Hispanopedia Wiki
Articulo de referencia

Computación de imágenes médicas

La computación de imágenes médicas ( MIC , por sus siglas en inglés) consiste en el uso de métodos computacionales y matemáticos para resolver problemas relacionados con las imá...

Hispanopedia WikiContenido en espanolLectura gratuita

La computación de imágenes médicas ( MIC , por sus siglas en inglés) consiste en el uso de métodos computacionales y matemáticos para resolver problemas relacionados con las imágenes médicas y su aplicación en la investigación biomédica y la atención clínica. Es un campo interdisciplinario que se sitúa en la intersección de la informática , la ingeniería de la información , la ingeniería eléctrica , la física, las matemáticas y la medicina .

El objetivo principal de MIC es extraer información o conocimiento clínicamente relevante de imágenes médicas. Si bien está estrechamente relacionado con el campo de la imagenología médica , MIC se centra en el análisis computacional de las imágenes, no en su adquisición. Los métodos se pueden agrupar en varias categorías amplias: segmentación de imágenes , registro de imágenes, modelado fisiológico basado en imágenes y otros. [ 1 ]

Formularios de datos

El procesamiento de imágenes médicas generalmente opera sobre datos muestreados uniformemente con espaciado espacial xyz regular (imágenes en 2D y volúmenes en 3D, denominados genéricamente imágenes). En cada punto de muestreo, los datos se representan comúnmente en forma integral como short con signo y sin signo (16 bits), aunque no son infrecuentes formas desde unsigned char (8 bits) hasta float de 32 bits. El significado particular de los datos en el punto de muestreo depende de la modalidad: por ejemplo, una adquisición de TC recopila valores de radiodensidad, mientras que una adquisición de RM puede recopilar imágenes ponderadas en T1 o T2 . Las adquisiciones longitudinales y variables en el tiempo pueden o no adquirir imágenes con pasos de tiempo regulares. Las imágenes en forma de abanico debido a modalidades como el ultrasonido de matriz curva también son comunes y requieren diferentes técnicas de representación y algorítmicas para su procesamiento. Otras formas de datos incluyen imágenes deformadas debido a la inclinación del gantry durante la adquisición; y mallas no estructuradas , como las formas hexaédricas y tetraédricas, que se utilizan en análisis biomecánicos avanzados (por ejemplo, deformación de tejidos, transporte vascular, implantes óseos).

Segmentación

Imagen de resonancia magnética ponderada en T1 del cerebro de un paciente con un meningioma después de la inyección de un agente de contraste para resonancia magnética (arriba a la izquierda), y la misma imagen con el resultado de una segmentación interactiva superpuesto en verde (modelo 3D de la segmentación en la parte superior derecha, vistas axial y coronal en la parte inferior).

La segmentación es el proceso de dividir una imagen en diferentes segmentos significativos. En imágenes médicas, estos segmentos suelen corresponder a diferentes tipos de tejido, órganos , patologías u otras estructuras biológicamente relevantes. [ 2 ] La segmentación de imágenes médicas se ve dificultada por el bajo contraste, el ruido y otras ambigüedades de la imagen. Si bien existen muchas técnicas de visión artificial para la segmentación de imágenes , algunas se han adaptado específicamente para el procesamiento de imágenes médicas. A continuación, se presenta una muestra de técnicas dentro de este campo; la implementación depende de la experiencia que puedan aportar los médicos.

  • Segmentación basada en atlas : Para muchas aplicaciones, un experto clínico puede etiquetar manualmente varias imágenes; la segmentación de imágenes no vistas es cuestión de extrapolar a partir de estas imágenes de entrenamiento etiquetadas manualmente. Los métodos de este estilo se conocen generalmente como métodos de segmentación basados ​​en atlas. Los métodos de atlas paramétricos suelen combinar estas imágenes de entrenamiento en una sola imagen de atlas, [ 3 ] mientras que los métodos de atlas no paramétricos suelen utilizar todas las imágenes de entrenamiento por separado. [ 4 ] Los métodos basados ​​en atlas generalmente requieren el uso de registro de imágenes para alinear la imagen o imágenes del atlas con una nueva imagen no vista.
  • Segmentación basada en la forma : Muchos métodos parametrizan una forma de plantilla para una estructura dada, a menudo basándose en puntos de control a lo largo del contorno. La forma completa se deforma para que coincida con una nueva imagen. Dos de las técnicas basadas en la forma más comunes son los modelos de forma activa [ 5 ] y los modelos de apariencia activa [ 6 ] . Estos métodos han sido muy influyentes y han dado lugar a modelos similares [ 7 ] .
  • Segmentación basada en imágenes : Algunos métodos inician una plantilla y refinan su forma de acuerdo con los datos de la imagen mientras minimizan las medidas de error integral, como el modelo de contorno activo y sus variaciones. [ 8 ]
  • Segmentación interactiva : Los métodos interactivos son útiles cuando los médicos pueden proporcionar información, como una región semilla o un contorno aproximado de la región a segmentar. Un algoritmo puede refinar iterativamente dicha segmentación, con o sin la guía del médico. La segmentación manual, mediante herramientas como un pincel para definir explícitamente la clase de tejido de cada píxel, sigue siendo el método de referencia para muchas aplicaciones de imagen. Recientemente, se han incorporado principios de la teoría del control por retroalimentación a la segmentación, lo que proporciona al usuario mucha más flexibilidad y permite la corrección automática de errores. [ 9 ]
  • Segmentación subjetiva de superficies: Este método se basa en la idea de la evolución de la función de segmentación, la cual se rige por un modelo de advección-difusión. [ 10 ] Para segmentar un objeto, se necesita una semilla de segmentación (es decir, el punto de partida que determina la posición aproximada del objeto en la imagen). En consecuencia, se construye una función de segmentación inicial. La idea detrás del método de superficie subjetiva [ 11 ] [ 12 ] [ 13 ] es que la posición de la semilla es el factor principal que determina la forma de esta función de segmentación.
  • Redes neuronales convolucionales (CNN): El rendimiento de la segmentación totalmente automatizada asistida por computadora ha mejorado gracias al avance de los modelos de aprendizaje automático. Los modelos basados ​​en CNN, como SegNet, [ 14 ] UNet, [ 15 ] ResNet, [ 16 ] AATSN, [ 17 ] Transformers [ 18 ] y GAN [ 19 ], han acelerado el proceso de segmentación. En el futuro, estos modelos podrían reemplazar la segmentación manual debido a su rendimiento y velocidad superiores.

Existen otras clasificaciones de métodos de segmentación de imágenes similares a las categorías anteriores. Otro grupo, basado en la combinación de métodos, puede clasificarse como "híbrido". [ 20 ]

Registro

Imagen de TC (izquierda), imagen de PET (centro) y superposición de ambas (derecha) después del registro correcto.

El registro de imágenes es un proceso que busca la alineación correcta de imágenes. [ 21 ] [ 22 ] [ 23 ] [ 24 ] En el caso más simple, se alinean dos imágenes. Normalmente, una imagen se trata como la imagen objetivo y la otra como la imagen fuente; la imagen fuente se transforma para que coincida con la imagen objetivo. El procedimiento de optimización actualiza la transformación de la imagen fuente basándose en un valor de similitud que evalúa la calidad actual de la alineación. Este procedimiento iterativo se repite hasta que se encuentra un óptimo (local). Un ejemplo es el registro de imágenes de TC y PET para combinar información estructural y metabólica (véase la figura).

El registro de imágenes se utiliza en diversas aplicaciones médicas:

  • Estudio de los cambios temporales. Los estudios longitudinales adquieren imágenes durante varios meses o años para estudiar procesos a largo plazo, como la progresión de enfermedades. Las series temporales corresponden a imágenes adquiridas en la misma sesión (segundos o minutos). Se pueden utilizar para estudiar procesos cognitivos, deformaciones cardíacas y la respiración.
  • Combinar información complementaria de diferentes modalidades de imagen . Un ejemplo es la fusión de información anatómica y funcional. Dado que el tamaño y la forma de las estructuras varían entre las distintas modalidades, resulta más difícil evaluar la calidad de la alineación. Esto ha llevado al uso de medidas de similitud como la información mutua . [ 25 ]
  • Caracterización de una población de sujetos. A diferencia del registro intrasujeto, puede que no exista una correspondencia uno a uno entre sujetos, dependiendo de la variabilidad estructural del órgano de interés. El registro intersujeto es necesario para la construcción de atlas en anatomía computacional . [ 26 ] Aquí, el objetivo es modelar estadísticamente la anatomía de los órganos en diferentes sujetos.
  • Cirugía asistida por ordenador . En la cirugía asistida por ordenador, las imágenes preoperatorias, como las de tomografía computarizada (TC) o resonancia magnética (RM), se registran con las imágenes intraoperatorias o los sistemas de seguimiento para facilitar la guía o navegación por imágenes.

