El objetivo principal de MIC es extraer información o conocimiento clínicamente relevante a partir de imágenes médicas. Si bien 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. [1]
Formularios de datos
La informática de imágenes médicas normalmente opera con datos muestreados uniformemente con un 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 cortos con y sin signo (16 bits), aunque no son infrecuentes las formas desde caracteres sin signo (8 bits) hasta flotantes de 32 bits. El significado particular de los datos en el punto de muestra depende de la modalidad: por ejemplo, una adquisición por TC recopila valores de radiodensidad, mientras que una adquisición por resonancia magnética puede recopilar imágenes ponderadas en T1 o T2 . Las adquisiciones longitudinales que varían en el tiempo pueden adquirir o no imágenes con pasos de tiempo regulares. Las imágenes en forma de abanico debidas a modalidades como la ecografía de matriz curva también son comunes y requieren diferentes técnicas algorítmicas y de representación para procesarlas. Otras formas de datos incluyen imágenes cortadas debido a la inclinación del pórtico durante la adquisición; y mallas no estructuradas , como formas hexaédricas y tetraédricas, que se utilizan en análisis biomecánicos avanzados (p. ej., deformación de tejidos, transporte vascular, implantes óseos).
Segmentación
La segmentación es el proceso de dividir una imagen en diferentes segmentos significativos. En imágenes médicas, estos segmentos suelen corresponder a diferentes clases de tejidos, órganos , patologías u otras estructuras biológicamente relevantes. [2] La segmentación de imágenes médicas se ve dificultada por el bajo contraste, el ruido y otras ambigüedades 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 depende de la experiencia que los médicos puedan proporcionar.
Segmentación basada en Atlas : para muchas aplicaciones, un experto clínico puede etiquetar manualmente varias imágenes; segmentar imágenes invisibles es una cuestión de extrapolar a partir de estas imágenes de entrenamiento etiquetadas manualmente. Los métodos de este estilo suelen denominarse métodos de segmentación basados en atlas. Los métodos de atlas paramétricos suelen combinar estas imágenes de entrenamiento en una sola imagen de atlas, [3] mientras que los métodos de atlas no paramétricos suelen utilizar todas las imágenes de entrenamiento por separado. [4] Los métodos basados en Atlas generalmente requieren el uso de registro de imágenes para alinear la imagen o imágenes del atlas con una imagen nueva e invisible.
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 activos de formas [5] y los modelos activos de apariencia. [6] Estos métodos han sido muy influyentes y han dado lugar a modelos similares. [7]
Segmentación basada en imágenes : algunos métodos inician una plantilla y refinan su forma de acuerdo con los datos de la imagen mientras minimizan las medidas de error integral, como el modelo de contorno activo y sus variaciones. [8]
Segmentación interactiva : los métodos interactivos son útiles cuando los médicos pueden proporcionar cierta información, como una región semilla o un esquema aproximado de la región a segmentar. Luego, un algoritmo puede refinar de forma iterativa dicha segmentación, con o sin la orientación 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 por retroalimentación , que brindan al usuario mucha mayor flexibilidad y permiten la corrección automática de errores. [9]
Segmentación subjetiva de superficie: este método se basa en la idea de la evolución de la función de segmentación que se rige por un modelo de advección-difusión. [10] 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 [11] [12] [13] es que la posición de la semilla es el factor principal que determina la forma de esta función de segmentación.
Redes neuronales convolucionales (CNN): el rendimiento de la segmentación totalmente automatizada asistida por computadora se ha mejorado debido al avance de los modelos de aprendizaje automático. Los modelos basados en CNN como SegNet, [14] UNet, [15] ResNet, [16] AATSN, [17] Transformers [18] y GAN [19] han acelerado el proceso de segmentación. En el futuro, estos modelos pueden reemplazar la segmentación manual debido a su rendimiento y velocidad superiores.
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
El registro de imágenes es un proceso que busca la correcta alineación de las imágenes. [21] [22] [23] [24] 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 CT y PET para combinar información estructural y metabólica (ver figura).
El registro de imágenes se utiliza en una variedad de aplicaciones médicas:
Estudiar 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 temporales corresponden a imágenes adquiridas dentro de una misma sesión (segundos o minutos). Se pueden utilizar para estudiar procesos cognitivos, deformaciones del corazón y la 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 . [25]
Caracterizar una población de sujetos. A diferencia del registro intrasujeto, es posible que no exista un mapeo uno a uno entre sujetos, dependiendo de la variabilidad estructural del órgano de interés. Se requiere registro entre sujetos para la construcción de atlas en anatomía computacional . [26] Aquí, el objetivo es modelar estadísticamente la anatomía de los órganos de todos los sujetos.
