Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску

Вычисление медицинских изображений (MIC) - это междисциплинарная область на стыке компьютерных наук , информационной инженерии , электротехники , физики , математики и медицины . В этой области разрабатываются вычислительные и математические методы для решения задач, относящихся к медицинским изображениям, и их использования для биомедицинских исследований и клинической помощи.

Основная цель MIC - извлечь клинически значимую информацию или знания из медицинских изображений. Будучи тесно связанным с областью медицинской визуализации , MIC фокусируется на вычислительном анализе изображений, а не на их получении. Эти методы могут быть сгруппированы в несколько основных категорий: сегментации изображений , регистрация изображения , изображения на основе физиологического моделирования и др.

Формы данных [ править ]

Вычисление медицинских изображений обычно работает с однородно дискретизированными данными с регулярным пространственным интервалом xyz (изображения в 2D и объемы в 3D, обычно называемые изображениями). В каждой точке выборки данные обычно представлены в интегральной форме, такой как знаковые и беззнаковые короткие (16-битные), хотя формы от беззнаковых char (8-битных) до 32-битных чисел с плавающей запятой не редкость. Конкретное значение данных в точке выборки зависит от модальности: например, получение КТ собирает значения радиоплотности, в то время как получение МРТ может собирать изображения, взвешенные по Т1 или Т2 . Продольные, изменяющиеся во времени захваты могут получать или не получать изображения с регулярными временными шагами. Фанатичные изображения благодаря таким модальностям, какУльтразвук с изогнутой решеткой также широко распространен и требует для обработки различных методов представления и алгоритмов. Другие формы данных включают срезанные изображения из-за наклона гентри во время сбора данных; и неструктурированные сетки , такие как гексаэдрические и тетраэдрические формы, которые используются в продвинутом биомеханическом анализе (например, деформация тканей, перенос сосудов, костные имплантаты).

Сегментация [ править ]

Т1 взвешенное МР изображение головного мозга пациента с менингиомы после инъекции контрастного вещества МРТ (верхний левый), и тот же образ с результатом интерактивной сегментации перекрывается в зеленом (3D модель сегментации на верхнем правом углу , аксиальный и коронарный виды внизу).

Сегментация - это процесс разделения изображения на разные значимые сегменты. В медицинской визуализации эти сегменты часто соответствуют различным классам тканей, органам , патологиям или другим биологически значимым структурам. [1] Сегментация медицинских изображений затруднена из-за низкой контрастности, шума и других неоднозначностей изображения. Хотя существует множество методов компьютерного зрения для сегментации изображений , некоторые из них были адаптированы специально для обработки медицинских изображений. Ниже приведены примеры методов в этой области; реализация опирается на опыт, который могут предоставить клиницисты.

  • Сегментация на основе атласа : для многих приложений клинический эксперт может вручную пометить несколько изображений; сегментирование невидимых изображений - это вопрос экстраполяции этих вручную помеченных обучающих изображений. Методы этого стиля обычно называют методами сегментации на основе атласа. Методы параметрического атласа обычно объединяют эти обучающие изображения в одно изображение атласа [2], в то время как непараметрические методы атласа обычно используют все обучающие изображения по отдельности. [3] Методы, основанные на атласе, обычно требуют использования регистрации изображения , чтобы выровнять изображение или изображения атласа с новым, невидимым изображением.
  • Сегментация на основе формы : многие методы параметризуют форму шаблона для данной структуры, часто полагаясь на контрольные точки вдоль границы. Затем вся форма деформируется, чтобы соответствовать новому изображению. Двумя наиболее распространенными методами на основе формы являются модели активной формы [4] и модели активного внешнего вида. [5] Эти методы оказали большое влияние и привели к созданию аналогичных моделей. [6]
  • Сегментация на основе изображений : некоторые методы инициируют шаблон и уточняют его форму в соответствии с данными изображения, сводя к минимуму меры интегральной погрешности, такие как модель активного контура и ее вариации. [7]
  • Интерактивная сегментация : интерактивные методы полезны, когда врачи могут предоставить некоторую информацию, такую ​​как область семян или приблизительный контур области для сегментации. Затем алгоритм может итеративно уточнять такую ​​сегментацию под руководством врача или без него. Сегментация вручную с использованием таких инструментов, как кисть для явного определения класса ткани каждого пикселя, остается золотым стандартом для многих приложений обработки изображений. Недавно принципы теории управления с обратной связью были включены в сегментацию, что дает пользователю гораздо большую гибкость и позволяет автоматически исправлять ошибки. [8]
  • Субъективная поверхностная сегментация: этот метод основан на идее эволюции функции сегментации, которая регулируется моделью адвекции-диффузии. [9] Для сегментации объекта требуется начальное значение сегментации (это начальная точка, которая определяет приблизительное положение объекта на изображении). Следовательно, строится начальная функция сегментации. Идея метода субъективной поверхности [10] [11] [12] заключается в том, что положение начального числа является основным фактором, определяющим форму этой функции сегментации.

Однако существует и другая классификация методов сегментации изображений, аналогичная вышеперечисленным категориям. Более того, мы можем классифицировать другую группу как «Гибридную», основанную на комбинации методов. [13]

Регистрация [ править ]

КТ-изображение (слева), ПЭТ-изображение (в центре) и их наложение (справа) после правильной регистрации.

Регистрация изображений - это процесс поиска правильного совмещения изображений. [14] [15] [16] [17] В простейшем случае два изображения выравниваются. Обычно одно изображение обрабатывается как целевое изображение, а другое - как исходное; исходное изображение преобразуется, чтобы соответствовать целевому изображению. Процедура оптимизации обновляет преобразование исходного изображения на основе значения подобия, которое оценивает текущее качество совмещения. Эта итерационная процедура повторяется до тех пор, пока не будет найден (локальный) оптимум. Примером может служить регистрация изображений КТ и ПЭТ для объединения структурной и метаболической информации (см. Рисунок).

Регистрация изображений используется в различных медицинских приложениях:

  • Изучение временных изменений. Продольные исследования получают изображения в течение нескольких месяцев или лет для изучения долгосрочных процессов, таких как прогрессирование заболевания. Временные ряды соответствуют изображениям, полученным в течение одного сеанса (секунды или минуты). Их можно использовать для изучения когнитивных процессов, деформаций сердца и дыхания.
  • Объединение дополнительной информации из различных методов визуализации . Примером может служить сочетание анатомической и функциональной информации. Поскольку размер и форма структур различаются в зависимости от модальности, оценить качество выравнивания сложнее. Это привело к использованию таких мер сходства , как взаимная информация . [18]
  • Характеристика совокупности субъектов. В отличие от внутрипредметной регистрации, взаимно однозначное сопоставление между субъектами может не существовать, в зависимости от структурной изменчивости интересующего органа. Для построения атласа по вычислительной анатомии требуется межпредметная регистрация . [19] Здесь цель состоит в том, чтобы статистически смоделировать анатомию органов у разных субъектов.
  • Компьютерная хирургия . В компьютерной хирургии предоперационные изображения, такие как компьютерная томография или магнитно-резонансная томография, регистрируются в интраоперационных изображениях или системах отслеживания для облегчения управления изображением или навигации.

