मेडिकल इमेज कंप्यूटिंग

From Vigyanwiki
"चिकित्सा छवि विश्लेषण" redirects here. For पत्रिका, see चिकित्सा छवि विश्लेषण जर्नल।.

चिकित्सा इमेजिंग कंप्यूटिंग (एमआईसी) कंप्यूटर विज्ञान, सूचना इंजीनियरिंग (क्षेत्र), विद्युत इंजीनियरिंग, भौतिकी गणित और चिकित्सा के प्रतिच्छेदन पर एक अंतःविषय क्षेत्र है। यह क्षेत्र चिकित्सा छवियों से संबंधित समस्याओं को हल करने और जैव चिकित्सा अनुसंधान और क्लीनिकल ​​​​देखभाल के लिए उनके उपयोग के लिए कम्प्यूटेशनल और गणितीय विधियों का विकास करता है।

एमआईसी का मुख्य लक्ष्य चिकित्सकीय छवियों से चिकित्सकीय ​​रूप से संबंधित जानकारी या ज्ञान निकालना है। जबकि चिकित्सा इमेजिंग के क्षेत्र निकटता से संबंधित है और उनके अधिग्रहण पर एमआईसी छवियों के कम्प्यूटेशनल विश्लेषण पर ध्यान केंद्रित करता है। इस विधियों को कई व्यापक श्रेणियों में बांटा जा सकता है और वे निम्न प्रकार की है छवि विभाजन छवि पंजीकरण छवि आधारित फिजियोलॉजिकल मॉडलिंग और इत्यादि।[1]

डेटा फॉर्म

सामान्यतः चिकित्सा छवि कंप्यूटिंग नियमित एक्स-वाई-जेड स्पाटिअल स्पेसिंग 2डी में छवियां और 3डी में वॉल्यूम सामान्य रूप से छवियों के रूप में संदर्भित होता है और इस प्रकार समान रूप से सैंपल किए गए डेटा पर संचालित होती है। प्रत्येक नमूना बिंदु पर डेटा को सामान्यतः पूर्णांक (कंप्यूटर विज्ञान) के रूप में दर्शाया जाता है जैसे हस्ताक्षरित और अहस्ताक्षरित लघु 16-बिट के रूप में प्रदर्शित किया जाता है, चूंकि अहस्ताक्षरित चार (8-बिट) से 32-बिट फ्लोट असामान्य रूप में नहीं होता है। इस प्रकार नमूना बिंदु पर डेटा का विशेष अर्थ मॉडेलिटी पर निर्भर करता है उदाहरण के लिए सीटी एक्स-रे कंप्यूटेड टोमोग्राफी रेडियोघनत्व मान एकत्र करता है जबकि एमआरआई चुंबकीय अनुनाद इमेजिंग T1 या T2 भारित छवियों को एकत्र कर सकती है। अनुदैर्ध्य समय अधिग्रहण नियमित समय चरणों के साथ छवियां प्राप्त कर सकते हैं और नहीं भी कर सकते हैं। उच्च-तीव्रता केंद्रित अल्ट्रासाउंड जैसी विधियों के कारण बनने वाले पंखे भी सामान्य रूप में होते हैं और प्रक्रिया के लिए भिन्न- भिन्न प्रतिनिधित्व और कलन विधि प्रोद्योगिकीय की आवश्यकता होती है। अन्य डेटा रूपों में अधिग्रहण के समय गैन्ट्री टिल्ट के कारण अन्य डेटा फॉर्मों में कतरी गई छवियो के रूप में सम्मलित होती है और इस प्रकार हेक्सााहेड्रल और टेट्राहेड्रल प्रकार के असंरचित ग्रिड का उपयोग किया जाता है, जिनका उपयोग उन्नत जैवयांत्रिकी विश्लेषण में किया जाता है। जैसे ऊतक विकृति, संवहनी परिवहन, अस्थि प्रत्यारोपित में किया जाता है।

विभाजन

एमआरआई कंट्रास्ट एजेंट (शीर्ष बाएं) के इंजेक्शन के बाद मेनिंगियोमा वाले बीमारियों के मस्तिष्क की एक एमआरआई टी 1-भारित एमआरआई छवि और हरे रंग में एक इंटरैक्टिव विभाजन के परिणाम के साथ एक ही छवि विभाजन का 3 डी मॉडल शीर्ष दाईं ओर, नीचे अक्षीय और कोरोनल दृश्य के रूप में है।

विभाजन छवि को विभिन्न अर्थपूर्ण खंडों में विभाजित करने की प्रक्रिया है। चिकित्सा इमेजिंग में ये खंड अधिकांशतः विभिन्न ऊतक वर्गों अंग ( फिजियोलॉजिकल रचना) पैथोलॉजी या अन्य जैविक रूप से प्रासंगिक संरचनाओं के अनुरूप होते हैं।[2] और इस प्रकार कम कंट्रास्ट नॉइज़ और अन्य इमेजिंग अस्पष्टताओं के कारण चिकित्सा छवि विभाजन को मुश्किल बना दिया गया है। चूंकि कई विभाजन (छवि प्रोसेसिंग) को विशेष रूप से चिकित्सा छवि कंप्यूटिंग के लिए अनुकूलित किया गया है। नीचे इस क्षेत्र के भीतर प्रोद्योगिकीय का एक नमूना है; जो कार्यान्वयन विशेषज्ञता पर निर्भर करता है और जो चिकित्सक प्रदान कर सकते हैं।

