Вычисление медицинских изображений (MIC) — междисциплинарная область на стыке информатики , информационной инженерии , электротехники , физики , математики и медицины . В этой области разрабатываются вычислительные и математические методы для решения проблем, связанных с медицинскими изображениями и их использованием для биомедицинских исследований и клинической помощи.
Основная цель MIC — извлечение клинически значимой информации или знаний из медицинских изображений. Хотя MIC тесно связан с областью медицинской визуализации , он фокусируется на вычислительном анализе изображений, а не на их получении. Методы можно сгруппировать в несколько широких категорий: сегментация изображений , регистрация изображений, физиологическое моделирование на основе изображений и другие. [1]
Формы данных
Вычисление медицинских изображений обычно работает с однородно выбранными данными с регулярным пространственным интервалом xyz (изображения в 2D и объемы в 3D, обычно называемые изображениями). В каждой точке выборки данные обычно представляются в целочисленной форме, такой как короткая со знаком и без знака (16 бит), хотя формы от беззнакового символа (8 бит) до 32-битного числа с плавающей запятой не являются редкостью. Конкретное значение данных в точке отбора проб зависит от модальности: например, при КТ собираются значения радиоплотности, а при МРТ могут собираться Т1- или Т2- взвешенные изображения. Продольные, изменяющиеся во времени снимки могут или не могут получать изображения с регулярными временными шагами. Веерные изображения, возникающие из-за таких методов, как ультразвук с изогнутой решеткой, также распространены и требуют различных репрезентативных и алгоритмических методов для обработки. Другие формы данных включают сдвинутые изображения из-за наклона гентри во время сбора данных; и неструктурированные сетки , такие как шестигранные и тетраэдрические формы, которые используются в расширенном биомеханическом анализе (например, деформация тканей, сосудистый транспорт, костные имплантаты).
Сегментация
Т1 -взвешенное МР- изображение головного мозга пациента с менингиомой после инъекции контрастного вещества для МРТ (вверху слева) и то же изображение с результатом интерактивной сегментации, наложенное зеленым цветом (3D-модель сегментации вверху справа) , аксиальный и корональный вид внизу).
Сегментация — это процесс разделения изображения на различные значимые сегменты. В медицинской визуализации эти сегменты часто соответствуют различным классам тканей, органам , патологиям или другим биологически значимым структурам. [2] 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 вычислений медицинских изображений. Ниже приведена выборка методов в этой области; реализация опирается на опыт, который могут предоставить врачи.
Сегментация на основе атласа . Во многих случаях клинический эксперт может вручную пометить несколько изображений; сегментация 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 [3] , тогда как непараметрические методы атласа обычно используют все обучающие изображения отдельно. [4] Методы на основе атласа обычно требуют использования регистрации изображений, чтобы совместить изображение или изображения атласа с новым, невидимым изображением.
Сегментация на основе формы . Многие методы параметризуют форму шаблона для заданной структуры, часто полагаясь на контрольные точки вдоль границы. Вся форма затем деформируется, чтобы соответствовать новому изображению. Двумя наиболее распространенными методами, основанными на форме, являются модели активной формы [5] и модели активного внешнего вида. [6] Эти методы оказали большое влияние и породили аналогичные модели. [7]
Сегментация на основе изображения . Некоторые методы инициируют шаблон и уточняют его форму в соответствии с данными изображения, минимизируя при этом интегральные показатели ошибок, например модель активного контура и ее варианты. [8]
Интерактивная сегментация . Интерактивные методы полезны, когда врачи могут предоставить некоторую информацию, например, начальную область или приблизительный контур области для сегментации. Затем алгоритм может итеративно уточнять такую сегментацию под руководством врача или без него. Ручная сегментация с использованием таких инструментов, как кисть, для точного определения класса ткани каждого пикселя, остается золотым стандартом для многих приложений обработки изображений. Недавно в сегментацию были включены принципы теории управления с обратной связью , которые дают пользователю гораздо большую гибкость и позволяют автоматически исправлять ошибки. [9]
Субъективная поверхностная сегментация. Этот метод основан на идее эволюции функции сегментации, которая определяется моделью адвекции-диффузии. [10] Чтобы сегментировать объект, необходима начальная точка сегментации (то есть отправная точка, которая определяет приблизительное положение объекта на изображении). Следовательно, строится исходная функция сегментации. Идея метода субъективной поверхности [11] [12] [13] заключается в том, что положение семени является основным фактором, определяющим форму этой функции сегментации.
Сверточные нейронные сети (CNN). Производительность полностью автоматизированной сегментации с помощью компьютера была улучшена благодаря развитию моделей машинного обучения. Модели на основе CNN, такие как SegNet, [14] UNet, [15] ResNet, [16] AATSN, [17] Transformers [18] и GAN [19], ускорили процесс сегментации. В будущем такие модели могут заменить ручную сегментацию благодаря своей превосходной производительности и скорости.
Однако существуют и другие классификации методов сегментации изображений, аналогичные вышеуказанным категориям. Более того, мы можем классифицировать еще одну группу как «Гибридную», основанную на сочетании методов. [20]
Постановка на учет
Изображение КТ (слева), изображение ПЭТ (в центре) и наложение обоих изображений (справа) после правильной регистрации.
Регистрация изображений — это процесс поиска правильного выравнивания изображений. [21] [22] [23] [24] В простейшем случае два изображения совмещаются. Обычно одно изображение рассматривается как целевое, а другое — как исходное; исходное изображение преобразуется в соответствии с целевым изображением. Процедура оптимизации обновляет преобразование исходного изображения на основе значения сходства, которое оценивает текущее качество выравнивания. 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. Лонгитюдные исследования позволяют получать 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 разных методов визуализации . Примером может служить слияние анатомической и функциональной информации. Поскольку размер и форма структур различаются в зависимости от модальности, оценить качество выравнивания сложнее. Это привело к использованию мер сходства , таких как взаимная информация . [25]
Характеристика совокупности субъектов. В отличие от внутрисубъектной регистрации, однозначное сопоставление между субъектами может отсутствовать, в зависимости от структурной изменчивости интересующего органа. Межпредметная регистрация необходима для построения атласа по вычислительной анатомии . [26] Здесь цель состоит в том, чтобы статистически смоделировать анатомию органов у разных субъектов.
Компьютерная хирургия . В компьютерной хирургии предоперационные изображения, такие как КТ или МРТ, регистрируются на интраоперационных изображениях или в системах отслеживания, чтобы облегчить наведение или навигацию по изображению.
При регистрации изображений необходимо учитывать несколько важных моментов:
Модель трансформации . Обычно выбирают жесткие , аффинные и деформируемые модели преобразования. Модели B-сплайна и тонкопластинчатого сплайна 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 деформации являются диффеоморфизмы , которые являются обратимыми преобразованиями с гладким обратным.
