La computación de imágenes médicas (MIC) es un campo interdisciplinario en la intersección de la informática , la ingeniería de la información , la ingeniería eléctrica , la física , las matemáticas y la medicina . Este campo desarrolla métodos computacionales y matemáticos para la resolución de problemas relacionados con imágenes médicas y su uso para la investigación biomédica y la atención clínica.
El objetivo principal de MIC es extraer información o conocimiento clínicamente relevante a partir de imágenes médicas. Aunque está estrechamente relacionado con el campo de las imágenes médicas , 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.
Formularios de datos
La computación de imágenes médicas generalmente opera con datos muestreados uniformemente con espaciado espacial xyz regular (imágenes en 2D y volúmenes en 3D, generalmente denominadas imágenes). En cada punto de muestra, los datos se representan comúnmente en forma integral , como cortos con signo y sin signo (16 bits), aunque no son infrecuentes las formas desde char sin signo (8 bits) hasta flotante de 32 bits. El significado particular de los datos en el punto de muestra depende de la modalidad: por ejemplo, una adquisición de TC recopila valores de radiodensidad, mientras que una adquisición de IRM puede recopilar imágenes ponderadas en T1 o T2 . Las adquisiciones longitudinales que varían 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 cortadas debido a la inclinación del pórtico durante la adquisición; y mallas no estructuradas , tales como formas hexaédricas y tetraédricas, que se utilizan en análisis biomecánicos avanzados (por ejemplo, deformación tisular, transporte vascular, implantes óseos).
Segmentación
La segmentación es el proceso de dividir una imagen en diferentes segmentos significativos. En las imágenes médicas, estos segmentos a menudo corresponden a diferentes clases de tejidos, órganos , patologías u otras estructuras biológicamente relevantes. [1] La segmentación de imágenes médicas se ve dificultada por el bajo contraste, el ruido y otras ambigüedades en las imágenes. Aunque existen muchas técnicas de visión por computadora para la segmentación de imágenes , algunas se han adaptado específicamente para la computación de imágenes médicas. A continuación se muestra una muestra de técnicas dentro de este campo; la implementación se basa en la experiencia que los médicos pueden brindar.
- Segmentación basada en Atlas : para muchas aplicaciones, un experto clínico puede etiquetar manualmente varias imágenes; Segmentar imágenes invisibles es cuestión de extrapolar estas imágenes de entrenamiento etiquetadas manualmente. Los métodos de este estilo se denominan típicamente métodos de segmentación basados en atlas. Los métodos de atlas paramétricos típicamente combinan estas imágenes de entrenamiento en una sola imagen de atlas, [2] mientras que los métodos de atlas no paramétricos típicamente usan todas las imágenes de entrenamiento por separado. [3] Los métodos basados en Atlas generalmente requieren el uso de registro de imágenes para alinear la imagen o imágenes del atlas con una imagen nueva que no se ve.
- Segmentación basada en formas : muchos métodos parametrizan una forma de plantilla para una estructura determinada, a menudo basándose en puntos de control a lo largo del límite. Luego, toda la forma se deforma para que coincida con una nueva imagen. Dos de las técnicas basadas en formas más comunes son los modelos de formas activas [4] y los modelos de apariencia activa. [5] Estos métodos han sido muy influyentes y han dado lugar a modelos similares. [6]
- 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. [7]
- Segmentación interactiva : los métodos interactivos son útiles cuando los médicos pueden proporcionar cierta información, como una región inicial o un esquema aproximado de la región a segmentar. Luego, un algoritmo puede refinar iterativamente dicha segmentación, con o sin la guía del médico. La segmentación manual, que utiliza herramientas como un pincel para definir explícitamente la clase de tejido de cada píxel, sigue siendo el estándar de oro para muchas aplicaciones de imágenes. Recientemente, se han incorporado a la segmentación principios de la teoría del control de retroalimentación , que le dan al usuario mucha mayor flexibilidad y permiten la corrección automática de errores. [8]
- Segmentación superficial subjetiva: este método se basa en la idea de evolución de la función de segmentación que se rige por un modelo de advección-difusión. [9] Para segmentar un objeto, se necesita una semilla de segmentación (que es 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 [10] [11] [12] es que la posición de la semilla es el factor principal que determina la forma de esta función de segmentación.
Sin embargo, existen otras clasificaciones de métodos de segmentación de imágenes que son similares a las categorías anteriores. Además, podemos clasificar otro grupo como "Híbrido" que se basa en una combinación de métodos. [13]
Registro
El registro de imágenes es un proceso que busca la alineación correcta de las imágenes. [14] [15] [16] [17] En el caso más simple, dos imágenes están alineadas. Normalmente, una imagen se trata como imagen de destino y la otra como imagen de origen; la imagen de origen se transforma para que coincida con la imagen de destino. El procedimiento de optimización actualiza la transformación de la imagen de origen en función de 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 (ver figura).
El registro de imágenes se utiliza en una variedad de aplicaciones médicas:
- Estudiar los cambios temporales. Los estudios longitudinales adquieren imágenes durante varios meses o años para estudiar procesos a largo plazo, como la progresión de la enfermedad. Las series de tiempo corresponden a imágenes adquiridas dentro de la misma sesión (segundos o minutos). Se pueden utilizar para estudiar procesos cognitivos, deformaciones cardíacas y respiración.
- Combinando 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 según las modalidades, es más difícil evaluar la calidad de la alineación. Esto ha llevado al uso de medidas de similitud como la información mutua . [18]
- Caracterización de una población de sujetos. A diferencia del registro intra-sujeto, es posible que no exista un mapeo uno a uno entre sujetos, dependiendo de la variabilidad estructural del órgano de interés. Se requiere el registro intersubjetivo para la construcción de atlas en anatomía computacional . [19] Aquí, el objetivo es modelar estadísticamente la anatomía de los órganos entre sujetos.
- Cirugía asistida por computadora . En la cirugía asistida por ordenador, las imágenes preoperatorias, como la TC o la RMN, se registran en imágenes intraoperatorias o sistemas de seguimiento para facilitar la orientación o la navegación por imágenes.
Hay varias consideraciones importantes al realizar el registro de imágenes:
- El modelo de transformación . Las opciones comunes son modelos de transformación rígidos , afines y deformables . Los modelos B-spline y thin plate spline se utilizan comúnmente para campos de transformación parametrizados. Los campos de deformación densos o no paramétricos llevan un vector de desplazamiento en cada ubicación de la cuadrícula; esto requiere restricciones de regularización adicionales . Una clase específica de campos de deformación son los difeomorfismos , que son transformaciones invertibles con una inversa suave.
