Медицинские вычисления изображений (MIC) — это междисциплинарная область на стыке компьютерных наук , информационной инженерии , электротехники , физики , математики и медицины . Эта область разрабатывает вычислительные и математические методы для решения проблем, связанных с медицинскими изображениями и их использованием для биомедицинских исследований и клинической помощи.
Основная цель MIC — извлечь клинически значимую информацию или знания 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
Медицинские вычисления изображений обычно работают с равномерно отобранными данными с регулярным пространственным интервалом xyz (изображения в 2D и объемы в 3D, в общем 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-битные) до 32-битных float не являются редкостью. 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 T1 или T2 . Продольные, изменяющиеся во времени получения могут или не могут получать изображения с регулярными временными шагами. Веерообразные изображения из-за таких модальностей, как ультразвуковое исследование с криволинейной решеткой, также распространены и требуют различных репрезентативных и алгоритмических методов для обработки. Другие формы данных включают сдвинутые изображения из-за наклона гентри во время получения; и неструктурированные сетки , такие как гексаэдрические и тетраэдрические формы, которые используются в расширенном биомеханическом анализе (например, деформация тканей, сосудистый транспорт, костные имплантаты).
Сегментация
Т1 -взвешенное МРТ- изображение головного мозга пациента с менингиомой после инъекции контрастного вещества для МРТ (вверху слева) и то же изображение с результатом интерактивной сегментации, наложенным зеленым цветом (3D-модель сегментации вверху справа, аксиальный и коронарный виды внизу).
Сегментация — это процесс разбиения 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 низкой контрастностью, шумом и другими неоднозначностями изображений. Хотя существует множество методов компьютерного зрения для сегментации изображений , некоторые из них были адаптированы специально для обработки медицинских изображений. Ниже приведен пример методов в этой области; реализация зависит от опыта, который могут предоставить клиницисты.
Сегментация на основе атласа : для многих приложений клинический эксперт может вручную пометить несколько изображений; сегментация невидимых изображений — это вопрос экстраполяции с этих вручную помеченных обучающих изображений. Методы этого стиля обычно называются методами сегментации на основе атласа. Параметрические методы атласа обычно объединяют эти обучающие изображения в одно изображение атласа, [3] в то время как непараметрические методы атласа обычно используют все обучающие изображения по отдельности. [4] Методы на основе атласа обычно требуют использования регистрации изображений для выравнивания изображения или изображений атласа с новым, невидимым изображением.
Сегментация на основе формы : многие методы параметризуют форму шаблона для заданной структуры, часто полагаясь на контрольные точки вдоль границы. Затем вся форма деформируется, чтобы соответствовать новому изображению. Два наиболее распространенных метода на основе формы — это модели активной формы [5] и модели активного внешнего вида. [6] Эти методы оказали большое влияние и привели к появлению похожих моделей. [7]
Сегментация на основе изображений : некоторые методы инициируют шаблон и уточняют его форму в соответствии с данными изображения, минимизируя интегральные показатели погрешности, например, модель активного контура и ее вариации. [8]
Интерактивная сегментация : Интерактивные методы полезны, когда врачи могут предоставить некоторую информацию, такую как исходная область или грубый контур области для сегментации. Затем алгоритм может итеративно уточнить такую сегментацию, с руководством врача или без него. Ручная сегментация, использующая такие инструменты, как кисть, для явного определения класса ткани каждого пикселя, остается золотым стандартом для многих приложений визуализации. Недавно принципы из теории управления с обратной связью были включены в сегментацию, что дает пользователю гораздо большую гибкость и позволяет автоматически исправлять ошибки. [9]
Субъективная поверхностная сегментация: этот метод основан на идее эволюции функции сегментации, которая регулируется моделью адвекции-диффузии. [10] Для сегментации объекта необходимо семя сегментации (то есть отправная точка, определяющая приблизительное положение объекта на изображении). Следовательно, строится начальная 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 использованием 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 из-за их превосходной производительности и скорости.
Однако существуют и другие классификации методов сегментации изображений, которые похожи на категории выше. Более того, мы можем классифицировать еще одну группу как «Гибридную», которая основана на комбинации методов. [20]
Регистрация
Изображение КТ (слева), изображение ПЭТ (в центре) и наложение обоих изображений (справа) после правильной регистрации.
Регистрация изображений — это процесс, который ищет правильное выравнивание изображений. [21] [22] [23] [24] В простейшем случае выравниваются два изображения. Обычно одно изображение рассматривается как целевое изображение, а другое — как исходное изображение; исходное изображение преобразуется для соответствия целевому изображению. Процедура оптимизации обновляет преобразование исходного изображения на основе значения сходства, которое оценивает текущее качество выравнивания. Эта итеративная процедура повторяется до тех пор, пока не будет найден (локальный) оптимум. Примером является 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 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 является слияние анатомической и функциональной информации. Поскольку размер и форма структур различаются в зависимости от модальности, становится сложнее оценить качество выравнивания. Это привело к использованию мер сходства, таких как взаимная информация . [25]
Характеристика популяции субъектов. В отличие от внутрисубъектной регистрации, взаимно-однозначное соответствие может не существовать между субъектами в зависимости от структурной изменчивости интересующего органа. Межсубъектная регистрация необходима для построения атласа в вычислительной анатомии . [26] Здесь целью является статистическое моделирование анатомии органов у субъектов.
Компьютерная хирургия . В компьютерной хирургии предоперационные изображения, такие как КТ или МРТ, регистрируются с интраоперационными изображениями или системами отслеживания для облегчения управления изображением или навигации.
При выполнении регистрации изображений необходимо учитывать несколько важных моментов:
Модель преобразования . Обычными вариантами являются жесткие , аффинные и деформируемые модели преобразования. Модели B-сплайна и тонкого пластинчатого сплайна обычно используются для параметризованных полей преобразования. Непараметрические или плотные поля деформации несут вектор смещения в каждой точке сетки; это требует дополнительных ограничений регуляризации . Особым классом полей деформации являются диффеоморфизмы , которые являются обратимыми преобразованиями с гладкой обратной.