При регистрации изображения следует учитывать несколько важных моментов:

  • Модель трансформации . Обычно выбираются жесткие , аффинные и деформируемые модели трансформации. B-сплайн и модели тонких пластин обычно используются для параметризованных полей преобразования. Непараметрические или плотные поля деформации несут вектор смещения в каждом месте сетки; это требует дополнительных ограничений регуляризации . Особым классом полей деформаций являются диффеоморфизмы , которые представляют собой обратимые преобразования с гладким обратным.
  • Метрика подобия. Функция расстояния или сходства используется для количественной оценки качества регистрации. Это сходство можно вычислить либо по исходным изображениям, либо по признакам, извлеченным из изображений. Общие меры сходства - это сумма квадратов расстояний (SSD), коэффициент корреляции и взаимная информация . Выбор меры сходства зависит от того, принадлежат ли изображения к одной и той же модальности; шум захвата также может сыграть роль в этом решении. Например, SSD является оптимальной мерой сходства для изображений одной модальности с гауссовым шумом . [20]Однако статистика изображения в ультразвуке значительно отличается от гауссовского шума, что приводит к введению специфических для ультразвука критериев сходства. [21] Мультимодальная регистрация требует более сложной меры подобия; в качестве альтернативы может использоваться другое представление изображения, такое как структурные представления [22] или регистрация смежной анатомии. [23] [24]
  • Процедура оптимизации . Выполняется либо непрерывная, либо дискретная оптимизация . Для непрерывной оптимизации применяются методы оптимизации на основе градиента для повышения скорости сходимости.

Визуализация [ править ]

Объемная визуализация (слева), аксиальный разрез (справа вверху) и сагиттальный разрез (справа внизу) КТ-изображения субъекта с множественными узловыми поражениями (белая линия) в легком.

Визуализация играет несколько ключевых ролей в вычислении медицинских изображений. Методы научной визуализации используются для понимания и передачи медицинских изображений, которые по своей сути пространственно-временны. Визуализация и анализ данных используются в формах неструктурированных данных , например, при оценке статистических показателей, полученных во время алгоритмической обработки. Прямое взаимодействиес данными, ключевой особенностью процесса визуализации, используется для выполнения визуальных запросов к данным, аннотирования изображений, управления процессами сегментации и регистрации и управления визуальным представлением данных (путем управления свойствами визуализации освещения и параметрами просмотра). Визуализация используется как для первоначального исследования, так и для передачи промежуточных и окончательных результатов анализа.

Рисунок «Визуализация медицинской визуализации» иллюстрирует несколько типов визуализации: 1. отображение поперечных сечений в виде изображений в градациях серого; 2. переформатированные виды изображений в градациях серого (сагиттальный вид в этом примере имеет другую ориентацию, чем исходное направление получения изображения; и 3. трехмерная объемная визуализация тех же данных. Узловое поражение четко видно на разных презентациях. и отмечен белой линией.

Атласы [ править ]

Медицинские изображения могут значительно различаться у разных людей из-за того, что у людей есть органы разных форм и размеров. Поэтому представление медицинских изображений для учета этой изменчивости имеет решающее значение. Популярным подходом к представлению медицинских изображений является использование одного или нескольких атласов. Здесь атлас относится к конкретной модели для совокупности изображений с параметрами, которые получены из набора обучающих данных. [25] [26]

Простейшим примером атласа является изображение средней яркости, обычно называемое шаблоном. Однако атлас может также включать более обширную информацию, такую ​​как статистика локальных изображений и вероятность того, что конкретное пространственное местоположение имеет определенную метку. Новые медицинские изображения, которые не используются во время обучения, можно сопоставить с атласом, который был адаптирован для конкретного приложения, такого как сегментация и групповой анализ . Сопоставление изображения с атласом обычно включает регистрацию изображения и атласа. Эту деформацию можно использовать для устранения вариабельности медицинских изображений.

Единый шаблон [ править ]

Самый простой подход - смоделировать медицинские изображения как деформированные версии одного шаблона изображения. Например, анатомические МРТ-сканирование головного мозга часто сопоставляются с шаблоном MNI [27], чтобы представить все сканированные изображения мозга в общих координатах. Главный недостаток подхода с одним шаблоном заключается в том, что при наличии значительных различий между шаблоном и данным тестовым изображением может не быть хорошего способа сопоставить одно изображение с другим. Например, анатомическое МРТ-сканирование мозга пациента с серьезными аномалиями головного мозга (например, опухоль или хирургическая процедура) не может легко сопоставить с шаблоном MNI.

Несколько шаблонов [ править ]

Вместо того, чтобы полагаться на один шаблон, можно использовать несколько шаблонов. Идея состоит в том, чтобы представить изображение как деформированную версию одного из шаблонов. Например, может быть один шаблон для здорового населения и один шаблон для больного населения. Однако во многих приложениях неясно, сколько шаблонов необходимо. Простой, хотя и дорогостоящий в вычислительном отношении способ справиться с этим - сделать так, чтобы каждое изображение в наборе обучающих данных было шаблоном, и, таким образом, каждое новое обнаруженное изображение сравнивается с каждым изображением в наборе обучающих данных. Более новый подход автоматически определяет количество необходимых шаблонов. [28]

Статистический анализ [ править ]

Статистические методы объединяют область медицинской визуализации с современным компьютерным зрением , машинным обучением и распознаванием образов . За последнее десятилетие несколько больших наборов данных стали общедоступными (см., Например, ADNI, Проект 1000 функциональных коннектомов), отчасти благодаря сотрудничеству между различными институтами и исследовательскими центрами. Это увеличение объема данных требует новых алгоритмов, которые могут анализировать и обнаруживать малозаметные изменения в изображениях для решения клинических вопросов. Такие клинические вопросы очень разнообразны и включают групповой анализ, визуализацию биомаркеров, фенотипирование заболевания и продольные исследования.

Групповой анализ [ править ]

В групповом анализе цель состоит в том, чтобы обнаружить и количественно оценить отклонения, вызванные заболеванием, путем сравнения изображений двух или более когорт. Обычно одна из этих когорт состоит из нормальных (контрольных) субъектов, а другая - из пациентов с отклонениями от нормы. Вариация, вызванная заболеванием, может проявляться как аномальная деформация анатомии (см. Морфометрия на основе вокселей ). Например, сокращение подкорковых тканей, таких как гиппокамп в головном мозге, может быть связано с болезнью Альцгеймера . Кроме того, изменения биохимической (функциональной) активности можно наблюдать с помощью методов визуализации, таких как позитронно-эмиссионная томография .

Сравнение между группами обычно проводится на уровне вокселей . Следовательно, самый популярный конвейер предварительной обработки, особенно в нейровизуализации , преобразует все изображения в наборе данных в общую систему координат с помощью ( регистрации медицинских изображений ), чтобы поддерживать соответствие между вокселями. Учитывая это соответствие вокселов, наиболее распространенный метод Frequentist - это извлечение статистики для каждого вокселя (например, средняя интенсивность вокселов для каждой группы) и выполнение статистической проверки гипотез.чтобы оценить, поддерживается или не поддерживается нулевая гипотеза. Нулевая гипотеза обычно предполагает, что две когорты взяты из одного и того же распределения и, следовательно, должны иметь одинаковые статистические свойства (например, средние значения двух групп равны для определенного вокселя). Поскольку медицинские изображения содержат большое количество вокселей, необходимо решить проблему множественного сравнения . [29] [30] Существуют также байесовские подходы к решению проблемы группового анализа. [31]

Классификация [ править ]

Хотя групповой анализ может количественно оценить общие эффекты патологии на анатомию и функцию, он не обеспечивает измерения уровня субъекта и, следовательно, не может использоваться в качестве биомаркеров для диагностики (см. Биомаркеры визуализации). С другой стороны, клиницисты часто интересуются ранней диагностикой патологии (т. Е. Классификацией [32] [33] ) и изучением прогрессирования заболевания (т. Е. Регрессом [34] ). С методологической точки зрения текущие методы варьируются от применения стандартных алгоритмов машинного обучения к наборам данных медицинской визуализации (например, машина опорных векторов [35] ) до разработки новых подходов, адаптированных для нужд данной области. [36] Основные трудности заключаются в следующем:

  • Малый размер выборки ( проклятие размерности ): большой набор данных медицинской визуализации содержит от сотен до тысяч изображений, тогда как количество вокселей в типичном объемном изображении может легко превысить миллионы. Решением этой проблемы является уменьшение количества функций в информативном смысле (см. Уменьшение размерности ). Для решения этой проблемы было предложено несколько неконтролируемых и частично / контролируемых [36] [37] [38] [39] подходов.
  • Интерпретируемость: хорошая точность обобщения не всегда является основной целью, поскольку врачи хотели бы понять, какие части анатомии затронуты заболеванием. Поэтому интерпретируемость результатов очень важна; методы, игнорирующие структуру изображения, не приветствуются. Были предложены альтернативные методы, основанные на выборе признаков . [37] [38] [39] [40]

Кластеризация [ править ]

Методы классификации паттернов на основе изображений обычно предполагают, что неврологические эффекты заболевания отчетливы и четко определены. Это может быть не всегда. По ряду медицинских состояний популяции пациентов очень разнородны, и дальнейшая категоризация по подусловиям не проводилась. Кроме того, некоторые заболевания (например, расстройство аутистического спектра (РАС), шизофрения , легкие когнитивные нарушения(MCI)) может характеризоваться непрерывным или почти непрерывным спектром от легкого когнитивного нарушения до очень выраженных патологических изменений. Чтобы облегчить анализ гетерогенных расстройств на основе изображений, были разработаны методологические альтернативы классификации паттернов. Эти методы заимствуют идеи из многомерной кластеризации [41] и многомерной регрессии паттернов для кластеризации данной популяции в однородные субпопуляции. Цель состоит в том, чтобы обеспечить лучшее количественное понимание болезни в каждой подгруппе населения.

Анализ формы [ править ]

Анализ формы - это область обработки медицинских изображений, которая изучает геометрические свойства структур, полученных с помощью различных методов визуализации . В последнее время анализ формы становится все более интересным для медицинского сообщества из-за его способности точно определять морфологические изменения между различными популяциями структур, то есть здоровыми и патологическими, женщинами и мужчинами, молодыми и пожилыми. Анализ формы включает два основных этапа: соответствие форм и статистический анализ.

  • Соответствие форм - это методология вычисления соответствующих местоположений между геометрическими фигурами, представленными сетками треугольников, контурами, наборами точек или объемными изображениями. Очевидно, что определение соответствия напрямую повлияет на анализ. Среди различных вариантов структур соответствия мы можем найти: анатомическое соответствие, ручные ориентиры, функциональное соответствие (то есть в локусе морфометрии мозга, отвечающем за одну и ту же нейронную функциональность), геометрическое соответствие, (для объемов изображений) сходство интенсивности и т. Д. Некоторые подходы, например спектральные анализа формы, не требуют соответствия, а сравнивают дескрипторы формы напрямую.
  • Статистический анализ предоставит измерения структурных изменений в соответствующих местах.

Продольные исследования [ править ]

В лонгитюдных исследованиях один и тот же человек отображается повторно. Эта информация может быть включена как в анализ изображений , так и в статистическое моделирование.

  • При продольной обработке изображений методы сегментации и анализа отдельных моментов времени информируются и упорядочиваются с помощью общей информации, обычно из внутриобъектного шаблона. Эта регуляризация предназначена для уменьшения шума измерения и, таким образом, помогает повысить чувствительность и статистическую мощность. В то же время необходимо избегать чрезмерной регуляризации, чтобы размеры эффекта оставались стабильными. Например, интенсивная регуляризация может привести к превосходной надежности повторного тестирования, но ограничивает возможность обнаружения любых истинных изменений и различий между группами. Часто необходимо найти компромисс, который оптимизирует снижение шума за счет ограниченной потери размера эффекта. Другой распространенной проблемой при продольной обработке изображений является, часто непреднамеренное, смещение обработки. Когда, например,последующие изображения регистрируются и повторно дискретизируются в базовое изображение, артефакты интерполяции вводятся только в последующие изображения, а не в базовую линию. Эти артефакты могут вызывать ложные эффекты (обычно склонность к переоценке продольных изменений и, таким образом, к недооценке требуемого размера выборки). Поэтому важно, чтобы все точки обрабатывались точно так же, чтобы избежать ошибок обработки.
  • Постобработка и статистический анализ продольных данных обычно требует специальных статистических инструментов, таких как дисперсионный анализ с повторными измерениями или более мощные линейные модели со смешанными эффектами. Кроме того, полезно учитывать пространственное распределение сигнала. Например, измерения толщины кортикального слоя покажут корреляцию внутри субъекта во времени, а также в пределах области на корковой поверхности - факт, который можно использовать для увеличения статистической мощности. Кроме того, анализ времени до события (он же выживаемость) часто используется для анализа продольных данных и определения значимых предикторов.

Физиологическое моделирование на основе изображений [ править ]

Традиционно обработка медицинских изображений направлена ​​на количественную оценку и объединение структурной или функциональной информации, доступной в момент и время получения изображения. В этом отношении его можно рассматривать как количественное определение основных анатомических, физических или физиологических процессов. Однако в последние несколько лет растет интерес к прогнозной оценке заболевания или курса терапии. Таким образом, моделирование на основе изображений, будь то биомеханическое или физиологическое моделирование, может расширить возможности вычисления изображений с описательного до прогнозного.

Согласно ЭТАПУ исследований дорожной карты, [42] [43] Виртуальный Физиологический Human (ВЗ) является методологической и технологической базой , которая, однажды возникнув, позволит исследование человеческого тела в качестве единой комплексной системы. Основываясь на концепции VPH, Международный союз физиологических наук (IUPS) более десяти лет спонсирует проект IUPS Physiome Project . [44] [45]Это всемирное общественное достояние, цель которого - предоставить вычислительную основу для понимания физиологии человека. Он направлен на разработку интегративных моделей на всех уровнях биологической организации, от генов до целых организмов через генные регуляторные сети, белковые пути, интегративные функции клеток и взаимосвязи между структурой и функциями тканей и всего органа. Такой подход направлен на преобразование текущей практики в медицине и лежит в основе новой эры вычислительной медицины. [46]

В этом контексте медицинская визуализация и обработка изображений играют все более важную роль, поскольку они предоставляют системы и методы для визуализации, количественной оценки и объединения как структурной, так и функциональной информации о человеке in vivo. Эти две обширные области исследований включают преобразование общих вычислительных моделей для представления конкретных предметов, тем самым открывая путь для персонализированных вычислительных моделей. [47] Индивидуализация общих вычислительных моделей посредством построения изображений может быть реализована в трех дополнительных направлениях:

  • определение предметной вычислительной области (анатомии) и связанных субдоменов (типов тканей);
  • определение граничных и начальных условий из (динамического и / или функционального) изображения; а также
  • характеристика структурных и функциональных свойств тканей.

Кроме того, визуализация также играет ключевую роль в оценке и валидации таких моделей как на людях, так и на животных моделях, а также в переводе моделей в клинические условия как для диагностических, так и для терапевтических целей. В этом конкретном контексте молекулярная, биологическая и доклиническая визуализация предоставляют дополнительные данные и понимание базовой структуры и функции в молекулах, клетках, тканях и моделях животных, которые могут быть перенесены в физиологию человека, где это необходимо.

Применение моделей VPH / Physiome на основе изображений в базовой и клинической областях обширно. Вообще говоря, они обещают стать новыми виртуальными методами визуализации . Фактически, больше, часто ненаблюдаемые, параметры будут отображены in silico.основан на интеграции наблюдаемых, но иногда разреженных и противоречивых мультимодальных изображений и физиологических измерений. Вычислительные модели служат для интерпретации измерений в соответствии с основными биофизическими, биохимическими или биологическими законами исследуемых физиологических или патофизиологических процессов. В конечном итоге такие исследовательские инструменты и системы помогут нам понять процессы болезни, естественную историю развития болезни и влияние фармакологических и / или интервенционных терапевтических процедур на течение болезни.