- La métrica de similitud. Se utiliza una función de distancia o similitud para cuantificar la calidad del registro. Esta similitud se puede calcular sobre las imágenes originales o sobre las características extraídas de las imágenes. Las medidas de similitud comunes son la suma de distancias al cuadrado (SSD), el coeficiente de correlación y la información mutua . La elección de la medida de similitud depende de si las imágenes son de la misma modalidad; el ruido de adquisición también puede influir en esta decisión. Por ejemplo, SSD es la medida de similitud óptima para imágenes de la misma modalidad con ruido gaussiano . [20] Sin embargo, las estadísticas de imagen en ultrasonido son significativamente diferentes del ruido gaussiano, lo que lleva a la introducción de medidas de similitud específicas de ultrasonido. [21] El registro multimodal requiere una medida de similitud más sofisticada; alternativamente, se puede utilizar una representación de imagen diferente, como representaciones estructurales [22] o registrar la anatomía adyacente. [23] [24]
- El procedimiento de optimización . Se realiza una optimización continua o discreta . Para la optimización continua, se aplican técnicas de optimización basadas en gradientes para mejorar la velocidad de convergencia.
Visualización
La visualización juega varios roles clave en la Computación de Imágenes Médicas. Se utilizan métodos de visualización científica para comprender y comunicar las imágenes médicas, que son inherentemente espacio-temporales. La visualización y el análisis de datos se utilizan en formularios de datos no estructurados , por ejemplo, al evaluar medidas estadísticas derivadas durante el procesamiento algorítmico. La interacción directa con los datos, una característica clave del proceso de visualización, se utiliza para realizar consultas visuales sobre los datos, anotar imágenes, guiar los procesos de segmentación y registro y controlar la representación visual de los datos (mediante el control de las propiedades de representación de la iluminación y los parámetros de visualización). La visualización se utiliza tanto para la exploración inicial como para transmitir los resultados intermedios y finales de los análisis.
La figura "Visualización de imágenes médicas" ilustra varios tipos de visualización: 1. la visualización de secciones 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 la adquisición de la imagen; y 3. Una representación de volumen 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, representar imágenes médicas para tener en cuenta esta variabilidad es crucial. Un enfoque popular para representar imágenes médicas es mediante el uso de uno o más atlas. Aquí, un atlas se refiere a un modelo específico para una población de imágenes con parámetros que se aprenden de un conjunto de datos de entrenamiento. [25] [26]
El ejemplo más simple de un atlas es una imagen de intensidad media, comúnmente conocida como plantilla. Sin embargo, un atlas también puede incluir información más rica, como estadísticas de imágenes locales y la probabilidad de que una ubicación espacial particular tenga una determinada etiqueta. Las nuevas imágenes médicas, que no se utilizan durante el entrenamiento, se pueden mapear en un atlas, que se ha adaptado a la aplicación específica, como la segmentación y el análisis de grupos . El mapeo de una imagen en un atlas generalmente implica registrar la imagen y el atlas. Esta deformación se puede utilizar para abordar la variabilidad en las imágenes médicas.
Plantilla única
El enfoque más simple es modelar imágenes médicas como versiones deformadas de una sola imagen de plantilla. Por ejemplo, las exploraciones cerebrales de resonancia magnética anatómica se asignan a menudo a la plantilla MNI [27] para representar todas las exploraciones cerebrales en coordenadas comunes. El principal inconveniente de un enfoque de plantilla única es que si existen diferencias significativas entre la plantilla y una imagen de prueba determinada, es posible que no haya una buena forma de asignar una sobre la otra. Por ejemplo, es posible que una exploración del cerebro por resonancia magnética anatómica de un paciente con anomalías cerebrales graves (es decir, un tumor o un procedimiento quirúrgico) no se corresponda fácilmente con la plantilla MNI.
Varias plantillas
En lugar de depender de una sola plantilla, se pueden utilizar varias plantillas. 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 una plantilla para una población enferma. Sin embargo, en muchas aplicaciones, no está claro cuántas plantillas se necesitan. Una manera simple, aunque computacionalmente costosa, de lidiar con esto es hacer que cada imagen en un conjunto de datos de entrenamiento sea una imagen de plantilla y, por lo tanto, cada nueva imagen encontrada se compara con cada imagen en el conjunto de datos de entrenamiento. Un enfoque más reciente encuentra automáticamente la cantidad de plantillas necesarias. [28]
análisis estadístico
Los métodos estadísticos combinan el campo de las imágenes médicas con la visión por computadora , el aprendizaje automático y el reconocimiento de patrones modernos . Durante la última década, varios grandes conjuntos de datos se han puesto a disposición del público (ver, por ejemplo, ADNI, Proyecto 1000 Connectomes funcionales), en parte debido a la colaboración entre varios institutos y centros de investigación. Este aumento en el tamaño de los datos requiere nuevos algoritmos que puedan extraer y detectar cambios sutiles en las imágenes para abordar cuestiones clínicas. Estas preguntas clínicas son muy diversas e incluyen análisis grupales, 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. Por lo general, una de estas cohortes está formada por sujetos normales (control) y la otra por pacientes anormales. La variación causada por la enfermedad puede manifestarse como una deformación anormal de la anatomía (consulte Morfometría basada en vóxeles ). Por ejemplo, la contracción de los 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 vóxeles . Por lo tanto, la tubería de preprocesamiento más popular, particularmente en neuroimagen , transforma todas las imágenes de un conjunto de datos en un marco de coordenadas común mediante ( Registro de imágenes médicas ) para mantener la correspondencia entre los vóxeles. Dada esta correspondencia de vóxeles, el método Frequentist más común es extraer una estadística para cada vóxel (por ejemplo, la intensidad media de vóxeles para cada grupo) y realizar pruebas de hipótesis estadísticas para evaluar si una hipótesis nula es compatible o no. La hipótesis nula generalmente asume que las dos cohortes se extraen de la misma distribución y, por lo tanto, deben tener las mismas propiedades estadísticas (por ejemplo, los valores medios de dos grupos son iguales para un vóxel en particular). Dado que las imágenes médicas contienen una gran cantidad de vóxeles, es necesario abordar la cuestión de la comparación múltiple . [29] [30] También existen enfoques bayesianos para abordar el problema del análisis de grupo. [31]
Clasificación
Aunque el análisis de grupo puede cuantificar los efectos generales de una patología en una anatomía y función, no proporciona medidas a nivel de sujeto y, por lo tanto, no se puede utilizar como biomarcadores para el diagnóstico (consulte Biomarcadores de imágenes). Los médicos, por otro lado, a menudo están interesados en el diagnóstico temprano de la patología (es decir, la clasificación, [32] [33] ) y en aprender la progresión de una enfermedad (es decir, la regresión [34] ). 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, Support Vector Machine [35] ), hasta el desarrollo de nuevos enfoques adaptados a las necesidades del campo. [36] Las principales dificultades son las siguientes:
- Tamaño de muestra pequeño ( Curse of Dimensionality ): un gran conjunto de datos de imágenes médicas contiene de cientos a miles de imágenes, mientras que el número de vóxeles en una imagen volumétrica típica puede fácilmente ir más allá de millones. Un remedio a este problema es reducir el número de características en un sentido informativo (ver reducción de dimensionalidad ). Se han propuesto varios enfoques no supervisados y semi / supervisados, [36] [37] [38] [39] para abordar este problema.