Hay varias consideraciones importantes a tener en cuenta al realizar el registro de imágenes:

Visualización

Reconstrucción volumétrica (izquierda), sección transversal axial (arriba a la derecha) y sección transversal sagital (abajo a la derecha) de una imagen de TC de un sujeto con múltiples lesiones nodulares (línea blanca) en el pulmón.

La visualización desempeña un papel fundamental en el procesamiento de imágenes médicas. Se utilizan métodos de visualización científica para comprender y comunicar información sobre imágenes médicas, que son inherentemente espaciotemporales. La visualización y el análisis de datos se aplican a datos no estructurados , por ejemplo, al evaluar medidas estadísticas derivadas del procesamiento algorítmico. La interacción directa con los datos, una característica clave del proceso de visualización, se utiliza para realizar consultas visuales, anotar imágenes, guiar procesos de segmentación y registro, y controlar la representación visual de los datos (mediante el control de las propiedades de renderizado de la iluminación y los parámetros de visualización). La visualización se utiliza tanto para la exploración inicial como para comunicar los resultados intermedios y finales de los análisis.

La figura "Visualización de imágenes médicas" ilustra varios tipos de visualización: 1. la visualización de cortes transversales como imágenes en escala de grises; 2. vistas reformateadas de imágenes en escala de grises (la vista sagital en este ejemplo tiene una orientación diferente a la dirección original de adquisición de la imagen); y 3. una representación volumétrica 3D de los mismos datos. La lesión nodular es claramente visible en las diferentes presentaciones y se ha anotado con una línea blanca.

Atlas

Las imágenes médicas pueden variar significativamente entre individuos debido a que las personas tienen órganos de diferentes formas y tamaños. Por lo tanto, es crucial representar las imágenes médicas teniendo en cuenta esta variabilidad. Un enfoque común para representar imágenes médicas es mediante el uso de uno o más atlas. En este contexto, un atlas se refiere a un modelo específico para una población de imágenes con parámetros que se aprenden a partir de un conjunto de datos de entrenamiento. [ 33 ] [ 34 ]

El ejemplo más sencillo de un atlas es una imagen de intensidad media, comúnmente denominada plantilla. Sin embargo, un atlas también puede incluir información más detallada, como estadísticas locales de la imagen y la probabilidad de que una ubicación espacial específica tenga una etiqueta determinada. Las nuevas imágenes médicas, que no se utilizan durante el entrenamiento, pueden mapearse a un atlas adaptado a la aplicación específica, como la segmentación y el análisis de grupos . El mapeo de una imagen a un atlas generalmente implica el registro de la imagen y el atlas. Esta deformación puede utilizarse para abordar la variabilidad en las imágenes médicas.

Plantilla única

El enfoque más sencillo consiste en modelar las imágenes médicas como versiones deformadas de una única imagen plantilla. Por ejemplo, las resonancias magnéticas cerebrales anatómicas suelen mapearse a la plantilla MNI [ 35 ] para representar todas las exploraciones cerebrales en coordenadas comunes. El principal inconveniente de este enfoque de plantilla única es que, si existen diferencias significativas entre la plantilla y una imagen de prueba determinada, puede resultar difícil mapearlas. Por ejemplo, una resonancia magnética cerebral anatómica de un paciente con anomalías cerebrales graves (como un tumor o una intervención quirúrgica) puede no ser fácil de mapear a la plantilla MNI.

Varias plantillas

En lugar de depender de una sola plantilla, se pueden usar varias. La idea es representar una imagen como una versión deformada de una de las plantillas. Por ejemplo, podría haber una plantilla para una población sana y otra para una población enferma. Sin embargo, en muchas aplicaciones, no está claro cuántas plantillas se necesitan. Una forma sencilla, aunque computacionalmente costosa, de abordar esto es que cada imagen en un conjunto de datos de entrenamiento sea una imagen plantilla y, por lo tanto, cada nueva imagen encontrada se compara con todas las imágenes del conjunto de datos de entrenamiento. Un enfoque más reciente encuentra automáticamente la cantidad de plantillas necesarias. [ 36 ]

Análisis estadístico

Los métodos estadísticos combinan el campo de la imagen médica con la visión artificial moderna , el aprendizaje automático y el reconocimiento de patrones . En la última década, se han puesto a disposición del público varios conjuntos de datos extensos (véase, por ejemplo, ADNI, Proyecto 1000 Conectomas Funcionales), en parte gracias a la colaboración entre diversos institutos y centros de investigación. Este aumento en el volumen de datos exige nuevos algoritmos capaces de analizar y detectar cambios sutiles en las imágenes para abordar cuestiones clínicas. Dichas cuestiones clínicas son muy diversas e incluyen análisis de grupos, biomarcadores de imagen, fenotipado de enfermedades y estudios longitudinales.

Análisis de grupo

En el análisis de grupo, el objetivo es detectar y cuantificar las anomalías inducidas por una enfermedad comparando las imágenes de dos o más cohortes. Generalmente, una de estas cohortes está formada por sujetos normales (control) y la otra por pacientes con la enfermedad. La variación causada por la enfermedad puede manifestarse como una deformación anómala de la anatomía (véase morfometría basada en vóxeles ). Por ejemplo, la reducción de tejidos subcorticales como el hipocampo en el cerebro puede estar relacionada con la enfermedad de Alzheimer . Además, se pueden observar cambios en la actividad bioquímica (funcional) utilizando modalidades de imagen como la tomografía por emisión de positrones .

La comparación entre grupos se realiza generalmente a nivel de vóxel . Por lo tanto, el método de preprocesamiento más popular, particularmente en neuroimagen , transforma todas las imágenes de un conjunto de datos a un marco de coordenadas común mediante el registro de imágenes médicas para mantener la correspondencia entre vóxeles. Dada esta correspondencia a nivel de vóxel, el método frecuentista más común consiste en extraer una estadística para cada vóxel (por ejemplo, la intensidad media del vóxel para cada grupo) y realizar pruebas de hipótesis estadísticas para evaluar si una hipótesis nula es o no válida. La hipótesis nula suele asumir que las dos cohortes provienen de la misma distribución y, por lo tanto, deberían tener las mismas propiedades estadísticas (por ejemplo, que los valores medios de los dos grupos son iguales para un vóxel en particular). Dado que las imágenes médicas contienen un gran número de vóxeles, es necesario abordar el problema de las comparaciones múltiples . [ 37 ] [ 38 ] También existen enfoques bayesianos para abordar el problema del análisis de grupos. [ 39 ]

Clasificación

Aunque el análisis de grupo puede cuantificar los efectos generales de una patología en la anatomía y la función, no proporciona medidas a nivel individual y, por lo tanto, no puede utilizarse como biomarcador para el diagnóstico ( véase Biomarcadores de imagen ). Los clínicos, por otro lado, suelen estar interesados ​​en el diagnóstico precoz de la patología (es decir, clasificación, [ 40 ] [ 41 ] ) y en conocer la progresión de una enfermedad (es decir, regresión [ 42 ] ). Desde el punto de vista metodológico, las técnicas actuales varían desde la aplicación de algoritmos estándar de aprendizaje automático a conjuntos de datos de imágenes médicas (por ejemplo, máquina de vectores de soporte [ 43 ] ), hasta el desarrollo de nuevos enfoques adaptados a las necesidades del campo. [ 44 ] Las principales dificultades son las siguientes:

  • Tamaño de muestra pequeño ( maldición de la dimensionalidad ): un conjunto de datos de imágenes médicas grande contiene cientos o miles de imágenes, mientras que el número de vóxeles en una imagen volumétrica típica puede superar fácilmente los millones. Una solución a este problema es reducir el número de características de forma informativa (véase reducción de dimensionalidad ). Se han propuesto varios enfoques no supervisados ​​y semi-/supervisados ​​[ 44 ] [ 45 ] [ 46 ] [ 47 ] para abordar este problema.
  • Interpretabilidad: Una buena precisión de generalización no siempre es el objetivo principal, ya que los clínicos desean comprender qué partes de la anatomía se ven afectadas por la enfermedad. Por lo tanto, la interpretabilidad de los resultados es muy importante; no se favorecen los métodos que ignoran la estructura de la imagen. Se han propuesto métodos alternativos basados ​​en la selección de características . [ 45 ] [ 46 ] [ 47 ] [ 48 ]

Agrupamiento

Los métodos de clasificación de patrones basados ​​en imágenes suelen asumir que los efectos neurológicos de una enfermedad son distintos y están bien definidos. Esto no siempre es así. Para varias afecciones médicas, las poblaciones de pacientes son muy heterogéneas y no se ha establecido una categorización adicional en subafecciones. Además, algunas enfermedades (por ejemplo, trastorno del espectro autista , esquizofrenia , deterioro cognitivo leve) pueden caracterizarse por un espectro continuo o casi continuo que va desde el deterioro cognitivo leve hasta cambios patológicos muy pronunciados. Para facilitar el análisis basado en imágenes de trastornos heterogéneos, se han desarrollado alternativas metodológicas a la clasificación de patrones. Estas técnicas toman ideas de la agrupación de alta dimensión [ 49 ] y la regresión de patrones de alta dimensión para agrupar una población dada en subpoblaciones homogéneas. El objetivo es proporcionar una mejor comprensión cuantitativa de la enfermedad dentro de cada subpoblación.