Cirugía asistida por ordenador . En la cirugía asistida por computadora, las imágenes preoperatorias, como la tomografía computarizada o la resonancia magnética, se registran en imágenes intraoperatorias o sistemas de seguimiento para facilitar la guía o 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 spline de placa delgada 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 . [27] 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. [28] El registro multimodal requiere una medida de similitud más sofisticada; alternativamente, se puede utilizar una representación de imagen diferente, como representaciones estructurales [29] o registrar la anatomía adyacente. [30] [31] Un estudio reciente [32] empleó codificación contrastiva para aprender representaciones de imágenes densas y compartidas, denominadas CoMIR (Representaciones de imágenes multimodales contrastivas), que permitieron el registro de imágenes multimodales donde los métodos de registro existentes a menudo fallan. debido a la falta de estructuras de imágenes suficientemente similares. Redujo el problema de registro multimodal a uno monomodal, en el que se pueden aplicar algoritmos de registro basados en intensidad general, así como en características.
La visualización desempeña varias funciones clave en la informática de imágenes médicas. Se utilizan métodos de visualización científica para comprender y comunicar 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 (controlando 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 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 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. [33] [34]
El ejemplo más simple de atlas es una imagen de intensidad media, comúnmente denominada 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 etiqueta determinada. 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 grupo. Mapear una imagen a un atlas normalmente 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 sencillo es modelar imágenes médicas como versiones deformadas de una única imagen de plantilla. Por ejemplo, las exploraciones cerebrales anatómicas por resonancia magnética a menudo se asignan a la plantilla MNI [35] 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 manera de asignar una a la otra. Por ejemplo, es posible que una exploración cerebral anatómica por resonancia magnética de un paciente con anomalías cerebrales graves (es decir, un tumor o un procedimiento quirúrgico) no se asigne fácilmente a la plantilla de 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 un modelo para una población sana y un modelo para una población enferma. Sin embargo, en muchas aplicaciones no está claro cuántas plantillas se necesitan. Una forma simple, aunque costosa desde el punto de vista computacional, 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 imagen nueva encontrada se compara 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 por computadora , el aprendizaje automático y el reconocimiento de patrones modernos . Durante la última década, se han puesto a disposición del público varios conjuntos de datos de gran tamaño (véase, 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 de grupo, biomarcadores de imágenes, fenotipado de enfermedades y estudios longitudinales.
Análisis de grupo
En el Análisis de Grupo, el objetivo es detectar y cuantificar 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 (ver Morfometría basada en Voxel ). 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) mediante modalidades de imágenes como la tomografía por emisión de positrones .
La comparación entre grupos suele realizarse a nivel de vóxel . Por lo tanto, el proceso de preprocesamiento más popular, particularmente en neuroimagen , transforma todas las imágenes en 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 frecuentista 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 normalmente supone que las dos cohortes provienen de la misma distribución y, por lo tanto, deberían tener las mismas propiedades estadísticas (por ejemplo, los valores medios de dos grupos son iguales para un vóxel 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 grupo. [39]
Clasificación
Aunque el análisis de grupo puede cuantificar los efectos generales de una patología sobre la anatomía y la función, no proporciona medidas a nivel de sujeto y, por lo tanto, no puede usarse como biomarcadores para el diagnóstico (consulte Biomarcadores de imágenes). Los médicos, por otra parte, suelen estar interesados en el diagnóstico temprano de la patología (es decir, clasificación, [40] [41] ) y en conocer la progresión de una enfermedad (es decir, regresión [42] ). Desde el punto de vista metodológico, las técnicas actuales varían desde la aplicación de algoritmos estándar de aprendizaje automático a conjuntos de datos de imágenes médicas (por ejemplo, Support Vector Machine [43] ), hasta el desarrollo de nuevos enfoques adaptados a las necesidades del campo. [44] Las principales dificultades son las siguientes:
Tamaño de muestra pequeño ( La maldición de la dimensionalidad ): 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 superar fácilmente los millones. Una solución 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 semisupervisados, [44] [45] [46] [47] 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; Los métodos que ignoran la estructura de la imagen no son los preferidos. Se han propuesto métodos alternativos basados en la selección de características . [45] [46] [47] [48]
Agrupación
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 este no sea siempre el caso. Para una serie de afecciones médicas, las poblaciones de pacientes son muy heterogéneas y no se ha establecido una categorización 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 ideas de la agrupación de alta dimensión [49] y de 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 forma
El Análisis de Forma es el campo de la Computación de Imágenes Médicas que estudia las propiedades geométricas de estructuras obtenidas a partir de diferentes modalidades de imágenes . Recientemente, el análisis de formas ha adquirido un interés cada vez mayor 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 ubicaciones correspondientes entre formas geométricas representadas por mallas triangulares, contornos, conjuntos de puntos o imágenes volumétricas. Obviamente la definición de correspondencia influirá directamente en el análisis. Entre las diferentes opciones de marcos de correspondencia 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 imágenes), similitud de intensidad, etc. Algunos enfoques, por ejemplo, espectrales. análisis de forma, no requieren correspondencia sino que comparan los descriptores de forma directamente.
