Development of a fuzzy logic-based algorithm for stroke detection in non-contrast computed tomography images

Abstract

(English) The present work addresses the problem of early stroke detection, not only from the perspective of detection accuracy, but also focusing on computational efficiency, considering the limited availability of cases for training. To this end, several algorithms have been developed to optimize different processes, such as a brain extraction algorithm, an affine transform algorithm, and a specific adaptive filter for noise in computed tomography images. This research has generated valuable resources, such as a brain atlas of healthy Mexican patients and a template of vascular territories. The use of atlases allowed the extraction of features from specific areas. The features used were relatively simple, such as histograms and Haralick textures, which were combined with linear discriminant analysis and an adaptive neuro-fuzzy inference system as a second layer of feature extraction, and finally with a support vector machine as a classifier. Together, these methods achieved a performance of 98.25%. The results show that using the adaptive neuro-fuzzy inference system as a feature extractor improves the performance of other classifiers due to its ability to handle uncertainty and identify nonlinear relationships between variables. This study contributes to the development of low computational cost algorithms and provides new perspectives and tools that could be applied in a real environment in the future

(Català) Aquest treball aborda el problema de la detecció precoç de l'ictus, no només des de la perspectiva de la precisió de la detecció, sinó també centrant-se en l'eficiència computacional, considerant la limitada disponibilitat de casos per a l'entrenament. Amb aquest objectiu, s’han desenvolupat diversos algoritmes per optimitzar diferents processos, com un algoritme d’extracció cerebral, un algoritme de transformació afí i un filtre adaptatiu específic per al soroll en imatges de tomografia computada. Aquesta recerca ha generat recursos valuosos, com ara un atlas cerebral de pacients mexicans sans i una plantilla de territoris vasculars. L'ús d'atles ha permès extreure característiques de zones específiques. Les característiques utilitzades van ser relativament senzilles, com histogrames i textures de Haralick, que es van combinar amb l'anàlisi discriminant lineal i un sistema d'inferència neurodifús adaptatiu com a segona capa d'extracció de característiques, i finalment amb una màquina de vector de suport com a classificador. En conjunt, aquests mètodes van aconseguir un rendiment del 98,25%. Els resultats mostren que l’ús del sistema d’inferència neurodifús adaptatiu com a extractor de característiques millora el rendiment d’altres classificadors gràcies a la seva capacitat per gestionar la incertesa i identificar relacions no lineals entre variables. Aquest estudi contribueix al desenvolupament d’algoritmes de baix cost computacional i proporciona noves perspectives i eines que podrien aplicar-se en un entorn real en el futur.

(Español) El presente trabajo aborda el problema de la detección temprana del ictus, no solo desde la perspectiva de la precisión en la detección, sino también enfocándose en la eficiencia computacional, considerando la limitada disponibilidad de casos para el entrenamiento. Con este propósito, se han desarrollado varios algoritmos para optimizar diferentes procesos, como un algoritmo de extracción cerebral, un algoritmo de transformación afín y un filtro adaptativo específico para el ruido en imágenes de tomografía computarizada. Esta investigación ha generado recursos valiosos, como un atlas cerebral de pacientes mexicanos sanos y una plantilla de territorios vasculares. El uso de atlas permitió la extracción de características de áreas específicas. Las características utilizadas fueron relativamente simples, como histogramas y texturas de Haralick, que se combinaron con análisis discriminante lineal y un sistema de inferencia neurodifuso adaptativo como una segunda capa de extracción de características, y finalmente con una máquina de vectores de soporte como clasificador. En conjunto, estos métodos lograron un rendimiento del 98,25%. Los resultados muestran que el uso del sistema de inferencia neurodifuso adaptativo como extractor de características mejora el rendimiento de otros clasificadores debido a su capacidad para manejar la incertidumbre e identificar relaciones no lineales entre variables. Este estudio contribuye al desarrollo de algoritmos de bajo costo computacional y proporciona nuevas perspectivas y herramientas que podrían aplicarse en un entorno real en el futuro.