Análisis de formas

El análisis de formas es un campo de la informática médica que estudia las propiedades geométricas de las estructuras obtenidas mediante diferentes modalidades de imagen . Recientemente, el análisis de formas ha despertado un creciente interés en la comunidad médica debido a su potencial para localizar con precisión cambios morfológicos entre diferentes poblaciones de estructuras, como por ejemplo, sanas frente a patológicas, mujeres frente a hombres, jóvenes frente a ancianos. El análisis de formas consta de dos pasos principales: correspondencia de formas y análisis estadístico.

  • La correspondencia de formas es la metodología que calcula las ubicaciones correspondientes entre formas geométricas representadas por mallas triangulares, contornos, conjuntos de puntos o imágenes volumétricas. Obviamente, la definición de correspondencia influirá directamente en el análisis. Entre las diferentes opciones de marcos de correspondencia se encuentran: correspondencia anatómica, puntos de referencia manuales, correspondencia funcional (es decir, en morfometría cerebral, locus responsable de la misma funcionalidad neuronal), correspondencia geométrica, similitud de intensidad (para volúmenes de imagen), etc. Algunos enfoques, como el análisis de formas espectrales, no requieren correspondencia, sino que comparan directamente los descriptores de forma.
  • El análisis estadístico proporcionará mediciones del cambio estructural en las ubicaciones correspondientes.

Estudios longitudinales

En los estudios longitudinales, se toman imágenes de la misma persona repetidamente. Esta información puede incorporarse tanto al análisis de imágenes como al modelado estadístico.

  • En el procesamiento de imágenes longitudinales, los métodos de segmentación y análisis de puntos temporales individuales se basan y regularizan con información común, generalmente proveniente de una plantilla intrasujeto. Esta regularización está diseñada para reducir el ruido de medición y, por lo tanto, ayuda a aumentar la sensibilidad y la potencia estadística. Al mismo tiempo, debe evitarse la sobrerregularización para que los tamaños del efecto se mantengan estables. Una regularización intensa, por ejemplo, puede conducir a una excelente fiabilidad test-retest, pero limita la capacidad de detectar cambios y diferencias reales entre grupos. A menudo, es necesario buscar un equilibrio que optimice la reducción de ruido a costa de una pérdida limitada del tamaño del efecto. Otro desafío común en el procesamiento de imágenes longitudinales es la introducción, a menudo involuntaria, de sesgos de procesamiento. Cuando, por ejemplo, las imágenes de seguimiento se registran y remuestrean a la imagen de referencia, se introducen artefactos de interpolación solo en las imágenes de seguimiento y no en la de referencia. Estos artefactos pueden causar efectos espurios (generalmente un sesgo hacia la sobreestimación del cambio longitudinal y, por lo tanto, la subestimación del tamaño de muestra requerido). Por lo tanto, es esencial que todos los puntos temporales se traten exactamente igual para evitar cualquier sesgo de procesamiento.
  • El posprocesamiento y el análisis estadístico de datos longitudinales generalmente requieren herramientas estadísticas específicas, como el ANOVA de medidas repetidas o los modelos lineales de efectos mixtos, más potentes. Además, es ventajoso considerar la distribución espacial de la señal. Por ejemplo, las mediciones del grosor cortical mostrarán una correlación intraindividual a lo largo del tiempo y también dentro de una vecindad en la superficie cortical, un hecho que puede utilizarse para aumentar la potencia estadística. Asimismo, el análisis de tiempo hasta el evento (también conocido como análisis de supervivencia) se emplea con frecuencia para analizar datos longitudinales y determinar predictores significativos.

Modelado fisiológico basado en imágenes

Tradicionalmente, el procesamiento de imágenes médicas se ha centrado en la cuantificación y fusión de la información estructural o funcional disponible en el momento de la adquisición de la imagen. En este sentido, puede considerarse como la detección cuantitativa de los procesos anatómicos, físicos o fisiológicos subyacentes. Sin embargo, en los últimos años ha crecido el interés por la evaluación predictiva de la evolución de enfermedades o tratamientos. Por lo tanto, el modelado basado en imágenes, ya sea de naturaleza biomecánica o fisiológica, puede ampliar las posibilidades del procesamiento de imágenes, pasando de un enfoque descriptivo a uno predictivo.

Según la hoja de ruta de investigación STEP, [ 50 ] [ 51 ] el Humano Fisiológico Virtual (VPH) es un marco metodológico y tecnológico que, una vez establecido, permitirá la investigación del cuerpo humano como un único sistema complejo . El concepto VPH se sustenta en la Unión Internacional de Ciencias Fisiológicas (IUPS), que ha patrocinado el Proyecto Fisioma de la IUPS durante más de una década. [ 52 ] [ 53 ] Este es un esfuerzo mundial de dominio público para proporcionar un marco computacional para la comprensión de la fisiología humana. Su objetivo es desarrollar modelos integradores en todos los niveles de organización biológica, desde los genes hasta los organismos completos, a través de redes reguladoras de genes, vías proteicas, funciones celulares integradoras y relaciones estructura/función de tejidos y órganos completos. Este enfoque busca transformar la práctica actual en medicina y sienta las bases de una nueva era de la medicina computacional. [ 54 ]

En este contexto, la imagen médica y el procesamiento de imágenes desempeñan un papel cada vez más importante, ya que proporcionan sistemas y métodos para obtener imágenes, cuantificar y fusionar información estructural y funcional sobre el ser humano in vivo. Estas dos amplias áreas de investigación incluyen la transformación de modelos computacionales genéricos para representar sujetos específicos, allanando así el camino para modelos computacionales personalizados. [ 55 ] La individualización de modelos computacionales genéricos mediante imágenes puede realizarse en tres direcciones complementarias:

  • definición del dominio computacional específico del tema (anatomía) y subdominios relacionados (tipos de tejido);
  • definición de condiciones de contorno e iniciales a partir de imágenes (dinámicas y/o funcionales); y
  • Caracterización de las propiedades estructurales y funcionales de los tejidos.

Además, las técnicas de imagen desempeñan un papel fundamental en la evaluación y validación de estos modelos, tanto en humanos como en modelos animales, y en su aplicación clínica con fines diagnósticos y terapéuticos. En este contexto específico, las técnicas de imagen molecular, biológica y preclínica proporcionan datos adicionales y una mayor comprensión de la estructura y función básicas de moléculas, células, tejidos y modelos animales, información que puede transferirse a la fisiología humana cuando sea pertinente.

Las aplicaciones de los modelos VPH/fisioma basados ​​en imágenes en los ámbitos básico y clínico son muy amplias. En términos generales, prometen convertirse en nuevas técnicas de imagen virtual . De hecho, se visualizarán in silico más parámetros, a menudo no observables, a partir de la integración de imágenes multimodales observables, aunque a veces escasas e inconsistentes, y mediciones fisiológicas. Los modelos computacionales servirán para generar una interpretación de las mediciones que sea compatible con las leyes biofísicas, bioquímicas o biológicas subyacentes de los procesos fisiológicos o fisiopatológicos en estudio. En última instancia, estas herramientas y sistemas de investigación contribuirán a nuestra comprensión de los procesos patológicos, la historia natural de la evolución de las enfermedades y la influencia de los procedimientos terapéuticos farmacológicos y/o intervencionistas en su curso.

La fertilización cruzada entre imágenes y modelado va más allá de la interpretación de mediciones de manera coherente con la fisiología. El modelado específico del paciente basado en imágenes, combinado con modelos de dispositivos médicos y terapias farmacológicas, abre el camino a la imagen predictiva, mediante la cual se podrá comprender, planificar y optimizar dichas intervenciones in silico .