El análisis estadístico proporcionará mediciones del cambio estructural en los lugares correspondientes.
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.
En el procesamiento de imágenes longitudinales, los métodos de segmentación y análisis de puntos temporales individuales se informan y regularizan con información común, generalmente de una plantilla dentro del sujeto. Esta regularización está diseñada para reducir el ruido de medición y, por lo tanto, ayuda a aumentar la sensibilidad y el poder estadístico. Al mismo tiempo, es necesario evitar una regulación excesiva para que los tamaños del efecto permanezcan estables. La regularización intensa, por ejemplo, puede conducir a una excelente confiabilidad test-retest, pero limita la capacidad de detectar cambios y diferencias reales entre grupos. A menudo es necesario buscar un equilibrio que optimice la reducción del 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 en el procesamiento. Cuando, por ejemplo, las imágenes de seguimiento se registran y se vuelven a muestrear en la imagen de referencia, 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 (normalmente un sesgo hacia la sobreestimación del cambio longitudinal y, por tanto, la subestimación del tamaño de muestra requerido). Por lo tanto, es esencial que los puntos de todos los tiempos sean tratados exactamente igual para evitar cualquier sesgo en el 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 espesor cortical mostrarán una correlación dentro del sujeto a lo largo del tiempo y también dentro de un vecindario en la superficie cortical, un hecho que puede usarse para aumentar el poder estadístico. 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 informática de imágenes médicas se ha centrado en la cuantificación y fusión de información estructural o funcional disponible en el momento 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. Por lo tanto, el modelado basado en imágenes, ya sea de naturaleza biomecánica o fisiológica, puede 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 único sistema complejo. Detrás del concepto VPH, la Unión Internacional de Ciencias Fisiológicas (IUPS) ha estado patrocinando el Proyecto IUPS Physiome durante más de una década. [52] [53] 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 genes hasta organismos completos a través de redes reguladoras de genes, vías de proteínas, funciones celulares integradoras y relaciones entre estructura y 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. [54]
En este contexto, las imágenes médicas y la informática de imágenes desempeñan un papel cada vez más importante, ya que proporcionan sistemas y métodos para obtener imágenes, cuantificar y fusionar información estructural y funcional sobre el ser humano in vivo. Estas dos amplias áreas de investigación incluyen la transformación de modelos computacionales genéricos para representar temas específicos, allanando así el camino para modelos computacionales personalizados. [55] La individualización de modelos computacionales genéricos a través de imágenes se puede realizar en tres direcciones complementarias:
definición del dominio computacional específico del tema (anatomía) y subdominios relacionados (tipos de tejido);
definición de condiciones iniciales y de límites 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 de moléculas, células, tejidos y modelos animales que pueden transferirse a la fisiología humana cuando corresponda.
Las aplicaciones de los modelos VPH/Physiome basados en imágenes en dominios básicos y clínicos son amplias. A grandes rasgos prometen convertirse en nuevas técnicas de imagen virtual . De hecho, 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 una interpretación de las mediciones de una manera que cumpla con las leyes biofísicas, bioquímicas o biológicas subyacentes de los procesos fisiológicos o fisiopatológicos bajo investigación. En última instancia, tales herramientas y sistemas de investigación ayudarán a comprender los procesos de las enfermedades, 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 imágenes y modelos va más allá de la interpretación de mediciones de una manera consistente con la fisiología. El modelado específico del paciente basado en imágenes, combinado con modelos de dispositivos médicos y terapias farmacológicas, abre el camino a las imágenes predictivas mediante las cuales se podrán comprender, planificar y optimizar dichas intervenciones in silico .
Métodos matemáticos en imágenes médicas.
Se han incorporado varios métodos matemáticos sofisticados a 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 se pueden paralelizar e implementar en GPGPU. Varias de estas técnicas se han inspirado en ideas de control óptimo . Por ello, recientemente las ideas del control se han introducido en los métodos interactivos, especialmente en la segmentación. Además, debido al ruido y a la necesidad de técnicas de estimación estadística para imágenes que cambian más dinámicamente, se han empezado a utilizar el filtro de 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 modalidad
Algunas modalidades 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. Los ejemplos incluyen resonancia magnética de difusión, resonancia magnética funcional y otras.
resonancia magnética de difusión
La resonancia magnética por difusión es una modalidad de resonancia magnética estructural que permite medir el proceso de difusión de moléculas. La difusión se mide aplicando un pulso de gradiente a un campo magnético en 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 de difusión ha creado una variedad de desafíos únicos en la computación de imágenes médicas.
