stringtranslate.com

Computación de imágenes médicas

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 resolver problemas relacionados con las imágenes médicas y su uso para la investigación biomédica y la atención clínica.

El objetivo principal de la MIC es extraer información o conocimiento clínicamente relevante de las imágenes médicas. Si bien está estrechamente relacionada con el campo de la imagenología médica , la 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

La computación de imágenes médicas generalmente opera sobre datos muestreados uniformemente con espaciado espacial xyz regular (imágenes en 2D y volúmenes en 3D, genéricamente denominados imágenes). En cada punto de muestra, los datos se representan comúnmente en forma integral , como corto con signo y sin signo (16 bits), aunque las formas desde unsigned char (8 bits) hasta float de 32 bits no son infrecuentes. 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 MRI puede recopilar imágenes ponderadas en T1 o T2 . Las adquisiciones longitudinales, variables en el tiempo, pueden o no adquirir imágenes con pasos de tiempo regulares. Las imágenes en abanico debido a modalidades como la ecografía de matriz curva también son comunes y requieren diferentes técnicas de representación y algorítmicas para procesarlas. Otras formas de datos incluyen imágenes recortadas debido a la inclinación del pórtico 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

Una imagen de RM ponderada en T1 del cerebro de un paciente con un meningioma después de la inyección de un agente de contraste de RM (arriba a la izquierda), y la misma imagen con el resultado de una segmentación interactiva superpuesta 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 las imágenes médicas, estos segmentos a menudo corresponden a diferentes clases de tejidos, órganos , patologías u otras estructuras biológicamente relevantes. [2] La segmentación de imágenes médicas se dificulta por el bajo contraste, el ruido y otras ambigüedades en las imágenes. Aunque existen muchas técnicas de visión artificial 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 depende de la experiencia que puedan proporcionar los médicos.

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 la combinación de métodos. [20]

Registro

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

El registro de imágenes es un proceso que busca la alineación correcta de las imágenes. [21] [22] [23] [24] En el caso más simple, se alinean dos imágenes. Normalmente, una imagen se trata como la imagen de destino y la otra como la 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 (véase la figura).

El registro de imágenes se utiliza en una variedad de aplicaciones médicas:

Hay varias consideraciones importantes al realizar el registro de imágenes:

Visualización

Representación 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 varias funciones clave en la computación de imágenes médicas. Los métodos de visualización científica se utilizan para comprender y comunicar imágenes médicas, que son inherentemente espacio-temporales. La visualización y el análisis de datos se utilizan en formatos 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 (controlando las propiedades de reproducción 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 ha sido anotada con una línea blanca.

Atlas

Las imágenes médicas pueden variar significativamente de una persona a otra debido a que cada una tiene órganos de diferentes formas y tamaños. Por lo tanto, es fundamental representar las imágenes médicas para tener en cuenta esta variabilidad. Un enfoque popular para representar imágenes médicas es mediante el uso de uno o más atlas. En este caso, 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 simple de un atlas es una imagen de intensidad media, comúnmente denominada plantilla. Sin embargo, un atlas también puede incluir información más completa, como estadísticas de imágenes locales y la probabilidad de que una ubicación espacial particular tenga una etiqueta determinada. Las imágenes médicas nuevas, que no se utilizan durante el entrenamiento, se pueden mapear a un atlas, que se ha adaptado a la aplicación específica, como la segmentación y el análisis de grupos. Mapear una imagen a 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 única imagen de plantilla. Por ejemplo, las imágenes de resonancia magnética cerebral anatómicas a menudo se asignan a la plantilla MNI [35] para representar todas las imágenes de resonancia magnética cerebral en coordenadas comunes. El principal inconveniente de un enfoque de plantilla única es que si hay diferencias significativas entre la plantilla y una imagen de prueba dada, entonces puede que no haya una buena manera de asignar una a la otra. Por ejemplo, una imagen de resonancia magnética cerebral anatómica de un paciente con anomalías cerebrales graves (es decir, un tumor o un procedimiento quirúrgico), puede no asignarse fácilmente a la plantilla MNI.

