Servicios Personalizados
Revista
Articulo
Indicadores
Citado por SciELO
Accesos
Links relacionados
Citado por Google
Similares en SciELO
Similares en Google
Compartir
Revista Facultad de Ingeniería Universidad de Antioquia
versión impresa ISSN 0120-6230versión On-line ISSN 2422-2844
Resumen
GOMEZ-OROZCO, Viviana et al. Un acercamiento basado en aprendizaje de máquina para apoyar la programación de la estimulación cerebral profunda. Rev.fac.ing.univ. Antioquia [online]. 2020, n.95, pp.20-33. ISSN 0120-6230. https://doi.org/10.17533/udea.redin.20190729.
Ajustar los parámetros de estimulación es un desafío en la estimulación cerebral profunda (DBS), debido a la gran cantidad de configuraciones disponibles. Como resultado, se han desarrollado sistemas basados en la visualización del volumen de tejido activado (VTA) producido por una configuración de estimulación particular. Sin embargo, el especialista todavía tiene que buscar, mediante ensayo y error, una configuración DBS que genere el VTA deseado. Por lo tanto, nuestro objetivo es desarrollar una estrategia de ajuste de los parámetros de DBS para los dispositivos clínicos actuales que permita definir un VTA objetivo bajo restricciones biofísicamente viables. Proponemos un enfoque de aprendizaje de máquina que permite estimar los valores de los parámetros de DBS para un VTA dado, que consta de dos etapas principales: i) Una deformación basada en K-vecinos más cercanos para definir un VTA objetivo sujeto a restricciones biofísicas. ii) Una etapa de estimación de parámetros que consiste en una proyección de datos para resaltar las propiedades relevantes del VTA, y un algoritmo de regresión/Clasificación para estimar los parámetros DBS necesarios para generar el VTA objetivo. Nuestra metodología permite establecer un VTA objetivo compatible biofísicamente y predice con precisión la configuración requerida de los parámetros de estimulación. Además, el rendimiento de nuestro enfoque es estable tanto para conductividades del tejido isotrópicas como anisotrópicas. Además, el tiempo de cómputo del sistema entrenado es aceptable para implementaciones en el mundo real.
Palabras clave : Volumen de tejido activado; aprendizaje basado en kernels; anisotropía.