  • एटलस-आधारित विभाजन: कई अनुप्रयोगों के लिए, क्लीनिकल ​​विशेषज्ञ मैन्युअल रूप से कई छवियों को लेबल कर सकता है और इस अनदेखी छवियों को खंडित करना इन मैन्युअल रूप से लेबल की गई प्रशिक्षण छवियों से बर्हिवेंशन की स्थिति होती है। इस शैली के विधियों को सामान्यतः एटलस आधारित विभाजन विधियों के रूप में जाना जाता है। पैरामीट्रिक एटलस विधियाँ सामान्यतः इन प्रशिक्षण छवियों को एकल एटलस छवि में जोड़ती हैं,[3] जबकि गैर पैरामीट्रिक एटलस विधियां सामान्यतः सभी प्रशिक्षण छवियों का भिन्न -भिन्न उपयोग करती हैं।[4] और एटलस आधारित विधियों में सामान्यतःछवि पंजीकरण के उपयोग की आवश्यकता होती है जिससे कि एटलस छवि या छवियों को एक नई अनदेखी छवि के साथ संरेखित किया जा सके।
  • आकार-आधारित विभाजन: कई विधियाँ किसी दिए गए ढांचे के लिए एक टेम्पलेट आकार को पैरामीट्रिज करती हैं, जो अधिकांशतः सीमा के साथ नियंत्रण बिंदुओं पर निर्भर करती हैं। फिर एक नई छवि से मेल खाने के लिए पूरी आकृति को विकृत कर दिया जाता है और सबसे आम आकार आधारित प्रोद्योगिकीय में से दो एक्टिव शेप मॉडल के रूप में होते है [5]और सक्रिय उपस्थिति मॉडल,[6]ये विधियों बहुत प्रभावशाली रूप में होती है और इसी तरह के मॉडल को जन्म देते है।[7]
  • छवि-आधारित विभाजन: कुछ विधियाँ टेम्पलेट आरंभ करती हैं और सक्रिय कंटूर मॉडल और इसकी विविधताओं जैसे अभिन्न त्रुटि उपायों को कम करते हुए छवि डेटा के अनुसार इसके आकार को परिष्कृत करती हैं।[8]
  • इंटरएक्टिव विभाजन : इंटरएक्टिव विधियों तब उपयोगी होते हैं जब चिकित्सक कुछ जानकारी प्रदान कर सकते हैं, जैसे कि बीज क्षेत्र या क्षेत्र से खंड तक की रूपरेखा इत्यादि। कलन विधि चिकित्सक के मार्गदर्शन के साथ या उसके बिना इस तरह के विभाजन को पुनरावृत्त रूप से परिष्कृत कर सकता है। मैनुअल विभाजन प्रत्येक पिक्सेल के ऊतक वर्ग को स्पष्ट रूप से परिभाषित करने के लिए पेंट ब्रश जैसे उपकरणों का उपयोग करता है, कई इमेजिंग अनुप्रयोगों के लिए स्वर्ण मानक बना हुआ है। वर्तमान में, प्रतिक्रिया नियंत्रण सिद्धांत के सिद्धांतों को विभाजन के रूप में सम्मलित किया गया है, जो उपयोगकर्ता को बहुत अधिक लचीलापन देता है और त्रुटियों के स्वत: सुधार की अनुमति देता है।[9]
  • सब्जेक्टिव सरफेस विभाजन : यह विधि विभाजन फलन के विकास पर आधारित होती है, जो एक एडवेक्शन-डिफ्यूजन मॉडल द्वारा प्रबंधित है।[10] किसी वस्तु को खंडित करने के लिए, विभाजन बीज की आवश्यकता होती है, जो प्रारंभिक बिंदु के रूप में है, जो छवि में वस्तु की अनुमानित स्थिति निर्धारित करता है। परिणामस्वरुप, प्रारंभिक विभाजन फलन के निर्माण में किया जाता है और इस प्रकार व्यक्तिपरक सतह विधि का विचार, [11][12][13] यह है कि बीज की स्थिति इस विभाजन कार्य के रूप का निर्धारण करने वाला मुख्य कारक के रूप में होता है।
  • संवादात्मक तंत्रिका नेटवर्क (सीएनएन): मशीन सीखने के मॉडल की प्रगति के कारण कंप्यूटर सहायता पूर्ण स्वचालित विभाजन प्रदर्शन में सुधार हुआ है। सीएनएन आधारित मॉडल जैसे सेगनेट,[14] यूनेट,[15] रेसनेट,[16] एएटीएसएन,[17] ट्रान्सफ़ॉर्मर[18] और गैन,[19] विभाजन प्रक्रिया को तेज कर दिया है। भविष्य में, ऐसे मॉडल अपने अच्छे प्रदर्शन और गति के कारण मैन्युअल विभाजन को बदल सकते हैं।

चूंकि, छवि विभाजन विधियों के कुछ अन्य वर्गीकरण के रूप में होते है, जो उपरोक्त श्रेणियों के समान होते है। इसके अतिरिक्त हम दूसरे समूह को हाइब्रिड के रूप में वर्गीकृत कर सकते हैं जो विधियों के संयोजन पर आधारित होते है।[20]

पंजीकरण

सही पंजीकरण के बाद सीटी छवि (बाएं) पीईटी छवि (केंद्र) और दोनों का ओवरले (दाएं)।

छवि पंजीकरण एक ऐसी प्रक्रिया है, जो छवियों के सही एलाइनमेंट की खोज करती है।[21][22][23][24] और इस प्रकार सरलतम स्थिति में दो छवियों को संरेखित किया जाता है और विशिष्ट रूप से एक छवि को लक्ष्य छवि के रूप में और दूसरे को स्रोत छवि के रूप में माना जाता है और इस प्रकार लक्ष्य छवि से मिलान करने के लिए स्रोत छवि को रूपांतरित किया जाता है। गणितीय अनुकूलन एक समानता मूल्य के आधार पर स्रोत छवि के परिवर्तन को अद्यतन करता है, जो संरेखण की वर्तमान गुणवत्ता का मूल्यांकन करता है। यह पुनरावृत्ति प्रक्रिया तब तक दोहराई जाती है जब तक कि एक स्थानीय इष्टतम नहीं मिल जाता। उदाहरण के लिए सीटी और पेट (पोजीट्रान एमिशन टोमोग्राफी) छवियों का पंजीकरण संरचनात्मक और मेटाबॉलिक जानकारी को संयोजित करने के लिए उपयोग करते है जैसा कि आंकडो में दिखाया गया है।

विभिन्न चिकित्सा अनुप्रयोगों में छवि पंजीकरण का उपयोग किया जाता है:

  • टेम्पोरल परिवर्तनों का अध्ययन। अनुदैर्ध्य अध्ययन लंबी अवधि की प्रक्रियाओं, जैसे बीमारियों की प्रगति का अध्ययन करने के लिए कई महीनों वर्षों में छवियां प्राप्त करते हैं। समय श्रृंखला एक ही सत्र सेकंड या मिनट के भीतर प्राप्त छवियों के अनुरूप होती है। उनका उपयोग संज्ञानात्मक प्रक्रियाओं हृदय विकृति और श्वसन का अध्ययन करने के लिए किया जा सकता है।
  • विभिन्न चिकित्सा इमेजिंग से पूरक जानकारी का संयोजन होता है। उदाहरण फिजियोलॉजिकल और कार्यात्मक जानकारी का संलयन है। चूंकि संरचनाओं का आकार और आकार प्रकार विधियों में भिन्न होता है, इसलिए संरेखण गुणवत्ता का मूल्यांकन करना अधिक चुनौतीपूर्ण होता है। इसने आपसी जानकारी जैसे समानता के उपायों का उपयोग किया है।[25]
  • विषयों की जनसंख्या की विशेषता : अंतःविषय के पंजीकरण के विपरीत, रुचि के अंगों की संरचनात्मक परिवर्तनशीलता के आधार पर विषयों के बीच एक से एक मैपिंग का अस्तित्व संभव नहीं है.और इस प्रकार कम्प्यूटेशनल एनाटॉमी में एटलस के निर्माण के लिए इंटर विषय के रूप में पंजीकरण आवश्यक है।[26] यहाँ, इसका उद्देश्य सांख्यिकीय रूप से विषयों में अंगों की फिजियोलॉजिकल रचना का मॉडल प्रस्तुत करना है।
  • कंप्यूटर की मदद से सर्जरी : कंप्यूटर सहायता प्राप्त सर्जरी में छवि मार्गदर्शन या नेविगेशन की सुविधा के लिए सीटी या एमआरआई जैसी पूर्व-संचालन छवियों को इंट्रा ऑपरेटिव छवियों या ट्रैकिंग प्रणाली में पंजीकृत किया जाता है।