Взаимодействие между визуализацией и моделированием выходит за рамки интерпретации измерений в соответствии с физиологией. Моделирование на основе изображений, ориентированных на конкретного пациента, в сочетании с моделями медицинских устройств и фармакологической терапии открывает путь к прогнозирующей визуализации, с помощью которой можно понять, спланировать и оптимизировать такие вмешательства in silico .

Математические методы в медицинской визуализации [ править ]

Ряд сложных математических методов вошел в медицинскую визуализацию и уже реализован в различных пакетах программного обеспечения. К ним относятся подходы, основанные на уравнениях в частных производных (PDE) и потоках, управляемых кривизной, для улучшения, сегментации и регистрации. Поскольку они используют PDE, методы можно распараллелить и реализовать на GPGPU. Некоторые из этих методов были основаны на идеях оптимального управления . Соответственно, совсем недавно идеи из контроля недавно нашли свое воплощение в интерактивных методах, особенно в сегментации. Более того, из-за шума и необходимости методов статистической оценки для более динамично изменяющихся изображений фильтр Калмана [48] ифильтр твердых частиц . Обзор этих методов с обширным списком ссылок можно найти в [49].

Модальность конкретных вычислений [ править ]

Некоторые методы визуализации предоставляют очень специализированную информацию. Полученные изображения нельзя рассматривать как обычные скалярные изображения, и они дают начало новым подобластям обработки медицинских изображений. Примеры включают диффузную МРТ , функциональную МРТ и другие.

Диффузионная МРТ [ править ]

Среднеосевой срез шаблона изображения тензора диффузии межконтинентальной баллистической ракеты. Значение каждого вокселя - это тензор, представленный здесь эллипсоидом. Цвет обозначает основную ориентацию: красный = влево-вправо, синий = нижний-верхний, зеленый = задне-передний.

Диффузионная МРТ - это метод структурной магнитно-резонансной томографии, который позволяет измерять процесс диффузии молекул. Диффузия измеряется приложением градиентного импульса к магнитному полю в определенном направлении. При типичном сборе данных для создания набора взвешенных по диффузии объемов используется набор равномерно распределенных направлений градиента. Кроме того, невзвешенный объем получается в том же магнитном поле без применения градиентного импульса. Поскольку каждое получение связано с несколькими объемами, диффузионная МРТ создала ряд уникальных проблем в области обработки медицинских изображений.

В медицине диффузионная МРТ преследует две основные вычислительные цели :

  • Оценка местных свойств ткани, таких как коэффициент диффузии;
  • Оценка локальных направлений и глобальных путей распространения.

Тензор диффузии , [50] 3 × 3 симметричная положительно определенная матрица , предлагает простое решение для обеих этих целей. Он пропорционален ковариационной матрице нормально распределенного профиля локальной диффузии, и, таким образом, доминирующий собственный вектор этой матрицы является главным направлением локальной диффузии. Благодаря простоте этой модели, оценка максимального правдоподобия тензора диффузии может быть найдена простым решением системы линейных уравнений в каждом месте независимо. Однако, поскольку предполагается, что объем содержит смежные тканевые волокна, может быть предпочтительнее оценить объем тензоров диффузии в целом, наложив условия регулярности на лежащее в основе поле тензоров. [51]Скалярные значения могут быть извлечены из тензора диффузии, такие как фракционная анизотропия , средняя, ​​аксиальная и радиальная диффузионности, которые косвенно измеряют свойства ткани, такие как дисмиелинизация аксональных волокон [52] или наличие отека. [53] Стандартные методы вычисления скалярных изображений, такие как регистрация и сегментация, могут применяться непосредственно к объемам таких скалярных значений. Однако, чтобы полностью использовать информацию в тензоре диффузии, эти методы были адаптированы для учета тензорных объемов при выполнении регистрации [54] [55] и сегментации. [56] [57]

Учитывая главное направление распространения в каждом месте объема, можно оценить глобальные пути распространения с помощью процесса, известного как трактография . [58] Однако из-за относительно низкого разрешения диффузной МРТ многие из этих путей могут пересекаться, целоваться или развеиваться в одном месте. В этой ситуации единственное главное направление тензора диффузии не является подходящей моделью для локального распределения диффузии. Наиболее частым решением этой проблемы является оценка нескольких направлений локальной диффузии с использованием более сложных моделей. К ним относятся смеси тензоров диффузии, [59] визуализация Q-шара, [60] визуализация диффузионного спектра [61]и функции распределения ориентации волокон [62] [63], которые обычно требуют сбора данных HARDI с большим количеством направлений градиента. Как и в случае с тензором диффузии, объемы, оцениваемые с помощью этих сложных моделей, требуют специальной обработки при применении методов вычисления изображений, таких как регистрация [64] [65] [66] и сегментация. [67]

Функциональная МРТ [ править ]

Функциональная магнитно-резонансная томография (фМРТ) - это метод медицинской визуализации, который косвенно измеряет нервную активность, наблюдая за местной гемодинамикой или сигналом, зависимым от уровня кислорода в крови (жирный шрифт). Данные фМРТ предлагают ряд инсайтов, и их можно условно разделить на две категории:

  • ФМРТ, относящаяся к задаче , приобретается, когда субъект выполняет последовательность временных экспериментальных условий. В экспериментах с блочным дизайном условия присутствуют в течение коротких периодов времени (например, 10 секунд) и чередуются с периодами отдыха. Эксперименты, связанные с событиями, основываются на случайной последовательности стимулов и используют одну временную точку для обозначения каждого условия. Стандартный подход к анализу фМРТ, относящегося к задаче, - это общая линейная модель (GLM) [68]
  • ФМРТ в состоянии покоя проводится без каких-либо экспериментальных задач. Обычно целью является изучение внутренней сетевой структуры мозга. Наблюдения, сделанные во время отдыха, также были связаны с конкретными когнитивными процессами, такими как кодирование или отражение. Большинство исследований фМРТ в состоянии покоя сосредоточено на низкочастотных колебаниях сигнала фМРТ (LF-BOLD). Семенные открытия включают в себя сеть по умолчанию , [69] комплексные кортикальные парцелляции, [70] и связывание сетевых характеристик для поведенческих параметров.

Существует богатый набор методологий, используемых для анализа данных функциональной нейровизуализации, и часто нет единого мнения относительно наилучшего метода. Вместо этого исследователи подходят к каждой проблеме независимо и выбирают подходящую модель / алгоритм. В этом контексте существует относительно активный обмен между сообществами нейробиологии , вычислительной биологии , статистики и машинного обучения . Известные подходы включают:

  • Массивные одномерные подходы, которые исследуют отдельные вокселы в данных изображения на предмет их взаимосвязи с условиями эксперимента. Первичный подход - это общая линейная модель (GLM) [68]
  • Подходы на основе многовариантных и классификаторов , часто называемые анализом многовоксельных паттернов или многовариантным анализом паттернов, исследуют данные на предмет глобальных и потенциально распределенных реакций на экспериментальные условия. Ранние подходы использовали вспомогательные векторные машины (SVM) для изучения реакции на зрительные стимулы. [71] Недавно были изучены альтернативные алгоритмы распознавания образов, такие как контраст Джини на основе случайного леса [72] или разреженная регрессия и изучение словаря [73]
  • Функциональный анализ связности изучает внутреннюю сетевую структуру мозга, включая взаимодействия между регионами. Большинство таких исследований сосредотачиваются на данных о состоянии покоя для распределения мозга [70] или на поиске коррелятов с поведенческими показателями. [74] Данные для конкретных задач могут быть использованы для изучения причинно-следственных связей между областями мозга (например, динамическое картирование причинно-следственных связей (DCM) [75] ).

