RESUMEN
Objective: Hemodynamic parameters are critical to perform a proper diagnosis. However, due to the large number of variables that can be obtained, overall analysis may represent a complex task. To facilitate this, we propose to create a model for classifying different hemodynamic variables between those belonging to a healthy individual and to a pathological patient. For this purpose, we employed data mining techniques to identify relationships among various aortic hemodynamic parameters obtained through multi-dimensional (4D flow) MR imaging. Method: A 4D flow sequence of whole heart and great vessels was acquired using MRI in 19 healthy volunteers and 2 patients (one with aortic coarctation and one with repaired coarctation of the aorta). Retrospectively, data were reformatted along the aorta; three MRI acquisitions were performed for volunteers and 30 sequences for each patient. In each slice the aorta was segmented and various parameters were quantified: area, maximum velocity, minimum velocity, flow and volumen, with following values being calculated for last four parameters: maximum, average, standard deviation, kurtosis, skewness, proportion of time to reach the maximum value, among others. A total of 26 variables for each acquisition were obtained. In order to classify data, the CART Technique (Classification and Regression Trees) was applied. To validate the model, two extra projections were generated per each volunteer and 20 slice per each patient. Results: By using only 7 variables, the CART Technique allows discrimination between images performed either on volunteers or patients with an error rate of 14.1 percent, a sensitivity of 82.5 percent, and a specificity of 89.4 percent. Conclusions: 4D flow MR imaging provides a wealth of hemodynamic data that can be difficult to analyze. In this paper we demonstrate that by using data mining techniques it is possible to classify images from relevant hemodynamic parameters and their relationships in order...
Objetivo: Los parámetros hemodinámicos son de gran utilidad para realizar un adecuado diagnóstico. Sin embargo, debido a la gran cantidad de variables que pueden obtenerse, el análisis global de todas ellas puede ser complejo. Para facilitar esta tarea, nosotros proponemos crear un modelo que permita clasificar distintas variables hemodinámicas entre las pertenecientes a un individuo sano o a uno patológico. Para ello, usaremos técnicas de minería de datos que permitan identificar y encontrar relaciones entre distintos parámetros hemodinámicos de la aorta obtenidos a través de flujo multidimensional (4D flow) por resonancia magnética. Método: Una secuencia 4D flow de todo el corazón y los grandes vasos fue adquirida utilizando resonancia magnética en 19 voluntarios sanos y 2 pacientes (uno con una coartación aórtica y otro con una coartación aórtica reparada). Retrospectivamente, los datos fueron reformateados a lo largo de la aorta, originándose 3 cortes en los voluntarios y 30 cortes en cada paciente. En cada corte la aorta fue segmentada y distintos parámetros fueron cuantificados: área, velocidad máxima, velocidad mínima, flujo y volumen, calculándose en los cuatro últimos su valor máximo, promedio, desviación estándar, curtosis, sesgo, proporción de tiempo en alcanzar el valor máximo, entre otros. Teniendo un total de 26 variables por cada corte. Se aplicó la técnica de árboles de decisión tipo CART (por sus siglas en inglés) para clasificar los datos. Para validar el modelo, 2 cortes extras fueron generados por cada voluntario y 20 cortes por cada paciente. Resultados: La técnica CART, mediante la utilización de sólo 7 variables, puede clasificar las imágenes de los voluntarios y pacientes con una tasa de error del 14,1 por ciento, una sensibilidad de 82,5 por ciento y una especificidad de 89.4 por ciento. Conclusiones: 4D flow provee una gran cantidad de datos hemodinámicos que son difíciles de analizar. En este trabajo demostramos que al utilizar...