Métodos matemáticos en imágenes médicas

Diversos métodos matemáticos sofisticados se han incorporado a la imagen médica y ya se han implementado en varios paquetes de software. Estos incluyen enfoques basados ​​en ecuaciones diferenciales parciales (EDP) y flujos impulsados ​​por curvatura para mejora, segmentación y registro. Dado que emplean EDP, los métodos son aptos para la paralelización y la implementación en GPGPU. Varias de estas técnicas se han inspirado en ideas del control óptimo . En consecuencia, muy recientemente, ideas del control se han incorporado a métodos interactivos, especialmente a la segmentación. Además, debido al ruido y a la necesidad de técnicas de estimación estadística para imágenes que cambian de forma más dinámica, se han comenzado a utilizar el filtro de Kalman [ 56 ] y el filtro de partículas . Un estudio de estos métodos con una extensa lista de referencias se puede encontrar en [ 57 ] .

computación específica de la modalidad

Algunas modalidades de imagen proporcionan información muy especializada. Las imágenes resultantes no pueden tratarse como imágenes escalares convencionales y dan lugar a nuevas subáreas de la computación de imágenes médicas. Algunos ejemplos son la resonancia magnética de difusión y la resonancia magnética funcional.

resonancia magnética de difusión

Corte axial medio de la plantilla de imagen del tensor de difusión del ICBM. El valor de cada vóxel es un tensor representado aquí por un elipsoide. El color indica la orientación principal: rojo = izquierda-derecha, azul = inferior-superior, verde = posterior-anterior

La resonancia magnética de difusión (RMd) es una técnica de imagen por resonancia magnética estructural que permite medir el proceso de difusión de las moléculas. La difusión se mide aplicando un pulso de gradiente a un campo magnético en una dirección específica. En una adquisición típica, se utiliza un conjunto de direcciones de gradiente distribuidas uniformemente para crear un conjunto de volúmenes ponderados por difusión. Además, se adquiere un volumen sin ponderar bajo el mismo campo magnético, pero sin la aplicación de un pulso de gradiente. Dado que cada adquisición se asocia con múltiples volúmenes, la RMd ha planteado diversos desafíos únicos en el procesamiento de imágenes médicas.

En medicina, existen dos objetivos computacionales principales en la resonancia magnética de difusión:

  • Estimación de las propiedades locales del tejido, como la difusividad;
  • Estimación de las direcciones locales y las trayectorias globales de difusión.

El tensor de difusión , [ 58 ] una matriz simétrica definida positiva de 3 × 3 , ofrece una solución directa a ambos objetivos. Es proporcional a la matriz de covarianza de un perfil de difusión local con distribución normal y, por lo tanto, el vector propio dominante de esta matriz es la dirección principal de la difusión local. Debido a la simplicidad de este modelo, se puede encontrar una estimación de máxima verosimilitud del tensor de difusión simplemente resolviendo un sistema de ecuaciones lineales en cada ubicación de forma independiente. Sin embargo, como se supone que el volumen contiene fibras de tejido contiguas, puede ser preferible estimar el volumen de tensores de difusión en su totalidad imponiendo condiciones de regularidad en el campo subyacente de tensores. [ 59 ] Se pueden extraer valores escalares del tensor de difusión, como la anisotropía fraccional , la media, las difusividades axial y radial, que miden indirectamente propiedades del tejido como la dismielinización de las fibras axonales [ 60 ] o la presencia de edema. [ 61 ] Los métodos estándar de computación de imágenes escalares, como el registro y la segmentación, se pueden aplicar directamente a volúmenes de dichos valores escalares. Sin embargo, para aprovechar completamente la información del tensor de difusión, estos métodos se han adaptado para tener en cuenta los volúmenes con valores tensoriales al realizar el registro [ 62 ] [ 63 ] y la segmentación. [ 64 ] [ 65 ]

Dada la dirección principal de difusión en cada ubicación del volumen, es posible estimar las vías globales de difusión a través de un proceso conocido como tractografía . [ 66 ] Sin embargo, debido a la resolución relativamente baja de la resonancia magnética de difusión, muchas de estas vías pueden cruzarse, tocarse o ensancharse en una sola ubicación. En esta situación, la única dirección principal del tensor de difusión no es un modelo apropiado para la distribución de difusión local. La solución más común a este problema es estimar múltiples direcciones de difusión local utilizando modelos más complejos. Estos incluyen mezclas de tensores de difusión, [ 67 ] imágenes Q-ball, [ 68 ] imágenes de espectro de difusión [ 69 ] y funciones de distribución de orientación de fibras, [ 70 ] [ 71 ] que normalmente requieren adquisición HARDI con un gran número de direcciones de gradiente. Al igual que con el tensor de difusión, los volúmenes valorados con estos modelos complejos requieren un tratamiento especial al aplicar métodos de computación de imágenes, como el registro [ 72 ] [ 73 ] [ 74 ] y la segmentación. [ 75 ]

resonancia magnética funcional

La resonancia magnética funcional (RMf) es una modalidad de imagen médica que mide indirectamente la actividad neuronal mediante la observación de la hemodinámica local o la señal dependiente del nivel de oxígeno en sangre (BOLD). Los datos de la RMf ofrecen una variedad de información y se pueden dividir a grandes rasgos en dos categorías:

  • La resonancia magnética funcional (RMf) relacionada con tareas se adquiere mientras el sujeto realiza una secuencia de condiciones experimentales cronometradas. En los experimentos con diseño de bloques, las condiciones se presentan durante períodos cortos (por ejemplo, 10 segundos) y se alternan con períodos de descanso. Los experimentos relacionados con eventos se basan en una secuencia aleatoria de estímulos y utilizan un único punto temporal para indicar cada condición. El enfoque estándar para analizar la RMf relacionada con tareas es el modelo lineal general (GLM). [ 76 ]
  • La resonancia magnética funcional en estado de reposo se adquiere en ausencia de cualquier tarea experimental. Por lo general, el objetivo es estudiar la estructura de red intrínseca del cerebro. Las observaciones realizadas durante el reposo también se han relacionado con procesos cognitivos específicos, como la codificación o la reflexión. La mayoría de los estudios de resonancia magnética funcional en estado de reposo se centran en las fluctuaciones de baja frecuencia de la señal de resonancia magnética funcional (LF-BOLD). Entre los descubrimientos fundamentales se incluyen la red por defecto , [ 77 ] una parcelación cortical exhaustiva, [ 78 ] y la vinculación de las características de la red con parámetros conductuales.

Existe un amplio conjunto de metodologías utilizadas para analizar datos de neuroimagen funcional, y a menudo no hay consenso sobre el mejor método. En cambio, los investigadores abordan cada problema de forma independiente y seleccionan un modelo/algoritmo adecuado. En este contexto, existe un intercambio relativamente activo entre las comunidades de neurociencia , biología computacional , estadística y aprendizaje automático . Algunos enfoques destacados incluyen:

  • Enfoques univariados masivos que exploran vóxeles individuales en los datos de imágenes para encontrar una relación con la condición del experimento. El enfoque principal es el modelo lineal general. [ 76 ]
  • Los enfoques multivariados y basados ​​en clasificadores, a menudo denominados análisis de patrones multivoxel o análisis de patrones multivariados, exploran los datos en busca de respuestas globales y potencialmente distribuidas a una condición experimental. Los primeros enfoques utilizaron máquinas de vectores de soporte para estudiar las respuestas a estímulos visuales. [ 79 ] Recientemente, se han explorado algoritmos alternativos de reconocimiento de patrones, como el contraste de Gini basado en bosques aleatorios [ 80 ] o la regresión dispersa y el aprendizaje de diccionarios. [ 81 ]
  • El análisis de conectividad funcional estudia la estructura de red intrínseca del cerebro, incluidas las interacciones entre regiones. La mayoría de estos estudios se centran en datos de estado de reposo para parcelar el cerebro [ 78 ] o para encontrar correlaciones con medidas conductuales. [ 82 ] Los datos específicos de tareas se pueden utilizar para estudiar relaciones causales entre regiones cerebrales (por ejemplo, mapeo causal dinámico [ 83 ] ).

Al trabajar con grandes cohortes de sujetos, la normalización (registro) de sujetos individuales en un marco de referencia común es crucial. Existe un conjunto de trabajos y herramientas para realizar la normalización basada en la anatomía ( FSL , FreeSurfer , SPM ). La alineación que tiene en cuenta la variabilidad espacial entre sujetos es una línea de trabajo más reciente. Ejemplos de ello son la alineación de la corteza basada en la correlación de la señal de fMRI, [ 84 ] la alineación basada en la estructura de conectividad funcional global tanto en datos de tareas como de estado de reposo, [ 85 ] y la alineación basada en perfiles de activación específicos del estímulo de vóxeles individuales. [ 86 ]

Software

El software para el procesamiento de imágenes médicas es una compleja combinación de sistemas que proporcionan entrada/salida, visualización e interacción, interfaz de usuario, gestión de datos y computación. Generalmente, las arquitecturas de los sistemas se estructuran en capas para dar servicio a los desarrolladores de algoritmos, los desarrolladores de aplicaciones y los usuarios. Las capas inferiores suelen ser bibliotecas o conjuntos de herramientas que proporcionan capacidades computacionales básicas, mientras que las capas superiores son aplicaciones especializadas que abordan problemas médicos, enfermedades o sistemas corporales específicos.