- Interpretabilidad: una buena precisión de generalización no siempre es el objetivo principal, ya que a los médicos les gustaría comprender qué partes de la anatomía se ven afectadas por la enfermedad. Por 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 . [37] [38] [39] [40]
Agrupación
Los métodos de clasificación de patrones basados en imágenes generalmente asumen que los efectos neurológicos de una enfermedad son distintos y están bien definidos. Puede que no siempre sea así. Para una serie de afecciones médicas, las poblaciones de pacientes son muy heterogéneas y no se ha establecido una clasificación adicional en subcondiciones. Además, algunas enfermedades (p. Ej., Trastorno del espectro autista (TEA), esquizofrenia , deterioro cognitivo leve (DCL)) pueden caracterizarse por un espectro continuo o casi continuo desde un 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 prestadas ideas de la agrupación de altas dimensiones [41] y la regresión de patrones de alta dimensión para agrupar una población determinada en subpoblaciones homogéneas. El objetivo es proporcionar una mejor comprensión cuantitativa de la enfermedad dentro de cada subpoblación.
Análisis de formas
Shape Analysis es el campo de la Computación de Imágenes Médicas que estudia las propiedades geométricas de estructuras obtenidas de diferentes modalidades de imagen . El análisis de formas se ha convertido recientemente en un interés creciente para la comunidad médica debido a su potencial para localizar con precisión cambios morfológicos entre diferentes poblaciones de estructuras, es decir, sanas frente a patológicas, mujeres frente a hombres, jóvenes frente a ancianos. El análisis de formas incluye 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. Evidentemente, la definición de correspondencia influirá directamente en el análisis. Entre las diferentes opciones para marcos de correspondencia podemos encontrar: correspondencia anatómica, puntos de referencia manuales, correspondencia funcional (es decir, en el locus de morfometría cerebral responsable de la misma funcionalidad neuronal), correspondencia geométrica, (para volúmenes de imagen) similitud de intensidad, etc. análisis de formas, no requieren correspondencia, pero comparan directamente los descriptores de formas.
- El análisis estadístico proporcionará mediciones del cambio estructural en las ubicaciones correspondientes.
Estudios longitudinales
En estudios longitudinales, la misma persona es fotografiada repetidamente. Esta información se puede incorporar tanto al análisis de imágenes como al modelado estadístico.
- En el procesamiento de imágenes longitudinales, los métodos de segmentación y análisis de puntos de tiempo individuales se informan y regularizan con información común, generalmente de una plantilla dentro del tema. 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 regularización excesiva, de modo que los tamaños del efecto permanezcan estables. La regularización intensa, por ejemplo, puede conducir a una excelente confiabilidad de prueba-reprueba, pero limita la capacidad de detectar cambios verdaderos y diferencias entre grupos. A menudo, es necesario buscar una compensación 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 se vuelven a muestrear en la imagen de línea de base, los artefactos de interpolación se introducen solo en las imágenes de seguimiento y no en la línea de base. Estos artefactos pueden causar efectos espurios (generalmente un sesgo hacia la sobreestimación del cambio longitudinal y, por lo tanto, subestimando el tamaño de muestra requerido). Por lo tanto, es esencial que los puntos de todos los tiempos se traten exactamente de la misma manera para evitar cualquier sesgo de procesamiento.
- El posprocesamiento y el análisis estadístico de datos longitudinales generalmente requieren herramientas estadísticas dedicadas, como 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 dentro del sujeto a lo largo del tiempo y también dentro de una vecindad en la superficie cortical, un hecho que puede usarse para aumentar la potencia estadística. Además, el análisis de tiempo hasta el evento (también conocido como supervivencia) se emplea con frecuencia para analizar datos longitudinales y determinar predictores significativos.
Modelado fisiológico basado en imágenes
Tradicionalmente, la computación de imágenes médicas se ha enfocado en la cuantificación y fusión de la información estructural o funcional disponible en el momento y punto de la adquisición de la imagen. En este sentido, puede verse como una detección cuantitativa de los procesos anatómicos, físicos o fisiológicos subyacentes. Sin embargo, en los últimos años, ha habido un interés creciente en la evaluación predictiva de la enfermedad o el curso de la terapia. El modelado basado en imágenes, ya sea de naturaleza biomecánica o fisiológica, puede por tanto ampliar las posibilidades de la computación de imágenes desde un ángulo descriptivo a uno predictivo.
Según la hoja de ruta de la investigación STEP, [42] [43] el Virtual Physiological Human (VPH) es un marco metodológico y tecnológico que, una vez establecido, permitirá la investigación del cuerpo humano como un único sistema complejo. Detrás del concepto de VPH, la Unión Internacional de Ciencias Fisiológicas (IUPS) ha estado patrocinando el Proyecto Physiome de IUPS durante más de una década. [44] [45] Este es un esfuerzo de dominio público mundial para proporcionar un marco computacional para comprender la fisiología humana. Su objetivo es desarrollar modelos integradores en todos los niveles de la organización biológica, desde los genes hasta los organismos completos a través de redes reguladoras de genes, rutas de proteínas, funciones celulares integradoras y relaciones de estructura / función de tejidos y órganos completos. Este enfoque tiene como objetivo transformar la práctica actual de la medicina y apuntala una nueva era de la medicina computacional. [46]
En este contexto, las imágenes médicas y la computación de imágenes desempeñan un papel cada vez más importante, ya que proporcionan sistemas y métodos para obtener imágenes, cuantificar y fusionar información tanto estructural como 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. [47] La individualización de modelos computacionales genéricos a través de imágenes se puede realizar en tres direcciones complementarias:
- definición del dominio computacional específico del sujeto (anatomía) y subdominios relacionados (tipos de tejido);
- definición de límites y condiciones iniciales a partir de imágenes (dinámicas y / o funcionales); y
- caracterización de las propiedades estructurales y funcionales de los tejidos.
Además, las imágenes también desempeñan un papel fundamental en la evaluación y validación de dichos modelos tanto en humanos como en modelos animales, y en la traducción de modelos al entorno clínico con aplicaciones tanto diagnósticas como terapéuticas. En este contexto específico, las imágenes moleculares, biológicas y preclínicas brindan datos adicionales y comprensión de la estructura y función básicas en moléculas, células, tejidos y modelos animales que pueden transferirse a la fisiología humana cuando sea apropiado.
