Morfometría del sistema ventricular encefálico en adultos con funciones cognitivas normales

Katherine Susana Hernández Cortés, Nelsa María Sagaró del Campo, Arquímedes Montoya Pedrón

Texto completo:

HTML PDF XML

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.

Palabras clave

biomarcadores; volumetría; ventrículos cerebrales.

Referencias

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

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

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

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

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

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

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

Rouviere H, Delmas A. Anatomía Humana Descriptiva, Topográfica y Funcional. 11.ª ed. Francia; 2005.

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

Heurtier A. Texture feature extraction methods: A survey. IEEE Access. 2019; 7: 8975-9000. DOI: 10.1109/ACCESS.2018.2890743

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

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

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

Rencher AC. Methods of Multivariate Analysis. Second Edition. Brigham Young University; 2002.

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

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

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

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

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

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

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

Enlaces refback

  • No hay ningún enlace refback.


URL de la licencia: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es