Notas adicionales

El procesamiento de imágenes médicas también está relacionado con el campo de la visión por computadora . Una sociedad internacional, la Sociedad MICCAI , representa este campo y organiza una conferencia anual y talleres asociados. Las actas de esta conferencia son publicadas por Springer en la serie Lecture Notes in Computer Science. [ 87 ] En 2000, N. Ayache y J. Duncan revisaron el estado del campo. [ 88 ]

Véase también

Referencias

  1. ↑ Perera Molligoda Arachchige, Arosh S.; Svet, Afanasy (10 de septiembre de 2021). "Integración de la inteligencia artificial en la práctica radiológica: perspectiva de los estudiantes de pregrado" . European Journal of Nuclear Medicine and Molecular Imaging . 48 (13): 4133– 4135. doi : 10.1007/s00259-021-05558-y . ISSN 1619-7089 . PMID 34505175. S2CID 237459138 .   
  2. ↑ Forghani, M.; Forouzanfar, M.; Teshnehlab, M. (2010). "Optimización de parámetros de un algoritmo de agrupamiento difuso c-medias mejorado para la segmentación de imágenes de RM cerebral". Aplicaciones de ingeniería de la inteligencia artificial . 23 (2): 160– 168. doi : 10.1016/j.engappai.2009.10.002 .
  3. ↑ J Gee; M Reivich; R Bajcsy (1993). "Deformación elástica de un atlas tridimensional para que coincida con imágenes anatómicas del cerebro". Journal of Computer Assisted Tomography . 17 (1): 225– 236. doi : 10.1097/00004728-199303000-00011 . PMID 8454749 . S2CID 25781937 .  
  4. ↑ MR Sabuncu; BT Yeo; K Van Leemput; B Fischl; P Golland (junio de 2010). "Un modelo generativo para la segmentación de imágenes basado en la fusión de etiquetas" . IEEE Transactions on Medical Imaging . 29 (10): 1714– 1729. Bibcode : 2010ITMI...29.1714S . doi : 10.1109/TMI.2010.2050897 . PMC 3268159. PMID 20562040 .  
  5. ↑ Cootes TF, Taylor CJ, Cooper DH, Graham J (1995). "Modelos de forma activa: su entrenamiento y aplicación" (PDF) . Computer Vision and Image Understanding . 61 (1): 38– 59. doi : 10.1006/cviu.1995.1004 . S2CID 15242659 . 
  6. ↑ Cootes, TF; Edwards, GJ; Taylor, CJ (2001). "Modelos de apariencia activa". IEEE Transactions on Pattern Analysis and Machine Intelligence . 23 (6): 681– 685. Bibcode : 2001ITPAM..23..681C . CiteSeerX 10.1.1.128.4967 . doi : 10.1109/34.927467 . 
  7. ↑ G. Zheng; S. Li; G. Szekely (2017). Análisis estadístico de forma y deformación . Academic Press. ISBN 9780128104941.
  8. ↑ R. Goldenberg, R. Kimmel, E. Rivlin y M. Rudzsky (2001). "Contornos activos geodésicos rápidos" (PDF) . IEEE Transactions on Image Processing . 10 (10): 1467– 1475. Bibcode : 2001ITIP...10.1467G . CiteSeerX 10.1.1.35.1977 . doi : 10.1109/83.951533 . PMID 18255491 .  {{cite journal}}: CS1 maint: varios nombres: lista de autores ( enlace )
  9. ↑ Karasev, P.; Kolesov I.; Chudy, K.; Vela, P.; Tannenbaum, A. (2011). "Segmentación interactiva de resonancia magnética con visión activa controlada". Conferencia IEEE sobre Decisión y Control y Conferencia Europea de Control . págs. 2293–2298 . doi : 10.1109/CDC.2011.6161453 . ISBN  978-1-61284-801-3. PMC 3935399 . PMID 24584213 .  
  10. ↑ K. Mikula, N. Peyriéras, M. Remešíková, A. Sarti: Segmentación de imágenes de embriogénesis 3D mediante el método de superficie subjetiva generalizada utilizando la técnica de volumen finito . Actas de FVCA5 – 5.º Simposio Internacional sobre Volúmenes Finitos para Aplicaciones Complejas, Hermes Publ., París 2008.
  11. ↑ A. Sarti, G. Citti: Superficies subjetivas y grafos de flujo de curvatura media riemanniana. Acta Math. Univ. Comenian. (NS) 70 (2000), 85–103.
  12. ↑ A. Sarti, R. Malladi, JA Sethian: Superficies subjetivas: un método para completar límites faltantes. Proc. Natl. Acad. Sci. mi 12, No. 97 (2000), 6258–6263.
  13. ↑ A. Sarti, R. Malladi, JA Sethian: Superficies subjetivas: un modelo geométrico para la compleción de límites, International Journal of Computer Vision, mi 46, No. 3 (2002), 201–221.
  14. ↑ Badrinarayanan, Vijay; Kendall, Alex; Cipolla, Roberto (2015-11-02). "SegNet: una arquitectura codificador-decodificador convolucional profunda para la segmentación de imágenes". arXiv : 1511.00561 [ cs.CV ].
  15. ↑ Ronneberger, Olaf; Fischer, Philipp; Brox, Thomas (2015-05-18). "U-Net: Redes neuronales convolucionales para la segmentación de imágenes biomédicas". arXiv : 1505.04597 [ cs.CV ].
  16. ↑ He, Kaiming; Zhang, Xiangyu; Ren, Shaoqing; Sun, Jian (junio de 2016). "Aprendizaje residual profundo para el reconocimiento de imágenes" . Conferencia IEEE de 2016 sobre visión por computadora y reconocimiento de patrones (CVPR) . Las Vegas, NV, EE. UU.: IEEE. págs. 770–778 . doi : 10.1109/CVPR.2016.90 . ISBN  978-1-4673-8851-1. S2CID 206594692 . 
  17. ↑ Ahmad, Ibtihaj; Xia, Yong; Cui, Hengfei; Islam, Zain Ul (2023-05-01). "AATSN: Red de segmentación de tumores con conciencia anatómica para volúmenes e imágenes PET-CT utilizando un mecanismo ligero de fusión-atención" . Computers in Biology and Medicine . 157 106748. doi : 10.1016/j.compbiomed.2023.106748 . ISSN 0010-4825 . PMID 36958235. S2CID 257489603 .   
  18. ^ Vaswani, Ashish; Shazeer, Noam; Parmar, Niki; Uszkoreit, Jakob; Jones, León; Gómez, Aidán N.; Káiser, Lukasz; Polosukhin, Illia (12 de junio de 2017). "Todo lo que necesita es atención". arXiv : 1706.03762 [ cs.CL ].
  19. ↑ Sorin, Vera; Barash, Yiftach; Konen, Eli; Klang, Eyal (agosto de 2020). "Creación de imágenes artificiales para aplicaciones radiológicas mediante redes generativas antagónicas (GAN): una revisión sistemática" . Academic Radiology . 27 (8): 1175– 1185. doi : 10.1016/j.acra.2019.12.024 . ISSN 1076-6332 . PMID 32035758. S2CID 211072078 .   
  20. ↑ Ehsani Rad, Abdolvahab; Mohd Rahim Mohd Shafry; Rehman Amjad; Altameem Ayman; Saba Tanzila (mayo de 2013). "Evaluación de los enfoques actuales de segmentación de radiografías dentales en aplicaciones asistidas por computadora". IETE Technical Review . 30 (3): 210. doi : 10.4103/0256-4602.113498 (inactivo el 1 de julio de 2025). S2CID 62571134 . {{cite journal}}: CS1 maint: DOI inactivo desde julio de 2025 ( enlace )
  21. ↑ Lisa Gottesfeld Brown (1992). "Un estudio de las técnicas de registro de imágenes". ACM Computing Surveys . 24 (4): 325– 376. CiteSeerX 10.1.1.35.2732 . doi : 10.1145/146370.146374 . S2CID 14576088 .  
  22. ↑ J. Maintz; M. Viergever (1998). "Un estudio sobre el registro de imágenes médicas". Medical Image Analysis . 2 (1): 1– 36. CiteSeerX 10.1.1.46.4959 . doi : 10.1016/S1361-8415(01)80026-8 . PMID 10638851 .  
  23. ↑ J. Hajnal; D. Hawkes; D. Hill (2001). Registro de imágenes médicas . Baton Rouge, Florida: CRC Press.
  24. ↑ Barbara Zitová; Jan Flusser (2003). "Métodos de registro de imágenes: una revisión". Image Vision Comput . 21 (11): 977– 1000. doi : 10.1016/S0262-8856(03)00137-9 . hdl : 10338.dmlcz/141595 .