Las aplicaciones de los modelos VPH / Physiome basados en imágenes en dominios básicos y clínicos son enormes. A grandes rasgos, prometen convertirse en nuevas técnicas de imagen virtual . En efecto, se obtendrán imágenes in silico de más parámetros, a menudo no observables, basándose en la integración de imágenes multimodales y mediciones fisiológicas observables pero a veces escasas e inconsistentes. Los modelos computacionales servirán para generar la interpretación de las mediciones de una manera compatible con las leyes biofísicas, bioquímicas o biológicas subyacentes de los procesos fisiológicos o fisiopatológicos bajo investigación. En última instancia, estas herramientas y sistemas de investigación ayudarán a comprender los procesos de la enfermedad, la historia natural de la evolución de la enfermedad y la influencia en el curso de una enfermedad de los procedimientos terapéuticos farmacológicos y / o intervencionistas.
La fertilización cruzada entre la creación de imágenes y el modelado va más allá de la interpretación de las mediciones de una manera compatible 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 obtención de imágenes predictivas mediante el cual se podrá comprender, planificar y optimizar dichas intervenciones in silico .
Métodos matemáticos en imágenes médicas
Varios métodos matemáticos sofisticados han entrado en la imagen médica y ya se han implementado en varios paquetes de software. Estos incluyen enfoques basados en ecuaciones diferenciales parciales (PDE) y flujos impulsados por curvatura para mejora, segmentación y registro. Dado que emplean PDE, los métodos son susceptibles de paralelización e implementación en GPGPU. Varias de estas técnicas se han inspirado en ideas con un control óptimo . En consecuencia, muy recientemente las ideas de control se han abierto camino en métodos interactivos, especialmente la segmentación. Además, debido al ruido y la necesidad de técnicas de estimación estadística para imágenes que cambian de forma más dinámica, se han comenzado a utilizar el filtro de Kalman [48] y el filtro de partículas . Se puede encontrar un estudio de estos métodos con una extensa lista de referencias en. [49]
Computación específica de modalidad
Algunas modalidades de imágenes proporcionan información muy especializada. Las imágenes resultantes no pueden tratarse como imágenes escalares regulares y dan lugar a nuevas subáreas de Computación de imágenes médicas. Los ejemplos incluyen MRI de difusión , MRI funcional y otros.
Resonancia magnética de difusión
La resonancia magnética por difusión es una modalidad 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 a lo largo de una dirección particular. 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 no ponderado bajo el mismo campo magnético sin la aplicación de un pulso de gradiente. Como cada adquisición está asociada con múltiples volúmenes, la resonancia magnética por difusión ha creado una variedad de desafíos únicos en la computación de imágenes médicas.
En medicina, hay dos objetivos computacionales principales en la resonancia magnética de difusión :
- Estimación de las propiedades de los tejidos locales, como la difusividad;
- Estimación de direcciones locales y vías globales de difusión.
El tensor de difusión , [50] una matriz simétrica positiva definida de 3 × 3 , ofrece una solución sencilla a ambos objetivos. Es proporcional a la matriz de covarianza de un perfil de difusión local normalmente distribuido y, por tanto, el autovector dominante de esta matriz es la dirección principal de 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 los tensores de difusión en su totalidad imponiendo condiciones de regularidad en el campo subyacente de tensores. [51] Los valores escalares pueden extraerse del tensor de difusión, como la anisotropía fraccionada , las difusividades media, axial y radial, que miden indirectamente propiedades tisulares como la dismielinización de las fibras axonales [52] o la presencia de edema. [53] Los métodos estándar de computación de imágenes escalares, como el registro y la segmentación, se pueden aplicar directamente a los volúmenes de dichos valores escalares. Sin embargo, para aprovechar al máximo la información en el tensor de difusión, estos métodos se han adaptado para tener en cuenta los volúmenes valorados por el tensor al realizar el registro [54] [55] y la segmentación. [56] [57]
Dada la dirección principal de difusión en cada lugar del volumen, es posible estimar las vías globales de difusión a través de un proceso conocido como tractografía . [58] Sin embargo, debido a la resolución relativamente baja de la resonancia magnética de difusión , muchas de estas vías pueden cruzarse, besarse o abanicarse en un solo lugar. En esta situación, la dirección principal única 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. Éstos incluyen mezclas de tensores de difusión, [59] imágenes de bola Q, [60] imágenes de espectro de difusión [61] y funciones de distribución de orientación de fibra, [62] [63] que típicamente 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 cuando se aplican métodos de computación de imágenes, como el registro [64] [65] [66] y la segmentación. [67]
Resonancia magnética funcional
La resonancia magnética funcional (fMRI) es una modalidad de imaginología 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 fMRI ofrecen una variedad de conocimientos y se pueden dividir aproximadamente en dos categorías:
- La fMRI relacionada con la tarea se adquiere cuando el sujeto está realizando una secuencia de condiciones experimentales cronometradas. En los experimentos de diseño de bloques, las condiciones están presentes durante breves períodos de tiempo (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 usan un solo punto de tiempo para denotar cada condición. El enfoque estándar para analizar la resonancia magnética funcional relacionada con la tarea es el modelo lineal general (GLM) [68]
- La fMRI en estado de reposo se adquiere en ausencia de cualquier tarea experimental. Normalmente, 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 fMRI en estado de reposo se centran en las fluctuaciones de baja frecuencia de la señal de fMRI (LF-BOLD). Los descubrimientos seminales incluyen la red predeterminada , [69] una parcelación cortical integral, [70] y la vinculación de las características de la red a los parámetros de comportamiento.
Existe un amplio conjunto de metodología utilizada 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 . Los enfoques destacados incluyen
- Enfoques univariados masivos que sondean vóxeles individuales en los datos de imagen para una relación con la condición del experimento. El enfoque principal es el modelo lineal general (GLM) [68]
- Los enfoques basados en clasificadores y multivariantes , a menudo denominados análisis de patrones de múltiples vóxeles o análisis de patrones de múltiples variables, sondean los datos para obtener respuestas globales y potencialmente distribuidas a una condición experimental. Los primeros enfoques utilizaban máquinas de vectores de apoyo (SVM) para estudiar las respuestas a los estímulos visuales. [71] Recientemente, se han explorado algoritmos alternativos de reconocimiento de patrones, como el contraste de gini aleatorio basado en el bosque [72] o la regresión escasa y el aprendizaje de diccionario [73]
- 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 los datos del estado de reposo para parcelar el cerebro [70] o para encontrar correlatos con medidas de comportamiento. [74] Los datos específicos de la tarea se pueden utilizar para estudiar las relaciones causales entre las regiones del cerebro (p. Ej., Mapeo causal dinámico (DCM) [75] ).