Метрика сходства. Для количественной оценки качества регистрации используется функция расстояния или сходства. Это сходство можно рассчитать либо по исходным изображениям, либо по признакам, извлеченным из изображений. Распространенными 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 получения также может играть роль в этом решении. Например, SSD является оптимальной мерой сходства для изображений одной и той же модальности с гауссовым шумом . [27] Однако статистика изображений в ультразвуке значительно отличается от гауссового шума, что приводит к введению специфичных для ультразвука мер сходства. [28] Мультимодальная регистрация требует более сложной меры сходства; в качестве альтернативы можно использовать другое представление изображения, такое как структурные представления [29] или регистрация смежной анатомии. [30] [31] Недавнее исследование [32] использовало контрастное кодирование для изучения общих, плотных представлений изображений, называемых CoMIR (Contrastive Multi-modal Image Representations), что позволило регистрировать многомодальные изображения, где существующие методы регистрации часто терпят неудачу из-за отсутствия достаточно похожих структур изображений. Это свело проблему многомодальной регистрации к мономодальной, в которой могут применяться как алгоритмы регистрации на основе общей интенсивности, так и алгоритмы регистрации на основе признаков.
Объемная визуализация (слева), аксиальное поперечное сечение (справа вверху) и сагиттальное поперечное сечение (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 сообщения о медицинских изображениях, которые по своей сути являются пространственно-временными. Визуализация данных и анализ данных используются для неструктурированных форм данных, например, при оценке статистических мер, полученных в ходе алгоритмической обработки. Прямое взаимодействие с данными, ключевая особенность процесса визуализации, используется для выполнения визуальных запросов о данных, аннотирования изображений, руководства процессами сегментации и регистрации и управления визуальным представлением данных (путем управления свойствами рендеринга освещения и параметрами просмотра). Визуализация используется как для начального исследования, так и для передачи промежуточных и окончательных результатов анализов.
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 ориентацию, отличную от исходного направления получения изображения); и 3. 3D- объемная визуализация тех же данных. Узловое поражение четко видно на разных презентациях и отмечено белой линией.
Атласы
Медицинские изображения могут значительно различаться у разных людей из-за того, что у людей органы разной формы и размера. Поэтому представление медицинских изображений с учетом этой изменчивости имеет решающее значение. Популярный подход к представлению медицинских изображений заключается в использовании одного или нескольких атласов. Здесь атлас относится к определенной модели для популяции изображений с параметрами, которые извлекаются из обучающего набора данных. [33] [34]
Простейшим примером атласа является изображение средней интенсивности, обычно называемое шаблоном. Однако атлас может также включать более богатую информацию, такую как локальная статистика изображения и вероятность того, что определенное пространственное местоположение имеет определенную метку. Новые медицинские изображения, которые не используются во время обучения, могут быть сопоставлены с атласом, который был адаптирован для конкретного приложения, такого как сегментация и групповой анализ. Сопоставление изображения с атласом обычно включает регистрацию изображения и атласа. Эта деформация может использоваться для устранения изменчивости медицинских изображений.
Один шаблон
Самый простой подход — моделировать медицинские изображения как деформированные версии одного шаблонного изображения. Например, анатомические МРТ-сканы мозга часто сопоставляются с шаблоном MNI [35], чтобы представить все сканирования мозга в общих координатах. Главный недостаток подхода с одним шаблоном заключается в том, что если между шаблоном и данным тестовым изображением имеются значительные различия, то может не быть хорошего способа сопоставить одно с другим. Например, анатомическое МРТ-сканирование мозга пациента с тяжелыми аномалиями мозга (например, 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 вычислительно затратный способ справиться с этим — сделать так, чтобы каждое изображение в обучающем наборе данных было изображением-шаблоном, и, таким образом, каждое новое обнаруженное изображение сравнивалось с каждым изображением в обучающем наборе данных. Более новый подход автоматически находит необходимое количество шаблонов. [36]
Статистический анализ
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, 1000 functional Connectomes Project), отчасти благодаря сотрудничеству между различными институтами и исследовательскими центрами. Это увеличение размера данных требует новых алгоритмов, которые могут добывать 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
В групповом анализе целью 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 ненормальных пациентов. Изменения, вызванные заболеванием, могут проявляться в виде аномальной деформации анатомии (см. Морфометрия на основе вокселей ). Например, усадка подкорковых тканей, таких как гиппокамп в мозге, может быть связана с болезнью Альцгеймера . Кроме того, изменения в биохимической (функциональной) активности можно наблюдать с помощью методов визуализации, таких как позитронно-эмиссионная томография .
Сравнение между группами обычно проводится на уровне вокселей . Следовательно, наиболее популярный конвейер предварительной обработки, особенно в нейровизуализации , преобразует все изображения в наборе данных в общую систему координат с помощью (регистрации медицинских изображений) для поддержания соответствия между вокселями. Учитывая это соответствие по вокселям, наиболее распространенным методом Frequentist является извлечение статистики для каждого воксела (например, средняя интенсивность вокселей для каждой группы) и выполнение статистической проверки гипотез для оценки того, поддерживается ли нулевая гипотеза или нет. 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 конкретного воксела). Поскольку медицинские изображения содержат большое количество вокселей, необходимо решить проблему множественного сравнения . [37] [38] Существуют также байесовские подходы для решения проблемы группового анализа. [39]
Классификация
Хотя групповой анализ может количественно оценить общее влияние патологии на анатомию и функцию, он не обеспечивает измерения на уровне субъекта и, следовательно, не может использоваться в качестве биомаркеров для диагностики (см. Биомаркеры визуализации). Клиницисты, с другой стороны, часто заинтересованы в ранней диагностике патологии (т. е. классификации, [40] [41] ) и в изучении прогрессирования заболевания (т. е. регрессии [42] ). С методологической точки зрения современные методы варьируются от применения стандартных алгоритмов машинного обучения к наборам данных медицинских изображений (например, машина опорных векторов [43] ) до разработки новых подходов, адаптированных для нужд данной области. [44] Основные трудности заключаются в следующем:
Малый 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 превышать миллионы. Решением этой проблемы является уменьшение количества признаков в информативном смысле (см. уменьшение размерности ). Было предложено несколько неконтролируемых и полуконтролируемых [44] [45] [46] [47] подходов для решения этой проблемы.