Метрика сходства. Функция расстояния или сходства используется для количественной оценки качества регистрации. Это сходство можно рассчитать либо по исходным изображениям, либо по признакам, извлеченным из изображений. Обычными мерами сходства являются сумма квадратов расстояний (SSD), коэффициент корреляции и взаимная информация . Выбор меры сходства зависит от того, относятся ли изображения к одной и той же модальности; шум обнаружения также может сыграть роль в этом решении. Например, SSD — оптимальная мера сходства для изображений одной модальности с гауссовским шумом . [27] Однако статистика изображения в ультразвуке значительно отличается от гауссовского шума, что приводит к введению мер сходства, специфичных для ультразвука. [28] Мультимодальная регистрация требует более сложной меры сходства; в качестве альтернативы можно использовать другое представление изображения, например, структурное представление [29] или регистрацию прилегающей анатомии. [30] [31] В недавнем исследовании [32] использовалось контрастное кодирование для изучения общих, плотных представлений изображений, называемых CoMIR (контрастные мультимодальные представления изображений), которые позволяли регистрировать мультимодальные изображения там, где существующие методы регистрации часто терпят неудачу. из-за отсутствия достаточно схожих структур изображений. Это свело проблему мультимодальной регистрации к мономодальной, в которой могут применяться как общие алгоритмы регистрации, основанные на интенсивности, так и на основе признаков.
Объемная визуализация (слева), аксиальное сечение (справа вверху) и сагиттальное сечение (справа внизу) КТ-изображения субъекта с множественными узловыми поражениями (белая линия) в легких.
Визуализация играет несколько ключевых ролей в обработке медицинских изображений. Методы научной визуализации используются для понимания и передачи медицинских изображений, которые по своей сути являются пространственно-временными. Визуализация и анализ данных используются в неструктурированных формах данных, например, при оценке статистических показателей, полученных в ходе алгоритмической обработки. Прямое взаимодействие с данными, ключевая особенность процесса визуализации, используется для выполнения визуальных запросов к данным, аннотирования изображений, управления процессами сегментации и регистрации, а также управления визуальным представлением данных (путем управления свойствами рендеринга освещения и параметрами просмотра). Визуализация используется как для первоначального исследования, так и для передачи промежуточных и окончательных результатов анализа.
На рисунке «Визуализация медицинской визуализации» показаны несколько типов визуализации: 1. отображение поперечных сечений в виде изображений в оттенках серого; 2. переформатированные изображения изображений в оттенках серого (сагиттальный вид в этом примере имеет ориентацию, отличную от исходного направления получения изображения; и 3. 3D-объемную визуализацию тех же данных. Узловое поражение четко видно на разных изображениях. и отмечен белой линией.
Атласы
Медицинские изображения могут значительно различаться у разных людей, поскольку у людей органы разной формы и размера. Поэтому представление медицинских изображений для учета этой изменчивости имеет решающее значение. Популярный подход к представлению медицинских изображений — использование одного или нескольких атласов. Здесь атлас относится к конкретной модели для совокупности изображений с параметрами, которые получены из набора обучающих данных. [33] [34]
Простейшим примером атласа является изображение средней интенсивности, обычно называемое шаблоном. Однако атлас может также включать более обширную информацию, такую как локальная статистика изображений и вероятность того, что конкретное пространственное местоположение имеет определенную метку. Новые медицинские изображения, которые не используются во время обучения, можно сопоставить с атласом, адаптированным для конкретного применения, такого как сегментация и групповой анализ. Сопоставление изображения с атласом обычно включает регистрацию изображения и атласа. Эту деформацию можно использовать для устранения изменчивости медицинских изображений.
Одиночный шаблон
Самый простой подход — моделировать медицинские изображения как деформированные версии одного шаблонного изображения. Например, анатомические снимки мозга при МРТ часто сопоставляются с шаблоном MNI [35] , чтобы представить все снимки мозга в общих координатах. Основным недостатком подхода с использованием одного шаблона является то, что если между шаблоном и заданным тестовым изображением существуют существенные различия, то хорошего способа сопоставить одно с другим может не существовать. Например, анатомическое МРТ-сканирование головного мозга пациента с тяжелыми аномалиями головного мозга (т. е. опухолью или хирургической процедурой) может нелегко сопоставиться с шаблоном MNI.
Несколько шаблонов
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 здоровой популяции и один шаблон для больной популяции. Однако во многих приложениях неясно, сколько шаблонов необходимо. Простой, хотя и дорогостоящий в вычислительном отношении способ справиться с этой проблемой — сделать каждое изображение в наборе обучающих данных шаблонным изображением, и, таким образом, каждое новое встреченное изображение сравнивается с каждым изображением в наборе обучающих данных. Более поздний подход автоматически находит необходимое количество шаблонов. [36]
статистический анализ
Статистические методы сочетают в себе область медицинской визуализации с современным компьютерным зрением , машинным обучением и распознаванием образов . За последнее десятилетие несколько крупных наборов данных стали общедоступными (см., например, ADNI, 1000 функциональных коннектомов), отчасти благодаря сотрудничеству между различными институтами и исследовательскими центрами. Такое увеличение размера данных требует новых алгоритмов, которые смогут анализировать и обнаруживать тонкие изменения в изображениях для решения клинических вопросов. Такие клинические вопросы очень разнообразны и включают групповой анализ, биомаркеры визуализации, фенотипирование заболеваний и продольные исследования.
Групповой анализ
Целью группового анализа является обнаружение и количественная оценка отклонений, вызванных заболеванием, путем сравнения изображений двух или более когорт. Обычно одна из этих когорт состоит из нормальных (контрольных) субъектов, а другая — из аномальных пациентов. Вариации, вызванные заболеванием, могут проявляться как аномальная деформация анатомии (см. Морфометрия на основе вокселей ). Например, сокращение подкорковых тканей головного мозга, таких как гиппокамп , может быть связано с болезнью Альцгеймера . Кроме того, изменения биохимической (функциональной) активности можно наблюдать с помощью таких методов визуализации, как позитронно-эмиссионная томография .
Сравнение между группами обычно проводится на воксельном уровне. 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 вокселами. Учитывая это соответствие по вокселям, наиболее распространенным методом Frequencyist является извлечение статистики для каждого вокселя (например, средняя интенсивность вокселей для каждой группы) и выполнение статистической проверки гипотез, чтобы оценить, поддерживается или нет 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 . [37] [38] Существуют также байесовские подходы к решению проблемы группового анализа. [39]
Классификация
Хотя групповой анализ может дать количественную оценку общего воздействия патологии на анатомию и функцию, он не обеспечивает измерения на уровне субъекта и, следовательно, не может использоваться в качестве биомаркеров для диагностики (см. «Визуализирующие биомаркеры»). Клиницисты, с другой стороны, часто заинтересованы в ранней диагностике патологии (т.е. классификации [40] [41] ) и изучении прогрессирования заболевания (т.е. регрессии [42] ). С методологической точки зрения текущие методы варьируются от применения стандартных алгоритмов машинного обучения к наборам данных медицинских изображений (например, машина опорных векторов [43] ) до разработки новых подходов, адаптированных к потребностям данной области. [44] Основные трудности заключаются в следующем:
Небольшой размер выборки ( «Проклятие размерности »): большой набор данных медицинских изображений содержит от сотен до тысяч изображений, тогда как количество вокселей в типичном объемном изображении может легко превысить миллионы. Решение этой проблемы — уменьшить количество признаков в информативном смысле (см. уменьшение размерности ). Для решения этой проблемы было предложено несколько неконтролируемых и полу-/контролируемых подходов [44] [45] [46] [47] .