Varias plantillas

En lugar de depender de una única 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 forma sencilla, 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, de esta manera, cada nueva imagen encontrada se compare con cada imagen en el 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 las imágenes médicas con la visión artificial moderna , el aprendizaje automático y el reconocimiento de patrones . Durante la última década, se han puesto a disposición del público varios conjuntos de datos de gran tamaño (véase, por ejemplo, ADNI, 1000 functional Connectomes Project), en parte debido a la colaboración entre varios institutos y centros de investigación. Este aumento en el tamaño de los datos exige nuevos algoritmos que puedan extraer y detectar cambios sutiles en las imágenes para abordar cuestiones clínicas. Dichas cuestiones clínicas son muy diversas e incluyen análisis de grupos, biomarcadores de imágenes, fenotipado de enfermedades y estudios longitudinales.

Análisis de grupo

En el análisis de grupos, 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 consta de sujetos normales (control) y la otra de 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 vóxel . Por lo tanto, la línea de preprocesamiento más popular, particularmente en neuroimagen , transforma todas las imágenes en un conjunto de datos en un marco de coordenadas común a través del registro de imágenes médicas para mantener la correspondencia entre vóxeles. Dada esta correspondencia vóxel por vóxel, el método frecuentista más común es extraer una estadística para cada vóxel (por ejemplo, la intensidad media del vóxel para cada grupo) y realizar una prueba de hipótesis estadística para evaluar si una hipótesis nula es compatible o no. La hipótesis nula generalmente supone 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 . [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 una anatomía y función, no proporciona medidas a nivel de sujeto y, por lo tanto, no se puede utilizar como biomarcadores para el diagnóstico (ver Biomarcadores de imágenes). Los médicos, por otro lado, a menudo están interesados ​​en el diagnóstico temprano de la patología (es decir, clasificación, [40] [41] ) y en aprender la progresión de una enfermedad (es decir, regresión [42] ). Desde el punto de vista metodológico, las técnicas actuales varían desde la aplicación de algoritmos de aprendizaje automático estándar a conjuntos de datos de imágenes médicas (por ejemplo, Support Vector Machine [43] ), hasta el desarrollo de nuevos enfoques adaptados a las necesidades del campo. [44] Las principales dificultades son las siguientes:

Agrupamiento

Los métodos de clasificación de patrones basados ​​en imágenes suelen suponer que los efectos neurológicos de una enfermedad son distintos y están bien definidos. Puede que no siempre sea así. En el caso de varias enfermedades, las poblaciones de pacientes son muy heterogéneas y no se ha establecido una clasificación más detallada en subcondiciones. Además, algunas enfermedades (por ejemplo, trastorno del espectro autista (TEA), esquizofrenia , deterioro cognitivo leve (DCL)) 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 prestadas 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 forma

El análisis de formas es el campo de la computación de imágenes médicas que estudia las propiedades geométricas de las estructuras obtenidas a partir de diferentes modalidades de imágenes . El análisis de formas ha adquirido cada vez más interés en la comunidad médica debido a su potencial para localizar con precisión los 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.

Estudios longitudinales

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

Modelado fisiológico basado en imágenes

Tradicionalmente, la computación de imágenes médicas se ha enfocado en la cuantificación y fusión de información estructural o funcional disponible en el momento de la adquisición de la imagen. En este sentido, puede considerarse como una detección cuantitativa de los procesos anatómicos, físicos o fisiológicos subyacentes. Sin embargo, en los últimos años, ha habido un creciente interés 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 lo tanto ampliar las posibilidades de la computación de imágenes desde un ángulo descriptivo a uno predictivo.

Según la hoja de ruta de investigación de 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 sistema complejo único. Subyacente al concepto VPH, la Unión Internacional de Ciencias Fisiológicas (IUPS) ha estado patrocinando el Proyecto Fisioma de la IUPS durante más de una década. [52] [53] Se trata de 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 organización biológica, desde los genes hasta los organismos completos a través de redes reguladoras de genes, vías proteínicas, funciones celulares integradoras y relaciones estructura/función de tejidos y órganos completos. Este enfoque tiene como objetivo transformar la práctica actual en medicina y sustenta una nueva era de medicina computacional. [54]

En este contexto, la imagen médica y la computación por 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 a través de la imagen se puede realizar en tres direcciones complementarias:

Además, la obtención de imágenes también desempeña un papel fundamental en la evaluación y validación de dichos modelos, tanto en seres humanos como en modelos animales, y en la aplicación de los modelos en el ámbito clínico con aplicaciones tanto diagnósticas como terapéuticas. En este contexto específico, las imágenes moleculares, biológicas y preclínicas proporcionan datos adicionales y permiten comprender mejor la estructura y la función básicas de las moléculas, las células, los tejidos y los modelos animales, que pueden transferirse a la fisiología humana cuando sea necesario.