Интерпретируемость: Хорошая точность обобщения не всегда является основной целью, поскольку врачи хотели бы понимать, какие части анатомии затронуты болезнью. Поэтому интерпретируемость результатов очень важна; методы, которые игнорируют структуру изображения, не являются предпочтительными. 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 различимы и четко определены. Это не всегда так. Для ряда медицинских состояний популяции пациентов крайне неоднородны, и дальнейшая категоризация на подсостояния не установлена. Кроме того, некоторые заболевания (например, расстройство аутистического спектра (РАС), шизофрения , легкое когнитивное нарушение (ЛКР)) могут характеризоваться непрерывным или почти непрерывным спектром от легкого когнитивного нарушения до очень выраженных патологических изменений. Для облегчения анализа неоднородных расстройств на основе изображений были разработаны методологические альтернативы классификации образов. Эти методы заимствуют идеи из высокоразмерной кластеризации [49] и высокоразмерной регрессии образов для кластеризации данной популяции в однородные подпопуляции. Цель состоит в том, чтобы обеспечить лучшее количественное понимание заболевания в каждой подпопуляции.
Анализ формы
Анализ формы — это область вычислений медицинских изображений, которая изучает геометрические свойства структур, полученных с помощью различных методов визуализации . Анализ формы в последнее время стал вызывать все больший интерес у медицинского сообщества из-за его потенциала точного определения морфологических изменений между различными популяциями структур, т. е. здоровыми и патологическими, женщинами и мужчинами, молодыми и пожилыми. Анализ формы включает два основных этапа: соответствие формы и статистический анализ.
Соответствие формы — это методология, которая вычисляет соответствующие местоположения между геометрическими фигурами, представленными сетками треугольников, контурами, наборами точек или объемными изображениями. Очевидно, что определение соответствия напрямую повлияет на анализ. Среди различных вариантов фреймворков соответствия мы можем найти: анатомическое соответствие, ручные ориентиры, функциональное соответствие (т. е. в локусе морфометрии мозга, отвечающем за ту же нейронную функциональность), геометрическое соответствие, (для объемов изображения) сходство интенсивности и т. д. Некоторые подходы, например спектральный анализ формы, не требуют соответствия, но напрямую сравнивают дескрипторы формы.
Статистический анализ позволит измерить структурные изменения в соответствующих местах.
Лонгитюдные исследования
В лонгитюдных исследованиях один и тот же человек снимается повторно. Эта информация может быть включена как в анализ изображения , так и в статистическое моделирование.
При продольной обработке изображений методы сегментации и анализа отдельных временных точек информируются и регуляризуются с помощью общей информации, как правило, из внутрисубъектного шаблона. Эта регуляризация предназначена для снижения 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 возможность обнаружения любых истинных изменений и различий между группами. Часто необходимо стремиться к компромиссу, который оптимизирует снижение шума за счет ограниченной потери размера эффекта. Еще одной распространенной проблемой при продольной обработке изображений является, часто непреднамеренное, введение смещения обработки. Когда, например, последующие изображения регистрируются и повторно выбираются для базового изображения, артефакты интерполяции вводятся только для последующих изображений, а не для базового. Эти артефакты могут вызывать ложные эффекты (обычно смещение в сторону переоценки продольного изменения и, таким образом, недооценки требуемого размера выборки). Поэтому крайне важно, чтобы все точки за все время обрабатывались одинаково, чтобы избежать какой-либо систематической ошибки 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, полезно учитывать пространственное распределение сигнала. Например, измерения толщины коры покажут корреляцию внутри субъекта во времени, а также в пределах окрестности на поверхности коры — факт, который можно использовать для увеличения статистической мощности. Кроме того, анализ времени до события (т. е. выживаемости) часто применяется для анализа продольных данных и определения значимых предикторов.
Физиологическое моделирование на основе изображений
Традиционно вычисление медицинских изображений рассматривалось как решение количественной оценки и объединения структурной или функциональной информации, доступной в момент и во время получения изображения. В этом отношении его можно рассматривать как количественное восприятие базовых анатомических, физических или физиологических процессов. Однако за последние несколько лет возрос интерес к предиктивной оценке течения заболевания или терапии. Моделирование на основе изображений, будь то биомеханического или физиологического характера, может, таким образом, расширить возможности вычисления изображений с описательного на предиктивный угол.
Согласно исследовательской дорожной карте STEP, [50] [51] Виртуальный физиологический человек (VPH) — это методологическая и технологическая структура, которая после ее создания позволит исследовать человеческое тело как единую сложную систему. Основываясь на концепции VPH, Международный союз физиологических наук (IUPS) уже более десяти лет спонсирует проект IUPS Physiome . [52] [53] Это всемирная общественная инициатива по предоставлению вычислительной структуры для понимания физиологии человека. Она направлена на разработку интегративных моделей на всех уровнях биологической организации, от генов до целых организмов через сети регуляции генов, белковые пути, интегративные функции клеток и отношения структуры/функции тканей и целых органов. Такой подход направлен на преобразование текущей практики в медицине и подкрепляет новую эру вычислительной 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 структурной и функциональной информации о человеке in vivo. Эти две широкие области исследований включают преобразование общих вычислительных моделей для представления конкретных субъектов, тем самым прокладывая путь для персонализированных вычислительных моделей. [55] Индивидуализация общих вычислительных моделей посредством визуализации может быть реализована в трех дополнительных направлениях:
определение предметно-ориентированной вычислительной области (анатомии) и связанных с ней подобластей (типов тканей);
определение граничных и начальных условий с помощью (динамической и/или функциональной) визуализации; 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 моделях, а также в переносе моделей в клинические условия с диагностическими и терапевтическими приложениями. В этом конкретном контексте молекулярная, биологическая и доклиническая визуализация предоставляет дополнительные данные и понимание базовой структуры и функции в молекулах, клетках, тканях и животных моделях, которые могут быть перенесены в физиологию человека, где это уместно.
Применения моделей VPH/Physiome на основе изображений в базовых и клинических областях обширны. В целом, они обещают стать новыми методами виртуальной визуализации . Фактически больше, часто ненаблюдаемых, параметров будут визуализироваться in silico на основе интеграции наблюдаемых, но иногда разреженных и непоследовательных мультимодальных изображений и физиологических измерений. Вычислительные модели будут служить для генерирования интерпретации измерений способом, соответствующим базовым биофизическим, биохимическим или биологическим законам исследуемых физиологических или патофизиологических процессов. В конечном счете, 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.