Cuando se trabaja con grandes cohortes de sujetos, la normalización (registro) de sujetos individuales en un marco de referencia común es crucial. Existe un cuerpo de trabajo 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. Algunos ejemplos son la alineación de la corteza basada en la correlación de la señal de resonancia magnética funcional, [76] la alineación basada en la estructura de conectividad funcional global tanto en la tarea como en los datos del estado de reposo, [77] y la alineación basada en los perfiles de activación específicos de estímulo de vóxeles individuales . [78]
Software
El software para la computación de imágenes médicas es una combinación compleja de sistemas que proporcionan IO, visualización e interacción, interfaz de usuario, gestión de datos y computación. Por lo general, las arquitecturas del sistema están en capas para servir a los desarrolladores de algoritmos, desarrolladores de aplicaciones y usuarios. Las capas inferiores son a menudo bibliotecas y / 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
La Computación de Imagen Médica también está relacionada con el campo de la Visión por Computador . Una sociedad internacional, la Sociedad MICCAI representa el campo y organiza una conferencia anual y talleres asociados. Springer publica las actas de esta conferencia en la serie Lecture Notes in Computer Science. [79] En 2000, N. Ayache y J. Duncan revisaron el estado del campo. [80]
Ver también
- Informática de imágenes
- Software de neuroimagen
Referencias
- ↑ Forghani, M .; Forouzanfar, M .; Teshnehlab, M. (2010). "Optimización de parámetros de algoritmo de agrupamiento en clústeres difuso c-significa mejorado para 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 .
- ^ J Gee; M Reivich; R. Bajcsy (1993). "Deformar elásticamente un Atlas tridimensional para que coincida con las imágenes anatómicas del cerebro". Revista de tomografía asistida por computadora . 17 (1): 225–236. doi : 10.1097 / 00004728-199303000-00011 . PMID 8454749 .
- ^ MR Sabuncu; BT Yeo; K Van Leemput; B Fischl; P Golland (junio de 2010). "Un modelo generativo para la segmentación de imágenes basado en Label Fusion" . Transacciones IEEE sobre imágenes médicas . 29 (10): 1714-1729. doi : 10.1109 / TMI.2010.2050897 . PMC 3268159 . PMID 20562040 .
- ^ Cootes TF, Taylor CJ, Cooper DH, Graham J (1995). "Modelos de formas activas: su formación y aplicación". Visión por computadora y comprensión de imágenes . 61 (1): 38–59. doi : 10.1006 / cviu.1995.1004 .
- ^ Cootes, TF; Edwards, GJ; Taylor, CJ (2001). "Modelos de apariencia activa". Transacciones IEEE sobre análisis de patrones e inteligencia de máquinas . 23 (6): 681–685. CiteSeerX 10.1.1.128.4967 . doi : 10.1109 / 34.927467 .
- ^ G. Zheng; S. Li; G. Szekely (2017). Análisis estadístico de formas y deformaciones . Prensa académica. ISBN 9780128104941.
- ^ R. Goldenberg, R. Kimmel, E. Rivlin y M. Rudzsky (2001). "Contornos activos geodésicos rápidos" (PDF) . Transacciones IEEE sobre procesamiento de imágenes . 10 (10): 1467–1475. Código bibliográfico : 2001ITIP ... 10.1467G . CiteSeerX 10.1.1.35.1977 . doi : 10.1109 / 83.951533 . PMID 18255491 .CS1 maint: varios nombres: lista de autores ( enlace )
- ^ Karasev, P .; Kolesov I .; Chudy, K .; Vela, P .; Tannenbaum, A. (2011). Segmentación de resonancia magnética interactiva con visión activa controlada . Actas de la Conferencia sobre Decisión y Control . págs. 2293–2298. doi : 10.1109 / CDC.2011.6161453 . ISBN 978-1-61284-801-3. PMC 3935399 . PMID 24584213 .
- ^ K. Mikula, N. Peyriéras, M. Remešíková, A.Sarti: segmentación de imágenes de embriogénesis 3D por el método de superficie subjetiva generalizada utilizando la técnica de volumen finito . Actas de FVCA5 - 5to Simposio internacional sobre volúmenes finitos para aplicaciones complejas, Hermes Publ., París 2008.
- ^ A. Sarti, G. Citti: superficies subjetivas y gráficos de flujo de curvatura media de Riemann. Acta Math. Univ. Comenian. (NS) 70 (2000), 85-103.
- ^ A. Sarti, R. Malladi, JA Sethian: Superficies subjetivas: un método para completar los límites faltantes. Proc. Nat. Acad. Sci. mi 12, No. 97 (2000), 6258–6263.
- ^ A. Sarti, R. Malladi, JA Sethian: Superficies subjetivas: un modelo geométrico para completar los límites, International Journal of Computer Vision, mi 46, No. 3 (2002), 201–221.
- ^ Ehsani Rad, Abdolvahab; Mohd Rahim Mohd Shafry; Rehman Amjad; Altameem Ayman; Saba Tanzila (mayo de 2013). "Evaluación de enfoques de segmentación de radiografías dentales actuales en aplicaciones asistidas por computadora". Revisión técnica del IETE . 30 (3): 210. doi : 10.4103 / 0256-4602.113498 .
- ^ Lisa Gottesfeld Brown (1992). "Un estudio de las técnicas de registro de imágenes". Encuestas de computación ACM . 24 (4): 325–376. CiteSeerX 10.1.1.35.2732 . doi : 10.1145 / 146370.146374 .
- ^ J. Maintz; M. Viergever (1998). "Una encuesta de registro de imágenes médicas". Análisis de imágenes médicas . 2 (1): 1–36. CiteSeerX 10.1.1.46.4959 . doi : 10.1016 / S1361-8415 (01) 80026-8 . PMID 10638851 .
- ^ J. Hajnal; D. Hawkes; D. Hill (2001). Registro de imagen médica . Baton Rouge, Florida: CRC Press.
- ^ Barbara Zitová; Jan Flusser (2003). "Métodos de registro de imágenes: una encuesta". Computación de visión de imagen . 21 (11): 977–1000. doi : 10.1016 / S0262-8856 (03) 00137-9 . hdl : 10338.dmlcz / 141595 .
- ^ JPW Pluim; JBA Maintz; MA Viergever (2003). "Registro basado en información mutua de imágenes médicas: una encuesta". IEEE Trans. Medicina. Imágenes . 22 (8): 986–1004. CiteSeerX 10.1.1.197.6513 . doi : 10.1109 / TMI.2003.815867 . PMID 12906253 .