Estimación de propiedades locales del tejido, como la difusividad;
Estimación de direcciones locales y vías globales 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 normalmente distribuido y, por 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 los tensores. [59] Se pueden extraer valores escalares del tensor de difusión, como la anisotropía fraccionada , las difusividades media, axial y radial, que miden indirectamente propiedades del tejido como la desmielinización de las fibras axonales [60] o la presencia de edema. [61] Los métodos estándar de computación de imágenes escalares, como el registro y la segmentación, se pueden aplicar directamente a volúmenes de dichos valores escalares. Sin embargo, para explotar completamente 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 [62] [63] y la segmentación. [64] [65]
Dada la dirección principal de difusión en cada lugar del volumen, es posible estimar las vías globales de difusión mediante 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 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. 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 fibras, [70] [71] que normalmente requieren adquisición HARDI con una gran cantidad de direcciones de gradiente. Al igual que ocurre 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 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 la resonancia magnética funcional ofrecen una variedad de conocimientos y se pueden dividir aproximadamente en dos categorías:
La resonancia magnética funcional relacionada con la tarea se adquiere cuando el sujeto realiza una secuencia de condiciones experimentales cronometradas. En los experimentos de diseño de bloques, las condiciones están presentes durante períodos cortos 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 utilizan un único punto temporal para indicar cada condición. El enfoque estándar para analizar la resonancia magnética funcional relacionada con tareas es el modelo lineal general (GLM) [76]
La resonancia magnética funcional en estado de reposo se adquiere en ausencia de cualquier tarea experimental. Normalmente, el objetivo es estudiar la estructura de red intrínseca del cerebro. Las observaciones realizadas durante el descanso también se han relacionado con procesos cognitivos específicos como la codificación o la reflexión. La mayoría de los estudios de resonancia magnética funcional en estado de reposo se centran en las fluctuaciones de baja frecuencia de la señal de resonancia magnética funcional (LF-BOLD). Los descubrimientos fundamentales incluyen la red predeterminada , [77] una parcelación cortical integral, [78] y la vinculación de las características de la red con los parámetros de comportamiento.
Existe un rico conjunto de metodologías utilizadas 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/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 exploran vóxeles individuales en los datos de imágenes en busca de una relación con la condición del experimento. El enfoque principal es el modelo lineal general (GLM) [76]
Los enfoques basados en clasificadores y multivariados , a menudo denominados análisis de patrones multivóxel o análisis de patrones multivariados, analizan los datos en busca de respuestas globales y potencialmente distribuidas a una condición experimental. Los primeros enfoques utilizaron máquinas de vectores de soporte (SVM) para estudiar las respuestas a los estímulos visuales. [79] Recientemente, se han explorado algoritmos alternativos de reconocimiento de patrones, como el contraste de gini basado en bosques aleatorios [80] o la regresión dispersa y el aprendizaje de diccionarios [81].
El análisis de la conectividad funcional estudia la estructura de la red intrínseca del cerebro, incluidas las interacciones entre regiones. La mayoría de estos estudios se centran en datos del estado de reposo para parcelar el cerebro [78] o para encontrar correlaciones con medidas de comportamiento. [82] Los datos específicos de la tarea se pueden utilizar para estudiar las relaciones causales entre regiones del cerebro (por ejemplo, mapeo causal dinámico (DCM) [83] ).
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 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 señales de resonancia magnética funcional, [84] la alineación basada en la estructura de conectividad funcional global tanto en datos de tarea como en estado de reposo, [85] y la alineación basada en perfiles de activación específicos de estímulos de vóxeles individuales. . [86]
Software
El software para computación de imágenes médicas es una combinación compleja de sistemas que proporcionan IO, visualización e interacción, interfaz de usuario, gestión de datos y computación. Normalmente, las arquitecturas de sistemas se dividen en capas para servir a los desarrolladores de algoritmos, desarrolladores de aplicaciones y usuarios. Las capas inferiores suelen ser 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 Imágenes Médicas también está relacionada con el campo de la Visión por Computador . La Sociedad MICCAI , una sociedad internacional, 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. [87] En 2000, N. Ayache y J. Duncan revisaron el estado del campo. [88]
^ Perera Molligoda Arachchige, Arosh S.; Svet, Afanasy (10 de septiembre de 2021). "Integración de la inteligencia artificial en la práctica de la radiología: la 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.