Перекрестное опыление между визуализацией и моделированием выходит за рамки интерпретации измерений способом, соответствующим физиологии. Моделирование пациента на основе изображений в сочетании с моделями медицинских устройств и фармакологической терапии открывает путь к предиктивной визуализации, с помощью которой можно будет понимать, планировать и оптимизировать такие вмешательства in silico .
Математические методы в медицинской визуализации
Ряд сложных математических методов вошли в медицинскую визуализацию и уже были реализованы в различных программных пакетах. Они включают подходы, основанные на частных дифференциальных уравнениях (PDE) и потоках, управляемых кривизной, для улучшения, сегментации и регистрации. Поскольку они используют PDE, методы поддаются распараллеливанию и реализации на GPGPU. Ряд этих методов были вдохновлены идеями оптимального управления . Соответственно, совсем недавно идеи из управления недавно проникли в интерактивные методы, особенно сегментацию. Более того, из-за шума и необходимости в статистических методах оценки для более динамично меняющихся изображений, фильтр Калмана [56] и фильтр частиц вошли в употребление. Обзор этих методов с обширным списком ссылок можно найти в. [57]
Модально-специфические вычисления
Некоторые методы визуализации предоставляют очень специализированную информацию. Полученные изображения не могут рассматриваться как обычные скалярные изображения и дают начало новым подобластям вычислений медицинских изображений. Примерами являются диффузионная МРТ, функциональная МРТ и другие.
Диффузионная МРТ
Среднеосевой срез шаблона изображения тензора диффузии МБР. Значение каждого воксела — это тензор, представленный здесь эллипсоидом. Цвет обозначает основную ориентацию: красный = слева направо, синий = снизу вверх, зеленый = сзади вперед
Диффузионная МРТ — это структурный метод магнитно-резонансной томографии , позволяющий измерять процесс диффузии молекул. Диффузия измеряется путем приложения градиентного импульса к магнитному полю вдоль определенного направления. При типичном получении данных набор равномерно распределенных направлений градиента используется для создания набора диффузионно-взвешенных объемов. Кроме того, невзвешенный объем приобретается под тем же магнитным полем без применения градиентного импульса. Поскольку каждое получение связано с несколькими объемами, диффузионная МРТ создала множество уникальных проблем в вычислении медицинских изображений.
В медицине существуют две основные вычислительные цели диффузионной МРТ :
Оценка локальных свойств тканей, таких как диффузионная способность;
Оценка локальных направлений и глобальных путей распространения.
Тензор диффузии [58] , симметричная положительно определенная матрица 3 × 3 , предлагает простое решение обеих этих задач. Он пропорционален ковариационной матрице нормально распределенного локального профиля 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 волокна ткани, может быть предпочтительнее оценить объем тензоров диффузии в целом, наложив условия регулярности на лежащее в основе поле тензоров. [59] Из тензора диффузии можно извлечь скалярные значения, такие как дробная анизотропия , средняя, аксиальная и радиальная диффузии, которые косвенно измеряют свойства ткани, такие как дисмиелинизация аксональных волокон [60] или наличие отека. [61] Стандартные методы скалярного вычисления изображений, такие как регистрация и сегментация, могут быть применены непосредственно к объемам таких скалярных значений. Однако, чтобы полностью использовать информацию в тензоре диффузии, эти методы были адаптированы для учета объемов с тензорными значениями при выполнении регистрации [62] [63] и сегментации. [64] [65]
Учитывая основное направление диффузии в каждом месте в объеме, 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, целоваться или расходиться веером в одном месте. В этой ситуации единственное основное направление тензора диффузии не является подходящей моделью для локального распределения 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 спектра диффузии [69] и функции распределения ориентации волокон, [70] [71], которые обычно требуют получения HARDI с большим количеством направлений градиента. Как и в случае с тензором диффузии, объемы, оцененные с помощью этих сложных моделей, требуют специальной обработки 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 нейронную активность, наблюдая за локальной гемодинамикой или сигналом, зависящим от уровня кислорода в крови (BOLD). Данные фМРТ предлагают широкий спектр информации и могут быть условно разделены на две категории:
Связанная с задачей фМРТ приобретается, когда субъект выполняет последовательность хронометрированных экспериментальных условий. В экспериментах с блочным дизайном условия присутствуют в течение коротких периодов времени (например, 10 секунд) и чередуются с периодами отдыха. Событийные эксперименты полагаются на случайную последовательность стимулов и используют одну временную точку для обозначения каждого условия. Стандартным подходом к анализу связанной с задачей фМРТ является общая линейная модель (GLM) [76]
Состояние покоя фМРТ получают при отсутствии какой-либо экспериментальной задачи. Обычно целью является изучение внутренней сетевой структуры мозга. Наблюдения, сделанные во время отдыха, также были связаны с определенными когнитивными процессами, такими как кодирование или отражение. Большинство исследований состояния покоя фМРТ сосредоточены на низкочастотных колебаниях сигнала фМРТ (LF-BOLD). Основополагающие открытия включают сеть по умолчанию , [77] всестороннюю кортикальную парцелляцию, [78] и связь характеристик сети с поведенческими параметрами.
Существует богатый набор методологий, используемых для анализа функциональных данных нейровизуализации, и часто нет консенсуса относительно лучшего метода. Вместо этого исследователи подходят к каждой проблеме независимо и выбирают подходящую модель/алгоритм. В этом контексте наблюдается относительно активный обмен между сообществами нейронауки , вычислительной биологии , статистики и машинного обучения . Известные подходы включают
Массовые одномерные подходы , которые исследуют отдельные воксели в данных изображений для связи с условиями эксперимента. Основной подход — это общая линейная модель (GLM) [76]
Многомерные и классификационные подходы , часто называемые многовоксельным анализом паттернов или многомерным анализом паттернов, исследуют данные на предмет глобальных и потенциально распределенных ответов на экспериментальное условие. Ранние подходы использовали опорные векторные машины (SVM) для изучения ответов на визуальные стимулы. [79] Недавно были исследованы альтернативные алгоритмы распознавания образов, такие как случайный лес на основе контраста Джини [80] или разреженная регрессия и обучение словарю [81]
Анализ функциональной связности изучает внутреннюю сетевую структуру мозга, включая взаимодействия между областями. Большинство таких исследований сосредоточены на данных о состоянии покоя для разделения мозга [78] или поиска коррелятов с поведенческими мерами. [82] Данные, специфичные для задач, могут использоваться для изучения причинно-следственных связей между областями мозга (например, динамическое причинно-следственное картирование (DCM) [83] ).