Интерпретируемость: Хорошая точность обобщения не всегда является основной целью, поскольку врачи хотели бы понять, какие части анатомии поражены заболеванием. Поэтому интерпретируемость результатов очень важна; методы, игнорирующие структуру изображения, не предпочтительны. Были предложены альтернативные методы, основанные на выборе признаков . [45] [46] [47] [48]
Кластеризация
Методы классификации образов на основе изображений обычно предполагают, что неврологические эффекты заболевания различны и четко определены. Это может быть не всегда так. По ряду заболеваний популяции пациентов весьма неоднородны, и дальнейшая классификация на подсостояния не установлена. Кроме того, некоторые заболевания (например, расстройство аутистического спектра (РАС), шизофрения , легкие когнитивные нарушения (MCI)) могут характеризоваться непрерывным или почти непрерывным спектром от легких когнитивных нарушений до очень выраженных патологических изменений. Чтобы облегчить анализ гетерогенных расстройств на основе изображений, были разработаны методологические альтернативы классификации паттернов. Эти методы заимствуют идеи многомерной кластеризации [49] и многомерной паттерн-регрессии для кластеризации данной популяции в однородные подгруппы. Цель состоит в том, чтобы обеспечить лучшее количественное понимание заболевания в каждой подгруппе населения.
Анализ формы
Анализ формы — это область обработки медицинских изображений, которая изучает геометрические свойства структур, полученных с помощью различных методов визуализации . Анализ формы в последнее время становится все более интересным для медицинского сообщества из-за его способности точно определять морфологические изменения между различными группами структур, то есть здоровыми и патологическими, женщинами и мужчинами, молодыми и пожилыми людьми. Анализ формы включает в себя два основных этапа: соответствие формы и статистический анализ.
Соответствие форм — это методология, которая вычисляет соответствующие местоположения между геометрическими фигурами, представленными треугольными сетками, контурами, наборами точек или объемными изображениями. Очевидно, что определение соответствия будет напрямую влиять на анализ. Среди различных вариантов рамок соответствия мы можем найти: анатомическое соответствие, ручные ориентиры, функциональное соответствие (т. е. в локусе морфометрии мозга, отвечающем за одинаковую функциональность нейронов), соответствие геометрии, (для объемов изображений) сходство интенсивности и т. д. Некоторые подходы, например спектральный анализ формы, не требует соответствия, а сравнивает дескрипторы формы напрямую.
Статистический анализ позволит измерить структурные изменения в соответствующих местах.
Лонгитюдные исследования
В лонгитюдных исследованиях один и тот же человек изображается неоднократно. 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 использованием общей информации, обычно из шаблона внутри субъекта. Эта регуляризация предназначена для уменьшения шума измерений 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 способность обнаруживать любые истинные изменения и различия между группами. Часто необходимо найти компромисс, который оптимизирует снижение шума за счет ограниченной потери размера эффекта. Еще одной распространенной проблемой при продольной обработке изображений является (часто непреднамеренное) внесение систематической ошибки обработки. Когда, например, последующие изображения регистрируются и передискретизируются до базового изображения, артефакты интерполяции появляются только в последующих изображениях, а не в базовой линии. Эти артефакты могут вызывать ложные эффекты (обычно склонность к переоценке продольных изменений и, таким образом, к недооценке необходимого размера выборки). Поэтому очень важно, чтобы все временные точки обрабатывались одинаково, чтобы избежать каких-либо ошибок при обработке.
Постобработка и статистический анализ продольных данных обычно требуют специальных статистических инструментов, таких как ANOVA с повторными измерениями или более мощные линейные модели смешанных эффектов. Кроме того, выгодно учитывать пространственное распределение сигнала. Например, измерения толщины коры покажут корреляцию внутри субъекта во времени, а также внутри окрестности на поверхности коры — 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
Традиционно вычисления медицинских изображений направлены на количественную оценку и объединение структурной или функциональной информации, доступной в момент и во время получения изображения. В этом отношении его можно рассматривать как количественное определение лежащих в основе анатомических, физических или физиологических процессов. Однако в последние несколько лет возрос интерес к прогностической оценке заболевания или курса терапии. Таким образом, моделирование на основе изображений, будь то биомеханического или физиологического характера, может расширить возможности вычислений изображений с описательной до прогнозирующей точки зрения.
Согласно дорожной карте исследований STEP, [50] [51] виртуальный физиологический человек (VPH) представляет собой методологическую и технологическую основу, которая после создания позволит исследовать человеческое тело как единую сложную систему. В основе концепции VPH Международный союз физиологических наук (IUPS) уже более десяти лет спонсирует проект IUPS Physiome Project . [52] [53] Это всемирная общественная инициатива, призванная обеспечить 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 клеточные функции, а также отношения структуры/функции тканей и целых органов. Такой подход направлен на преобразование современной практики в медицине и лежит в основе новой эры компьютерной медицины. [54]
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 трансформацию общих вычислительных моделей для представления конкретных предметов, тем самым открывая путь для персонализированных вычислительных моделей. [55] Индивидуализация общих вычислительных моделей посредством визуализации может быть реализована в трех взаимодополняющих направлениях:
определение предметной вычислительной области (анатомии) и связанных с ней поддоменов (типов тканей);
определение граничных и начальных условий на основе (динамических и/или функциональных) изображений; и
характеристика структурных и функциональных свойств тканей.
Кроме того, визуализация также играет ключевую роль в оценке и проверке таких моделей как на людях, так и на животных, а также в переносе моделей в клинические условия как для диагностических, так и для терапевтических применений. В этом конкретном контексте молекулярная, биологическая и доклиническая визуализация предоставляет дополнительные данные и понимание базовой структуры и функций молекул, клеток, тканей и моделей животных, которые могут быть перенесены в физиологию человека, где это необходимо.
Приложения моделей VPH/Physiome на основе изображений в фундаментальных и клинических областях обширны. Грубо говоря, они обещают стать новыми методами создания виртуальных изображений . По сути, большее количество, часто ненаблюдаемых, параметров будет отображаться in silico на основе интеграции наблюдаемых, но иногда редких и противоречивых мультимодальных изображений и физиологических измерений. Вычислительные модели будут способствовать 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 заболевания, естественную историю развития заболевания и влияние на течение заболевания фармакологических и/или интервенционных терапевтических процедур.
Взаимное обогащение изображений и моделирования выходит за рамки интерпретации измерений в соответствии с физиологией. Моделирование конкретного пациента на основе изображений в сочетании с моделями медицинских устройств и фармакологических методов лечения открывает путь к прогнозирующей визуализации, с помощью которой можно понимать, планировать и оптимизировать такие вмешательства in silico .
Математические методы в медицинской визуализации
Ряд сложных математических методов вошли в медицинскую визуализацию и уже реализованы 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. Многие из этих методов были основаны на идеях оптимального контроля . Соответственно, совсем недавно идеи контроля проникли в интерактивные методы, особенно в сегментацию. Более того, из-за шума и необходимости в методах статистической оценки для более динамично меняющихся изображений стали использоваться фильтр Калмана [56] и фильтр частиц . Обзор этих методов с обширным списком литературы можно найти в [57] .