^ Forghani, M.; Forouzanfar, M.; Teshnehlab, M. (2010). "Optimización de parámetros del algoritmo de agrupamiento de medias c 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.
^ J Vaya; M. Reivich; R. Bajcsy (1993). "Deformar elásticamente un atlas tridimensional para que coincida con imágenes anatómicas del cerebro". Revista de tomografía asistida por computadora . 17 (1): 225–236. doi :10.1097/00004728-199303000-00011. PMID 8454749. S2CID 25781937.
^ Señor 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. S2CID 15242659.
^ Cootes, TF; Edwards, GJ; Taylor, CJ (2001). "Modelos de apariencia activa". Transacciones IEEE sobre análisis de patrones e inteligencia artificial . 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 forma y deformación . Prensa académica. ISBN9780128104941.
^ 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 Bib : 2001ITIP...10.1467G. CiteSeerX 10.1.1.35.1977 . doi : 10.1109/83.951533. PMID 18255491.{{cite journal}}: Mantenimiento CS1: varios nombres: lista de autores ( enlace )
^ Karasev, P.; Kolesov I.; Chudy, K.; Vela, P.; Tannenbaum, A. (2011). "Segmentación interactiva por resonancia magnética con visión activa controlada". Conferencia IEEE sobre Decisión y Control y Conferencia Europea de Control . págs. 2293–2298. doi :10.1109/CDC.2011.6161453. ISBN978-1-61284-801-3. PMC 3935399 . PMID 24584213.
^ 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 - Quinto 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 Matemáticas. Univ. Comeniano. (NS) 70 (2000), 85-103.
^ A. Sarti, R. Malladi, JA Sethian: Superficies subjetivas: un método para completar los límites faltantes. Proc. Nacional. Acad. Ciencia. mi 12, núm. 97 (2000), 6258–6263.
^ A. Sarti, R. Malladi, JA Sethian: Superficies subjetivas: un modelo geométrico para completar límites, Revista internacional de visión por computadora, mi 46, No. 3 (2002), 201–221.
^ 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].
^ 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].
^ Él, Kaiming; Zhang, Xiangyu; Ren, Shaoqing; Sun, Jian (junio de 2016). "Aprendizaje residual profundo para el reconocimiento de imágenes". Conferencia IEEE 2016 sobre visión por computadora y reconocimiento de patrones (CVPR). Las Vegas, NV, EE.UU.: IEEE. págs. 770–778. doi :10.1109/CVPR.2016.90. ISBN978-1-4673-8851-1. S2CID 206594692.
^ Ahmad, Ibtihaj; Xia, Yong; Cui, Hengfei; Islam, Zain Ul (1 de mayo de 2023). "AATSN: Red de segmentación de tumores consciente de la anatomía para volúmenes e imágenes de PET-CT utilizando un mecanismo ligero de atención de fusión". Computadoras en Biología y Medicina . 157 : 106748. doi : 10.1016/j.compbiomed.2023.106748. ISSN 0010-4825. PMID 36958235. S2CID 257489603.
^ 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].
^ Sorín, Vera; Barash, Yiftaj; Konen, Eli; Klang, Eyal (agosto de 2020). "Creación de imágenes artificiales para aplicaciones de radiología utilizando redes generativas adversarias (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.
^ Ehsani Rad, Abdolvahab; Mohd Rahim Mohd Shafry; Rehman Amjad; Altameem Aymán; Saba Tanzila (mayo de 2013). "Evaluación de los enfoques actuales de segmentación de radiografías dentales en aplicaciones asistidas por computadora". Revisión técnica de IETE . 30 (3): 210. doi : 10.4103/0256-4602.113498 (inactivo 2024-06-22). S2CID 62571134.{{cite journal}}: Mantenimiento CS1: DOI inactivo a partir de junio de 2024 ( enlace )
^ Lisa Gottesfeld Marrón (1992). "Un estudio de técnicas de registro de imágenes". Encuestas de Computación ACM . 24 (4): 325–376. CiteSeerX 10.1.1.35.2732 . doi :10.1145/146370.146374. S2CID 14576088.
^ 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 Imágenes Médicas . Baton Rouge, Florida: Prensa CRC.
^ Bárbara Zitová; Jan Flusser (2003). "Métodos de registro de imágenes: una encuesta". Computación de visión de imágenes . 21 (11): 977–1000. doi :10.1016/S0262-8856(03)00137-9. hdl :10338.dmlcz/141595.
^ 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.
^ Granandro, Ulf; Molinero, Michael I. (1998). "Anatomía computacional: una disciplina emergente". P. Aplica. Matemáticas . LVI (4): 617–694. doi : 10.1090/qam/1668732 .