При работе с большими группами субъектов нормализация (регистрация) отдельных субъектов в общей системе отсчета имеет решающее значение. Существует ряд работ и инструментов для выполнения нормализации на основе анатомии ( FSL , FreeSurfer , SPM ). Выравнивание с учетом пространственной изменчивости между субъектами является более новым направлением работы. Примерами являются выравнивание коры на основе корреляции сигналов фМРТ [84], выравнивание на основе глобальной функциональной структуры связей как в данных о состоянии задачи, так и в состоянии покоя [85] и выравнивание на основе профилей активации отдельных вокселей, специфичных для стимула. [86]
Программное обеспечение
Программное обеспечение для медицинских вычислений изображений представляет собой сложную комбинацию систем, обеспечивающих ввод-вывод, визуализацию и взаимодействие, пользовательский интерфейс, управление данными и вычисления. Обычно системные архитектуры разделены на слои для обслуживания разработчиков алгоритмов, разработчиков приложений и пользователей. Нижние слои часто представляют собой библиотеки и/или наборы инструментов, которые предоставляют базовые вычислительные возможности; в то время как верхние слои представляют собой специализированные приложения, которые решают конкретные медицинские проблемы, заболевания или системы организма.
Дополнительные примечания
Медицинские вычисления изображений также связаны с областью компьютерного зрения . Международное общество MICCAI Society представляет эту область и организует ежегодную конференцию и связанные с ней семинары. Труды этой конференции публикуются издательством Springer в серии Lecture Notes in Computer Science. [87] В 2000 году Н. Аяче и Дж. Дункан провели обзор состояния этой области. [88]
^ Perera Molligoda Arachchige, Arosh S.; Svet, Afanasy (2021-09-10). «Интеграция искусственного интеллекта в практику радиологии: точка зрения студентов-бакалавриатов». European Journal of Nuclear Medicine and Molecular Imaging . 48 (13): 4133–4135. doi :10.1007/s00259-021-05558-y. ISSN 1619-7089. PMID 34505175. S2CID 237459138.
^ Forghani, M.; Forouzanfar, M.; Teshnehlab, M. (2010). «Оптимизация параметров улучшенного алгоритма кластеризации нечетких c-средних для сегментации изображений МРТ мозга». Engineering Applications of Artificial Intelligence . 23 (2): 160–168. doi :10.1016/j.engappai.2009.10.002.
^ J Gee; M Reivich; R Bajcsy (1993). «Эластичная деформация трехмерного атласа для соответствия анатомическим изображениям мозга». Журнал компьютерной томографии . 17 (1): 225–236. doi :10.1097/00004728-199303000-00011. PMID 8454749. S2CID 25781937.
^ MR Sabuncu; BT Yeo; K Van Leemput; B Fischl; P Golland (июнь 2010 г.). «Генеративная модель сегментации изображений на основе слияния меток». IEEE Transactions on Medical Imaging . 29 (10): 1714–1729. doi :10.1109/TMI.2010.2050897. PMC 3268159. PMID 20562040 .
^ Cootes TF, Taylor CJ, Cooper DH, Graham J (1995). «Модели активных форм — их обучение и применение». Computer Vision and Image Understanding . 61 (1): 38–59. doi :10.1006/cviu.1995.1004. S2CID 15242659.
^ Cootes, TF; Edwards, GJ; Taylor, CJ (2001). «Модели активного внешнего вида». Труды IEEE по анализу образов и машинному интеллекту . 23 (6): 681–685. CiteSeerX 10.1.1.128.4967 . doi :10.1109/34.927467.
^ G. Zheng; S. Li; G. Szekely (2017). Статистический анализ формы и деформации . Academic Press. ISBN9780128104941.
^ Р. Голденберг, Р. Киммел, Э. Ривлин и М. Рудзский (2001). «Быстрые геодезические активные контуры» (PDF) . Труды IEEE по обработке изображений . 10 (10): 1467–1475. Bibcode :2001ITIP...10.1467G. CiteSeerX 10.1.1.35.1977 . doi :10.1109/83.951533. PMID 18255491.{{cite journal}}: CS1 maint: 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. doi :10.1109/CDC.2011.6161453. ISBN978-1-61284-801-3. PMC 3935399 . PMID 24584213.
^ К. Микула, Н. Пейриерас, М. Ремешикова, А. Сарти: Сегментация трехмерного изображения эмбриогенеза методом обобщенной субъективной поверхности с использованием метода конечных объемов. Труды FVCA5 – 5-го международного симпозиума по конечным объемам для сложных приложений, Hermes Publ., Париж, 2008.
^ А. Сарти, Дж. Читти: Субъективные поверхности и римановы графы потока средней кривизны. Acta Math. Univ. Comenian. (NS) 70 (2000), 85–103.
^ А. Сарти, Р. Маллади, JA Sethian: Субъективные поверхности: метод восполнения недостающих границ. Proc. Natl. Acad. Sci. mi 12, № 97 (2000), 6258–6263.
^ А. Сарти, Р. Маллади, JA Sethian: Субъективные поверхности: геометрическая модель для завершения границ, Международный журнал компьютерного зрения, mi 46, № 3 (2002), 201–221.
^ Роннебергер, Олаф; Фишер, Филипп; Брокс, Томас (18.05.2015). «U-Net: сверточные сети для сегментации биомедицинских изображений». arXiv : 1505.04597 [cs.CV].
^ He, Kaiming; Zhang, Xiangyu; Ren, Shaoqing; Sun, Jian (июнь 2016 г.). «Глубокое остаточное обучение для распознавания изображений». Конференция IEEE 2016 г. по компьютерному зрению и распознаванию образов (CVPR). Лас-Вегас, Невада, США: IEEE. стр. 770–778. doi :10.1109/CVPR.2016.90. ISBN978-1-4673-8851-1. S2CID 206594692.
^ Ахмад, Ибтихадж; Ся, Юн; Цуй, Хэнфэй; Ислам, Заин Ул (01.05.2023). "AATSN: Анатомически-ориентированная сеть сегментации опухолей 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].