छवि पंजीकरण करते समय कई महत्वपूर्ण विचार हैं

  • परिवर्तन ज्यामिति : सामान्य विकल्प में कठोर परिवर्तन,एफ़िन परिवर्तन और विरूपण (इंजीनियरिंग) रूपांतर मॉडल के रूप में है। बी-स्पलाइन और पतली प्लेट स्पलाइन मॉडल सामान्यतः पैरामीटरयुक्त रूपांतरण क्षेत्रों के लिए उपयोग किए जाते हैं। गैर-पैरामीट्रिक या घने विरूपण क्षेत्र प्रत्येक ग्रिड स्थान पर विस्थापन सदिश के रूप में होता है, इसके लिए अतिरिक्त नियमितीकरण (गणित) बाधाओं की आवश्यकता पड़ जाती है। विरूपण क्षेत्रों का विशिष्ट वर्ग विरूपण क्षेत्र है, जो एक चिकनी व्युत्क्रम के साथ उलटा रूपांतरण होते हैं।
  • समानता मीट्रिक: पंजीकरण गुणवत्ता को मापने के लिए दूरी या समानता फलन का उपयोग किया जाता है। इस समानता की गणना या तो मूल छवियों पर या छवियों से निकाली गई विशेषताओं पर की जा सकती है। सामान्य समानता उपाय वर्ग दूरी (एसएसडी) दृढ़ संकल्प के गुणांक और पारस्परिक जानकारी का योग हैं। समानता माप का चुनाव इस बात पर निर्भर करता है कि क्या छवियां समान रूप से हैं और इस प्रकार अधिग्रहण नॉइज़ भी इस निर्णय में भूमिका निभा सकता है। उदाहरण के लिए, एसएसडी गाऊसी नॉइज़ के साथ समान मोडैलिटी की छवियों के लिए इष्टतम समानता माप के रूप में है।[27]चूंकि, अल्ट्रासाउंड में छवि आंकड़े गाऊसी नॉइज़ से काफी भिन्न होते हैं, जिससे अल्ट्रासाउंड विशिष्ट समानता उपायों की प्रारंभिक स्वरुप के रूप में होती है।[28] मल्टी-मोडल पंजीकरण के लिए अधिक परिष्कृत समानता माप की आवश्यकता होती है और इस प्रकार वैकल्पिक रूप से एक भिन्न छवि प्रतिनिधित्व का उपयोग किया जाता है, जैसे कि संरचनात्मक प्रतिनिधित्व[29]या आसन्न फिजियोलॉजिकल रचना को पंजीकृत करना।[30][31] वर्तमान में किए गए एक अध्ययन में,[32] कॉमीरस के रूप में संदर्भित बहु मोडल छवि रिप्रेजेंटेशन को जानने के लिए कॉन्टरेंस्टिव कोडिंग का प्रयोग किया गया था, जो बहु मोडल छवि के पंजीकरण को सक्षम बनाता था, जहाँ वर्तमान पंजीकरण विधियां पर्याप्त रूप से समान छवि संरचनाओं की कमी के कारण अधिकांशतःविफल होने के कारण बहु मोडल छवियों का पंजीकरण सक्षम बनाता हैं। इसने बहु-मोडल पंजीकरण समस्या को एक मोनो-मोडल समस्या को कम कर दिया, जिसमें बहु-मोडल पंजीकरण समस्या को मोनो-मोडल समस्या तक कम कर दिया, जिसमें सामान्य तीव्रता आधारित और साथ ही फीचर आधारित और पंजीकरण कलन विधि के रूप में लागू किए जा सकते हैं।
  • अनुकूलन की प्रक्रिया या तो सतत या असतत अनुकूलन के रूप में किया जाता है। सतत अनुकूलन के लिए ग्रेडिएंट आधारित अनुकूलन प्रोद्योगिकीय का प्रयोग अभिसरण गति को सुधारने के लिए किया जाता है।

विज़ुअलाइज़ेशन

File:Visualization of Medical Imaging.png
फेफड़े में एकाधिक नोडुलर घावों सफेद रेखा के साथ एक विषय की सीटी छवि का वॉल्यूम रेंडरिंग (बाएं), अक्षीय क्रॉस-सेक्शन (दाएं शीर्ष) और सैजिटल क्रॉस-सेक्शन (दाएं नीचे)।

चिकित्सा छवि कंप्यूटिंग में विज़ुअलाइज़ेशन कई महत्वपूर्ण भूमिकाएँ निभाता है। चिकित्सा छवियों के बारे में समझने और संवाद करने के लिए वैज्ञानिक विज़ुअलाइज़ेशन के विधियों का उपयोग किया जाता है, जो स्वाभाविक रूप से स्थानिक-टेम्पोरल के रूप में होती है। डेटा विज़ुअलाइज़ेशन और डेटा विश्लेषण का उपयोग असंरचित डेटा स्वरुपों पर किया जाता है, उदाहरण के लिए कलन विधि प्रसंस्करण के समय प्राप्त सांख्यिकीय उपायों का मूल्यांकन करते है। इस प्रकार डेटा के साथ इंटरएक्टिव विज़ुअलाइज़ेशन प्रक्रिया की प्रमुख विशेषता डेटा के बारे में दृश्य क्वेरी करने और छवियों को एनोटेट विभाजन और पंजीकरण प्रक्रियाओं को निर्देशित करने के लिए उपयोग किया जाता है और इस प्रकार प्रकाश रेंडरिंग गुणों को देखने के मापदंडों को नियंत्रित करके डेटा के दृश्य प्रतिनिधित्व को नियंत्रित करने के लिए भी इसका उपयोग किया जाता है। विज़ुअलाइज़ेशन का उपयोग प्रारंभिक अन्वेषण और विश्लेषण के मध्यवर्ती और अंतिम परिणाम दोनों के लिए किया जाता है।

चिकित्सा इमेजिंग का चित्र विज़ुअलाइज़ेशन कई प्रकार के विज़ुअलाइज़ेशन दिखाता है, 1. ग्रे स्केल छवियों के रूप में क्रॉस-सेक्शन का प्रदर्शन करता है 2. ग्रे स्केल छवियों के सुधारित दृश्य के रूप में होता है इस उदाहरण में सजिटल दृश्य में छवि अधिग्रहण की मूल दिशा की तुलना में भिन्न ओरिएंटेशन के रूप में होते है और 3. समान डेटा का एक वॉल्यूम प्रतिपादन: विभिन्न प्रस्तुतियों में गांठदार घाव स्पष्ट रूप से दिखाई देता है और एक सफेद रेखा के साथ टिप्पणी की गई है।

एटलस

भिन्न -भिन्न आकार और आकार के लोगों के होने के कारण अलग-अलग व्यक्तियों में चिकित्सीय छवियां छवियां भिन्न -भिन्न हो सकती हैं। इसलिए, इस परिवर्तनशीलताको ध्यान में रखते हुए चिकित्सा छवियों का प्रतिनिधित्व करना महत्वपूर्ण होता है। चिकित्सा छवियों का प्रतिनिधित्व करने के लिए एक लोकप्रिय दृष्टिकोण एक या अधिक एटलस के उपयोग के माध्यम से है, यहाँ एटलस प्रशिक्षण डेटासमूह से सीखे गए मापदंडों के साथ हैं और इस प्रकार छवियों की जनसंख्या के लिए एक विशिष्ट मॉडल को संदर्भित करता है।[33][34]

एटलस का सबसे सरल उदाहरण एक औसत तीव्रता वाली छवि है, जिसे सामान्यतः टेम्पलेट के रूप में संदर्भित किया जाता है। चूंकि, एटलस में समृद्ध जानकारी भी सम्मलित हो सकती है, जैसे कि स्थानीय छवि आँकड़े और संभावना है कि किसी विशेष स्थानिक स्थान का एक निश्चित लेबल के रूप में है। नई चिकित्सा छवियों, जो प्रशिक्षण के समय उपयोग नहीं की जाती हैं, उनको एटलस में मैप किया जा सकता है, जिसे विभाजन और समूह विश्लेषण जैसे विशिष्ट अनुप्रयोग के अनुरूप बनाया गया है। किसी छवि को एटलस से मैप करने में सामान्यतः छवि और एटलस का पंजीकरण के रूप में सम्मलित होता है। इस विकृति का उपयोग चिकित्सा छवियों में परिवर्तनशीलता को संबोधित करने के लिए किया जा सकता है।

एकल टेम्पलेट

सबसे सरल तरीका चिकित्सा छवियों को एकल टेम्पलेट छवि के विकृत संस्करणों के रूप में मॉडल करना है। उदाहरण के लिए एनाटोमिकल एमआरआई ब्रेन स्कैन को अधिकांशतः एमएनआई टेम्पलेट में मैप किया जाता है [35] और इस प्रकार सामान्य निर्देशांक में सभी मस्तिष्क स्कैन का प्रतिनिधित्व करने के लिए करते है' और एकल-टेम्प्लेट दृष्टिकोण का मुख्य कमी यह है कि यदि टेम्प्लेट और किसी दी गई परीक्षण छवि के बीच महत्वपूर्ण अंतर हैं, तो हो सकता है कि एक दूसरे पर मैप करने का कोई अच्छा तरीका न हो। उदाहरण के लिए, गंभीर मस्तिष्क की असामान्यता अर्थात ट्यूमर अथवा सर्जिकल प्रक्रिया वाले बीमारियों का संरचनात्मक एमआरआई ब्रेन स्कैन एमएनआई टेम्प्लेट के लिए आसानी से मैप नहीं किया जा सकता है