Вычисления, специфичные для модальности
Некоторые методы визуализации предоставляют очень специализированную информацию. Полученные изображения нельзя рассматривать как обычные скалярные изображения, и они порождают новые области вычислений медицинских изображений. Примеры включают диффузионную МРТ, функциональную МРТ и другие.
Диффузионная МРТ
Среднеосевой срез шаблона изображения тензора диффузии межконтинентальной баллистической ракеты. Значение каждого воксела представляет собой тензор, представленный здесь эллипсоидом. Цвет обозначает основную ориентацию: красный = лево-право, синий = нижний-верхний, зеленый = задне-передний.
Диффузионная МРТ — это метод структурной магнитно-резонансной томографии , который позволяет измерять процесс диффузии молекул. Диффузия измеряется путем приложения градиентного импульса к магнитному полю в определенном направлении. При типичном сборе данных набор равномерно распределенных направлений градиента используется для создания набора диффузионно-взвешенных объемов. Кроме того, невзвешенный объем получается в том же магнитном поле без применения градиентного импульса. Поскольку каждое приобретение связано с несколькими томами, диффузионная МРТ создала множество уникальных проблем при обработке медицинских изображений.
В медицине диффузионная МРТ преследует две основные вычислительные цели :
Оценка свойств местных тканей, таких как диффузионная способность;
Оценка локальных направлений и глобальных путей распространения.
Тензор диффузии , [ 58] симметричная положительно определенная матрица размером 3 × 3 , предлагает прямое решение 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 оценку максимального правдоподобия тензора диффузии можно найти, просто решая систему линейных уравнений в каждом месте независимо. Однако, поскольку предполагается, что объем содержит смежные волокна ткани, может быть предпочтительнее оценить объем тензоров диффузии в целом, наложив условия регулярности на основное поле тензоров. [59] Скалярные значения могут быть извлечены из тензора диффузии, например, дробная анизотропия , средняя, аксиальная и радиальная диффузия, которые косвенно измеряют свойства ткани, такие как дисмиелинизация аксональных волокон [60] или наличие отека. [61] 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 [62] [63] и сегментации. [64] [65]
Учитывая основное направление диффузии в каждом месте объема, можно оценить глобальные пути диффузии с помощью процесса, известного как трактография . [66] Однако из-за относительно низкого разрешения диффузионной МРТ многие из этих путей могут пересекаться, смыкаться или разветвляться в одном месте. В этой ситуации единственное главное направление тензора диффузии не является подходящей моделью распределения локальной диффузии. Наиболее распространенным решением этой проблемы является оценка нескольких направлений локальной диффузии с использованием более сложных моделей. К ним относятся смеси тензоров диффузии, [67] визуализация Q-ball, [68] визуализация диффузионного спектра [69] и функций распределения ориентации волокон, [70] [71] , которые обычно требуют сбора данных HARDI с большим количеством направлений градиента. Как и в случае с тензором диффузии, объемы, рассчитанные с помощью этих сложных моделей, требуют специального подхода при применении методов вычисления изображений, таких как регистрация [72] [73] [74] и сегментация. [75]
Функциональная МРТ
Функциональная магнитно-резонансная томография (фМРТ) — это метод медицинской визуализации, который косвенно измеряет нервную активность путем наблюдения за местной гемодинамикой или сигналом, зависящим от уровня кислорода в крови (ЖИРНЫЙ). Данные фМРТ дают разнообразную информацию и могут быть грубо разделены на две категории:
ФМРТ, связанная с заданием, получается, когда субъект выполняет последовательность экспериментальных условий, рассчитанных по времени. В экспериментах с блочной конструкцией условия сохраняются в течение коротких периодов времени (например, 10 секунд) и чередуются с периодами покоя. Эксперименты, связанные с событиями, основаны на случайной последовательности стимулов и используют один момент времени для обозначения каждого условия. Стандартным подходом к анализу фМРТ, связанного с задачами, является общая линейная модель (GLM) [76].
ФМРТ в состоянии покоя регистрируется при отсутствии какой-либо экспериментальной задачи. Обычно целью является изучение внутренней сетевой структуры мозга. Наблюдения, сделанные во время отдыха, также связаны со специфическими когнитивными процессами, такими как кодирование или отражение. Большинство исследований фМРТ в состоянии покоя фокусируются на низкочастотных колебаниях сигнала фМРТ (LF-ЖИРНЫЙ). Основополагающие открытия включают сеть по умолчанию , [77] комплексную корковую парцелляцию, [78] и связь характеристик сети с поведенческими параметрами.
Существует богатый набор методологий, используемых для анализа данных функциональной нейровизуализации, и часто нет единого мнения относительно лучшего метода. Вместо этого исследователи подходят к каждой проблеме независимо и выбирают подходящую модель/алгоритм. В этом контексте происходит относительно активный обмен между сообществами нейробиологов , вычислительной биологии , статистики и машинного обучения . Известные подходы включают в себя
Массивные одномерные подходы , которые исследуют отдельные вокселы в данных изображения на предмет их связи с условиями эксперимента. Основным подходом является общая линейная модель (GLM) [76].
Подходы, основанные на многомерных и классификаторах , часто называемые анализом многомерных шаблонов или анализом многомерных шаблонов, исследуют данные на предмет глобальных и потенциально распределенных ответов на экспериментальные условия. Ранние подходы использовали машины опорных векторов (SVM) для изучения реакций на визуальные стимулы. [79] Недавно были исследованы альтернативные алгоритмы распознавания образов, такие как контраст Джини на основе случайного леса [80] или разреженная регрессия и обучение по словарю [81]
Анализ функциональных связей изучает внутреннюю сетевую структуру мозга, включая взаимодействия между регионами. Большинство таких исследований сосредоточено на данных о состоянии покоя, чтобы разделить мозг [78] или найти корреляты с поведенческими показателями. [82] Данные по конкретным задачам можно использовать для изучения причинно-следственных связей между областями мозга (например, динамическое причинно-следственное картирование (DCM) [83] ).
При работе с большими когортами испытуемых решающее значение имеет нормализация (регистрация) отдельных испытуемых в единую систему отсчета. Существует множество работ и инструментов для выполнения нормализации на основе анатомии ( FSL , FreeSurfer , SPM ). Выравнивание с учетом пространственной изменчивости субъектов является более поздним направлением работы. Примерами являются выравнивание коры головного мозга на основе корреляции сигналов фМРТ, [84] выравнивание, основанное на глобальной функциональной структуре связности как в данных о задачах, так и в состоянии покоя, [85] и выравнивание, основанное на специфических для стимула профилях активации отдельных вокселов. . [86]
Программное обеспечение
Программное обеспечение для обработки медицинских изображений представляет собой сложную комбинацию систем ввода-вывода, визуализации и взаимодействия, пользовательского интерфейса, управления данными и вычислений. Обычно системные архитектуры являются многоуровневыми для обслуживания разработчиков алгоритмов, разработчиков приложений и пользователей. Нижние уровни часто представляют собой библиотеки и/или наборы инструментов, которые предоставляют базовые вычислительные возможности; в то время как верхние уровни представляют собой специализированные приложения, которые решают конкретные медицинские проблемы, заболевания или системы организма.