^ Сорин, Вера; Бараш, Йифтах; Конен, Эли; Кланг, Эяль (август 2020 г.). «Создание искусственных изображений для радиологических приложений с использованием генеративно-состязательных сетей (GAN) – систематический обзор». Academic Radiology . 27 (8): 1175–1185. doi :10.1016/j.acra.2019.12.024. ISSN 1076-6332. PMID 32035758. S2CID 211072078.
^ Эхсани Рад, Абдолвахаб; Мохд Рахим Мохд Шафри; Рехман Амджад; Альтамим Айман; Саба Танзила (май 2013 г.). «Оценка современных подходов к сегментации дентальных рентгенограмм в компьютерных приложениях». Технический обзор IETE . 30 (3): 210. doi : 10.4103/0256-4602.113498 (неактивен 1 ноября 2024 г.). S2CID 62571134.{{cite journal}}: CS1 maint: DOI неактивен по состоянию на ноябрь 2024 г. ( ссылка )
^ J. Maintz; M. Viergever (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.
^ J. Hajnal; D. Hawkes; D. Hill (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». Q. Appl. Math . LVI (4): 617–694. doi : 10.1090/qam/1668732 .
^ PA Viola (1995). Выравнивание путем максимизации взаимной информации (диссертация). Массачусетский технологический институт.
^ C. Wachinger; T. Klein; N. Navab (2011). «Локально адаптивные меры ультразвукового сходства на основе Nakagami». Ultrasonics . 52 (4): 547–554. doi :10.1016/j.ultras.2011.11.009. PMID 22197152.
^ C. Wachinger; N. Navab (2012). «Энтропия и лапласовские изображения: структурные представления для многомодальной регистрации». Анализ медицинских изображений . 16 (1): 1–17. doi :10.1016/j.media.2011.03.001. PMID 21632274.
^ Хилл, Дерек LG; Хоукс, Дэвид Дж. (1994-04-01). «Регистрация медицинских изображений с использованием знаний о смежности анатомических структур». Image and Vision Computing . 12 (3): 173–178. CiteSeerX 10.1.1.421.5162 . doi :10.1016/0262-8856(94)90069-8. ISSN 0262-8856.
^ Toth, Daniel; Panayiotou, Maria; Brost, Alexander; Behar, Jonathan M.; Rinaldi, Christopher A.; Rhode, Kawal S.; Mountney, Peter (17.10.2016). «Регистрация с соседними анатомическими структурами для руководства по сердечной ресинхронизирующей терапии». Статистические атласы и вычислительные модели сердца. Проблемы визуализации и моделирования (Представленная рукопись). Lecture Notes in Computer Science. Vol. 10124. pp. 127–134. doi :10.1007/978-3-319-52718-5_14. ISBN9783319527178. S2CID 1698371.
^ Pielawski, N., Wetzer, E., Ofverstedt, J., Lu, J., Wählby, C., Lindblad, J., & Sladoje, N. (2020). CoMIR: Контрастное мультимодальное представление изображений для регистрации. В Advances in Neural Information Processing Systems (стр. 18433–18444). Curran Associates, Inc.
^ M. De Craene; AB d Aische; B. Macq; SK Warfield (2004). «Многопрофильная регистрация для построения непредвзятого статистического атласа» (PDF) . Медицинские вычисления изображений и компьютерное вмешательство – MICCAI 2004 . Конспект лекций по информатике. Том 3216. С. 655–662. doi : 10.1007/978-3-540-30135-6_80 . ISBN978-3-540-22976-6.
^ CJ Twining; T. Cootes; S. Marsland; V. Petrovic; R. Schestowitz; C. Taylor (2005). "Унифицированный информационно-теоретический подход к групповой нежесткой регистрации и построению моделей". Обработка информации в медицинской визуализации . Конспект лекций по информатике. Том 19. С. 1–14. doi :10.1007/11505730_1. ISBN978-3-540-26545-0. PMID 17354680.
^ «Мозг MNI и атлас Талайраха».
^ M. Sabuncu; SK Balci; ME Shenton; P. Golland (2009). «Анализ популяции на основе изображений с помощью моделирования смесей». Труды IEEE по медицинской визуализации . 28 (9): 1473–1487. CiteSeerX 10.1.1.158.3690 . doi :10.1109/TMI.2009.2017942. PMC 2832589. PMID 19336293 .
^ J. Ashburner; KJ Friston (2000). «Voxel-Based Morphometry – The Methods» (Морфометрия на основе вокселей – Методы). NeuroImage . 11 (6): 805–821. CiteSeerX 10.1.1.114.9512 . doi :10.1006/nimg.2000.0582. PMID 10860804. S2CID 16777465.
^ C. 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. S2CID 7452089.
^ KJ Friston; WD Penny; C. Phillips; SJ Kiebel; G. Hinton; J. Ashburner (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. S2CID 14911371.
^ Yong Fan; Nematollah Batmanghelich; Chris M. Clark; Christos Davatzikos (2008). «Пространственные закономерности атрофии мозга у пациентов с MCI, выявленные с помощью классификации многомерных закономерностей, предсказывают последующее снижение когнитивных способностей». NeuroImage . 39 (4): 1731–1743. doi :10.1016/j.neuroimage.2007.10.031. PMC 2861339 . PMID 18053747.
^ Реми Кённе; Эмили Жерарден; Жером Тессирас; Гийом Озиас; Стефан Леэриси; Мари-Одиль Абер; Мари Шупен; Хабиб Бенали; Оливье Коллио (2011). «Инициатива по нейровизуализации болезни Альцгеймера. Автоматическая классификация пациентов с болезнью Альцгеймера с помощью 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. S2CID 628131.
^ Y. Wang; Y. Fan; P. Bhatt P; C. Davatzikos (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.
^ 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.
^ ab NK Batmanghelich; B. Taskar; C. Davatzikos (2012). «Генеративно-дискриминативное базовое обучение для медицинской визуализации». IEEE Trans Med Imaging . 31 (1): 51–69. doi :10.1109/TMI.2011.2162961. PMC 3402718. PMID 21791408 .
^ ab Гленн Фунг; Джонатан Стокель (2007). «Выбор признаков SVM для классификации изображений SPECT болезни Альцгеймера с использованием пространственной информации». Knowledge and Information Systems . 11 (2): 243–258. CiteSeerX 10.1.1.62.6245 . doi :10.1007/s10115-006-0043-5. S2CID 9901011.