एकाधिक टेम्पलेट्स

एक ही टेम्प्लेट पर निर्भर रहने के अतिरिक्त यहाँ कई टेम्प्लेट का उपयोग किया जा सकता है और इस प्रकार विचार यह है कि छवि को किसी एक टेम्पलेट के विकृत संस्करण के रूप में प्रस्तुत किया जाता है। उदाहरण के लिए, स्वस्थ जनसंख्या के लिए एक टेम्प्लेट और बीमार जनसंख्या के लिए एक टेम्प्लेट हो सकता है। चूंकि, कई अनुप्रयोगों में यह स्पष्ट नहीं है कि कितने टेम्प्लेट की आवश्यकता है। इससे निपटने का एक सरल यद्यपि कम्प्यूटेशनल रूप से महंगी विधि के रूप में है और प्रशिक्षण डेटासमूह में प्रत्येक छवि टेम्प्लेट छवि के रूप में होती है और इस प्रकार प्रत्येक नई छवि का सामना प्रशिक्षण डेटासमूह में प्रत्येक छवि के विरुद्ध किया जाता है। .एक ताज़ा दृष्टिकोण अपने आप में आवश्यक टेम्पलेट्स की संख्या पाता है।[36]

सांख्यिकीय विश्लेषण

सांख्यिकीय विधियां आधुनिक कंप्यूटर दृष्टि, मशीन लर्निंग और पैटर्न पहचान के साथ चिकित्सा इमेजिंग क्षेत्र को जोड़ती हैं। पिछले एक दशक में कई बड़े डेटासमूह सार्वजनिक रूप से उपलब्ध कराए गए हैं उदाहरण के लिए एडीएनआई 1000 कार्यात्मक कनेक्टोम प्रोजेक्ट में दिखाया गया है, विभिन्न संस्थानों और अनुसंधान केंद्रों के बीच सहयोग के कारण डेटा आकार में यह वृद्धि नए कलन विधि के लिए कॉल करती है, जो क्लीनिकल ​​​​प्रश्नों को संबोधित करने के लिए छवियों में सूक्ष्म परिवर्तनों का पता लगा सकती है और इस तरह के क्लीनिकल ​​प्रश्न बहुत विविध रूप में होते है और इसमें समूह विश्लेषण इमेजिंग बायोमार्कर बीमारियों फेनोटाइपिंग और अनुदैर्ध्य अध्ययन के रूप में सम्मलित हैं।

समूह विश्लेषण

समूह विश्लेषण में, उद्देश्य दो या दो से अधिक साथियों की छवियों की तुलना करके किसी बीमारी से प्रेरित असामान्यताओं का पता लगाना और उनकी मात्रा निर्धारित करना है। सामान्यतः इनमें से एक समूह में सामान्य नियंत्रण विषय होते हैं और दूसरे में असामान्य बीमारियों होते हैं। बीमारियों के कारण होने वाली भिन्नता फिजियोलॉजिकल रचना के असामान्य विरूपण के रूप में प्रकट हो सकती हैवॉक्सेल -आधारित मॉर्फोमेट्री में दिखाया गया है। उदाहरण के लिए, मस्तिष्क में हिपोकैम्पस जैसे उप-कॉर्टिकल ऊतकों का सिकुड़ना अल्जाइमर बीमारियों से जुड़ा हो सकता है। इसके अतिरिक्त, पोजीट्रान एमिशन टोमोग्राफी जैसे इमेजिंग विधियों का उपयोग करके जैव रासायनिक कार्यात्मक गतिविधि में परिवर्तन को देखा जा सकता हैं।

समूहों के बीच तुलना सामान्यतः वोक्सल स्तर पर की जाती है। इसलिए सबसे लोकप्रिय प्री-प्रोसेसिंग पाइपलाइन विशेष रूप से न्यूरोइमेजिंग में, वोक्सल्स के बीच पत्राचार बनाए रखने के लिए पंजीकरण के माध्यम से डेटासमूह में सभी छवियों को एक सामान्य समन्वय फ्रेम में बदल देती है। इस स्वर-वार पत्राचार को देखते हुए, सबसे सामान्य फ़्रीक्वेंटिस्ट विधि प्रत्येक वोक्सल के लिए एक आँकड़ा निकालना है उदाहरण के लिए, प्रत्येक समूह के लिए औसत वोक्सल तीव्रता और यह मूल्यांकन करने के लिए सांख्यिकीय परिकल्पना परीक्षण करना होता है कि शून्य परिकल्पना समर्थित है या नहीं और इस प्रकार अशक्त परिकल्पना सामान्यतः मानती है कि दो सहकर्मियों एक ही वितरण से तैयार किए गए हैं और इसलिए इनमे समान सांख्यिकीय गुण होने चाहिए, उदाहरण के लिए दो समूहों के माध्य मान विशेष वोक्सल के लिए समान हैं। चूंकि चिकित्सा छवियों में बड़ी संख्या में वोक्सल होते हैं, इसलिए कई तुलनाओं के विषयो को संबोधित करने की आवश्यकता होती है।[37][38] समूह विश्लेषण समस्या से निपटने के लिए बायेसियन अनुमान दृष्टिकोण भी हैं।[39]

वर्गीकरण

चूंकि, समूह विश्लेषण एक फिजियोलॉजिकल रचना और कार्य पर विकृति के सामान्य प्रभावों की मात्रा निर्धारित कर सकता है, यह विषय स्तर के उपायों को प्रदान नहीं करता है और इसलिए मूल्यांकन के लिए बायोमार्कर के रूप में उपयोग नहीं किया जा सकता है, इमेजिंग बायोमार्कर में दिखाया गया है। दूसरी ओर चिकित्सक अधिकांशतः पैथोलॉजी के शीघ्र मूल्यांकन में रुचि रखते हैं अर्थात वर्गीकरण,[40][41] और एक बीमारी की प्रगति सीखने में अर्थात प्रतिगमन, [42]. पद्धतिगत दृष्टिकोण से वर्तमान प्रोद्योगिकीय मानक मशीन लर्निंग कलन विधि को चिकित्सा इमेजिंग डेटासमूह पर लागू करने से भिन्न होती हैं[43] जैसे समर्थन सदिश यंत्र क्षेत्र की जरूरतों के लिए अनुकूलित नए दृष्टिकोण विकसित करने के लिए मुख्य कठिनाइयाँ इस प्रकार हैं।[44]

  • छोटा नमूना आकार (परिमाणिकता का कर्स ): एक बड़े चिकित्सा इमेजिंग डेटासमूह में सैकड़ों से हजारों छवियां होती हैं, जबकि एक विशिष्ट वॉल्यूमेट्रिक छवि में स्वरों की संख्या आसानी से लाखों से अधिक हो सकती है। इस समस्या का एक उपाय सूचनात्मक अर्थों में सुविधाओं की संख्या को कम करना है और इस प्रकार कई अनुपयोगी और अर्ध पर्यवेक्षित आयामीता में कमी को इस रूप में दिखाया गया है। ,[44][45][46][47] इस 'विषय को हल करने के लिए दृष्टिकोण प्रस्तावित किए गए हैं।
  • व्याख्यात्मकता: एक अच्छा सामान्यीकरण सटीकता अधिकांशतः प्राथमिक उद्देश्य के रूप में नहीं होता है, क्योंकि चिकित्सक यह समझना चाहेंगे कि फिजियोलॉजिकल रचना के कौन से हिस्से बीमारियों से प्रभावित हैं। इसलिए परिणामों की व्याख्या बहुत महत्वपूर्ण होती है और इस प्रकार छवि संरचना को अनदेखा करने वाले विधियों सहाययुक्त नहीं हैं। फीचर चयन के आधार पर वैकल्पिक विधियों प्रस्तावित की गई हैं।[45][46][47][48]