Las aplicaciones de los modelos VPH/Physiome basados ​​en imágenes en los ámbitos básico y clínico son amplias. En términos generales, prometen convertirse en nuevas técnicas de obtención de imágenes virtuales . 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 dispersas e inconsistentes. Los modelos computacionales servirán para generar una interpretación de las mediciones de una manera que cumpla con las leyes biofísicas, bioquímicas o biológicas subyacentes de los procesos fisiológicos o patofisiológicos bajo investigación. En última instancia, estas herramientas y sistemas de investigación ayudarán a nuestra comprensión de los procesos patológicos, la historia natural de la evolución de las enfermedades y la influencia en el curso de una enfermedad de los procedimientos terapéuticos farmacológicos y/o intervencionistas.

La fertilización cruzada entre la obtención de imágenes y la modelización va más allá de la interpretación de las mediciones de una manera coherente con la fisiología. La modelización específica del paciente basada en imágenes, combinada con modelos de dispositivos médicos y terapias farmacológicas, abre el camino a la obtención de imágenes predictivas mediante las cuales se podrán comprender, planificar y optimizar dichas intervenciones in silico .

Métodos matemáticos en imágenes médicas

Una serie de métodos matemáticos sofisticados han entrado en el campo de las imágenes médicas 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 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 las ideas del 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 Kalman [56] y el filtro de partículas . Se puede encontrar un estudio de estos métodos con una extensa lista de referencias en [57] .

Computación específica de la modalidad

Algunas modalidades de obtención de imágenes proporcionan información muy especializada. Las imágenes resultantes no pueden tratarse como imágenes escalares normales y dan lugar a nuevas subáreas de la informática de imágenes médicas. Algunos ejemplos son la resonancia magnética de difusión, la resonancia magnética funcional y otras.

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 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 a múltiples volúmenes, la resonancia magnética de 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 :

El tensor de difusión , [58] una matriz definida positiva simétrica de 3 × 3 , ofrece una solución sencilla para ambos objetivos. Es proporcional a la matriz de covarianza de un perfil de difusión local distribuido normalmente 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 los 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 , las difusividades media, axial y radial, que miden indirectamente las propiedades del tejido como la desmielinización de las fibras axónicas [60] o la presencia de edema. [61] Los métodos estándar de cálculo de imágenes escalares, como el registro y la segmentación, se pueden aplicar directamente a volúmenes de dichos valores escalares. Sin embargo, para aprovechar al máximo 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 en el 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, besarse o abrirse en abanico en una única 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 de Q-ball, [68] imágenes de espectro de difusión [69] y funciones de distribución de orientación de fibra, [70] [71] que normalmente requieren adquisición HARDI con una gran cantidad 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 (fMRI) es una modalidad de diagnóstico por imágenes médicas 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 información y se pueden dividir en dos categorías:

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

Cuando se trabaja 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 en función de 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 señales fMRI, [84] la alineación basada en la estructura de conectividad funcional global tanto en datos de estado de reposo como de tarea, [85] y la alineación basada en perfiles de activación específicos de estímulos de vóxeles individuales. [86]