^ PA Viola (1995). Alineamiento por Maximización de Información Mutua (Tesis). Instituto de Tecnología de Massachusetts.
^ C. Wachinger; T. Klein; N. Navab (2011). "Medidas de similitud de ultrasonido basadas en Nakagami localmente adaptativas". 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.
^ Colina, 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, María; Brost, Alejandro; Behar, Jonathan M.; Rinaldi, Christopher A.; Rhode, Kawal S.; Mountney, Peter (17 de octubre de 2016). "Registro con estructuras anatómicas adyacentes para orientación en terapia de resincronización cardíaca". Atlas estadísticos y modelos computacionales del corazón. Desafíos de modelado e imágenes (manuscrito enviado). Apuntes de conferencias sobre informática. vol. 10124. págs. 127-134. doi :10.1007/978-3-319-52718-5_14. ISBN9783319527178. S2CID 1698371.
^ Pielawski, N., Wetzer, E., Ofverstedt, J., Lu, J., Wählby, C., Lindblad, J. y Sladoje, N. (2020). CoMIR: Representación de Imágenes Multimodal Contrastiva para Registro. En Avances en los sistemas de procesamiento de información neuronal (págs. 18433-18444). Curran asociados, Inc.
^ Sr. De Craene; AB d Aische; B. Macq; SK Warfield (2004). "Registro de múltiples temas para la construcción de atlas estadísticos imparciales" (PDF) . Computación de imágenes médicas e intervención asistida por computadora - MICCAI 2004 . Apuntes de conferencias sobre informática. vol. 3216, págs. 655–662. doi : 10.1007/978-3-540-30135-6_80 . ISBN978-3-540-22976-6.
^ CJ Hermanamiento; T. Cootes; S. Marsland; V. Petrovic; R. Schestowitz; C. Taylor (2005). "Un enfoque teórico de la información unificado para la creación de modelos y registro no rígido por grupos". Procesamiento de Información en Imágenes Médicas . Apuntes de conferencias sobre informática. vol. 19. págs. 1-14. doi :10.1007/11505730_1. ISBN978-3-540-26545-0. PMID 17354680.
^ "El cerebro MNI y el atlas de Talairach".
^ M. Sabuncu; SK Balci; ME Shenton; P. Golland (2009). "Análisis de población basado en imágenes mediante 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 vóxeles: los métodos". NeuroImagen . 11 (6): 805–821. CiteSeerX 10.1.1.114.9512 . doi :10.1006/nimg.2000.0582. PMID 10860804. S2CID 16777465.
^ C. Davatzikos (2004). "Por qué el análisis morfométrico basado en vóxeles debe utilizarse con gran precaución al caracterizar las diferencias grupales". NeuroImagen . 23 (1): 17–20. doi : 10.1016/j.neuroimage.2004.05.010. PMID 15325347. S2CID 7452089.
^ KJ Friston; Penique WD; C. Phillips; SJ Kiebel; G. Hinton; J. Ashburner (2002). "Inferencia clásica y bayesiana en neuroimagen: teoría". NeuroImagen . 16 (2): 465–483. CiteSeerX 10.1.1.128.8333 . doi :10.1006/nimg.2002.1090. PMID 12030832. S2CID 14911371.
^ Yongfan; 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". NeuroImagen . 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 Lehericy; María-Odile Habert; María 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 resonancia magnética estructural: una comparación de diez métodos utilizando la base de datos ADNI" (PDF) . NeuroImagen . 56 (2): 766–781. doi : 10.1016/j.neuroimage.2010.06.013. PMID 20542124. S2CID 628131.
^ Y. Wang; Y. ventilador; P. Bhatt P; C. Davatzikos (2010). "Regresión de patrones de alta dimensión mediante aprendizaje automático: desde imágenes médicas hasta variables clínicas continuas". NeuroImagen . 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; María Sarazin; Bruno Dubois; Stéphane Lehericy; Habib Benali (2009). "Soporte de clasificación basada en máquinas de vectores 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.
^ ab NK Batmanghelich; B. Taskar; C. Davatzikos (2012). "Aprendizaje de bases generativo-discriminativo para imágenes médicas". Imágenes IEEE Trans Med . 31 (1): 51–69. doi :10.1109/TMI.2011.2162961. PMC 3402718 . PMID 21791408.
^ ab 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 y Información . 11 (2): 243–258. CiteSeerX 10.1.1.62.6245 . doi :10.1007/s10115-006-0043-5. S2CID 9901011.
^ ab R. Chaves; J. Ramírez; JM Gorriz; 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 NMSE de la prueba t con ponderación de correlación de características". Cartas de Neurociencia . 461 (3): 293–297. doi :10.1016/j.neulet.2009.06.052. PMID 19549559. S2CID 9981775.