क्लस्टरिंग

छवि-आधारित पैटर्न वर्गीकरण विधियां सामान्यतः यह मानती हैं कि किसी बीमारी के न्यूरोलॉजिकल प्रभाव भिन्न और अच्छी तरह से परिभाषित हैं। ऐसा अधिकांशतः नहीं हो सकता है। कई चिकित्सा स्थितियों के लिए बीमारियों की जनसंख्या अत्यधिक विषम है और आगे उप-स्थितियों में वर्गीकरण स्थापित नहीं किया गया है। इसके अतिरिक्त, कुछ बीमारियों जैसे, ऑटिज्म स्पेक्ट्रम डिस्ऑर्डर (एएसडी), एक प्रकार का मानसिक विकार, हल्के संज्ञानात्मक हानि (एमसीआई)) को हल्के संज्ञानात्मक हानि से लेकर बहुत स्पष्ट बीमारियों परिवर्तनों तक निरंतर या लगभग-निरंतर स्पेक्ट्रा द्वारा चित्रित किया जा सकता है और इस प्रकार विषम विकारों के छवि-आधारित विश्लेषण की सुविधा के लिए पैटर्न वर्गीकरण के लिए पद्धतिगत विकल्प विकसित किए गए हैं। ये प्रोद्योगिकीय उच्च-आयामी क्लस्टरिंग से विचार उधार लेती हैं [49]और सजातीय उप-जनसंख्या में दी गई जनसंख्या को क्लस्टर करने के लिए उच्च-आयामी पैटर्न-प्रतिगमन लक्ष्य के रूप में होते है और प्रत्येक उप-जनसंख्या के भीतर बीमारियों की बेहतर मात्रात्मक समझ प्रदान करना है।

आकार विश्लेषण

सांख्यिकीय आकृति विश्लेषण चिकित्सा छवि कंप्यूटिंग का क्षेत्र है, जो विभिन्न इमेजिंग प्रोद्योगिकीय से प्राप्त संरचनाओं के ज्यामितीय गुणों का अध्ययन करता है। आकार विश्लेषण हाल ही में चिकित्सा समुदाय के लिए बढ़ती दिलचस्पी के रूप में हो गया है क्योंकि उसकी विभिन्न संरचनाओं अर्थात स्वस्थ बनाम रोगविज्ञान, महिला बनाम पुरूष, युवा बनाम वयोवृद्ध के बीच संरचनात्मक आकृति विज्ञान (जीव विज्ञान) परिवर्तनों का सटीक पता लगाने की क्षमता रखती है और आकृति विश्लेषण के दो मुख्य चरण आकृति पत्राचार और सांख्यिकीय विश्लेषण के रूप में होते हैं।

  • आकार पत्राचार वह पद्धति है जो त्रिभुज जाल, समोच्च, बिंदु समूह या वॉल्यूमेट्रिक छवियों द्वारा दर्शाए गए ज्यामितीय आकृतियों के बीच संगत स्थानों की गणना करती है। स्पष्ट रूप से पत्राचार की परिभाषा सीधे विश्लेषण को प्रभावित करती है। पत्राचार ढांचे के लिए विभिन्न विकल्पों में हम पा सकते हैं की फिजियोलॉजिकल पत्राचार मैनुअल लैंडमार्क कार्यात्मक पत्राचार अर्थात समान न्यूरोनल कार्यक्षमता के लिए उत्तरदायी ब्रेन मॉर्फोमेट्री लोकस में ज्यामिति पत्राचार छवि वॉल्यूम के लिए तीव्रता समानता के रूप में होता है। उदाहरण स्पेक्ट्रल आकार विश्लेषण के लिए पत्राचार की आवश्यकता नहीं होती है लेकिन सीधे आकृति वर्णनकर्ताओं की तुलना करते है।
  • सांख्यिकीय विश्लेषण संबंधित स्थानों पर संरचनात्मक परिवर्तन का माप प्रदान करता है।

अनुदैर्ध्य अध्ययन

अनुदैर्ध्य अध्ययनों में एक ही व्यक्ति की बार-बार छवि बनाई जाती है। इस जानकारी को छवि विश्लेषण और साथ ही सांख्यिकीय मॉडलिंग दोनों के रूप में सम्मलित किया जा सकता है।

  • अनुदैर्ध्य छवि प्रसंस्करण में भिन्न -भिन्न समय बिंदुओं के विभाजन और विश्लेषण विधियों को सामान्य जानकारी के साथ सूचित और नियमित किया जाता है, सामान्यतः एक भीतर-विषय टेम्पलेट से यह नियमितीकरण माप नॉइज़ को कम करने के लिए डिज़ाइन किया गया है और इस प्रकार संवेदनशीलता और सांख्यिकीय शक्ति को बढ़ाने में मदद करता है और साथ ही अति-नियमितीकरण से बचने की जरूरत है, जिससे कि प्रभाव आकार स्थिर रहे तीव्र नियमितीकरण उदाहरण के लिए उत्कृष्ट परीक्षण-पुनः परीक्षण विश्वसनीयता का नेतृत्व कर सकता है, लेकिन समूहों में किसी भी वास्तविक परिवर्तन और अंतर का पता लगाने की क्षमता को सीमित करता है। अधिकांशतः ट्रेड-ऑफ को लक्षित करने की आवश्यकता होती है, जो सीमित प्रभाव आकार के नुकसान की कीमत पर नॉइज़ में कमी का अनुकूलन करता है। अनुदैर्ध्य छवि प्रसंस्करण में एक और सामान्य चुनौती है और इस प्रकार अधिकांशतः अनजाने में प्रसंस्करण पूर्वाग्रह का परिचय होता है। जब उदाहरण के लिए अनुवर्ती छवियां पंजीकृत हो जाती हैं और आधार रेखा छवि के लिए पुन: नमूना के रूप में हो जाती हैं, तो प्रक्षेप कलाकृतियों को केवल अनुवर्ती छवियों से परिचित कराया जाता है, न कि आधार रेखा से। ये विरूपण साक्ष्य नकली प्रभाव पैदा कर सकते हैं सामान्यतः अनुदैर्ध्य परिवर्तन को कम करके आंका जाता है और इस प्रकार आवश्यक नमूना आकार को कम करके आंका जाता है। इसलिए यह आवश्यक है कि किसी भी प्रसंस्करण पूर्वाग्रह से बचने के लिए सभी समय बिंदुओं को बिल्कुल समान माना जाए।
  • अनुदैर्ध्य डेटा के पोस्ट-प्रोसेसिंग और सांख्यिकीय विश्लेषण के लिए सामान्यतः समर्पित सांख्यिकीय उपकरणों की आवश्यकता होती है जैसे बार-बार माप एएनओवीए या अधिक शक्तिशाली रैखिक मिश्रित प्रभाव मॉडल के रूप में होता है। इसके अतिरिक्त सिग्नल के स्थानिक वितरण पर विचार करना लाभप्रद होता है। उदाहरण के लिए कॉर्टिकल मोटाई माप समय के भीतर विषय के भीतर और कॉर्टिकल सतह पर निकटतम के भीतर एक सहसंबंध दिखाता है। यह एक ऐसा तथ्य जिसका उपयोग सांख्यिकीय शक्ति बढ़ाने के लिए किया जा सकता है। इसके अतिरिक्त समय दर घटना एकेए सर्वाइवल विश्लेषण अधिकांशतः अनुदैर्ध्य डेटा का विश्लेषण करने और महत्वपूर्ण भविष्यवक्ताओं को निर्धारित करने के लिए नियोजित किया जाता है।