Software

El software para el procesamiento de imágenes médicas es una combinación compleja de sistemas que proporcionan E/S, visualización e interacción, interfaz de usuario, gestión de datos y computación. Normalmente, las arquitecturas de sistemas están estructuradas en capas para servir a los desarrolladores de algoritmos, desarrolladores de aplicaciones y usuarios. Las capas inferiores suelen ser bibliotecas o kits 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 imágenes médicas también está relacionada con el campo de la visión artificial . Una sociedad internacional, la Sociedad MICCAI, representa el campo y organiza una conferencia anual y talleres asociados. Las actas de esta conferencia se publican en la serie Lecture Notes in Computer Science de Springer. [87] En 2000, N. Ayache y J. Duncan analizaron 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". Revista Europea de Medicina Nuclear e Imágenes Moleculares . 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 del algoritmo de agrupamiento de c-medias difusas mejorado para la segmentación de imágenes de resonancia magnética 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 las imágenes anatómicas del cerebro". Revista de tomografía asistida por computadora . 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. doi :10.1109/TMI.2010.2050897. PMC 3268159 . PMID  20562040. 
  5. ^ Cootes TF, Taylor CJ, Cooper DH, Graham J (1995). "Modelos de forma activos: su entrenamiento y aplicación". Visión artificial y comprensión de imágenes . 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. CiteSeerX 10.1.1.128.4967 . doi :10.1109/34.927467. 
  7. ^ G. Zheng; S. Li; G. Szekely (2017). Análisis estadístico de formas y deformaciones . 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 de MRI interactiva 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 gráficos de flujo de curvatura media de Riemann. 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. Sci. mi 12, n.º 97 (2000), 6258–6263.
  13. ^ A. Sarti, R. Malladi, JA Sethian: Superficies subjetivas: un modelo geométrico para completar límites, International Journal of Computer Vision, mi 46, No. 3 (2002), 201–221.
  14. ^ Badrinarayanan, Vijay; Kendall, Alex; Cipolla, Roberto (2 de noviembre de 2015). "SegNet: una arquitectura de codificador-decodificador convolucional profunda para la segmentación de imágenes". arXiv : 1511.00561 [cs.CV].
  15. ^ Ronneberger, Olaf; Fischer, Philipp; Brox, Thomas (18 de mayo de 2015). "U-Net: redes 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 artificial 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.S2CID206594692  .​
  17. ^ Ahmad, Ibtihaj; Xia, Yong; Cui, Hengfei; Islam, Zain Ul (1 de mayo de 2023). "AATSN: Red de segmentación de tumores con reconocimiento de anatomía para volúmenes e imágenes PET-CT utilizando un mecanismo de fusión-atención ligero". 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 de radiología mediante redes generativas antagónicas (GAN): una revisión sistemática". Radiología académica . 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 noviembre de 2024). S2CID  62571134.{{cite journal}}: CS1 maint: DOI inactivo a partir de noviembre de 2024 ( 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). "Una encuesta sobre el 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. 
  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 encuesta". 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. 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. doi : 10.1090/qam/1668732 .
  27. ^ PA Viola (1995). Alineamiento por maximización de información mutua (Tesis). Instituto Tecnológico de Massachusetts.
  28. ^ C. Wachinger; T. Klein; N. Navab (2011). "Medidas de similitud por ultrasonidos localmente adaptativas basadas en Nakagami". Ultrasonidos . 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". Análisis de imágenes médicas . 16 (1): 1–17. doi :10.1016/j.media.2011.03.001. PMID  21632274.
  30. ^ Hill, Derek LG; Hawkes, David J (1 de abril de 1994). "Registro de imágenes médicas utilizando el conocimiento de la adyacencia de las 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 terapia de resincronización cardíaca". Atlas estadísticos y modelos computacionales del corazón. Desafíos de la obtención de imágenes y el modelado (manuscrito enviado). Lecture Notes in Computer Science. Vol. 10124. págs. 127–134. doi :10.1007/978-3-319-52718-5_14. ISBN 9783319527178. Número de identificación del sujeto  1698371.
  32. ^ Pielawski, N., Wetzer, E., Ofverstedt, J., Lu, J., Wählby, C., Lindblad, J. y Sladoje, N. (2020). CoMIR: Representación de imágenes multimodales contrastivas para registro. En Avances en sistemas de procesamiento de información neuronal (págs. 18433–18444). Curran Associates, Inc.
  33. ^ M. De Craene; AB d Aische; B. Macq; SK Warfield (2004). "Registro multisujeto para la construcción de atlas estadísticos imparciales" (PDF) . Computación de imágenes médicas e intervención asistida por computadora – MICCAI 2004. Apuntes de clase en informática. Vol. 3216. págs. 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 . Apuntes de clase en informática. Vol. 19. págs. 1–14. doi :10.1007/11505730_1. ISBN 978-3-540-26545-0. Número de identificación personal  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. 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 utilizarse con gran precaución al caracterizar las diferencias entre grupos". 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). "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. 
  41. ^ 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 a partir de la 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. S2CID  628131.