^ ab R. Chaves; J. Ramírez; JM Górriz; M. López; D. Salas-Gonzalez; I. Álvarez; F. Segovia (2009). "Компьютерная диагностика болезни Альцгеймера на основе SVM с использованием выбора признаков NMSE с весовым коэффициентом корреляции признаков". Neuroscience Letters . 461 (3): 293–297. doi :10.1016/j.neulet.2009.06.052. PMID 19549559. S2CID 9981775.
^ ab Yanxi Liu ; Leonid Teverovskiy; Owen Carmichael; Ron Kikinis; Martha Shenton; Cameron S. Carter; V. Andrew Stenger; Simon Davis; Howard Aizenstein; James T. Becker (2004). "Discriminative MR Image Feature Analysis for Automatic Schizophrenia and Alzheimer's Disease Classification" (PDF) . Medical Image Computing and Computer-Assisted Intervention – MICCAI 2004 . Lecture Notes in Computer Science. Vol. 3216. pp. 393–401. doi : 10.1007/978-3-540-30135-6_48 . ISBN978-3-540-22976-6. {{cite book}}: |journal=проигнорировано ( помощь )
^ Савио А.; Гранья М. (2013). «Выбор признаков 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.
^ Р. Филипович; СМ Резник; К. Давацикос (2011). «Полуконтролируемый кластерный анализ данных изображений». NeuroImage . 54 (3): 2185–2197. doi :10.1016/j.neuroimage.2010.09.074. PMC 3008313 . PMID 20933091.
^ План исследований STEP Архивировано 28 августа 2008 г. на Wayback Machine . europhysiome.org
^ JW Fenner; B. Brook; G. Clapworthy; PV Coveney; V. Feipel; H. Gregersen; DR Hose; P. Kohl; P. Lawford; KM McCormack; D. Pinney; SR Thomas; S. Van Sint Jan; S. Waters; M. Viceconti (2008). "EuroPhysiome, STEP и дорожная карта для виртуального физиологического человека" (PDF) . Philosophical Transactions of the Royal Society A. 366 ( 1878): 2979–2999. Bibcode : 2008RSPTA.366.2979F. doi : 10.1098/rsta.2008.0089. PMID 18559316. S2CID 1211981.
^ JB Bassingthwaighte (2000). «Стратегии проекта Physiome». Annals of Biomedical Engineering . 28 (8): 1043–1058. doi :10.1114/1.1313771. PMC 3425440. PMID 11144666 .
^ PJ Hunter; TK Borg (2003). «Интеграция от белков до органов: проект Physiome». Nat. Rev. Mol. Cell Biol . 4 (3): 237–243. doi :10.1038/nrm1054. PMID 12612642. S2CID 25185270.
^ RLWinslow; N. Trayanova; D. Geman; MI Miller (2012). «Вычислительная медицина: Трансляция моделей в клиническую медицину». Sci. Transl. Med . 4 (158): 158rv11. doi :10.1126/scitranslmed.3003528. PMC 3618897. PMID 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. Маньин, 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
^ Boulfelfel D.; Rangayyan RM; Hahn LJ; Kloiber R.; Kuduvalli GR (1994). «Восстановление изображений однофотонной эмиссионной компьютерной томографии с помощью фильтра Калмана». IEEE Transactions on Medical Imaging . 13 (1): 102–109. doi :10.1109/42.276148. PMID 18218487.
^ Angenent, S. ; Pichon, E.; Tannenbaum, A. (2006). «Математические методы в обработке медицинских изображений». Бюллетень AMS . 43 (3): 365–396. doi :10.1090/S0273-0979-06-01104-9. PMC 3640423 . PMID 23645963.
^ P Basser; J Mattiello; D LeBihan (январь 1994). "MR diffusion тензорная спектроскопия, визуализация". Biophysical Journal . 66 (1): 259–267. Bibcode :1994BpJ....66..259B. doi :10.1016/S0006-3495(94)80775-1. PMC 1275686 . PMID 8130344.
^ P Fillard; X Pennec; V Arsigny; N Ayache (2007). «Клиническая оценка DT-MRI, сглаживание, отслеживание волокон с помощью логарифмически-евклидовых метрик». IEEE Transactions on Medical Imaging . 26 (11): 1472–1482. CiteSeerX 10.1.1.218.6380 . doi :10.1109/TMI.2007.899173. PMID 18041263.
^ SK Song; SW Sun; M Ramsbottom; C Cheng; J Russell; A Cross (ноябрь 2002 г.). «Дисмиелинизация, выявленная с помощью МРТ как повышенная радиальная (но неизмененная аксиальная) диффузия воды». NeuroImage . 13 (3): 1429–1436. doi :10.1006/nimg.2002.1267. PMID 12414282. S2CID 43229972.
^ P Barzo; A Marmarou; P Fatouros; K Hayasaki; F Corwin (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.
^ D Alexander; C Pierpaoli; P Basser (январь 2001 г.). «Пространственное преобразование изображений магнитного резонанса тензора диффузии» (PDF) . IEEE Transactions on Medical Imaging . 20 (11): 1131–1139. doi :10.1109/42.963816. PMID 11700739. S2CID 6559551.
^ Y Cao; M Miller; S Mori; R Winslow; L Younes (июнь 2006 г.). "Диффеоморфное сопоставление изображений тензора диффузии". Труды конференции IEEE Computer Society по компьютерному зрению, распознаванию образов (CVPR), семинар по математическим методам в анализе биомедицинских изображений (MMBIA 2006) . Нью-Йорк. стр. 67. doi :10.1109/CVPRW.2006.65. PMC 2920614 .
^ Z Wang; B Vemuri (октябрь 2005 г.). «Сегментация DTI с использованием меры различия теоретического тензора информации». IEEE Transactions on Medical Imaging . 24 (10): 1267–1277. CiteSeerX 10.1.1.464.9059 . doi :10.1109/TMI.2005.854516. PMID 16229414. S2CID 32724414.
^ S Mori; B Crain; V Chacko; P van Zijl (февраль 1999). «Трехмерное отслеживание аксональных проекций в мозге с помощью магнитно-резонансной томографии». Annals of Neurology . 45 (2): 265–269. doi :10.1002/1531-8249(199902)45:2<265::AID-ANA21>3.0.CO;2-3. PMID 9989633. S2CID 334903.