- ^ Grenander, Ulf; Miller, Michael I. (1998). "Anatomía computacional: una disciplina emergente" . Q. Appl. Matemáticas . LVI (4): 617–694. doi : 10.1090 / qam / 1668732 .
- ^ PA Viola (1995). Alineación por maximización de información mutua (tesis). Instituto de Tecnología de Massachusetts.
- ^ C. Wachinger; T. Klein; N. Navab (2011). "Medidas de similitud de ultrasonido localmente adaptativas basadas en Nakagami". Ultrasonidos . 52 (4): 547–554. doi : 10.1016 / j.ultras.2011.11.009 . PMID 22197152 .
- ^ C. Wachinger; N. Navab (2012). "Entropía e imágenes laplacianas: representaciones estructurales para registro multimodal". Análisis de imágenes médicas . 16 (1): 1-17. doi : 10.1016 / j.media.2011.03.001 . PMID 21632274 .
- ^ Hill, Derek LG; Hawkes, David J (1 de abril de 1994). "Registro de imágenes médicas utilizando el conocimiento de la adyacencia de estructuras anatómicas". Computación de imagen y visión . 12 (3): 173-178. CiteSeerX 10.1.1.421.5162 . doi : 10.1016 / 0262-8856 (94) 90069-8 . ISSN 0262-8856 .
- ^ 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 orientación de la terapia de resincronización cardíaca . Atlas estadísticos y modelos computacionales del corazón. Desafíos de imagen y modelado (manuscrito enviado). Apuntes de conferencias en Ciencias de la Computación. págs. 127-134. doi : 10.1007 / 978-3-319-52718-5_14 . ISBN 9783319527178.
- ^ M. De Craene; AB d Aische; B. Macq; SK Warfield (2004). "Registro de múltiples materias para la construcción de atlas estadístico imparcial" (PDF) . Proceedings of Medical Image Computing and Computer-Assisted Intervention 2004 . Apuntes de conferencias en Ciencias de la Computación. 3216 : 655–662. doi : 10.1007 / 978-3-540-30135-6_80 . ISBN 978-3-540-22976-6.
- ^ CJ Twining; T. Cootes; S. Marsland; V. Petrovic; R. Schestowitz; C. Taylor (2005). "Un enfoque teórico de la información unificada para el registro no rígido por grupos y la construcción de modelos". Actas de procesamiento de información en imágenes médicas 2005 . Apuntes de conferencias en Ciencias de la Computación. 19 : 1-14. doi : 10.1007 / 11505730_1 . ISBN 978-3-540-26545-0. PMID 17354680 .
- ^ "El cerebro de MNI y el atlas de Talairach" .
- ^ M. Sabuncu; SK Balci; ME Shenton; P. Golland (2009). "Análisis de población basado en imágenes a través del modelado de mezclas" . Transacciones IEEE sobre imágenes médicas . 28 (9): 1473-1487. CiteSeerX 10.1.1.158.3690 . doi : 10.1109 / TMI.2009.2017942 . PMC 2832589 . PMID 19336293 .
- ^ J. Ashburner; KJ Friston (2000). "Morfometría basada en voxel - los métodos". NeuroImage . 11 (6): 805–821. CiteSeerX 10.1.1.114.9512 . doi : 10.1006 / nimg.2000.0582 . PMID 10860804 .
- ^ C. Davatzikos (2004). "Por qué el análisis morfométrico basado en vóxeles debe usarse con gran precaución al caracterizar las diferencias de grupo". NeuroImage . 23 (1): 17-20. doi : 10.1016 / j.neuroimage.2004.05.010 . PMID 15325347 .
- ^ 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 .
- ^ Yong Fan; Nematollah Batmanghelich; Chris M. Clark; Christos Davatzikos (2008). "Los patrones espaciales de atrofia cerebral en pacientes con deterioro cognitivo leve, identificados mediante una 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 .
- ^ Rémi Cuingnet; Emilie Gerardin; Jérôme Tessieras; Guillaume Auzias; Stéphane Lehéricy; Marie-Odile Habert; Marie Chupin; Habib Benali; Olivier Colliot (2011). "La iniciativa de neuroimagen de la enfermedad de Alzheimer, clasificación automática de pacientes con enfermedad de Alzheimer de resonancia magnética estructural: una comparación de diez métodos utilizando la base de datos ADNI" (PDF) . NeuroImage . 56 (2): 766–781. doi : 10.1016 / j.neuroimage.2010.06.013 . PMID 20542124 .
- ^ Y. Wang; Y. Fan; P. Bhatt P; C. Davatzikos (2010). "Regresión de patrones de alta dimensión mediante aprendizaje automático: desde imágenes médicas hasta variables clínicas continuas" . NeuroImage . 50 (4): 1519–35. doi : 10.1016 / j.neuroimage.2009.12.092 . PMC 2839056 . PMID 20056158 .
- ^ Benoît Magnin; Lilia Mesrob; Serge Kinkingnéhun; Mélanie Pélégrini-Issac; Olivier Colliot; Marie Sarazin; Bruno Dubois; Stéphane Lehéricy; Habib Benali (2009). "Apoyo a la clasificación de la enfermedad de Alzheimer basada en máquinas de vectores de resonancia magnética anatómica de todo el cerebro". Neurorradiología . 51 (2): 73–83. doi : 10.1007 / s00234-008-0463-x . PMID 18846369 .
- ^ a b NK Batmanghelich; B. Taskar; C. Davatzikos (2012). "Aprendizaje de bases generativo-discriminativas para imágenes médicas" . IEEE Trans Med Imaging . 31 (1): 51–69. doi : 10.1109 / TMI.2011.2162961 . PMC 3402718 . PMID 21791408 .
- ^ a b Glenn Fung; Jonathan Stoeckel (2007). "Selección de características de SVM para la clasificación de imágenes SPECT de la enfermedad de Alzheimer utilizando información espacial". Sistemas de conocimiento e información . 11 (2): 243–258. CiteSeerX 10.1.1.62.6245 . doi : 10.1007 / s10115-006-0043-5 .
- ^ a b R. Chaves; J. Ramírez; JM Górriz; M. López; D. Salas-González; I. Álvarez; F. Segovia (2009). "Diagnóstico asistido por computadora basado en SVM de la enfermedad de Alzheimer mediante la selección de características de la prueba t NMSE con ponderación de correlación de características". Cartas de neurociencia . 461 (3): 293-297. doi : 10.1016 / j.neulet.2009.06.052 . PMID 19549559 .