Дополнительные замечания
Вычисление медицинских изображений также относится к области компьютерного зрения . Международное общество MICCAI Society представляет эту область и организует ежегодные конференции и связанные с ними семинары. Материалы этой конференции опубликованы Springer в серии Lecture Notes in Computer Science. [87] В 2000 году Н. Аяче и Дж. Дункан рассмотрели состояние поля. [88]
^ Перера Моллигода Арахчиге, Арош С.; Свет, Афанасий (10.09.2021). «Интеграция искусственного интеллекта в радиологическую практику: взгляд студентов». Европейский журнал ядерной медицины и молекулярной визуализации . 48 (13): 4133–4135. doi : 10.1007/s00259-021-05558-y. ISSN 1619-7089. PMID 34505175. S2CID 237459138.
^ Форгани, М.; Форузанфар, М.; Тешнехлаб, М. (2010). «Оптимизация параметров улучшенного алгоритма нечеткой кластеризации c-средних для сегментации МР-изображений мозга». Инженерные применения искусственного интеллекта . 23 (2): 160–168. дои : 10.1016/j.engappai.2009.10.002.
^ Дж. Джи; М. Рейвич; Р. Байчи (1993). «Упругое деформирование трехмерного атласа для соответствия анатомическим изображениям мозга». Журнал компьютерной томографии . 17 (1): 225–236. дои : 10.1097/00004728-199303000-00011. PMID 8454749. S2CID 25781937.
^ Г-Н Сабунку; БТ Йео; К. Ван Лемпут; Б. Фишль; П. Голландия (июнь 2010 г.). «Генеративная модель сегментации изображений на основе объединения меток». Транзакции IEEE по медицинской визуализации . 29 (10): 1714–1729. дои : 10.1109/TMI.2010.2050897. ПМК 3268159 . ПМИД 20562040.
^ Кутс Т.Ф., Тейлор С.Дж., Купер Д.Х., Грэм Дж. (1995). «Модели активной формы – их обучение и применение». Компьютерное зрение и понимание изображений . 61 (1): 38–59. doi :10.1006/cviu.1995.1004. S2CID 15242659.
^ Кутс, Т.Ф.; Эдвардс, Дж.Дж.; Тейлор, CJ (2001). «Модели активной внешности». Транзакции IEEE по анализу шаблонов и машинному интеллекту . 23 (6): 681–685. CiteSeerX 10.1.1.128.4967 . дои : 10.1109/34.927467.
^ Г. Чжэн; С. Ли; Г. Секели (2017). Статистический анализ формы и деформаций . Академическая пресса. ISBN9780128104941.
^ Р. Гольденберг, Р. Киммел, Э. Ривлин и М. Рудзски (2001). «Быстрые геодезические активные контуры» (PDF) . Транзакции IEEE при обработке изображений . 10 (10): 1467–1475. Бибкод : 2001ITIP...10.1467G. CiteSeerX 10.1.1.35.1977 . дои : 10.1109/83.951533. ПМИД 18255491.{{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка )
^ Карасев, П.; Колесов И.; Чуди, К.; Вела, П.; Танненбаум, А. (2011). «Интерактивная сегментация МРТ с контролируемым активным зрением». Конференция IEEE по принятию решений и управлению и Европейская конференция по управлению . стр. 2293–2298. дои : 10.1109/CDC.2011.6161453. ISBN978-1-61284-801-3. ПМЦ 3935399 . ПМИД 24584213.
^ К. Микула, Н. Пейрьерас, М. Ремешикова, А.Сарти: сегментация трехмерного изображения эмбриогенеза методом обобщенной субъективной поверхности с использованием метода конечного объема. Материалы FVCA5 - 5-го Международного симпозиума по конечным объемам для сложных приложений, Hermes Publ., Париж, 2008.
^ А. Сарти, Дж. Читти: Субъективные поверхности и графы потоков римановой средней кривизны. Акта Математика. унив. Коменианец. (НС) 70 (2000), 85–103.
^ А. Сарти, Р. Маллади, Дж. А. Сетиан: Субъективные поверхности: метод заполнения недостающих границ. Учеб. Натл. акад. наук. ми 12, № 97 (2000), 6258–6263.
^ А. Сарти, Р. Маллади, Дж. А. Сетиан: Субъективные поверхности: геометрическая модель для завершения границ, Международный журнал компьютерного зрения, mi 46, № 3 (2002), 201–221.
^ Бадринараянан, Виджай; Кендалл, Алекс; Чиполла, Роберто (2 ноября 2015 г.). «SegNet: архитектура глубокого сверточного кодера-декодера для сегментации изображений». arXiv : 1511.00561 [cs.CV].
^ Роннебергер, Олаф; Фишер, Филипп; Брокс, Томас (18 мая 2015 г.). «U-Net: сверточные сети для сегментации биомедицинских изображений». arXiv : 1505.04597 [cs.CV].
^ Он, Кайминг; Чжан, Сянъюй; Рен, Шаоцин; Сунь, Цзянь (июнь 2016 г.). «Глубокое остаточное обучение для распознавания изображений». Конференция IEEE 2016 по компьютерному зрению и распознаванию образов (CVPR). Лас-Вегас, Невада, США: IEEE. стр. 770–778. дои :10.1109/CVPR.2016.90. ISBN978-1-4673-8851-1. S2CID 206594692.
^ Ахмад, Ибтихадж; Ся, Юн; Цуй, Хэнфэй; Ислам, Зейн Ул (1 мая 2023 г.). «AATSN: Сеть сегментации опухолей с учетом анатомии для объемов и изображений ПЭТ-КТ с использованием легкого механизма слияния внимания». Компьютеры в биологии и медицине . 157 : 106748. doi : 10.1016/j.compbiomed.2023.106748. ISSN 0010-4825. PMID 36958235. S2CID 257489603.
^ Васвани, Ашиш; Шазир, Ноам; Пармар, Ники; Ушкорейт, Якоб; Джонс, Лион; Гомес, Эйдан Н.; Кайзер, Лукаш; Полосухин, Илья (12 июня 2017 г.). «Внимание — это все, что вам нужно». arXiv : 1706.03762 [cs.CL].
^ Эхсани Рад, Абдолвахаб; Мохд Рахим Мохд Шафри; Рехман Амджад; Альтамим 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 (неактивен 22 июня 2024 г.). S2CID 62571134.{{cite journal}}: CS1 maint: DOI неактивен по состоянию на июнь 2024 г. ( ссылка )
^ Дж. Майнц; М. Виргевер (1998). «Обзор регистрации медицинских изображений». Анализ медицинских изображений . 2 (1): 1–36. CiteSeerX 10.1.1.46.4959 . дои : 10.1016/S1361-8415(01)80026-8. ПМИД 10638851.
^ Дж. Хайнал; Д. Хоукс; Д. Хилл (2001). Регистрация медицинских изображений . Батон-Руж, Флорида: CRC Press.
^ JPW Плуим; JBA Майнц; М. А. Виргевер (2003). «Взаимная информационная регистрация медицинских изображений: исследование». IEEE Транс. Мед. Изображение . 22 (8): 986–1004. CiteSeerX 10.1.1.197.6513 . дои : 10.1109/TMI.2003.815867. PMID 12906253. S2CID 2605077.