^ ab Yanxi Liu ; Leonid Teverovskiy; Owen Carmichael; Ron Kikinis; Marta Shenton; Cameron S. Carter; V. Andrew Stenger; Simón Davis; Howard Aizenstein; James T. Becker (2004). "Análisis discriminativo de características de imágenes de resonancia magnética para la clasificación automática de la esquizofrenia y la enfermedad de Alzheimer" (PDF) . Computación de imágenes médicas e intervención asistida por computadora - MICCAI 2004 . Apuntes de conferencias sobre informática. vol. 3216. págs. 393–401. doi : 10.1007/978-3-540-30135-6_48 . ISBN978-3-540-22976-6. {{cite book}}: |journal=ignorado ( ayuda )
^ Savio A.; Graña M. (2013). "Selección de características 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 conglomerados semisupervisado de datos de imágenes". NeuroImagen . 54 (3): 2185–2197. doi : 10.1016/j.neuroimage.2010.09.074. PMC 3008313 . PMID 20933091.
↑ Hoja de ruta de investigación STEP Archivado el 28 de agosto de 2008 en Wayback Machine . eurofisioma.org
^ JW Fenner; B. arroyo; G. digno de aplauso; PV Coveney; V. Feipel; H. Gregersen; Manguera DR; P. Kohl; P. Lawford; KM McCormack; D. Pinney; SR Tomás; S. Van Sint Jan; S. Aguas; M. Viceconti (2008). "El EuroPhysiome, STEP y una hoja de ruta para el humano fisiológico virtual" (PDF) . Transacciones filosóficas de la Royal Society A. 366 (1878): 2979–2999. Código Bib : 2008RSPTA.366.2979F. doi :10.1098/rsta.2008.0089. PMID 18559316. S2CID 1211981.
^ 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.
^ Cazador de pijamas; TK Borg (2003). "Integración de proteínas a órganos: El Proyecto Physiome". Nat. Rev. Mol. Biol celular . 4 (3): 237–243. doi :10.1038/nrm1054. PMID 12612642. S2CID 25185270.
^ RL Winslow; N. Trayanova; D. Alemán; MI Miller (2012). "Medicina computacional: traducción de modelos a la atención clínica". Ciencia. Traducción 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 un ser humano fisiológico virtual: modelado y simulación multinivel de la anatomía y fisiología humana". Dirección General INFSO y Dirección General JRC, 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 .; Pichón, 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 por resonancia magnética, imágenes". Revista Biofísica . 66 (1): 259–267. Código Bib : 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 de DT-MRI, suavizado y seguimiento de fibras 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.
^ Canción SK; SO Sol; M. Ramsbottom; C Cheng; J Russell; Una Cruz (noviembre de 2002). "Dismielinización revelada mediante resonancia magnética como aumento de la difusión de agua radial (pero axial sin cambios)". NeuroImagen . 13 (3): 1429-1436. doi :10.1006/nimg.2002.1267. PMID 12414282. S2CID 43229972.
^ P Barzo; Un Marmarou; P Fatouros; K. Hayasaki; F Corwin (diciembre de 1997). "Contribución del edema celular y vasogénico a la inflamación cerebral traumática medida mediante imágenes ponderadas por difusión". Revista de Neurocirugía . 87 (6): 900–907. doi :10.3171/jns.1997.87.6.0900. PMID 9384402.
^ D Alejandro; C Pierpaoli; P Basser (enero de 2001). "Transformación espacial de imágenes de resonancia magnética con tensor de difusión" (PDF) . Transacciones IEEE sobre imágenes médicas . 20 (11): 1131-1139. doi : 10.1109/42.963816. PMID 11700739. S2CID 6559551.
^ Y Cao; Miller; S Mori; R Winslow; L Younes (junio de 2006). "Coincidencia difeomorfa de imágenes de 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. pag. 67. doi :10.1109/CVPRW.2006.65. PMC 2920614 .
^ Z Wang; B Vemuri (octubre de 2005). "Segmentación DTI utilizando una medida de disimilitud del tensor teórico de la información". Transacciones IEEE sobre imágenes médicas . 24 (10): 1267-1277. CiteSeerX 10.1.1.464.9059 . doi :10.1109/TMI.2005.854516. PMID 16229414. S2CID 32724414.
^ Melonakos, J.; Pichón, E.; Angenent, S .; Tannenbaum, A. (2008). "Contornos activos de Finsler". Traducción IEEE. Patrón Anal. Mach. Intel . 30 (3): 412–423. doi :10.1109/TPAMI.2007.70713. PMC 2796633 . PMID 18195436.