छवि-आधारित फिजियोलॉजिकल मॉडलिंग

परंपरागत रूप से, चिकित्सा छवि कंप्यूटिंग ने छवि अधिग्रहण के बिंदु और समय पर उपलब्ध संरचनात्मक या कार्यात्मक जानकारी के परिमाणीकरण और संलयन को संबोधित करने के लिए देखा गया है। इस संबंध में इसे अंतर्निहित फिजियोलॉजिकल भौतिक या फिजियोलॉजिकल प्रक्रियाओं की मात्रात्मक संवेदन के रूप में देखा जा सकता है। चूंकि पिछले कुछ वर्षों में, बीमारियों या चिकित्सा पाठ्यक्रम के के अनुमानित मूल्यांकन में बढ़ती रुचि रही है। छवि-आधारित मॉडलिंग चाहे वह जैव यांत्रिक या फिजियोलॉजिकल प्रकृति की हो सकती है, इसलिए छवि कंप्यूटिंग की संभावनाओं को वर्णनात्मक से प्रत्याशित कोण तक बढ़ा सकती है।

स्टेप रिसर्च रोडमैप के अनुसार,[50][51] वर्चुअल फिजियोलॉजिकल ह्यूमन (वीपीएच) एक पद्धतिगत और प्रोद्योगिकीय ढांचा के रूप में है, जो एक बार स्थापित हो जाने पर ह्यूमन फिजियोलॉजिकल की एक जटिल प्रणाली के रूप में जांच को सक्षम बनाता है। वीपीएच अवधारणा के अनुसार , इंटरनेशनल यूनियन फॉर फिजियोलॉजिकल साइंसेज (आईयूपीएस) एक दशक से अधिक समय से फिजियोम को प्रायोजित कर रहा है।[52][53] यह ह्यूमन फिजियोलॉजिकल विज्ञान को समझने के लिए एक कम्प्यूटेशनल ढांचा प्रदान करने का एक विश्वव्यापी सार्वजनिक डोमेन के रूप में प्रयासरत है। इसका उद्देश्य जैविक संगठन के सभी स्तरों पर जीन नियामक नेटवर्क प्रोटीन मार्ग एकीकृत सेल फ़ंक्शंस और ऊतक और पूरे अंग संरचना / कार्य संबंधों के माध्यम से जीन से पूरे जीवों तक एकीकृत मॉडल विकसित करना है। इस तरह के दृष्टिकोण का उद्देश्य चिकित्सा में वर्तमान अभ्यास को बदलना है और कम्प्यूटेशनल चिकित्सा के एक नए युग का आधार है।[54]

इस संदर्भ में, चिकित्सा इमेजिंग और छवि कंप्यूटिंग एक तेजी से महत्वपूर्ण भूमिका निभाते हैं क्योंकि वे विवो में ह्यूमन के बारे में संरचनात्मक और कार्यात्मक जानकारी की छवि मात्रा और फ्यूज दोनों के लिए प्रणाली और विधियों प्रदान करते हैं। इन दो व्यापक अनुसंधान क्षेत्रों में विशिष्ट विषयों का प्रतिनिधित्व करने के लिए सामान्य कम्प्यूटेशनल मॉडल का रूपांतरण के रूप में सम्मलित है, इस प्रकार व्यक्तिगत कम्प्यूटेशनल मॉडल के लिए मार्ग प्रशस्त होता है।[55] और इमेजिंग के माध्यम से सामान्य कम्प्यूटेशनल मॉडल का वैयक्तिकरण तीन पूरक दिशाओं में अनुभव किया जा सकता है

  • विषय-विशिष्ट कम्प्यूटेशनल डोमेन (फिजियोलॉजिकल रचना और संबंधित उप डोमेन ऊतक प्रकार की परिभाषा के रूप में है
  • सीमा की परिभाषा और गतिशील और/या कार्यात्मक इमेजिंग से प्रारंभिक शर्तों के रूप में होती है।
  • संरचनात्मक और कार्यात्मक ऊतक गुणों का लक्षण का वर्णन करती है

इसके अतिरिक्त इमेजिंग भी ह्यूमन और एनिमल मॉडल दोनों में ऐसे मॉडलों के मूल्यांकन और सत्यापन में और क्लीनिकल ​​​​और चिकित्सीय अनुप्रयोगों दोनों के साथ क्लीनिकल ​​​​सेटिंग में मॉडल के अनुवाद में एक महत्वपूर्ण भूमिका निभाता है। इस विशिष्ट संदर्भ में आणविक जैविक और पूर्व-क्लीनिकल ​​​​इमेजिंग अतिरिक्त डेटा प्रदान करती है और अणुओं कोशिकाओं ऊतकों और एनिमल मॉडल में मौलिक संरचना और कार्य की समझ प्रदान करती है जिसे ह्यूमन फिजियोलॉजिकल विज्ञान में स्थानांतरित किया जा सकता है जहां उपयुक्त हो।

मौलिक और क्लीनिकल ​​डोमेन में छवि-आधारित वीपीएच/फिजियोम मॉडल के बहुत बड़े अनुप्रयोग हैं। मोटे तौर पर, वे नई वर्चुअल इमेजिंग प्रोद्योगिकीय बनने का वादा करते हैं और इस प्रकार प्रभावी रूप से अधिक गैर-अवलोकन योग्य, मापदंडों को अवलोकन योग्य मापदण्ड खोजे जा सकते हैं लेकिन कभी-कभी विरल और असंगत मल्टीमॉडल छवियों और फिजियोलॉजिकल मापों के एकीकरण के आधार पर सिलिको में चित्रित किया जाता है। कम्प्यूटेशनल मॉडल जांच के अनुसार फिजियोलॉजिकल या पैथोफिजियोलॉजिकल प्रक्रियाओं के अंतर्निहित बायोफिजिकल, बायोकेमिकल या जैविक नियमो के अनुरूप एक तरह से माप की व्याख्या करने के लिए काम करते है। अंततः, अंत में ऐसे जांच उपकरण और प्रणालियां हमारी रोग की प्रक्रियाओं को समझने में, रोग के विकास के प्राकृतिक इतिहास को समझने में तथा औषधीय और/या हस्तक्षेप की पद्धतियों पर प्रभाव डालने में मदद करते है।

इमेजिंग और मॉडलिंग के बीच क्रॉस-निषेचन माप की व्याख्या से परे एक तरह से फिजियोलॉजिकल विज्ञान के अनुरूप होता है और इस प्रकार छवि-आधारित बीमारियों विशिष्ट मॉडलिंग, चिकित्सा उपकरणों और औषधीय उपचारों के मॉडल के साथ संयुक्त रूप से भविष्य संबंधी इमेजिंग के लिए रास्ता खोलती है जिससे कोई भी लोग सिलिको में इस तरह के हस्तक्षेप को समझने, योजना बनाने और अनुकूलित करने में सक्षम हो सकते हैं.।

चिकित्सा इमेजिंग में गणितीय तरीके

कई परिष्कृत गणितीय विधियों ने चिकित्सा इमेजिंग में प्रवेश किया है और पहले भी कर चुके हैं और विभिन्न सॉफ्टवेयर पैकेजों में लागू किया गया। इनमें आंशिक अंतर समीकरण (पीडीई) पर आधारित दृष्टिकोण और वृद्धि विभाजन और पंजीकरण के लिए वक्रता संचालित प्रवाह के रूप में सम्मलित हैं। चूंकि वे पीडीई को नियोजित करते हैं, इसलिए जीपीजीपीयू पर समानांतरकरण और कार्यान्वयन के लिए विधियां उत्तरदायी हैं। इनमें से कई प्रोद्योगिकीय को इष्टतम नियंत्रण में विचारों से प्रेरित किया गया है। तदनुसार, वर्तमान में नियंत्रण से विचारों ने हाल ही अंतःक्रियात्मक विधियों विशेषकर विभाजन की दिशा में अपनी राह बना ली है। इसके अतिरिक्त नॉइज़ और अधिक गतिशील रूप से बदलती इमेजरी के लिए सांख्यिकीय आकलन प्रोद्योगिकीय की आवश्यकता के कारण, कलमन फिल्टर[56] और कण फिल्टर का उपयोग हुआ है और इस प्रकार संदर्भ की एक विस्तृत सूची सहित इन विधियों का सर्वेक्षण किया जा सकता है।[57]