  42. ^ Y. Wang; Y. Fan; P. Bhatt P; C. Davatzikos (2010). "Regresión de patrones de alta dimensión utilizando 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. ^ ab NK Batmanghelich; B. Taskar; C. Davatzikos (2012). "Aprendizaje de base generativo-discriminativo para imágenes médicas". IEEE Trans Med Imaging . 31 (1): 51–69. doi :10.1109/TMI.2011.2162961. PMC 3402718 . PMID  21791408. 
  45. ^ por Glenn Fung; Jonathan Stoeckel (2007). "Selección de características de SVM para la clasificación de imágenes SPECT de la enfermedad de Alzheimer utilizando información espacial". Conocimiento y sistemas de información . 11 (2): 243–258. CiteSeerX 10.1.1.62.6245 . doi :10.1007/s10115-006-0043-5. S2CID  9901011. 
  46. ^ ab R. Chaves; J. Ramírez; JM Górriz; M. López; D. Salas-Gonzalez; I. Álvarez; F. Segovia (2009). "Diagnóstico asistido por ordenador 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. ^ ab 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 imágenes de RM discriminantes para la clasificación automática de esquizofrenia y enfermedad de Alzheimer" (PDF) . Computación de imágenes médicas e intervención asistida por computadora – MICCAI 2004 . Apuntes de clase en informática. 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 ordenador de la enfermedad de Alzheimer". Sistemas expertos con aplicaciones . 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 conglomerados 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 Archivado el 28 de agosto de 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 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. PMID  18559316. S2CID  1211981.
  52. ^ JB Bassingthwaighte (2000). "Estrategias para el proyecto Physiome". 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 Physiome". 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 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 de RM, imágenes". Revista biofísica . 66 (1): 259–267. Código Bibliográfico :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 clínica de DT-MRI, suavizado, seguimiento de fibra con métricas log-euclidianas". IEEE Transactions on Medical Imaging . 26 (11): 1472–1482. 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). "La dismielinización se revela a través de la resonancia magnética como una mayor difusión radial (pero axial inalterada) 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 hinchazón 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 con tensor de difusión" (PDF) . IEEE Transactions on Medical Imaging . 20 (11): 1131–1139. 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 con tensor de difusión". Actas de la Conferencia de la IEEE Computer Society 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 de teoría de la información". IEEE Transactions on Medical Imaging . 24 (10): 1267–1277. 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). "Contornos activos de Finsler". IEEE Trans. Pattern Anal. Mach. Intell . 30 (3): 412–423. 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 axónicas en el cerebro mediante imágenes por resonancia magnética". Anales de neurología . 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). "La imagenología de difusión de alta resolución angular revela heterogeneidad de fibras de materia blanca intravoxel". Resonancia magnética en medicina . 48 (4): 577–582. doi : 10.1002/mrm.10268 . PMID  12353272.
  68. ^ D Tuch (diciembre de 2004). "Imágenes con Q-ball". Resonancia magnética en medicina . 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 tisular compleja con imágenes por resonancia magnética de espectro de difusión". Resonancia magnética en medicina . 54 (6): 1377–1386. doi : 10.1002/mrm.20642 . PMID  16247738.
  70. ^ K Jansons; D Alexander (julio de 2003). "Estructura angular persistente: nuevos conocimientos a partir de datos de imágenes por 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 la fibra a partir de datos de MRI ponderados por difusión utilizando 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 difusión en resonancia magnética 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). "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. 
  74. ^ P Zhang; M Niethammer; D Shen; PT Yap (2012). "Registro difeomórfico de gran deformación de imágenes ponderadas por difusión" (PDF) . Actas de Computación de imágenes médicas e intervención asistida por computadora (MICCAI) . doi : 10.1007/978-3-642-33418-4_22 .
  75. ^ M Descoteaux; R Deriche (septiembre de 2007). "Segmentación de imágenes de Q-Ball mediante evolución estadística de la superficie". 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. ^ ab 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 cerebral predeterminada: 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. ^ ab Yeo, 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. Código bibliográfico : 2001 Ciencia... 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 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. 
  81. ^ Varoquaux, G.; Gramfort, A.; Pedregosa, F.; Michel, V.; Thirion, B. (2011). "Aprendizaje de diccionarios multitemáticos para segmentar un atlas de la actividad espontánea del cerebro". Inf Process Med Imaging . Vol. 22. págs. 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 funciones de la anatomía cortical humana". Corteza cerebral . 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). Apuntes de clase sobre informática (manuscrito enviado). Vol. 1496. doi :10.1007/BFb0056181. ISBN 978-3-540-65136-9.S2CID31031333  .​
  88. ^ JS Duncan; N Ayache (2000). "Análisis de imágenes médicas: progreso a lo largo de dos décadas y desafíos futuros". IEEE Transactions on Pattern Analysis and Machine Intelligence . 22 : 85–106. CiteSeerX 10.1.1.410.8744 . doi :10.1109/34.824822. 

Revistas sobre computación de imágenes médicas

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 de modalidades específicas.