^ Гренандер, Ульф; Миллер, Майкл И. (1998). «Вычислительная анатомия: новая дисциплина». В. Прил. Математика . ЛВИ (4): 617–694. дои : 10.1090/qam/1668732 .
^ П. А. Виола (1995). Согласование путем максимизации взаимной информации (Диссертация). Массачусетский Институт Технологий.
^ К. Вахингер; Т. Кляйн; Н. Наваб (2011). «Локально адаптивные меры ультразвукового сходства на основе Накагами». Ультразвук . 52 (4): 547–554. дои : 10.1016/j.ultras.2011.11.009. ПМИД 22197152.
^ К. Вахингер; Н. Наваб (2012). «Энтропия и лапласовы изображения: структурные представления для мультимодальной регистрации». Анализ медицинских изображений . 16 (1): 1–17. дои : 10.1016/j.media.2011.03.001. ПМИД 21632274.
^ Хилл, Дерек Л.Г.; Хоукс, Дэвид Дж. (1 апреля 1994 г.). «Регистрация медицинских изображений с использованием знания о соседстве анатомических структур». Вычисление изображений и зрительных образов . 12 (3): 173–178. CiteSeerX 10.1.1.421.5162 . дои : 10.1016/0262-8856(94)90069-8. ISSN 0262-8856.
^ Тот, Дэниел; Панайоту, Мария; Брост, Александр; Бехар, Джонатан М.; Ринальди, Кристофер А.; Род, Кавал С.; Маунтни, Питер (17 октября 2016 г.). «Регистрация соседних анатомических структур для руководства сердечной ресинхронизирующей терапией». Статистические атласы и вычислительные модели сердца. Проблемы визуализации и моделирования (представленная рукопись). Конспекты лекций по информатике. Том. 10124. стр. 127–134. дои : 10.1007/978-3-319-52718-5_14. ISBN9783319527178. S2CID 1698371.
^ Пилавски, Н., Ветцер, Э., Офверстедт, Дж., Лу, Дж., Вэлби, К., Линдблад, Дж., и Сладое, Н. (2020). CoMIR: Контрастное мультимодальное представление изображений для регистрации. В «Достижениях в области нейронных систем обработки информации» (стр. 18433–18444). Карран Ассошиэйтс, Инк.
^ М. Де Крен; AB д Айше; Б. Макк; СК Варфилд (2004). «Многосубъектная регистрация для построения объективного статистического атласа» (PDF) . Вычисление медицинских изображений и компьютерное вмешательство – MICCAI 2004 . Конспекты лекций по информатике. Том. 3216. стр. 655–662. дои : 10.1007/978-3-540-30135-6_80 . ISBN978-3-540-22976-6.
^ Си Джей Твининг; Т. Кутс; С. Марсланд; В. Петрович; Р. Шестовиц; К. Тейлор (2005). «Единый теоретико-информационный подход к групповой нежесткой регистрации и построению моделей». Обработка информации в медицинской визуализации . Конспекты лекций по информатике. Том. 19. стр. 1–14. дои : 10.1007/11505730_1. ISBN978-3-540-26545-0. ПМИД 17354680.
^ «Мозг MNI и атлас Талайраха».
^ М. Сабунку; СК Балчи; М. Е. Шентон; П. Голланд (2009). «Популяционный анализ на основе изображений посредством моделирования смесей». Транзакции IEEE по медицинской визуализации . 28 (9): 1473–1487. CiteSeerX 10.1.1.158.3690 . дои : 10.1109/TMI.2009.2017942. ПМЦ 2832589 . ПМИД 19336293.
^ К. Давацикос (2004). «Почему морфометрический анализ на основе вокселей следует использовать с большой осторожностью при характеристике групповых различий». НейроИмидж . 23 (1): 17–20. doi :10.1016/j.neuroimage.2004.05.010. PMID 15325347. S2CID 7452089.
^ К.Дж. Фристон; У. Д. Пенни; К. Филлипс; С. Дж. Кибель; Г. Хинтон; Дж. Эшбернер (2002). «Классический и байесовский вывод в нейровизуализации: теория». НейроИмидж . 16 (2): 465–483. CiteSeerX 10.1.1.128.8333 . дои :10.1006/нимг.2002.1090. PMID 12030832. S2CID 14911371.
^ Ён Фань; Нематолла Батмгелич; Крис М. Кларк; Христос Давацикос (2008). «Пространственные закономерности атрофии мозга у пациентов с MCI, выявленные с помощью многомерной классификации паттернов, предсказывают последующее снижение когнитивных функций». НейроИмидж . 39 (4): 1731–1743. doi : 10.1016/j.neuroimage.2007.10.031. ПМЦ 2861339 . ПМИД 18053747.
^ Реми Куэнье; Эмили Жерардин; Жером Тессирас; Гийом Аузиас; Стефан Леэриси; Мари-Одиль Абер; Мари Чупен; Хабиб Бенали; Оливье Коллио (2011). «Инициатива по нейровизуализации болезни Альцгеймера. Автоматическая классификация пациентов с болезнью Альцгеймера по данным структурной МРТ: сравнение десяти методов с использованием базы данных ADNI» (PDF) . НейроИмидж . 56 (2): 766–781. doi : 10.1016/j.neuroimage.2010.06.013. PMID 20542124. S2CID 628131.
^ Ю. Ван; Ю. Фан; П. Бхатт П; К. Давацикос (2010). «Многомерная регрессия шаблонов с использованием машинного обучения: от медицинских изображений до непрерывных клинических переменных». НейроИмидж . 50 (4): 1519–35. doi : 10.1016/j.neuroimage.2009.12.092. ПМЦ 2839056 . ПМИД 20056158.
^ Бенуа Маньен; Лилия Месроб; Серж Кикингнехун; Мелани Пелегрини-Иссак; Оливье Коллио; Мари Саразин; Брюно Дюбуа; Стефан Леэриси; Хабиб Бенали (2009). «Векторная машинная классификация болезни Альцгеймера по данным анатомической МРТ всего мозга». Нейрорадиология . 51 (2): 73–83. дои : 10.1007/s00234-008-0463-x. PMID 18846369. S2CID 285128.
^ аб Н.К. Батмангхелич; Б. Таскар; К. Давацикос (2012). «Генератно-дискриминационная основа обучения медицинской визуализации». IEEE Трансмедицинская визуализация . 31 (1): 51–69. дои : 10.1109/TMI.2011.2162961. ПМК 3402718 . ПМИД 21791408.
^ аб Гленн Фунг; Джонатан Стокель (2007). «Выбор функций SVM для классификации ОФЭКТ-изображений болезни Альцгеймера с использованием пространственной информации». Знания и информационные системы . 11 (2): 243–258. CiteSeerX 10.1.1.62.6245 . дои : 10.1007/s10115-006-0043-5. S2CID 9901011.
