2019; 9(3):288-95. DOI: 10.18178/ijmlc.2019.9.3.800
14. Rencher AC. Methods of Multivariate Analysis. Second Edition. Brigham Young University; 2002.
15. Shaikh Shamama F, Sukre SB. Morphometric study of frontal horn of lateral ventricle by Computerised Tomography. Int J Anat Res. 2017; 5(3.1):4063-66. DOI: 10.16965/ijar.2017.250
16. Namrata K, Radhika PM , Shailaja S, Ashok K. Morphometric study of ventricular indices in human brain using computed tomography scans in indian population. Int J Anat Res. 2018; 6(3.2):5574-80. DOI: 10.16965/ijar.2018.286
17. Polat S, Öksüzler FY, Öksüzler M, Kabakci AG, Yücel AH. Morphometric MRI study of the brain ventricles in healthy Turkish subjects. Int J Morpho. 2019; 37(2):554-60. DOI: 10.4067/S0717-95022019000200554
18. Dzefi-Tettey K, Edzie E, Gorleku PN, Brakohiapa EK, Osei B, Asemah AR, et al . Evans index among adult Ghanaians on normal head computerized tomography scan. 2021; 7(5): e06982. DOI: 10.1016/j.heliyon.2021.e06982
19. Hirnsteina M, Hausmann M. Sex/ gender differences in the brain are not trivial. Neuroscience and Biobehavioral Reviews. 2021; 130:408-9. DOI: 10.1016/j.neubiorev.2021.09.012
20. Pintzka CW, Hansen TI, Evensmoen HR, Håberg AK. Marked effects of intracranial volume correction methods on sex differences in neuroanatomical structures: a HUNT MRI study. Frontiers in neuroscience. 2015; 9: 238. DOI: 10.3389/fnins.2015.00238
21. Sanchis Segura C, Ibañez Gual MV, Aguirre N, Cruz Gómez ÁJ, Forn C. Effects of different intracranial volume correction methods on univariate sex differences in grey matter volume and multivariate sex prediction. Scientific Reports. 2020; 10(1):1-15. DOI: 10.1038/s41598.020.69361.9
Publicado
21.08.2023
Cómo citar
1.
Hernández Cortés KS, Sagaró del Campo NM, Montoya Pedrón A. Morfometría del sistema ventricular encefálico en adultos con funciones cognitivas normales. Rev Cubana Med Milit [Internet]. 21 de agosto de 2023 [citado 7 de enero de 2025];52(3):e02303014. Disponible en: https://revmedmilitar.sld.cu/index.php/mil/article/view/3014
Número
Sección
Artículo de Investigación
Licencia
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cual estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons. Los contenidos que aquí se exponen pueden ser compartidos, copiados y redistribuidos en cualquier medio o formato. Pueden ser adaptados, remezclados, transformados o creados otros a partir del material, mediante los siguientes términos: Atribución (dar crédito a la obra de manera adecuada, proporcionando un enlace a la licencia, e indicando si se han realizado cambios); no-comercial (no puede hacer uso del material con fines comerciales) y compartir-igual (si mezcla, transforma o crea nuevo material a partir de esta obra, podrá distribuir su contribución siempre que utilice la misma licencia que la obra original).
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada.