- ^ a b 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 de características de imagen de señor discriminativo para la clasificación automática de la esquizofrenia y la enfermedad de Alzheimer" (PDF) . Computación de Imagen Médica e Intervención Asistida por Computadora - Miccai . Apuntes de conferencias en Ciencias de la Computación. 3216 : 393–401. doi : 10.1007 / 978-3-540-30135-6_48 . ISBN 978-3-540-22976-6.
- ^ Savio A .; Graña M. (2013). "Selección de función basada en deformaciones para el diagnóstico asistido por computadora de la enfermedad de Alzheimer". Sistemas expertos con aplicaciones . 40 (5): 1619–1628. doi : 10.1016 / j.eswa.2012.09.009 . ISSN 0957-4174 .
- ^ R. Filipovych; SM Resnick; C. Davatzikos (2011). "Análisis de cluster semi-supervisado de datos de imágenes" . NeuroImage . 54 (3): 2185–2197. doi : 10.1016 / j.neuroimage.2010.09.074 . PMC 3008313 . PMID 20933091 .
- ^ Hoja de ruta de la investigación STEP Archivado el 28 de agosto de 2008 en la Wayback Machine . europhysiome.org
- ^ JW Fenner; B. Brook; G. Clapworthy; PV Coveney; V. Feipel; H. Gregersen; DR Manguera; 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 humano fisiológico virtual" (PDF) . Philosophical Transactions de la Royal Society A . 366 (1878): 2979–2999. Código Bibliográfico : 2008RSPTA.366.2979F . doi : 10.1098 / rsta.2008.0089 . PMID 18559316 .
- ^ JB Bassingthwaighte (2000). "Estrategias para el Proyecto Physiome" . Ana. Biomed. Ing . 28 (8): 1043-1058. doi : 10.1114 / 1.1313771 . PMC 3425440 . PMID 11144666 .
- ^ PJ Hunter; TK Borg (2003). "Integración de proteínas a órganos: el proyecto Physiome". Nat. Rev. Mol. Cell Biol . 4 (3): 237–243. doi : 10.1038 / nrm1054 . PMID 12612642 .
- ^ RLWinslow; N. Trayanova; D. Geman; MI Miller (2012). "Medicina computacional: traducción de modelos a la atención clínica" . Sci. Trans. Med . 4 (158): 158rv11. doi : 10.1126 / scitranslmed.3003528 . PMC 3618897 . PMID 23115356 .
- ^ 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 el ser humano fisiológico virtual: modelado y simulación multinivel de la anatomía y fisiología humanas" . Dirección General INFSO y Dirección General CCI, Libro blanco
- ^ 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". Transacciones IEEE sobre imágenes médicas . 13 (1): 102–109. doi : 10.1109 / 42.276148 . PMID 18218487 .
- ^ 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 .
- ^ P Basser; J Mattiello; D LeBihan (enero de 1994). "Espectroscopia de tensor de difusión MR, formación de imágenes" . Revista biofísica . 66 (1): 259–267. Código Bibliográfico : 1994BpJ .... 66..259B . doi : 10.1016 / S0006-3495 (94) 80775-1 . PMC 1275686 . PMID 8130344 .
- ^ P Fillard; X Pennec; V Arsigny; N Ayache (2007). "Estimación clínica DT-MRI, suavizado, seguimiento de fibra con métricas log-euclidianas". Transacciones IEEE sobre imágenes médicas . 26 (11): 1472-1482. CiteSeerX 10.1.1.218.6380 . doi : 10.1109 / TMI.2007.899173 . PMID 18041263 .
- ^ SK Song; SW Sun; M Ramsbottom; C Cheng; J Russell; A Cross (noviembre de 2002). "Dismielinización revelada a través de resonancia magnética como mayor difusión radial (pero axial sin cambios) de agua". NeuroImage . 13 (3): 1429–1436. doi : 10.1006 / nimg.2002.1267 . PMID 12414282 .
- ^ P Barzo; Un Marmarou; P Fatouros; K Hayasaki; F Corwin (diciembre de 1997). "Contribución del edema vasogénico y celular a la inflamación cerebral traumática medida por imágenes ponderadas por difusión". Revista de neurocirugía . 87 (6): 900–907. doi : 10.3171 / jns.1997.87.6.0900 . PMID 9384402 .
- ^ D Alexander; C Pierpaoli; P Basser (enero de 2001). "Transformación espacial de imágenes de resonancia magnética de tensor de difusión" (PDF) . Transacciones IEEE sobre imágenes médicas . 20 (11): 1131-1139. doi : 10.1109 / 42.963816 . PMID 11700739 .
- ^ Y Cao; M Miller; S Mori; R Winslow; L Younes (junio de 2006). "Coincidencia diffeomórfica de imágenes de tensor de difusión". Actas de la Conferencia de la IEEE Computer Society sobre Visión por Computador, Reconocimiento de Patrones (CVPR), Taller sobre Métodos Matemáticos en Análisis de Imágenes Biomédicas (MMBIA 2006) . Nueva York. pag. 67. doi : 10.1109 / CVPRW.2006.65 . PMC 2920614 .
- ^ Z Wang; B Vemuri (octubre de 2005). "Segmentación DTI usando una medida de disimilitud de tensor de información teórica". Transacciones IEEE sobre imágenes médicas . 24 (10): 1267–1277. CiteSeerX 10.1.1.464.9059 . doi : 10.1109 / TMI.2005.854516 . PMID 16229414 .
- ^ Melonakos, J .; Pichon, E .; Angenent, S .; Tannenbaum, A. (2008). "Contornos activos de Finsler" . IEEE Trans. PAMI . 30 (3): 412–423. doi : 10.1109 / TPAMI.2007.70713 . PMC 2796633 . PMID 18195436 .
- ^ S Mori; B Crain; V Chacko; P van Zijl (febrero de 1999). "Seguimiento tridimensional de proyecciones axonales en el cerebro mediante 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 .
- ^ D Tuch; T Reese; M Wiegell; N Makris; J Belliveau; V Wedeen (octubre de 2002). "Imágenes de difusión de alta resolución angular revelan heterogeneidad de fibra de materia blanca intravoxel" . Resonancia Magnética en Medicina . 48 (4): 577–582. doi : 10.1002 / mrm.10268 . PMID 12353272 .
- ^ D Tuch (diciembre de 2004). "Imagen de Q-ball" . Resonancia Magnética en Medicina . 52 (6): 1358-1372. doi : 10.1002 / mrm.20279 . PMID 15562495 .
- ^ V Wedeen; P Hagmann; WY Tseng; T Reese (diciembre de 2005). "Mapeo de la arquitectura de tejido complejo con imágenes de resonancia magnética de espectro de difusión" . Resonancia Magnética en Medicina . 54 (6): 1377-1386. doi : 10.1002 / mrm.20642 . PMID 16247738 .
- ^ K Jansons; D Alexander (julio de 2003). "Estructura angular persistente: nuevos conocimientos 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 .