При работе с большими когортами субъектов решающее значение имеет нормализация (регистрация) отдельных субъектов в общей системе отсчета. Существует множество работ и инструментов для выполнения нормализации на основе анатомии ( FSL , FreeSurfer , SPM ). Согласование с учетом пространственной изменчивости по предметам - более новое направление работы. Примерами являются выравнивание коры на основе корреляции сигналов фМРТ, [76] выравнивание, основанное на глобальной функциональной структуре связности как в данных о задачах, так и в данных состояния покоя, [77] и выравнивание на основе профилей активации конкретных стимулов отдельных вокселей. . [78]

Программное обеспечение [ править ]

Программное обеспечение для обработки медицинских изображений представляет собой сложную комбинацию систем, обеспечивающих ввод-вывод, визуализацию и взаимодействие, пользовательский интерфейс, управление данными и вычисления. Обычно системные архитектуры имеют многоуровневую структуру для обслуживания разработчиков алгоритмов, разработчиков приложений и пользователей. Нижние уровни часто представляют собой библиотеки и / или наборы инструментов, которые обеспечивают базовые вычислительные возможности; в то время как верхние слои представляют собой специализированные приложения, предназначенные для решения конкретных медицинских проблем, заболеваний или систем организма.

Дополнительные примечания [ править ]

Вычисление медицинских изображений также связано с областью компьютерного зрения . Международное сообщество MICCAI представляет область и организует ежегодные конференции и связанные с ними семинары. Материалы конференции опубликованы Springer в серии Lecture Notes in Computer Science. [79] В 2000 г. Н. Аяче и Дж. Дункан рассмотрели состояние дел в этой области. [80]

См. Также [ править ]

  • Информатика изображений
  • Программное обеспечение для нейровизуализации

Ссылки [ править ]