  25. ^ JPW Plumim; JBA Maintz; MA Viergever (2003). "Registro de imágenes médicas basado en información mutua: una encuesta". Traducción IEEE. Medicina. Imágenes . 22 (8): 986– 1004. Código bibliográfico : 2003ITMI...22..986P . CiteSeerX 10.1.1.197.6513 . doi : 10.1109/TMI.2003.815867 . PMID 12906253 . S2CID 2605077 .   
  26. ↑ Grenander, Ulf; Miller, Michael I. (1998). "Anatomía computacional: una disciplina emergente" . Q. Appl. Math . LVI (4): 617–694 . Bibcode : 1998QApMa..56..617G . doi : 10.1090/qam/1668732 .
  27. ↑ PA Viola (1995). Alineación mediante la maximización de la información mutua (Tesis). Instituto Tecnológico de Massachusetts.
  28. ↑ C. Wachinger; T. Klein; N. Navab (2011). "Medidas de similitud de ultrasonido basadas en Nakagami adaptativas localmente". Ultrasonics . 52 (4): 547– 554. doi : 10.1016/j.ultras.2011.11.009 . PMID 22197152 . 
  29. ↑ C. Wachinger; N. Navab (2012). "Entropía e imágenes laplacianas: representaciones estructurales para el registro multimodal". Medical Image Analysis . 16 (1): 1– 17. doi : 10.1016/j.media.2011.03.001 . PMID 21632274 . 
  30. ↑ Hill, Derek LG; Hawkes, David J (1994-04-01). "Registro de imágenes médicas mediante el conocimiento de la adyacencia de estructuras anatómicas". Image and Vision Computing . 12 (3): 173– 178. CiteSeerX 10.1.1.421.5162 . doi : 10.1016/0262-8856(94)90069-8 . ISSN 0262-8856 .  
  31. ↑ Toth, Daniel; Panayiotou, Maria; Brost, Alexander; Behar, Jonathan M.; Rinaldi, Christopher A.; Rhode, Kawal S.; Mountney, Peter (17 de octubre de 2016). «Registro con estructuras anatómicas adyacentes para la guía de la terapia de resincronización cardíaca». Atlas estadísticos y modelos computacionales del corazón. Desafíos de imagen y modelado (manuscrito enviado). Lecture Notes in Computer Science. Vol. 10124. págs. 127–134 . doi : 10.1007/978-3-319-52718-5_14 . ISBN   9783319527178. S2CID 1698371 . 
  32. ↑ Pielawski, N., Wetzer, E., Ofverstedt, J., Lu, J., Wählby, C., Lindblad, J., & Sladoje, N. (2020). "CoMIR: Representación de imágenes multimodales contrastivas para el registro". En Advances in Neural Information Processing Systems (pp. 18433–18444). Curran Associates, Inc.
  33. ↑ M. De Craene; AB d Aische; B. Macq; SK Warfield (2004). "Registro multisujeto para la construcción imparcial de atlas estadísticos" (PDF) . Medical Image Computing and Computer-Assisted Intervention – MICCAI 2004. Lecture Notes in Computer Science. Vol. 3216. pp. 655–662 . doi : 10.1007/978-3-540-30135-6_80 . ISBN   978-3-540-22976-6.
  34. ↑ CJ Twining; T. Cootes; S. Marsland; V. Petrovic; R. Schestowitz; C. Taylor (2005). "Un enfoque unificado de la teoría de la información para el registro no rígido grupal y la construcción de modelos". Procesamiento de la información en imágenes médicas . Notas de clase en ciencias de la computación. Vol. 19. págs. 1–14 . doi : 10.1007/11505730_1 . ISBN   978-3-540-26545-0. PMID 17354680 . 
  35. ↑ "El cerebro MNI y el atlas de Talairach" .
  36. ↑ M. Sabuncu; SK Balci; ME Shenton; P. Golland (2009). "Análisis de población basado en imágenes mediante modelado de mezclas" . IEEE Transactions on Medical Imaging . 28 (9): 1473– 1487. Bibcode : 2009ITMI...28.1473S . CiteSeerX 10.1.1.158.3690 . doi : 10.1109/TMI.2009.2017942 . PMC 2832589. PMID 19336293 .   
  37. ↑ J. Ashburner; KJ Friston (2000). " Morfometría basada en vóxeles: los métodos". NeuroImage . 11 (6): 805– 821. CiteSeerX 10.1.1.114.9512 . doi : 10.1006/nimg.2000.0582 . PMID 10860804. S2CID 16777465 .   
  38. ↑ C. Davatzikos (2004). " Por qué el análisis morfométrico basado en vóxeles debe usarse con gran precaución al caracterizar las diferencias grupales". NeuroImage . 23 (1): 17– 20. doi : 10.1016/j.neuroimage.2004.05.010 . PMID 15325347. S2CID 7452089 .  
  39. ↑ KJ Friston; WD Penny; C. Phillips; SJ Kiebel; G. Hinton; J. Ashburner (2002). "Inferencia clásica y bayesiana en neuroimagen: teoría". NeuroImage . 16 (2): 465– 483. CiteSeerX 10.1.1.128.8333 . doi : 10.1006/nimg.2002.1090 . PMID 12030832 . S2CID 14911371 .   
  40. ↑ Yong Fan; Nematollah Batmanghelich; Chris M. Clark; Christos Davatzikos (2008). "Patrones espaciales de atrofia cerebral en pacientes con deterioro cognitivo leve, identificados mediante clasificación de patrones de alta dimensión, predicen el deterioro cognitivo posterior" . NeuroImage . 39 ( 4): 1731– 1743. doi : 10.1016/j.neuroimage.2007.10.031 . PMC 2861339. PMID 18053747 .  
  41. ↑ Rémi Cuingnet; Emilie Gerardin; Jérôme Tessieras; Guillaume Auzias; Stéphane Lehéricy; Marie-Odile Habert; Marie Chupin; Habib Benali; Olivier Colliot (2011). "The Alzheimer's Disease Neuroimaging Initiative, Automatic classification of patients with Alzheimer's disease from structural MRI: A comparison of ten methods using the ADNI database" (PDF) . NeuroImage . 56 (2): 766– 781. doi : 10.1016/j.neuroimage.2010.06.013 . PMID 20542124 . S2CID 628131 .  
  42. ↑ Y. Wang; Y. Fan; P. Bhatt P; C. Davatzikos (2010). "Regresión de patrones de alta dimensión mediante aprendizaje automático: de imágenes médicas a variables clínicas continuas" . NeuroImage . 50 ( 4): 1519–35 . doi : 10.1016/j.neuroimage.2009.12.092 . PMC 2839056. PMID 20056158 .  
  43. ↑ Benoît Magnin; Lilia Mesrob; Serge Kinkingnéhun; Mélanie Pélégrini-Issac; Olivier Colliot; María Sarazin; Bruno Dubois; Stéphane Lehericy; Habib Benali (2009). "Soporte de clasificación basada en máquinas vectoriales de la enfermedad de Alzheimer a partir de resonancia magnética anatómica de todo el cerebro". Neurorradiología . 51 (2): 73– 83. doi : 10.1007/s00234-008-0463-x . PMID 18846369 . S2CID 285128 .  
  44. 1 2 N.K. Batmanghelich; B. Taskar; C. Davatzikos (2012). "Aprendizaje de base generativo-discriminativo para imágenes médicas" . IEEE Trans Med Imaging . 31 (1): 51– 69. Bibcode : 2012ITMI...31...51B . doi : 10.1109 / TMI.2011.2162961 . PMC 3402718. PMID 21791408 .  
  45. 1 2 Glenn Fung; Jonathan Stoeckel (2007). "Selección de características SVM para la clasificación de imágenes SPECT de la enfermedad de Alzheimer utilizando información espacial". Knowledge and Information Systems . 11 (2): 243– 258. CiteSeerX 10.1.1.62.6245 . doi : 10.1007/s10115-006-0043-5 . S2CID 9901011 .  
  46. 1 2 R. Chaves; J. Ramírez; JM Górriz; M. López; D. Salas-Gonzalez; I. Álvarez; F. Segovia (2009). "Diagnóstico asistido por computadora basado en SVM de la enfermedad de Alzheimer utilizando selección de características NMSE de prueba t con ponderación de correlación de características". Neuroscience Letters . 461 (3): 293– 297. doi : 10.1016/j.neulet.2009.06.052 . PMID 19549559 . S2CID 9981775 .  