- ^ JD Tournier; F Calamante; D Gadian; A Connelly (2007). "Estimación directa de la función de densidad de orientación de la fibra a partir de datos de resonancia magnética ponderados por difusión utilizando deconvolución esférica". NeuroImage . 23 (3): 1176-1185. doi : 10.1016 / j.neuroimage.2004.07.037 . PMID 15528117 .
- ^ X Geng; T Ross; W Zhan; H Gu; YP Chao; CP Lin; G Christensen; N Schuff; Y Yang (julio de 2009). "Registro de difusión de resonancia magnética utilizando funciones de distribución de orientación". Actas de procesamiento de información en imágenes médicas (IPMI) 2009, LNCS 5636 . 21 . págs. 626–637. doi : 10.1007 / 978-3-642-02498-6_52 . PMC 3860746 .
- ^ PT Yap; Y Chen; H An; Y Yang; J Gilmore; W Lin; D Shen (2011). "ESFERA: Registro elástico armónico esférico de datos HARDI" . NeuroImage . 55 (2): 545–556. doi : 10.1016 / j.neuroimage.2010.12.015 . PMC 3035740 . PMID 21147231 .
- ^ P Zhang; M Niethammer; D Shen; PT Yap (2012). "Registro difeomórfico de deformación grande de imágenes ponderadas por difusión" (PDF) . Actas de Computación de Imagen Médica e Intervención Asistida por Computadora (MICCAI) . doi : 10.1007 / 978-3-642-33418-4_22 .
- ^ M Descoteaux; R Deriche (septiembre de 2007). "Segmentación de imágenes de Q-Ball utilizando la evolución estadística de la superficie". Proceedings of Medical Image Computing and Computer-Assisted Intervention (MICCAI) 2007, LNCS 4792 . págs. 769–776. doi : 10.1007 / 978-3-540-75759-7_93 .
- ^ a b Friston, K .; Holmes, A .; Worsley, K .; Poline, J .; Frith, C .; Frackowiak, R .; et al. (1995). "Mapas estadísticos paramétricos en imágenes funcionales: un enfoque lineal general". Hum Brain Mapp . 2 (4): 189–210. doi : 10.1002 / hbm.460020402 .
- ^ Buckner, RL; Andrews-Hanna, JR; Schacter, DL (2008). "Red predeterminada del cerebro: anatomía, función y relevancia para la enfermedad". Anales de la Academia de Ciencias de Nueva York . 1124 (1): 1–38. Código bibliográfico : 2008NYASA1124 .... 1B . CiteSeerX 10.1.1.689.6903 . doi : 10.1196 / annals.1440.011 . PMID 18400922 .
- ^ a b Yeo, BTT; Krienen, FM; Sepulcre, J .; Sabuncu, MR; Lashkari, D .; Hollinshead, M .; Roffman, JL; Smoller, JW; Zöllei, L .; Polimeni, JR; Fischl, B .; Liu, H .; Buckner, RL (2011). "La organización de la corteza cerebral humana estimada por conectividad funcional intrínseca" . J Neurophysiol . 106 (3): 1125–65. doi : 10.1152 / jn.00338.2011 . PMC 3174820 . PMID 21653723 .
- ^ JV Haxby; MI Gobbini; ML Furey; A. Ishai; JL Schouten; P. Pietrini (2001). "Representaciones distribuidas y superpuestas de caras y objetos en la corteza temporal ventral". Ciencia . 293 (5539): 2425–30. Código Bibliográfico : 2001Sci ... 293.2425H . CiteSeerX 10.1.1.381.2660 . doi : 10.1126 / science.1063736 . PMID 11577229 .
- ^ Langs, G .; Menze, BH; Lashkari, D .; Golland, P. (2011). "Detección de patrones distribuidos estables de activación cerebral mediante contraste de Gini" . NeuroImage . 56 (2): 497–507. doi : 10.1016 / j.neuroimage.2010.07.074 . PMC 3960973 . PMID 20709176 .
- ^ Varoquaux, G .; Gramfort, A .; Pedregosa, F .; Michel, V .; Thirion, B. (2011). "Diccionario de múltiples materias que aprende a segmentar un atlas de actividad espontánea del cerebro". Inf. Proceso Med de imágenes . 22 . págs. 562–73.
- ^ van den Heuvel, diputado; 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 .
- ^ Friston, K. (2003). "Modelado causal dinámico". NeuroImage . 19 (4): 1273–1302. doi : 10.1016 / S1053-8119 (03) 00202-7 . PMID 12948688 .
- ^ Sabuncu, MR; Cantante, BD; Conroy, B .; Bryan, RE; Ramadge, PJ; Haxby, JV (2010). "Alineación intersujetos basada en funciones de la anatomía cortical humana" . Corteza cerebral . 20 (1): 130–140. doi : 10.1093 / cercor / bhp085 . PMC 2792192 . PMID 19420007 .
- ^ Langs, G .; Lashkari, D .; Dulce, A .; Tie, Y .; Rigolo, L .; Golby, AJ; Golland, P. (2011). "Aprendizaje de un atlas de un proceso cognitivo en su geometría funcional". Inf. Proceso Med . Imaging . 22 . págs. 135–46.
- ^ 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 de representación en la corteza temporal ventral humana" . Neurona . 72 (2): 404–416. doi : 10.1016 / j.neuron.2011.08.026 . PMC 3201764 . PMID 22017997 .
- ^ Wells, William M; Colchester, Alan; Delp, Scott (1998). Lecture Notes in Computer Science (manuscrito enviado). Apuntes de conferencias en Ciencias de la Computación. 1496 . doi : 10.1007 / BFb0056181 . ISBN 978-3-540-65136-9.
- ^ JS Duncan; N Ayache (2000). "Análisis de la imagen médica: avances durante dos décadas y desafíos futuros". Transacciones IEEE sobre análisis de patrones e inteligencia de máquinas . 22 : 85-106. CiteSeerX 10.1.1.410.8744 . doi : 10.1109 / 34.824822 .
Revistas sobre computación de imágenes médicas
- Análisis de imágenes médicas (MedIA) ; También es la revista oficial de The MICCAI Society , 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 imágenes digitales (JDI) ; la revista oficial de la Society of Imaging Informatics
- Imágenes y gráficos médicos computarizados
- Revista de Radiología y Cirugía Asistida 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 computación de imágenes médicas específicas por modalidad.
- Radiología la revista oficial de la Sociedad Radiológica de América del Norte
- NeuroImage
- Revista de imágenes por resonancia magnética (JMRI)
- Resonancia magnética en medicina (MRM)
- Revista de tomografía asistida por computadora (JCAT)
- Mapeo del cerebro humano