^ D Tuch; T Reese; M Wiegell; N Makris; J Belliveau; V Wedeen (октябрь 2002 г.). «Диффузионная визуализация с высоким угловым разрешением выявляет гетерогенность волокон белого вещества внутри вокселя». Магнитный резонанс в медицине . 48 (4): 577–582. doi : 10.1002/mrm.10268 . PMID 12353272.
^ D Tuch (декабрь 2004 г.). "Q-ball imaging". Магнитный резонанс в медицине . 52 (6): 1358–1372. doi : 10.1002/mrm.20279 . PMID 15562495.
^ V Wedeen; P Hagmann; WY Tseng; T Reese (декабрь 2005 г.). «Картирование сложной архитектуры тканей с помощью диффузионной спектральной магнитно-резонансной томографии». Магнитный резонанс в медицине . 54 (6): 1377–1386. doi : 10.1002/mrm.20642 . PMID 16247738.
^ K Jansons; D Alexander (июль 2003 г.). «Постоянная угловая структура: новые идеи из данных диффузионной магнитно-резонансной томографии». Труды по обработке информации в медицинской визуализации (IPMI) 2003, LNCS 2732. стр. 672–683. doi :10.1007/978-3-540-45087-0_56.
^ JD Tournier; F Calamante; D Gadian; A Connelly (2007). «Прямая оценка функции плотности ориентации волокон из диффузионно-взвешенных данных МРТ с использованием сферической деконволюции». NeuroImage . 23 (3): 1176–1185. doi :10.1016/j.neuroimage.2004.07.037. PMID 15528117. S2CID 24169627.
^ X Geng; T Ross; W Zhan; H Gu; YP Chao; CP Lin; G Christensen; N Schuff; Y Yang (июль 2009 г.). «Регистрация диффузионной МРТ с использованием функций распределения ориентации». Труды по обработке информации в медицинской визуализации (IPMI) 2009, LNCS 5636. Том 21. стр. 626–637. doi :10.1007/978-3-642-02498-6_52. PMC 3860746 .
^ PT Yap; Y Chen; H An; Y Yang; J Gilmore; W Lin; D Shen (2011). "SPHERE: SPherical Harmonic Elastic REGistration of HARDI data". NeuroImage . 55 (2): 545–556. doi :10.1016/j.neuroimage.2010.12.015. PMC 3035740 . PMID 21147231.
^ P Zhang; M Niethammer; D Shen; PT Yap (2012). "Диффеоморфная регистрация изображений с большой деформацией и диффузионно-взвешенными изображениями" (PDF) . Труды Medical Image Computing and Computer-Assisted Intervention (MICCAI) . doi : 10.1007/978-3-642-33418-4_22 .
^ M Descoteaux; R Deriche (сентябрь 2007 г.). «Сегментация изображений Q-Ball с использованием статистической эволюции поверхности». Труды Medical Image Computing and Computer-Assisted Intervention (MICCAI) 2007, LNCS 4792. стр. 769–776. doi : 10.1007/978-3-540-75759-7_93 .
^ ab Фристон, К.; Холмс, А.; Уорсли, К.; Полин, Дж.; Фрит, К.; Фраковяк, Р.; и др. (1995). «Статистические параметрические карты в функциональной визуализации: общий линейный подход». Hum Brain Mapp . 2 (4): 189–210. doi :10.1002/hbm.460020402. S2CID 9898609.
^ Бакнер, Р. Л.; Эндрюс-Ханна, Дж. Р.; Шактер, Д. Л. (2008). «Сеть мозга по умолчанию: анатомия, функция и отношение к болезни». Анналы Нью-Йоркской академии наук . 1124 (1): 1–38. Bibcode : 2008NYASA1124....1B. CiteSeerX 10.1.1.689.6903 . doi : 10.1196/annals.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, Б. Х.; Лашкари, Д.; Голланд, П. (2011). «Обнаружение стабильных распределенных паттернов активации мозга с использованием контраста Джини». NeuroImage . 56 (2): 497–507. doi :10.1016/j.neuroimage.2010.07.074. PMC 3960973 . PMID 20709176.
^ Варокво, Г.; Грамфорт, А.; Педрегоса, Ф.; Мишель, В.; Тирион, Б. (2011). «Изучение многопредметного словаря для сегментации атласа спонтанной активности мозга». Inf Process Med Imaging . Том 22. С. 562–73.
^ Ван ден Хойвел, MP; Стам, CJ; Кан, RS; Хулшофф Пол, HE (2009). «Эффективность функциональных мозговых сетей и интеллектуальная производительность». J Neurosci . 29 (23): 7619–24. doi :10.1523/JNEUROSCI.1443-09.2009. PMC 6665421 . PMID 19515930.
^ Фристон, К. (2003). «Динамическое причинное моделирование». NeuroImage . 19 (4): 1273–1302. doi :10.1016/S1053-8119(03)00202-7. PMID 12948688. S2CID 2176588.
^ 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.
^ Haxby, JV; Guntupalli, JS; Connolly, AC; Halchenko, YO; Conroy, BR; Gobbini, MI; Hanke, M.; Ramadge, PJ (2011). «Общая многомерная модель репрезентативного пространства в вентральной височной коре человека». Neuron . 72 (2): 404–416. doi :10.1016/j.neuron.2011.08.026. PMC 3201764 . PMID 22017997.
^ Уэллс, Уильям М.; Колчестер, Алан; Делп, Скотт (1998). Заметки лекций по информатике (Представленная рукопись). Том 1496. doi :10.1007/BFb0056181. ISBN978-3-540-65136-9. S2CID 31031333.
^ JS Duncan; N Ayache (2000). «Анализ медицинских изображений: прогресс за два десятилетия и предстоящие задачи». Труды IEEE по анализу образов и машинному интеллекту . 22 : 85–106. CiteSeerX 10.1.1.410.8744 . doi :10.1109/34.824822.
Журнал цифровой обработки изображений (JDI); официальный журнал Общества информатики обработки изображений
Компьютеризированная медицинская визуализация и графика
Журнал компьютерной радиологии и хирургии
BMC Медицинская визуализация
Кроме того, следующие журналы время от времени публикуют статьи, описывающие методы и конкретные клинические применения вычислений медицинских изображений или вычислений медицинских изображений, специфичных для определенных модальностей.
Радиология — официальный журнал Радиологического общества Северной Америки