^ аб Р. Чавес; Х. Рамирес; Дж. М. Горрис; М. Лопес; Д. Салас-Гонсалес; И. Альварес; Ф. Сеговия (2009). «Компьютерная диагностика болезни Альцгеймера на основе SVM с использованием t-теста NMSE выбора признаков с корреляционным взвешиванием признаков». Письма по неврологии . 461 (3): 293–297. doi :10.1016/j.neulet.2009.06.052. PMID 19549559. S2CID 9981775.
^ аб Яньси Лю ; Леонид Теверовский; Оуэн Кармайкл; Рон Кикинис; Марта Шентон; Кэмерон С. Картер; В. Эндрю Стенгер; Саймон Дэвис; Говард Айзенштейн; Джеймс Т. Беккер (2004). «Дискриминационный анализ особенностей МР-изображений для автоматической классификации шизофрении и болезни Альцгеймера» (PDF) . Вычисление медицинских изображений и компьютерное вмешательство – MICCAI 2004 . Конспекты лекций по информатике. Том. 3216. стр. 393–401. дои : 10.1007/978-3-540-30135-6_48 . ISBN978-3-540-22976-6. {{cite book}}: |journal=игнорируется ( помощь )
^ Савио А.; Гранья М. (2013). «Выбор признаков на основе деформации для компьютерной диагностики болезни Альцгеймера». Экспертные системы с приложениями . 40 (5): 1619–1628. дои : 10.1016/j.eswa.2012.09.009. ISSN 0957-4174.
^ Р. Филипович; С.М. Резник; К. Давацикос (2011). «Полуконтролируемый кластерный анализ данных изображений». НейроИмидж . 54 (3): 2185–2197. doi :10.1016/j.neuroimage.2010.09.074. ПМК 3008313 . ПМИД 20933091.
^ Дорожная карта исследований STEP. Архивировано 28 августа 2008 г. в Wayback Machine . europhyome.org
^ Дж. В. Феннер; Б. Брук; Г. Клэпворси; П.В. Ковени; В. Фейпель; Х. Грегерсен; ДР Шланг; П. Коль; П. Лоуфорд; К.М. МакКормак; Д. Пинни; С.Р. Томас; С. Ван Синт Ян; С. Уотерс; М. Вицеконти (2008). «Еврофизиом, STEP и дорожная карта для виртуального физиологического человека» (PDF) . Философские труды Королевского общества А. 366 (1878): 2979–2999. Бибкод : 2008RSPTA.366.2979F. дои : 10.1098/rsta.2008.0089. PMID 18559316. S2CID 1211981.
^ Дж. Б. Бассингтуэйт (2000). «Стратегии проекта Физиом». Анналы биомедицинской инженерии . 28 (8): 1043–1058. дои : 10.1114/1.1313771. ПМЦ 3425440 . ПМИД 11144666.
^ Пи Джей Хантер; ТК Борг (2003). «Интеграция белков в органы: Проект Физиома». Нат. Преподобный мол. Клеточная Биол . 4 (3): 237–243. дои : 10.1038/nrm1054. PMID 12612642. S2CID 25185270.
^ RLWinslow; Н. Траянова; Д. Геман; М.И. Миллер (2012). «Вычислительная медицина: перевод моделей в клиническую помощь». наук. Перевод Мед . 4 (158): 158рв11. doi : 10.1126/scitranslmed.3003528. ПМЦ 3618897 . ПМИД 23115356.
^ Н. Аяче, Ж.-П. Буассель, С. Брунак, Г. Клэпворси, Г. Лонсдейл, Дж. Фингберг, А. Ф. Франджи, Г. Деко, П. Дж. Хантер, П. Нильсен, М. Холстед, Д. Р. Хоуз, И. Маньен, Ф. Мартин-Санчес, П. Слот, Дж. Каандорп, А. Хукстра, С. Ван Синт Ян и М. Вицеконти (2005) «На пути к виртуальному физиологическому человеку: многоуровневое моделирование и симуляция анатомии и физиологии человека». Генеральный директорат INFSO и Генеральный директорат JRC, Технический документ
^ Ангенент, С .; Пишон, Э.; Танненбаум, А. (2006). «Математические методы обработки медицинских изображений». Вестник АМС . 43 (3): 365–396. дои : 10.1090/S0273-0979-06-01104-9. ПМК 3640423 . ПМИД 23645963.
^ П. Бассер; Дж. Маттиелло; Д. ЛеБихан (январь 1994 г.). «МР-диффузионная тензорная спектроскопия, визуализация». Биофизический журнал . 66 (1): 259–267. Бибкод : 1994BpJ....66..259B. дои : 10.1016/S0006-3495(94)80775-1. ПМЦ 1275686 . ПМИД 8130344.
^ П. Филлард; Х Пеннек; В. Арсиньи; Н Аяче (2007). «Клиническая оценка DT-MRI, сглаживание, отслеживание волокон с помощью лог-евклидовых показателей». Транзакции IEEE по медицинской визуализации . 26 (11): 1472–1482. CiteSeerX 10.1.1.218.6380 . дои : 10.1109/TMI.2007.899173. ПМИД 18041263.
^ СК Песня; ЮЗ Солнца; М. Рэмсботтом; С Ченг; Дж. Рассел; Крест (ноябрь 2002 г.). «Дисмиелинизация, выявленная с помощью МРТ, как повышенная радиальная (но неизмененная аксиальная) диффузия воды». НейроИмидж . 13 (3): 1429–1436. дои : 10.1006/нимг.2002.1267. PMID 12414282. S2CID 43229972.
^ П Барзо; Мармару; П. Фатурос; К. Хаясаки; Ф. Корвин (декабрь 1997 г.). «Вклад вазогенного и клеточного отека в травматический отек головного мозга, измеренный с помощью диффузионно-взвешенной визуализации». Журнал нейрохирургии . 87 (6): 900–907. дои : 10.3171/jns.1997.87.6.0900. ПМИД 9384402.
^ Д Александр; С Пьерпаоли; П. Бассер (январь 2001 г.). «Пространственное преобразование диффузионно-тензорных магнитно-резонансных изображений» (PDF) . Транзакции IEEE по медицинской визуализации . 20 (11): 1131–1139. дои : 10.1109/42.963816. PMID 11700739. S2CID 6559551.
^ Ю Цао; М. Миллер; С Мори; Р. Уинслоу; Л. Юнес (июнь 2006 г.). «Диффеоморфное сопоставление тензорных изображений диффузии». Материалы конференции IEEE Computer Society по компьютерному зрению и распознаванию образов (CVPR), семинара по математическим методам анализа биомедицинских изображений (MMBIA 2006) . Нью-Йорк. п. 67. дои :10.1109/CVPRW.2006.65. ПМК 2920614 .
^ З Ван; Б. Вемури (октябрь 2005 г.). «Сегментация DTI с использованием теоретико-тензорной меры несходства». Транзакции IEEE по медицинской визуализации . 24 (10): 1267–1277. CiteSeerX 10.1.1.464.9059 . дои : 10.1109/TMI.2005.854516. PMID 16229414. S2CID 32724414.
^ С. Мори; Б. Крейн; В Чачко; П ван Зийл (февраль 1999 г.). «Трехмерное отслеживание проекций аксонов в мозге с помощью магнитно-резонансной томографии». Анналы неврологии . 45 (2): 265–269. doi :10.1002/1531-8249(199902)45:2<265::AID-ANA21>3.0.CO;2-3. PMID 9989633. S2CID 334903.