  47. 1 2 Yanxi Liu ; Leonid Teverovskiy; Owen Carmichael; Ron Kikinis; Martha Shenton; Cameron S. Carter; V. Andrew Stenger; Simon Davis; Howard Aizenstein; James T. Becker (2004). "Análisis discriminativo de características de imágenes de RM para la clasificación automática de la esquizofrenia y la enfermedad de Alzheimer" (PDF) . Computación de imágenes médicas e intervención asistida por computadora – MICCAI 2004. Notas de clase en ciencias de la computación. Vol. 3216. págs. 393–401 . doi : 10.1007/978-3-540-30135-6_48 . ISBN   978-3-540-22976-6.{{cite book}}: |journal=ignorado ( ayuda )
  48. ↑ Savio A.; Graña M. (2013). "Selección de características basada en deformación para el diagnóstico asistido por computadora de la enfermedad de Alzheimer". Expert Systems with Applications . 40 (5): 1619– 1628. doi : 10.1016/j.eswa.2012.09.009 . ISSN 0957-4174 . 
  49. ↑ R. Filipovych; SM Resnick; C. Davatzikos (2011). "Análisis de clúster semisupervisado de datos de imágenes" . NeuroImage . 54 (3): 2185– 2197. doi : 10.1016/j.neuroimage.2010.09.074 . PMC 3008313. PMID 20933091 .  
  50. ↑ Hoja de ruta de investigación STEP Archivada el 28/08/2008 en Wayback Machine . europhysiome.org
  51. ↑ JW Fenner; B. Brook; G. Clapworthy; PV Coveney; V. Feipel; H. Gregersen; DR Hose; P. Kohl; P. Lawford; KM McCormack; D. Pinney; SR Thomas; S. Van Sint Jan; S. Waters; M. Viceconti (2008). "El EuroPhysiome, STEP y una hoja de ruta para el ser humano fisiológico virtual" (PDF) . Philosophical Transactions of the Royal Society A. 366 ( 1878): 2979–2999 . Bibcode : 2008RSPTA.366.2979F . doi : 10.1098/rsta.2008.0089 . hdl : 2013/ULB-DIPOT:oai:dipot.ulb.ac.be:2013/98205 . PMID 18559316 . S2CID 1211981 .  
  52. ↑ JB Bassingthwaighte (2000). " Estrategias para el Proyecto Fisioma" . Anales de Ingeniería Biomédica . 28 (8): 1043– 1058. doi : 10.1114/1.1313771 . PMC 3425440. PMID 11144666 .  
  53. ↑ PJ Hunter; TK Borg (2003) . "Integración de proteínas a órganos: El Proyecto Fisioma". Nat. Rev. Mol. Cell Biol . 4 (3): 237– 243. doi : 10.1038/nrm1054 . PMID 12612642. S2CID 25185270 .  
  54. ↑ RLWinslow; N. Trayanova; D. Geman; MI Miller (2012). "Medicina computacional: Traduciendo modelos a la atención clínica" . Sci . Transl. Med . 4 (158): 158rv11. doi : 10.1126/scitranslmed.3003528 . PMC 3618897. PMID 23115356 .  
  55. ^ N. Ayache, J.-P. Boissel, S. Brunak, G. Clapworthy, G. Lonsdale, J. Fingberg, AF Frangi, G.Deco, PJ Hunter, P.Nielsen, M.Halstead, DR Hose, I. Magnin, F. Martin-Sanchez, P. Sloot, J. Kaandorp, A. Hoekstra, S. Van Sint Jan y M. Viceconti (2005) "Hacia un ser humano fisiológico virtual: multinivel Modelado y simulación de la anatomía y fisiología humana" . Dirección General INFSO y Dirección General JRC, Libro blanco
  56. ↑ Boulfelfel D.; Rangayyan RM; Hahn LJ; Kloiber R.; Kuduvalli GR (1994). "Restauración de imágenes de tomografía computarizada por emisión de fotón único mediante el filtro de Kalman". IEEE Transactions on Medical Imaging . 13 (1): 102– 109. doi : 10.1109/42.276148 . PMID 18218487 . 
  57. ↑ Angenent, S. ; Pichon, E.; Tannenbaum, A. (2006). "Métodos matemáticos en el procesamiento de imágenes médicas" . Boletín de la AMS . 43 (3): 365– 396. doi : 10.1090/S0273-0979-06-01104-9 . PMC 3640423 . PMID 23645963 .  
  58. ↑ P Basser; J Mattiello; D LeBihan (enero de 1994). "Espectroscopia de tensor de difusión por RM, imágenes" . Biophysical Journal . 66 (1): 259– 267. Bibcode : 1994BpJ....66..259B . doi : 10.1016/S0006-3495(94)80775-1 . PMC 1275686. PMID 8130344 .  
  59. ↑ P Fillard; X Pennec; V Arsigny; N Ayache (2007). "Estimación, suavizado y seguimiento de fibras de DT-MRI clínica con métricas log-euclidianas". IEEE Transactions on Medical Imaging . 26 (11): 1472– 1482. Bibcode : 2007ITMI...26.1472F . CiteSeerX 10.1.1.218.6380 . doi : 10.1109/TMI.2007.899173 . PMID 18041263 .  
  60. ↑ SK Song; SW Sun; M Ramsbottom; C Cheng; J Russell; A Cross (noviembre de 2002). "Dismielinización revelada mediante resonancia magnética como un aumento de la difusión radial (pero sin cambios en la difusión axial) del agua". NeuroImage . 13 ( 3): 1429– 1436. doi : 10.1006/nimg.2002.1267 . PMID 12414282. S2CID 43229972 .  
  61. ↑ P Barzo; A Marmarou; P Fatouros; K Hayasaki; F Corwin (diciembre de 1997). "Contribución del edema vasogénico y celular a la inflamación cerebral traumática medida mediante imágenes ponderadas por difusión". Journal of Neurosurgery . 87 (6): 900– 907. doi : 10.3171/jns.1997.87.6.0900 . PMID 9384402 . 
  62. ↑ D Alexander; C Pierpaoli; P Basser (enero de 2001). "Transformación espacial de imágenes de resonancia magnética de tensor de difusión" ( PDF) . IEEE Transactions on Medical Imaging . 20 (11): 1131– 1139. Bibcode : 2001ITMI...20.1131A . doi : 10.1109/42.963816 . PMID 11700739. S2CID 6559551 .  
  63. ↑ Y Cao; M Miller; S Mori; R Winslow; L Younes (junio de 2006). "Coincidencia difeomórfica de imágenes de tensor de difusión". Actas de la Conferencia de la Sociedad de Computación del IEEE sobre Visión por Computadora, Reconocimiento de Patrones (CVPR), Taller sobre Métodos Matemáticos en Análisis de Imágenes Biomédicas (MMBIA 2006) . Nueva York. pág. 67. doi : 10.1109/CVPRW.2006.65 . PMC 2920614 .  
  64. ↑ Z Wang; B Vemuri (octubre de 2005). "Segmentación DTI utilizando una medida de disimilitud tensorial basada en la teoría de la información". IEEE Transactions on Medical Imaging . 24 (10): 1267– 1277. Bibcode : 2005ITMI...24.1267W . CiteSeerX 10.1.1.464.9059 . doi : 10.1109/TMI.2005.854516 . PMID 16229414. S2CID 32724414 .   
  65. ↑ Melonakos, J.; Pichon, E.; Angenent, S. ; Tannenbaum, A. (2008). "Finsler active contours" . IEEE Trans. Pattern Anal. Mach. Intell . 30 (3): 412– 423. Bibcode : 2008ITPAM..30..412M . doi : 10.1109/TPAMI.2007.70713 . PMC 2796633. PMID 18195436 .  
  66. ↑ S Mori; B Crain; V Chacko; P van Zijl (febrero de 1999). "Seguimiento tridimensional de proyecciones axonales en el cerebro mediante imágenes de resonancia magnética". Annals of Neurology . 45 (2): 265– 269. doi : 10.1002/1531-8249(199902)45:2 < 265::AID-ANA21 > 3.0.CO ; 2-3 . PMID 9989633 . S2CID 334903 .  
  67. ↑ D Tuch; T Reese; M Wiegell; N Makris; J Belliveau; V Wedeen (octubre de 2002). "Las imágenes de difusión de alta resolución angular revelan la heterogeneidad de las fibras de la sustancia blanca dentro del vóxel" . Magnetic Resonance in Medicine . 48 (4): 577– 582. doi : 10.1002/mrm.10268 . PMID 12353272 . 
  68. ↑ D Tuch (diciembre de 2004). "Imágenes Q-ball" . Magnetic Resonance in Medicine . 52 (6): 1358– 1372. doi : 10.1002/mrm.20279 . PMID 15562495 . 