  1. ^ Форгани, М .; Forouzanfar, M .; Тешнехлаб М. (2010). «Оптимизация параметров улучшенного алгоритма кластеризации нечетких c-средних для сегментации МРТ изображений головного мозга». Инженерные приложения искусственного интеллекта . 23 (2): 160–168. DOI : 10.1016 / j.engappai.2009.10.002 .
  2. ^ Джи Джи; M Reivich; Р. Байчи (1993). «Упругое деформирование трехмерного атласа для соответствия анатомическим изображениям мозга». Журнал компьютерной томографии . 17 (1): 225–236. DOI : 10.1097 / 00004728-199303000-00011 . PMID 8454749 . 
  3. ^ MR Sabuncu; BT Yeo; К. Ван Лемпут; B Fischl; П. Голланд (июнь 2010 г.). «Генеративная модель для сегментации изображений на основе слияния этикеток» . IEEE Transactions по медицинской визуализации . 29 (10): 1714–1729. DOI : 10,1109 / TMI.2010.2050897 . PMC 3268159 . PMID 20562040 .  
  4. ^ Кутс ТФ, Тейлор CJ, Купер DH, Грэхэм J (1995). «Активные фигурные модели - их обучение и применение». Компьютерное зрение и понимание изображений . 61 (1): 38–59. DOI : 10.1006 / cviu.1995.1004 .
  5. ^ Кутс, TF; Эдвардс, GJ; Тейлор, CJ (2001). «Модели активного внешнего вида». IEEE Transactions по анализу шаблонов и машинному анализу . 23 (6): 681–685. CiteSeerX 10.1.1.128.4967 . DOI : 10.1109 / 34.927467 . 
  6. ^ Г. Чжэн; С. Ли; Г. Секели (2017). Статистический анализ формы и деформации . Академическая пресса. ISBN 9780128104941.
  7. ^ Р. Гольденберг, Р. Киммель, Э. Ривлин и М. Рудский (2001). «Быстрые геодезические активные изолинии» (PDF) . IEEE Transactions по обработке изображений . 10 (10): 1467–1475. Bibcode : 2001ITIP ... 10.1467G . CiteSeerX 10.1.1.35.1977 . DOI : 10.1109 / 83.951533 . PMID 18255491 .   CS1 maint: несколько имен: список авторов ( ссылка )
  8. ^ Карасев, П .; Колесов И .; Чуды, К .; Vela, P .; Танненбаум, А. (2011). Интерактивная сегментация МРТ с управляемым активным зрением . Материалы конференции по решению и контролю . С. 2293–2298. DOI : 10.1109 / CDC.2011.6161453 . ISBN 978-1-61284-801-3. PMC  3935399 . PMID  24584213 .
  9. ^ К. Микула, Н. Пейриерас, М. Ремешикова, А. Сарти: Сегментация трехмерного изображения эмбриогенеза методом обобщенной субъективной поверхности с использованием техники конечных объемов . Труды FVCA5 - 5-го Международного симпозиума по конечным объемам для сложных приложений, Hermes Publ., Париж, 2008.
  10. ^ А. Сарти, Г. Читти: субъективные поверхности и римановы потоковые графы средней кривизны. Acta Math. Univ. Коменский. (NS) 70 (2000), 85–103.
  11. ^ А. Сарти, Р. Маллади, Дж. А. Сетиан: Субъективные поверхности: метод заполнения отсутствующих границ. Proc. Nat. Акад. Sci. mi 12, No. 97 (2000), 6258–6263.
  12. ^ А. Сарти, Р. Маллади, Дж. А. Сетиан: Субъективные поверхности: геометрическая модель для завершения границ, Международный журнал компьютерного зрения, mi 46, № 3 (2002), 201–221.
  13. ^ Эхсани Рад, Абдолвахаб; Мохд Рахим Мохд Шафри; Рехман Амджад; Альтамием Айман; Саба Танзила (май 2013 г.). «Оценка современных подходов к сегментации стоматологических рентгенограмм в компьютерных приложениях». Технический обзор IETE . 30 (3): 210. DOI : 10,4103 / 0256-4602.113498 .
  14. ^ Лиза Готтесфельд Браун (1992). «Обзор методов совмещения изображений». ACM Computing Surveys . 24 (4): 325–376. CiteSeerX 10.1.1.35.2732 . DOI : 10.1145 / 146370.146374 . 
  15. ^ Дж. Майнц; М. Вьергевер (1998). «Обзор регистрации медицинских изображений». Анализ медицинских изображений . 2 (1): 1–36. CiteSeerX 10.1.1.46.4959 . DOI : 10.1016 / S1361-8415 (01) 80026-8 . PMID 10638851 .  
  16. ^ Дж. Хайнал; Д. Хоукс; Д. Хилл (2001). Регистрация медицинских изображений . Батон-Руж, Флорида: CRC Press.
  17. ^ Барбара Зитова; Ян Флюссер (2003). «Методы регистрации изображений: опрос». Image Vision Comput . 21 (11): 977–1000. DOI : 10.1016 / S0262-8856 (03) 00137-9 . hdl : 10338.dmlcz / 141595 .
  18. ^ JPW Pluim; JBA Maintz; MA Viergever (2003). «Взаимная информационная регистрация медицинских изображений: обзор». IEEE Trans. Med. Визуализация . 22 (8): 986–1004. CiteSeerX 10.1.1.197.6513 . DOI : 10,1109 / TMI.2003.815867 . PMID 12906253 .  
  19. ^ Гренандер, Ульф; Миллер, Майкл И. (1998). «Вычислительная анатомия: новая дисциплина» . В. Прил. Математика . LVI (4): 617–694. DOI : 10.1090 / QAM / 1668732 .
  20. ^ PA Viola (1995). Согласование путем максимизации взаимной информации (тезис). Массачусетский Институт Технологий.
  21. ^ C. Wachinger; Т. Кляйн; Н. Наваб (2011). «Локально адаптивные меры ультразвукового сходства на основе Накагами». Ультразвук . 52 (4): 547–554. DOI : 10.1016 / j.ultras.2011.11.009 . PMID 22197152 . 
  22. ^ C. Wachinger; Н. Наваб (2012). «Энтропийные и лапласовские изображения: структурные представления для мультимодального совмещения». Анализ медицинских изображений . 16 (1): 1–17. DOI : 10.1016 / j.media.2011.03.001 . PMID 21632274 . 
  23. ^ Хилл, Дерек LG; Хоукс, Дэвид Дж (1994-04-01). «Регистрация медицинских изображений с использованием знания смежности анатомических структур». Вычисления изображений и зрения . 12 (3): 173–178. CiteSeerX 10.1.1.421.5162 . DOI : 10.1016 / 0262-8856 (94) 90069-8 . ISSN 0262-8856 .  
  24. ↑ Тот, Даниил; Панайоту, Мария; Брост, Александр; Бехар, Джонатан М .; Ринальди, Кристофер А .; Rhode, Kawal S .; Маунтни, Питер (2016-10-17). Регистрация с соседними анатомическими структурами для кардио-ресинхронизирующей терапии . Статистические атласы и вычислительные модели сердца. Проблемы визуализации и моделирования (представленная рукопись). Конспект лекций по информатике. С. 127–134. DOI : 10.1007 / 978-3-319-52718-5_14 . ISBN 9783319527178.
  25. ^ М. Де Крен; AB d Aische; Б. Макк; СК Варфилд (2004). «Многопрофильная регистрация для построения объективного статистического атласа» (PDF) . Труды по обработке медицинских изображений и компьютерному вмешательству 2004 . Конспект лекций по информатике. 3216 : 655–662. DOI : 10.1007 / 978-3-540-30135-6_80 . ISBN  978-3-540-22976-6.
  26. ^ CJ Twining; Т. Кутс; С. Марсланд; В. Петрович; Р. Шестовиц; К. Тейлор (2005). «Единый теоретико-информационный подход к групповой нежесткой регистрации и построению моделей». Труды обработки информации в медицинской визуализации 2005 . Конспект лекций по информатике. 19 : 1–14. DOI : 10.1007 / 11505730_1 . ISBN 978-3-540-26545-0. PMID  17354680 .
  27. ^ "Мозг MNI и атлас Talairach" .
  28. ^ М. Сабунку; SK Balci; ME Shenton; П. Голланд (2009). «Анализ населения на основе изображений посредством моделирования смеси» . IEEE Transactions по медицинской визуализации . 28 (9): 1473–1487. CiteSeerX 10.1.1.158.3690 . DOI : 10,1109 / TMI.2009.2017942 . PMC 2832589 . PMID 19336293 .   
  29. ^ Дж. Эшбёрнер; К.Дж. Фристон (2000). "Морфометрия на основе вокселей - методы". NeuroImage . 11 (6): 805–821. CiteSeerX 10.1.1.114.9512 . DOI : 10.1006 / nimg.2000.0582 . PMID 10860804 .  
  30. ^ С. Davatzikos (2004). «Почему морфометрический анализ на основе вокселей следует использовать с большой осторожностью при характеристике групповых различий». NeuroImage . 23 (1): 17–20. DOI : 10.1016 / j.neuroimage.2004.05.010 . PMID 15325347 . 
  31. ^ KJ Friston; WD Penny; К. Филлипс; SJ Kiebel; Г. Хинтон; Дж. Эшбёрнер (2002). «Классический и байесовский вывод в нейровизуализации: теория». NeuroImage . 16 (2): 465–483. CiteSeerX 10.1.1.128.8333 . DOI : 10.1006 / nimg.2002.1090 . PMID 12030832 .  