^ Д Тач; Т. Риз; М. Вигель; Н. Макрис; Дж. Белливо; В. Ведин (октябрь 2002 г.). «Диффузионная визуализация с высоким угловым разрешением выявляет внутривоксельную неоднородность волокон белого вещества». Магнитный резонанс в медицине . 48 (4): 577–582. дои : 10.1002/мрм.10268 . ПМИД 12353272.
^ Д. Тач (декабрь 2004 г.). «Визуализация Q-шара». Магнитный резонанс в медицине . 52 (6): 1358–1372. дои : 10.1002/мрм.20279 . ПМИД 15562495.
^ В. Ведин; П. Хагманн; WY Ценг; Т. Риз (декабрь 2005 г.). «Картирование сложной тканевой архитектуры с помощью магнитно-резонансной томографии диффузионного спектра». Магнитный резонанс в медицине . 54 (6): 1377–1386. дои : 10.1002/mrm.20642 . ПМИД 16247738.
^ К. Янсонс; Д. Александр (июль 2003 г.). «Постоянная угловая структура: новые данные на основе данных диффузионной магнитно-резонансной томографии». Труды по обработке информации в медицинской визуализации (IPMI) 2003, LNCS 2732 . стр. 672–683. дои : 10.1007/978-3-540-45087-0_56.
^ Джей Ди Турнье; Ф Каламанте; Д Гадиан; Коннелли (2007). «Прямая оценка функции плотности ориентации волокон по данным диффузионно-взвешенной МРТ с использованием сферической деконволюции». НейроИмидж . 23 (3): 1176–1185. doi :10.1016/j.neuroimage.2004.07.037. PMID 15528117. S2CID 24169627.
^ X Гэн; Т. Росс; В Чжан; Х Гу; Ю. П. Чао; К.П. Лин; Дж. Кристенсен; Н. Шуфф; И Ян (июль 2009 г.). «Регистрация диффузионной МРТ с использованием функций распределения ориентации». Труды по обработке информации в медицинской визуализации (IPMI) 2009, LNCS 5636 . Том. 21. С. 626–637. дои : 10.1007/978-3-642-02498-6_52. ПМЦ 3860746 .
^ PT Яп; Ю Чен; Х Ан; И Ян; Дж. Гилмор; В Лин; Д Шен (2011). «СФЕРА: Сферическая гармоническая упругая регистрация данных HARDI». НейроИмидж . 55 (2): 545–556. doi : 10.1016/j.neuroimage.2010.12.015. ПМК 3035740 . ПМИД 21147231.
^ П Чжан; М. Нитхаммер; Д Шен; П.Т. Яп (2012). «Диффеоморфная регистрация диффузионно-взвешенных изображений с большой деформацией» (PDF) . Труды по вычислениям медицинских изображений и компьютерному вмешательству (MICCAI) . дои : 10.1007/978-3-642-33418-4_22 .
^ М Деското; Р. Дериш (сентябрь 2007 г.). «Сегментация изображений Q-Ball с использованием статистической эволюции поверхности». Труды по вычислениям медицинских изображений и компьютерному вмешательству (MICCAI) 2007, LNCS 4792 . стр. 769–776. дои : 10.1007/978-3-540-75759-7_93 .
^ Аб Фристон, К.; Холмс, А.; Уорсли, К.; Полин, Дж.; Фрит, К.; Фраковяк, Р.; и другие. (1995). «Статистические параметрические карты в функциональной визуализации: общий линейный подход». Карта мозга Hum . 2 (4): 189–210. дои : 10.1002/hbm.460020402. S2CID 9898609.
^ Бакнер, РЛ; Эндрюс-Ханна, младший; Шактер, Д.Л. (2008). «Сеть мозга по умолчанию: анатомия, функции и связь с болезнями». Анналы Нью-Йоркской академии наук . 1124 (1): 1–38. Бибкод : 2008NYASA1124....1B. CiteSeerX 10.1.1.689.6903 . дои : 10.1196/анналы.1440.011. PMID 18400922. S2CID 3167595.
^ СП Хаксби; М.И. Гоббини; М.Л. Фьюри; А. Ишай; Дж. Л. Схоутен; П. Пьетрини (2001). «Распределенные и перекрывающиеся представления лиц и объектов в вентральной височной коре». Наука . 293 (5539): 2425–30. Бибкод : 2001Sci...293.2425H. CiteSeerX 10.1.1.381.2660 . дои : 10.1126/science.1063736. PMID 11577229. S2CID 6403660.
^ Лангс, Г.; Мензе, Британская Колумбия; Лашкари, Д.; Голландия, П. (2011). «Обнаружение стабильных распределенных паттернов активации мозга с использованием контраста Джини». НейроИмидж . 56 (2): 497–507. doi :10.1016/j.neuroimage.2010.07.074. ПМЦ 3960973 . ПМИД 20709176.
^ Варокво, Г.; Грамфорт, А.; Педрегоса, Ф.; Мишель, В.; Тирион, Б. (2011). «Многопредметный словарь для обучения сегментированию атласа спонтанной активности мозга». Инфопроцесс, медицинская визуализация . Том. 22. стр. 562–73.
^ ван ден Хеувел, член парламента; Стэм, CJ; Кан, РС; Хулсхофф Пол, HE (2009). «Эффективность функциональных сетей мозга и интеллектуальная работоспособность». Дж. Нейроски . 29 (23): 7619–24. doi : 10.1523/JNEUROSCI.1443-09.2009. ПМК 6665421 . ПМИД 19515930.
^ Сабунку, MR; Певица, доктор медицинских наук; Конрой, Б.; Брайан, RE; Рэмедж, ПиДжей; Хаксби, СП (2010). «Межсубъектное выравнивание кортикальной анатомии человека на основе функций». Кора головного мозга . 20 (1): 130–140. doi : 10.1093/cercor/bhp085. ПМК 2792192 . ПМИД 19420007.
^ Лангс, Г.; Лашкари, Д.; Свит, А.; Галстук, Ю.; Риголо, Л.; Голби, Эй Джей; Голландия, П. (2011). «Изучение атласа познавательного процесса в его функциональной геометрии». Инфопроцесс, медицинская визуализация . Том. 22. С. 135–46.
^ Дж. С. Дункан; Н Аяче (2000). «Анализ медицинских изображений: прогресс за два десятилетия и предстоящие задачи». Транзакции IEEE по анализу шаблонов и машинному интеллекту . 22 : 85–106. CiteSeerX 10.1.1.410.8744 . дои : 10.1109/34.824822.
Транзакции IEEE по медицинской визуализации (IEEE TMI)
Медицинская физика
Журнал цифровых изображений (JDI); официальный журнал Общества информатики изображений
Компьютеризированная медицинская визуализация и графика
Журнал компьютерной радиологии и хирургии
Медицинская визуализация BMC
Кроме того, в следующих журналах время от времени публикуются статьи, описывающие методы и конкретные клинические применения вычислений медицинских изображений или вычислений медицинских изображений с учетом модальности.
Радиология - официальный журнал Радиологического общества Северной Америки.