  69. ↑ V Wedeen; P Hagmann; WY Tseng; T Reese (diciembre de 2005). "Mapeo de la arquitectura compleja de los tejidos con imágenes de resonancia magnética de espectro de difusión" . Magnetic Resonance in Medicine . 54 (6): 1377– 1386. doi : 10.1002/mrm.20642 . PMID 16247738 . 
  70. ↑ K Jansons; D Alexander (julio de 2003). "Estructura angular persistente: nuevas perspectivas a partir de datos de imágenes de resonancia magnética de difusión". Actas de Procesamiento de Información en Imágenes Médicas (IPMI) 2003, LNCS 2732. págs. 672–683 . doi : 10.1007/978-3-540-45087-0_56 . 
  71. ↑ JD Tournier; F Calamante; D Gadian; A Connelly (2007). "Estimación directa de la función de densidad de orientación de fibras a partir de datos de resonancia magnética ponderada por difusión mediante deconvolución esférica". NeuroImage . 23 (3): 1176– 1185. doi : 10.1016/j.neuroimage.2004.07.037 . PMID 15528117 . S2CID 24169627 .  
  72. ↑ X Geng; T Ross; W Zhan; H Gu; YP Chao; CP Lin; G Christensen; N Schuff; Y Yang (julio de 2009). "Registro de resonancia magnética de difusión mediante funciones de distribución de orientación". Actas de Procesamiento de Información en Imágenes Médicas (IPMI) 2009, LNCS 5636. Vol. 21. págs. 626–637 . doi : 10.1007/978-3-642-02498-6_52 . PMC 3860746 .   
  73. ↑ PT Yap; Y Chen; H An; Y Yang; J Gilmore; W Lin; D Shen (2011). " SPHERE: Registro elástico armónico esférico de datos HARDI" . NeuroImage . 55 (2): 545– 556. doi : 10.1016/j.neuroimage.2010.12.015 . PMC 3035740. PMID 21147231 .  
  74. ↑ P Zhang; M Niethammer; D Shen; PT Yap (2012). "Registro difeomórfico de gran deformación de imágenes ponderadas por difusión" (PDF) . Actas de Medical Image Computing and Computer-Assisted Intervention (MICCAI) . doi : 10.1007/978-3-642-33418-4_22 .
  75. ↑ M Descoteaux; R Deriche (septiembre de 2007). "Segmentación de imágenes Q-Ball mediante evolución de superficie estadística". Actas de Medical Image Computing and Computer-Assisted Intervention (MICCAI) 2007, LNCS 4792. págs. 769–776 . doi : 10.1007/978-3-540-75759-7_93 . 
  76. 1 2 Friston, K.; Holmes, A.; Worsley, K.; Poline, J.; Frith, C.; Frackowiak, R.; et al. (1995). "Mapas paramétricos estadísticos en imágenes funcionales: un enfoque lineal general". Hum Brain Mapp . 2 (4): 189– 210. doi : 10.1002/hbm.460020402 . S2CID 9898609 .  
  77. ↑ Buckner, RL; Andrews-Hanna, JR; Schacter, DL (2008). "La red neuronal por defecto del cerebro: anatomía, función y relevancia para la enfermedad". Anales de la Academia de Ciencias de Nueva York . 1124 ( 1): 1– 38. Bibcode : 2008NYASA1124....1B . CiteSeerX 10.1.1.689.6903 . doi : 10.1196/annals.1440.011 . PMID 18400922. S2CID 3167595 .   
  78. 1 2 Sí, BTT; Krienen, FM; Sepulcro, J.; Sabuncu, señor; Lashkari, D.; Hollinshead, M.; Roffman, JL; Más pequeño, JW; Zöllei, L.; Polimeni, JR; Fischl, B.; Liu, H.; Buckner, RL (2011). "La organización de la corteza cerebral humana estimada por la conectividad funcional intrínseca" . J Neurofisiol . 106 (3): 1125– 65. doi : 10.1152/jn.00338.2011 . PMC 3174820 . PMID 21653723 .  
  79. ^ JV Haxby; MI Gobbini; ML Furey; A. Ishai; JL Schouten; P. Pietrini (2001). "Representaciones distribuidas y superpuestas de rostros y objetos en la corteza temporal ventral". Ciencia . 293 (5539): 2425– 30. Bibcode : 2001Sci...293.2425H . CiteSeerX 10.1.1.381.2660 . doi : 10.1126/ciencia.1063736 . PMID 11577229 . S2CID 6403660 .   
  80. ↑ Langs, G.; Menze, BH; Lashkari, D.; Golland, P. (2011). "Detección de patrones estables distribuidos de activación cerebral mediante el contraste de Gini" . NeuroImage . 56 ( 2): 497– 507. doi : 10.1016/j.neuroimage.2010.07.074 . PMC 3960973. PMID 20709176 .  
  81. ↑ Varoquaux, G.; Gramfort, A.; Pedregosa, F.; Michel, V.; Thirion, B. (2011). "Aprendizaje de diccionarios multisujeto para segmentar un atlas de actividad cerebral espontánea". Inf Process Med Imaging . Vol. 22. pp. 562–73 .  
  82. ↑ van den Heuvel, MP; Stam, CJ; Kahn, RS; Hulshoff Pol, HE (2009). "Eficiencia de las redes cerebrales funcionales y rendimiento intelectual" . J Neurosci . 29 (23): 7619–24 . doi : 10.1523/JNEUROSCI.1443-09.2009 . PMC 6665421. PMID 19515930 .  
  83. ↑ Friston, K. (2003). "Modelado causal dinámico". NeuroImage . 19 (4): 1273– 1302. doi : 10.1016 / S1053-8119(03)00202-7 . PMID 12948688. S2CID 2176588 .  
  84. ↑ Sabuncu, MR; Singer, BD; Conroy, B.; Bryan, RE; Ramadge, PJ; Haxby, JV (2010). " Alineación intersujeto basada en la función de la anatomía cortical humana" . Cerebral Cortex . 20 (1): 130– 140. doi : 10.1093/cercor/bhp085 . PMC 2792192. PMID 19420007 .  
  85. ^ Langs, G.; Lashkari, D.; Dulce, A.; Empate, Y.; Rigolo, L.; Golby, AJ; Golland, P. (2011). "Aprendizaje de un atlas de un proceso cognitivo en su geometría funcional". Imágenes médicas de proceso inf . vol. 22. págs. 135-46 .  
  86. ↑ Haxby, JV; Guntupalli, JS; Connolly, AC; Halchenko, YO; Conroy, BR; Gobbini, MI; Hanke, M.; Ramadge, PJ (2011). "Un modelo común de alta dimensión del espacio representacional en la corteza temporal ventral humana" . Neuron . 72 ( 2): 404– 416. doi : 10.1016/j.neuron.2011.08.026 . PMC 3201764. PMID 22017997 .  
  87. ↑ Wells, William M; Colchester, Alan; Delp, Scott (1998). Lecture Notes in Computer Science (Manuscrito enviado). Vol. 1496. doi : 10.1007/BFb0056181 . ISBN  978-3-540-65136-9. S2CID 31031333 . 
  88. ↑ JS Duncan; N Ayache (2000). "Análisis de imágenes médicas: progreso en dos décadas y los desafíos futuros". IEEE Transactions on Pattern Analysis and Machine Intelligence . 22 (1): 85– 106. Bibcode : 2000ITPAM..22...85D . CiteSeerX 10.1.1.410.8744 . doi : 10.1109/34.824822 . 

Revistas sobre computación de imágenes médicas

  • Análisis de imágenes médicas (MedIA)  ; también la revista oficial de la Sociedad MICCAI , que organiza la Conferencia Anual MICCAI, una conferencia de primer nivel para la computación de imágenes médicas.
  • Transacciones IEEE sobre imágenes médicas (IEEE TMI)
  • Física médica
  • Revista de Imagen Digital (JDI)  ; la revista oficial de la Sociedad de Informática de la Imagen.
  • Imágenes y gráficos médicos computarizados
  • Revista de Radiología y Cirugía Asistidas por Computadora
  • Imágenes médicas de BMC

Además, las siguientes revistas publican ocasionalmente artículos que describen métodos y aplicaciones clínicas específicas de la computación de imágenes médicas o de la computación de imágenes médicas específica de la modalidad.

  • Radiología, la revista oficial de la Sociedad Radiológica de Norteamérica.
  • Neuroimagen
  • Revista de Resonancia Magnética (JMRI)
  • Resonancia Magnética en Medicina (RMM)
  • Revista de Tomografía Asistida por Computadora (JCAT)
  • Mapeo del cerebro humano