^ S Mori; B Crain; V Chaco; P van Zijl (febrero de 1999). "Seguimiento tridimensional de proyecciones axonales en el cerebro mediante 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.
^ D Tuch; T Reese; M Wiegell; N Makris; J. Belliveau; V Wedeen (octubre de 2002). "Las imágenes de difusión de alta resolución angular revelan la heterogeneidad de las fibras de materia blanca intravoxel". Resonancia Magnética en Medicina . 48 (4): 577–582. doi : 10.1002/mrm.10268 . PMID 12353272.
^ D Tuch (diciembre de 2004). "Imágenes 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 arquitectura de tejido compleja 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 Gadán; Un Connelly (2007). "Estimación directa de la función de densidad de orientación de la fibra a partir de datos de resonancia magnética ponderada por difusión mediante deconvolución esférica". NeuroImagen . 23 (3): 1176–1185. doi : 10.1016/j.neuroimage.2004.07.037. PMID 15528117. S2CID 24169627.
^ X Geng; T Ross; W Zhan; HGu; YP Chao; CP Lin; G Christensen; N Schuff; Y Yang (julio de 2009). "Registro de resonancia magnética por difusión mediante funciones de distribución de orientación". Actas de procesamiento de información en imágenes médicas (IPMI) 2009, LNCS 5636 . vol. 21. págs. 626–637. doi :10.1007/978-3-642-02498-6_52. PMC 3860746 .
^ PT Sí; Y Chen; H An; Y Yang; J Gilmore; W Lin; D Shen (2011). "ESFERA: Registro elástico armónico esférico de datos HARDI". NeuroImagen . 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 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 .
^ M Descoteaux; R Deriche (septiembre de 2007). "Segmentación de imágenes de Q-Ball mediante evolución estadística de la superficie". Actas de Computación de Imágenes Médicas e Intervención Asistida por Computadora (MICCAI) 2007, LNCS 4792 . págs. 769–776. doi : 10.1007/978-3-540-75759-7_93 .
^ ab Friston, K.; Holmes, A.; Worsley, K.; Polina, J.; Frith, C.; Frackowiak, R.; et al. (1995). "Mapas paramétricos estadísticos en imágenes funcionales: un enfoque lineal general". Mapa cerebral Hum . 2 (4): 189–210. doi :10.1002/hbm.460020402. S2CID 9898609.
^ Buckner, RL; Andrews-Hanna, JR; Schacter, DL (2008). "La 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 Bib : 2008NYASA1124....1B. CiteSeerX 10.1.1.689.6903 . doi : 10.1196/anales.1440.011. PMID 18400922. S2CID 3167595.
^ 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.
^ JV Haxby; MI Gobbini; ML Furey; A. Isai; 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.
^ Langs, G.; Menze, BH; Lashkari, D.; Golland, P. (2011). "Detección de patrones distribuidos estables de activación cerebral mediante contraste de Gini". NeuroImagen . 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 multitemática aprendiendo a segmentar un atlas de actividad espontánea cerebral". Imágenes médicas de proceso inf . vol. 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". NeuroImagen . 19 (4): 1273-1302. doi :10.1016/S1053-8119(03)00202-7. PMID 12948688. S2CID 2176588.
^ Sabuncu, señor; 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.; 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.
^ Haxby, JV; Guntupalli, JS; Connolly, AC; Halchenko, YO; Conroy, BR; Gobbini, Michigan; 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). Apuntes de conferencias en informática (manuscrito enviado). vol. 1496. doi :10.1007/BFb0056181. ISBN978-3-540-65136-9. S2CID 31031333.
^ JS Duncan; N Ayache (2000). "Análisis de imágenes médicas: avances durante dos décadas y desafíos por delante". Transacciones IEEE sobre análisis de patrones e inteligencia artificial . 22 : 85-106. CiteSeerX 10.1.1.410.8744 . doi : 10.1109/34.824822.
Transacciones IEEE sobre imágenes médicas (IEEE TMI)
Física Médica
Revista de Imágenes Digitales (JDI); la revista oficial de la Sociedad de Informática de Imágenes
Imágenes y gráficos médicos computarizados
Revista de radiología y cirugía asistidas por computadora
BMC Imágenes Médicas
Además, las siguientes revistas publican ocasionalmente artículos que describen métodos y aplicaciones clínicas específicas de la computación de imágenes médicas o de una modalidad específica de computación de imágenes médicas.
Radiología la revista oficial de la Sociedad Radiológica de América del Norte.
NeuroImagen
Revista de imágenes por resonancia magnética (JMRI)
Resonancia Magnética en Medicina (MRM)
Revista de tomografía asistida por computadora (JCAT)