  32. ↑ Yong Fan; Нематолла Батмангхелич; Крис М. Кларк; Христос Давацикос (2008). «Пространственные паттерны атрофии головного мозга у пациентов с MCI, идентифицированные с помощью классификации паттернов большого размера, предсказывают последующее когнитивное снижение» . NeuroImage . 39 (4): 1731–1743. DOI : 10.1016 / j.neuroimage.2007.10.031 . PMC 2861339 . PMID 18053747 .  
  33. ^ Реми Куингне; Эмили Жерардин; Жером Тессиерас; Гийом Аузиас; Стефан Лехериси; Мари-Одиль Абер; Мари Чупен; Хабиб Бенали; Оливье Коллио (2011). «Инициатива по нейровизуализации болезни Альцгеймера, Автоматическая классификация пациентов с болезнью Альцгеймера на основе структурной МРТ: сравнение десяти методов с использованием базы данных ADNI» (PDF) . NeuroImage . 56 (2): 766–781. DOI : 10.1016 / j.neuroimage.2010.06.013 . PMID 20542124 .  
  34. ^ Ю. Ван; Ю. Фан; П. Бхатт П.; К. Давацикос (2010). «Регрессия многомерных паттернов с использованием машинного обучения: от медицинских изображений до непрерывных клинических переменных» . NeuroImage . 50 (4): 1519–35. DOI : 10.1016 / j.neuroimage.2009.12.092 . PMC 2839056 . PMID 20056158 .  
  35. ↑ Бенуа Маньен; Лилия Месроб; Серж Кинкингнехун; Мелани Пелегрини-Иссак; Оливье Коллио; Мари Саразин; Бруно Дюбуа; Стефан Лехериси; Хабиб Бенали (2009). «Поддержка векторной машинной классификации болезни Альцгеймера на основе анатомической МРТ всего мозга». Нейрорадиология . 51 (2): 73–83. DOI : 10.1007 / s00234-008-0463-х . PMID 18846369 . 
  36. ^ а б Н.К. Батмангхелич; Б. Таскар; К. Давацикос (2012). «Генеративно-дискриминационная основа обучения для медицинской визуализации» . IEEE Trans Med Imaging . 31 (1): 51–69. DOI : 10,1109 / TMI.2011.2162961 . PMC 3402718 . PMID 21791408 .  
  37. ^ a b Гленн Фанг; Джонатан Штокель (2007). «Выбор характеристик SVM для классификации изображений SPECT болезни Альцгеймера с использованием пространственной информации». Знания и информационные системы . 11 (2): 243–258. CiteSeerX 10.1.1.62.6245 . DOI : 10.1007 / s10115-006-0043-5 . 
  38. ^ а б Р. Чавес; Х. Рамирес; JM Górriz; М. Лопес; Д. Салас-Гонсалес; И. Альварес; Ф. Сеговия (2009). «Компьютерная диагностика болезни Альцгеймера на основе SVM с использованием t-критерия выбора признаков NMSE с корреляционным взвешиванием признаков». Письма неврологии . 461 (3): 293–297. DOI : 10.1016 / j.neulet.2009.06.052 . PMID 19549559 . 
  39. ^ а б Яньси Лю ; Леонид Теверовский; Оуэн Кармайкл; Рон Кикинис; Марта Шентон; Кэмерон С. Картер; В. Эндрю Стенджер; Саймон Дэвис; Говард Айзенштейн; Джеймс Т. Беккер (2004). «Дискриминационный анализ мр-изображений для автоматической классификации шизофрении и болезни Альцгеймера» (PDF) . Вычисление медицинских изображений и вмешательство с помощью компьютера - Miccai . Конспект лекций по информатике. 3216 : 393–401. DOI : 10.1007 / 978-3-540-30135-6_48 . ISBN  978-3-540-22976-6.
  40. ^ Савио А .; Гранья М. (2013). «Выбор функции на основе деформации для компьютерной диагностики болезни Альцгеймера». Экспертные системы с приложениями . 40 (5): 1619–1628. DOI : 10.1016 / j.eswa.2012.09.009 . ISSN 0957-4174 . 
  41. ^ Р. Филипович; С.М. Резник; К. Давацикос (2011). «Полу-контролируемый кластерный анализ данных изображений» . NeuroImage . 54 (3): 2185–2197. DOI : 10.1016 / j.neuroimage.2010.09.074 . PMC 3008313 . PMID 20933091 .  
  42. ^ Дорожная карта исследования STEP. Архивировано 28 августа 2008 г. в Wayback Machine . europhysiome.org
  43. ^ JW Феннер; Б. Брук; Г. Клэпворти; П.В. Ковени; В. Фейпель; Х. Грегерсен; Шланг DR; П. Коль; П. Лоуфорд; К. М. Маккормак; Д. Пинни; SR Thomas; С. Ван Синт Ян; С. Уотерс; М. Висконти (2008). «EuroPhysiome, STEP и дорожная карта для виртуального физиологического человека» (PDF) . Философские труды Королевского общества А . 366 (1878): 2979–2999. Bibcode : 2008RSPTA.366.2979F . DOI : 10,1098 / rsta.2008.0089 . PMID 18559316 .  
  44. ^ JB Bassingthwaighte (2000). «Стратегии проекта Physiome» . Аня. Биомед. Англ . 28 (8): 1043–1058. DOI : 10.1114 / 1.1313771 . PMC 3425440 . PMID 11144666 .  
  45. ^ PJ Hunter; ТК Борг (2003). «Интеграция белков в органы: проект Physiome». Nat. Rev. Mol. Cell Biol . 4 (3): 237–243. DOI : 10.1038 / nrm1054 . PMID 12612642 . 
  46. ^ RLWinslow; Н. Траянова; Д. Геман; М.И. Миллер (2012). «Вычислительная медицина: перевод моделей в клиническую практику» . Sci. Пер. Med . 4 (158): 158rv11. DOI : 10.1126 / scitranslmed.3003528 . PMC 3618897 . PMID 23115356 .  
  47. ^ Н. Аяче, Ж.-П. Буассель, С. Брунак, Дж. Клэпворси, Дж. Лонсдейл, Дж. Фингберг, А. Ф. Франги, Г. Деко, П. Дж. Хантер, П. Нильсен, М. Холстед, Д. Р. Хосе, И. Магнин, Ф. Мартин-Санчес, П. Слоут, Дж. Каандорп, А. Хекстра, С. Ван Синт Ян и М. Висконти (2005) «На пути к виртуальному физиологическому человеку: многоуровневое моделирование и симуляция анатомии и физиологии человека» . Генеральный директорат INFSO и Генеральный директорат JRC, Белая книга
  48. ^ Boulfelfel D .; Рангаян Р.М. Hahn LJ; Kloiber R .; Кудувалли Г.Р. (1994). «Восстановление изображений однофотонной эмиссионной компьютерной томографии фильтром Калмана». IEEE Transactions по медицинской визуализации . 13 (1): 102–109. DOI : 10.1109 / 42.276148 . PMID 18218487 . 
  49. ^ Angenent, S .; Pichon, E .; Танненбаум, А. (2006). «Математические методы обработки медицинских изображений» . Вестник АПП . 43 (3): 365–396. DOI : 10.1090 / S0273-0979-06-01104-9 . PMC 3640423 . PMID 23645963 .  
  50. ^ P Basser; Дж. Маттиелло; Д. ЛеБихан (январь 1994 г.). «МРТ диффузионная тензорная спектроскопия, визуализация» . Биофизический журнал . 66 (1): 259–267. Bibcode : 1994BpJ .... 66..259B . DOI : 10.1016 / S0006-3495 (94) 80775-1 . PMC 1275686 . PMID 8130344 .  
  51. ^ П Филлард; X Pennec; V Arsigny; Н Аяче (2007). «Клиническая оценка DT-MRI, сглаживание, отслеживание волокон с лог-евклидовыми метриками». IEEE Transactions по медицинской визуализации . 26 (11): 1472–1482. CiteSeerX 10.1.1.218.6380 . DOI : 10,1109 / TMI.2007.899173 . PMID 18041263 .  
  52. ^ SK Песня; ЮЗ Солнце; М. Рэмсботтом; C Cheng; Дж. Рассел; Крест (ноябрь 2002 г.). «Дисмиелинизация, выявленная с помощью МРТ, как увеличенная радиальная (но неизменная осевая) диффузия воды». NeuroImage . 13 (3): 1429–1436. DOI : 10.1006 / nimg.2002.1267 . PMID 12414282 . 
  53. ^ П Барзо; Мармару; P Fatouros; К. Хаясаки; Ф. Корвин (декабрь 1997 г.). «Вклад вазогенного и клеточного отека в травматический отек мозга, измеренный с помощью диффузионно-взвешенной визуализации». Журнал нейрохирургии . 87 (6): 900–907. DOI : 10,3171 / jns.1997.87.6.0900 . PMID 9384402 . 
  54. ^ D Александр; C Pierpaoli; П. Бассер (январь 2001 г.). «Пространственное преобразование диффузных тензорных магнитно-резонансных изображений» (PDF) . IEEE Transactions по медицинской визуализации . 20 (11): 1131–1139. DOI : 10.1109 / 42.963816 . PMID 11700739 .  
  55. ^ Y Цао; М. Миллер; S Mori; Р. Уинслоу; Л. Юнес (июнь 2006 г.). «Диффеоморфное сопоставление диффузных тензорных изображений». Материалы конференции компьютерного общества IEEE по компьютерному зрению, распознаванию образов (CVPR), семинару по математическим методам в биомедицинском анализе изображений (MMBIA 2006) . Нью-Йорк. п. 67. DOI : 10,1109 / CVPRW.2006.65 . PMC 2920614 . 
  56. ^ Z Wang; Б. Вемури (октябрь 2005 г.). «Сегментация DTI с использованием теоретико-информационной меры несходства тензора». IEEE Transactions по медицинской визуализации . 24 (10): 1267–1277. CiteSeerX 10.1.1.464.9059 . DOI : 10,1109 / TMI.2005.854516 . PMID 16229414 .  
  57. ^ Melonakos, J .; Pichon, E .; Angenent, S .; Танненбаум, А. (2008). «Активные контуры финслера» . IEEE Trans. ПАМИ . 30 (3): 412–423. DOI : 10.1109 / TPAMI.2007.70713 . PMC 2796633 . PMID 18195436 .  
  58. ^ S Мори; B Crain; V Chacko; П. ван Зейл (февраль 1999 г.). «Трехмерное отслеживание проекций аксонов в головном мозге с помощью магнитно-резонансной томографии». Анналы неврологии . 45 (2): 265–269. DOI : 10,1002 / 1531-8249 (199902) 45: 2 <265 :: АИД-ANA21> 3.0.CO; 2-3 . PMID 9989633 . 
  59. ^ D Tuch; Т. Риз; M Wiegell; Н. Макрис; J Belliveau; V Wedeen (октябрь 2002 г.). «Диффузионная визуализация с высоким угловым разрешением выявляет интравоксельную неоднородность волокон белого вещества» . Магнитный резонанс в медицине . 48 (4): 577–582. DOI : 10.1002 / mrm.10268 . PMID 12353272 . 
  60. ^ D Тач (декабрь 2004). «Визуализация Q-шара» . Магнитный резонанс в медицине . 52 (6): 1358–1372. DOI : 10.1002 / mrm.20279 . PMID 15562495 . 
  61. ^ V Wedeen; П. Хагманн; WY Tseng; Т. Риз (декабрь 2005 г.). «Картирование сложной архитектуры ткани с помощью магнитно-резонансной томографии диффузного спектра» . Магнитный резонанс в медицине . 54 (6): 1377–1386. DOI : 10.1002 / mrm.20642 . PMID 16247738 . 
  62. ^ К. Янсонс; D Александр (июль 2003 г.). «Стойкая угловая структура: новые выводы из данных диффузной магнитно-резонансной томографии». Труды обработки информации в медицинской визуализации (IPMI) 2003, LNCS 2732 . С. 672–683. DOI : 10.1007 / 978-3-540-45087-0_56 .
  63. ^ JD Tournier; Ф Каламанте; D Gadian; Коннелли (2007). «Прямая оценка функции плотности ориентации волокон по диффузионно-взвешенным данным МРТ с использованием сферической деконволюции». NeuroImage . 23 (3): 1176–1185. DOI : 10.1016 / j.neuroimage.2004.07.037 . PMID 15528117 . 
  64. ^ X Geng; Т. Росс; W Zhan; H Gu; Ю.П. Чао; CP Lin; Г. Кристенсен; N Schuff; Ян Ян (июль 2009 г.). «Регистрация диффузной МРТ с использованием функций распределения ориентации». Труды обработки информации в медицинской визуализации (IPMI) 2009, LNCS 5636 . 21 . С. 626–637. DOI : 10.1007 / 978-3-642-02498-6_52 . PMC 3860746 . 
  65. ^ PT Яп; Y Chen; H An; Ян Ян; Дж. Гилмор; W Lin; Д. Шен (2011). «СФЕРА: Сферическая гармоническая упругая регистрация данных HARDI» . NeuroImage . 55 (2): 545–556. DOI : 10.1016 / j.neuroimage.2010.12.015 . PMC 3035740 . PMID 21147231 .  
  66. ^ П Чжан; М. Нитхаммер; D Shen; ПТ Яп (2012). "Диффеоморфная регистрация больших деформаций диффузно-взвешенных изображений" (PDF) . Труды медицинской обработки изображений и компьютерного вмешательства (MICCAI) . DOI : 10.1007 / 978-3-642-33418-4_22 .
  67. ^ M Descoteaux; Р. Дериче (сентябрь 2007 г.). «Сегментация изображений Q-Ball с использованием статистической эволюции поверхности». Труды по обработке медицинских изображений и компьютерному вмешательству (MICCAI) 2007, LNCS 4792 . С. 769–776. DOI : 10.1007 / 978-3-540-75759-7_93 .
  68. ^ a b Friston, K .; Холмс, А .; Worsley, K .; Poline, J .; Frith, C .; Frackowiak, R .; и другие. (1995). «Статистические параметрические карты в функциональной визуализации: общий линейный подход». Hum Brain Mapp . 2 (4): 189–210. DOI : 10.1002 / hbm.460020402 .
  69. ^ Бакнер, RL; Эндрюс-Ханна, младший; Шактер, DL (2008). «Сеть мозга по умолчанию: анатомия, функции и отношение к болезни». Летопись Нью-Йоркской академии наук . 1124 (1): 1–38. Bibcode : 2008NYASA1124 .... 1B . CiteSeerX 10.1.1.689.6903 . DOI : 10.1196 / анналы.1440.011 . PMID 18400922 .  
  70. ^ а б Йео, BTT; Криенен, FM; Sepulcre, J .; Sabuncu, MR; Лашкари, Д .; Hollinshead, M .; Роффман, JL; Смоллер, JW; Zöllei, L .; Полимени-младший; Fischl, B .; Liu, H .; Бакнер, Р.Л. (2011). «Организация коры головного мозга человека оценивается по внутренней функциональной связности» . J Neurophysiol . 106 (3): 1125–65. DOI : 10,1152 / jn.00338.2011 . PMC 3174820 . PMID 21653723 .  
  71. ^ JV Haxby; М. И. Гоббини; ML Furey; А. Ишай; JL Schouten; П. Пьетрини (2001). «Распределенные и перекрывающиеся изображения лиц и предметов в вентральной височной коре». Наука . 293 (5539): 2425–30. Bibcode : 2001Sci ... 293.2425H . CiteSeerX 10.1.1.381.2660 . DOI : 10.1126 / science.1063736 . PMID 11577229 .  
  72. ^ Langs, G .; Menze, BH; Лашкари, Д .; Голланд, П. (2011). «Обнаружение стабильных распределенных паттернов активации мозга с помощью контраста Джини» . NeuroImage . 56 (2): 497–507. DOI : 10.1016 / j.neuroimage.2010.07.074 . PMC 3960973 . PMID 20709176 .  
  73. ^ Varoquaux, G .; Грамфорт, А .; Pedregosa, F .; Michel, V .; Тирион, Б. (2011). «Обучение многопредметному словарю для сегментирования атласа спонтанной активности мозга». Inf Process Med Imaging . 22 . С. 562–73.
  74. ^ ван ден Хеувель, член парламента; Стам, CJ; Кан, RS; Hulshoff Pol, HE (2009). «Эффективность функциональных сетей мозга и интеллектуальной деятельности» . J Neurosci . 29 (23): 7619–24. DOI : 10.1523 / JNEUROSCI.1443-09.2009 . PMC 6665421 . PMID 19515930 .  
  75. ^ Friston, К. (2003). «Динамическое причинно-следственное моделирование». NeuroImage . 19 (4): 1273–1302. DOI : 10.1016 / S1053-8119 (03) 00202-7 . PMID 12948688 . 
  76. ^ Sabuncu, MR; Певица, BD; Conroy, B .; Брайан, RE; Рамадж, П.Дж.; Хэксби, СП (2010). «Функциональное межпредметное выравнивание кортикальной анатомии человека» . Кора головного мозга . 20 (1): 130–140. DOI : 10.1093 / cercor / bhp085 . PMC 2792192 . PMID 19420007 .  
  77. ^ Langs, G .; Лашкари, Д .; Sweet, A .; Галстук, Y .; Риголо, Л .; Голби, AJ; Голланд, П. (2011). «Изучение атласа познавательного процесса в его функциональной геометрии». Inf Process Med Imaging . 22 . С. 135–46.
  78. ^ Хэксби, СП; Guntupalli, JS; Коннолли, AC; Гальченко Ю.О .; Конрой, BR; Гоббини, Мичиган; Hanke, M .; Рамадж, П.Дж. (2011). «Общая многомерная модель репрезентативного пространства вентральной височной коры человека» . Нейрон . 72 (2): 404–416. DOI : 10.1016 / j.neuron.2011.08.026 . PMC 3201764 . PMID 22017997 .  
  79. ^ Уэллс, Уильям М; Колчестер, Алан; Делп, Скотт (1998). Конспект лекций по информатике (Представленная рукопись). Конспект лекций по информатике. 1496 . DOI : 10.1007 / BFb0056181 . ISBN 978-3-540-65136-9.
  80. ^ Дж. С. Дункан; Н Аяче (2000). «Медицинский анализ изображений: прогресс за два десятилетия и предстоящие задачи». IEEE Transactions по анализу шаблонов и машинному анализу . 22 : 85–106. CiteSeerX 10.1.1.410.8744 . DOI : 10.1109 / 34.824822 . 

Журналы по вычислению медицинских изображений [ править ]

  • Анализ медицинских изображений (MedIA)  ; также официальный журнал Общества MICCAI , которое организует Ежегодную конференцию MICCAI - ведущую конференцию по медицинским вычислениям изображений.
  • IEEE Transactions по медицинской визуализации (IEEE TMI)
  • Медицинская физика
  • Журнал цифровой обработки изображений (JDI)  ; официальный журнал Общества информатики изображений
  • Компьютеризированная медицинская визуализация и графика
  • Журнал компьютерной радиологии и хирургии
  • BMC Medical Imaging

Кроме того, следующие журналы время от времени публикуют статьи, описывающие методы и конкретные клинические применения вычислений медицинских изображений или обработки медицинских изображений с учетом конкретных модальностей.

  • Радиология официальный журнал Радиологического общества Северной Америки
  • NeuroImage
  • Журнал магнитно-резонансной томографии (JMRI)
  • Магнитный резонанс в медицине (MRM)
  • Журнал компьютерной томографии (JCAT)
  • Картирование человеческого мозга