साधन विशिष्ट कंप्यूटिंग

कुछ इमेजिंग भांति विधियों बहुत ही विशेष जानकारी प्रदान करती है। परिणामी छवियों को नियमित अदिश छवियों के रूप में नहीं माना जा सकता है और चिकित्सा छवि कंप्यूटिंग के नए उप-क्षेत्रों को जन्म देता है। उदाहरणों के रूप में डिफ्फुसन एमआरआई फंक्शनल एमआरआई और अन्य सम्मलित हैं।

प्रसार एमआरआई

File:DiffusionMRI glyphs.png
आईसीबीएम प्रसार टेन्सर छवि टेम्पलेट का एक मध्य-अक्षीय टुकड़ा। प्रत्येक वोक्सल का मान एक दीर्घवृत्त द्वारा प्रस्तुत एक टेंसर है। रंग प्रधान ओरिएंटेशन को दर्शाता है: लाल = बाएँ-दाएँ, नीला = निचला-श्रेष्ठ, हरा = पश्च-पूर्वकाल

प्रसार एमआरआई एक संरचनात्मक चुंबकीय अनुनाद इमेजिंग साधन है जो अणुओं की प्रसार प्रक्रिया को मापने की अनुमति देता है। एक विशेष दिशा के साथ एक चुंबकीय क्षेत्र में एक ग्रेडिएंट कंपन को लागू करके प्रसार को मापा जाता है। एक विशिष्ट अधिग्रहण में समान रूप से वितरित ग्रेडिएंट दिशाओं का एक समूह प्रसार भारित मात्राओं का एक समूह बनाने के लिए उपयोग किया जाता है। इसके अतिरिक्त एक ही चुंबकीय क्षेत्र के अनुसार एक ग्रेडिएंट पल्स के अनुप्रयोग के बिना एक भारित मात्रा प्राप्त की जाती है। जैसा कि प्रत्येक अधिग्रहण कई संस्करणों से जुड़ा हुआ है और प्रसार एमआरआई ने चिकित्सा छवि कंप्यूटिंग में कई तरह की अनूठी चुनौतियाँ उत्पन्न की हैं।

चिकित्सा में, प्रसार एमआरआई में दो प्रमुख कम्प्यूटेशनल लक्ष्य हैं।

  • स्थानीय ऊतक गुणों का अनुमान जैसे डिफ्युसिविटी इत्यादि।
  • स्थानीय दिशाओं और प्रसार के वैश्विक मार्गों का अनुमान के रूप में होते है।

प्रसार टेंसर इमेजिंग,[58]एक 3 × 3 सममित सकारात्मक-निश्चित आव्यूह इन दोनों लक्ष्यों का सीधा समाधान प्रदान करता है। यह सामान्य रूप से वितरित स्थानीय प्रसार प्रोफ़ाइल के सहप्रसरण आव्यूह के समानुपाती होता है और इस प्रकार इस आव्यूह का प्रमुख अभिलक्षणिक सदिश स्थानीय प्रसार की प्रमुख दिशा के रूप में होता है। इस मॉडल की सरलता के कारण प्रत्येक स्थान पर स्वतंत्र रूप से रैखिक समीकरणों की एक प्रणाली को हल करके प्रसार टेन्सर का अधिकतम संभावना अनुमान पाया जा सकता है। चूंकि जैसा कि माना जाता है कि आयतन में सन्निहित ऊतक तंतु होते हैं, यह टेंसरों के अंतर्निहित क्षेत्र पर नियमितता की स्थिति को लागू करके इसकी संपूर्णता में प्रसार टेंसरों की मात्रा का अनुमान लगाने के लिए अच्छा हो सकता है।[59] अदिश मानों को प्रसार टेन्सर से निकाला जा सकता है, जैसे कि भिन्नात्मक अनिसोट्रॉपी माध्य अक्षीय और रेडियल डिफ्यूसिविटीज जो अप्रत्यक्ष रूप से ऊतक गुणों को मापते हैं जैसे एक्सोनल फाइबर के डिस्मेलिनेशन [60] या एडिमा की उपस्थिति के कारण होता है ।[61] मानक अदिश छवि कंप्यूटिंग विधियों जैसे पंजीकरण और विभाजन ऐसे अदिश मानों के संस्करणों पर सीधे लागू किए जा सकते हैं। चूंकि प्रसार टेन्सर में जानकारी का पूरी तरह से उपयोग करने के लिए इन विधियों को पंजीकरण करते समय टेन्सर मान आयतन के खण्ड का निष्पादन किया गया है। [62][63][64][65]

आयतन में प्रत्येक स्थान पर प्रसार की प्रमुख दिशा को देखते हुए, ट्रैक्टोग्राफी नामक प्रक्रिया के माध्यम से प्रसार के वैश्विक मार्गों का अनुमान लगाना संभव है।[66] चूंकि, प्रसार एमआरआई के अपेक्षाकृत कम रिज़ॉल्यूशन के कारण इनमें से कई रास्ते एक ही स्थान पर पार चुंबन या प्रशंसक के रूप में हो सकते हैं। इस स्थिति में, डिफ्यूजन टेन्सर इमेजिंग की एकल प्रमुख दिशा स्थानीय प्रसार वितरण के लिए उपयुक्त मॉडल नहीं है। इस समस्या का सबसे सामान्य समाधान अधिक जटिल मॉडलों का उपयोग करके स्थानीय प्रसार की कई दिशाओं का अनुमान लगाना है। इनमें प्रसार टेन्सर के मिश्रण के रूप में सम्मलित हैं,[67] क्यू-बॉल इमेजिंग,[68]प्रसार स्पेक्ट्रम इमेजिंग [69]और फाइबर ओरिएंटेशन वितरण कार्य,[70][71]जिसके लिए सामान्यतः डिफ्यूजन एमआरआई हार्डी की आवश्यकता होती है और इस प्रकार बड़ी संख्या में ग्रेडिएंट दिशाओं के साथ उच्च-कोणीय-रिज़ॉल्यूशन प्रसार इमेजिंग और क्यू-बॉल सदिश विश्लेषण अधिग्रहण किया जाता है। प्रसार टेन्सर के साथ इन जटिल मॉडलों के मूल्यवान आयतन को छवि कंप्यूटिंग विधियों को लागू करते समय विशेष ट्रीटमेंट की आवश्यकता होती है, जैसे कि छवि पंजीकरण[72][73][74]और विभाजन के लिए होती है।[75]

कार्यात्मक एमआरआई

एफएमआरआई | कार्यात्मक चुंबकीय अनुनाद इमेजिंग (fMRI) एक चिकित्सा इमेजिंग साधन है जो अप्रत्यक्ष रूप से स्थानीय हेमोडायनामिक प्रतिक्रिया, या रक्त ऑक्सीजन स्तर पर निर्भर संकेत (बोल्ड) को देखकर तंत्रिका गतिविधि को मापता है। एफएमआरआई डेटा कई प्रकार की अंतर्दृष्टि प्रदान करता है, और इसे मोटे तौर पर दो श्रेणियों में विभाजित किया जा सकता है:

  • कार्य से संबंधित एफएमआरआई का अधिग्रहण किया जाता है क्योंकि विषय समयबद्ध प्रायोगिक स्थितियों का एक क्रम होता है। ब्लॉक-डिज़ाइन प्रयोगों में, स्थितियाँ कम समय के लिए उपस्थित होती हैं, जैसे, 10 सेकंड और आराम की अवधि के साथ वैकल्पिक होती हैं। घटना-संबंधी प्रयोग स्टिमुली के यादृच्छिक अनुक्रम पर निर्भर करते हैं और प्रत्येक स्थिति को निरूपित करने के लिए एकल समय बिंदु का उपयोग करते हैं। कार्य संबंधी फमरी का विश्लेषण करने के लिए मानक दृष्टिकोण सामान्य रैखिक मॉडल (जीएलएम) है [76]
  • रेस्टिंग स्टेट एफएमआरआई किसी भी प्रायोगिक कार्य के अभाव में प्राप्त किया जाता है। सामान्यतः उद्देश्य मस्तिष्क की आंतरिक नेटवर्क संरचना का अध्ययन करना है। रेस्ट के समय की गई टिप्पणियों को विशिष्ट संज्ञानात्मक प्रक्रियाओं जैसे एन्कोडिंग या प्रतिबिंब से भी जोड़ा गया है। रेस्टिंग स्टेट एफएमआरआई के अधिकांश अध्ययन एफएमआरआई सिग्नल (एलएफ बोल्ड) की कम आवृत्ति के उतार-चढ़ाव पर ध्यान केंद्रित करते हैं और इस प्रकार महत्वपूर्ण खोजों में डिफ़ॉल्ट नेटवर्क के रूप में सम्मलित होते है,[77] एक व्यापक कॉर्टिकल पार्सलेशन,[78]और नेटवर्क विशेषताओं को व्यवहारिक मापदंडों से जोड़ना हैं।

कार्यात्मक न्यूरोइमेजिंग डेटा का विश्लेषण करने के लिए उपयोग की जाने वाली पद्धति का एक समृद्ध समूह के रूप में है और सर्वोत्तम विधि के संबंध में अधिकांशतः कोई आम सहमति नहीं होती है। इसके अतिरिक्त शोधकर्ता प्रत्येक समस्या को स्वतंत्र रूप से देखते हैं और एक उपयुक्त मॉडल/कलन विधि का चयन करते हैं। इस संदर्भ में तंत्रिका विज्ञान, कम्प्यूटेशनल बायोलॉजी विज्ञान सांख्यिकी और मशीन लर्निंग वाले समुदायों के बीच अपेक्षाकृत सक्रिय आदान-प्रदान होता है और इस प्रकार प्रमुख दृष्टिकोण के रूप में सम्मलित हैं।

  • 'बड़े पैमाने पर अविभाज्य दृष्टिकोण' जो प्रयोग की स्थिति के संबंध के लिए इमेजिंग डेटा में भिन्न -भिन्न स्वरों की जांच करता है। मुख्य दृष्टिकोण सामान्य रैखिक मॉडल (जीएलएम) के रूप में होता है। [76]
  • बहुभिन्नरूपी- और क्लासिफायर आधारित दृष्टिकोण जिसे अधिकांशतः बहु ​​वोक्सल पैटर्न विश्लेषण या मल्टी-वेरिएट पैटर्न विश्लेषण के रूप में संदर्भित किया जाता है और एक प्रयोगात्मक स्थिति के लिए वैश्विक और संभावित रूप से वितरित प्रतिक्रियाओं के लिए डेटा की जांच करता है। दृश्य स्टिमुली के प्रति प्रतिक्रियाओं का अध्ययन करने के लिए प्रारंभिक दृष्टिकोणों ने समर्थन सदिश यंत्र सपोर्ट सदिश मशीन (एसवीएम) का उपयोग किया है।[79] हाल ही में, वैकल्पिक पैटर्न पहचान कलन विधि का पता लगाया गया है, जैसे यादृच्छिक फारेस्ट आधारित गिन्नी कंट्रास्ट [80] या स्पार्स रिग्रेशन और डिक्शनरी लर्निंग के रूप में होते है। [81]
  • कार्यात्मक कनेक्टिविटी विश्लेषण क्षेत्रों के बीच बातचीत सहित मस्तिष्क की आंतरिक नेटवर्क संरचना का अध्ययन करता है। इस तरह के अधिकांश अध्ययन मस्तिष्क को विभाजित करने के लिए रेस्ट डेटा को आराम देने पर ध्यान केंद्रित करते हैं [78] या व्यवहारिक उपायों से सहसंबंध खोजने के लिए।[82] कार्य विशिष्ट डेटा का उपयोग मस्तिष्क क्षेत्रों जैसे गतिशील कारण मानचित्रण डीसीएम के बीच कारण संबंधों का अध्ययन करने के लिए किया जा सकता है। [83]).

विषयों के बड़े समूहों के साथ काम करते समय, एक सामान्य संदर्भ फ्रेम में व्यक्तिगत विषयों का सामान्यीकरण पंजीकरण महत्वपूर्ण होता है। एनाटॉमी एफएमआरआईबी सॉफ्टवेयर लाइब्रेरी फ्रीसर्फर सांख्यिकीय पैरामीट्रिक मानचित्रण के आधार पर सामान्यीकरण करने के लिए काम और उपकरणों का एक समूह उपस्थित होता है। विषयों में स्थानिक परिवर्तनशीलता को ध्यान में रखते हुए संरेखण कार्य की एक और हालिया पंक्ति है। उदाहरण एफएमआरआई संकेत सहसंबंध के आधार पर संरेखण के रूप में हैं,[84] कार्य में वैश्विक कार्यात्मक कनेक्टिविटी संरचना के आधार पर संरेखण या रेस्ट करने वाले स्टेट डेटा दोनों में,[85] और व्यक्तिगत वोक्सल्स के प्रोत्साहन विशिष्ट सक्रियण प्रोफाइल के आधार पर संरेखण होता है।[86]

सॉफ्टवेयर

चिकित्सा छवि कंप्यूटिंग के लिए सॉफ्टवेयर आईओ विज़ुअलाइज़ेशन और इंटरेक्शन यूजर इंटरफेस डेटा प्रबंधन और गणना प्रदान करने वाली प्रणालियों का एक जटिल संयोजन है। सामान्यतः प्रणाली आर्किटेक्चर को कलन विधि डेवलपर्स अनुप्रयोग डेवलपर्स और उपयोगकर्ताओं की सेवा के लिए स्तरित किया जाता है। नीचे की परतें अधिकांशतः पुस्तकालय या टूलकिट के रूप में होती हैं जो आधार कम्प्यूटेशनल क्षमताएं प्रदान करती हैं; जबकि शीर्ष परतें विशिष्ट अनुप्रयोग के रूप में हैं जो विशिष्ट चिकित्सा समस्याओं बीमारियों या फिजियोलॉजिकल प्रणालियों को संबोधित करती हैं।

अतिरिक्त नोट्स

चिकित्सा छवि कंप्यूटिंग भी कंप्यूटर विजन के क्षेत्र से संबंधित होती है। एक अंतरराष्ट्रीय सोसायटी एमआईसीसीएआई सोसायटी क्षेत्र का प्रतिनिधित्व करती है और एक वार्षिक सम्मेलन और संबद्ध कार्यशालाओं का आयोजन करती है। इस सम्मेलन की कार्यवाही स्प्रिंगर द्वारा कंप्यूटर विज्ञान श्रृंखला में व्याख्यान नोट्स में प्रकाशित की जाती है।[87] और 2000 में, एन. अयाचे और जे. डंकन ने क्षेत्र की स्थिति की समीक्षा की थी।[88]


यह भी देखें

संदर्भ

  1. ↑ Perera Molligoda Arachchige, Arosh S.; Svet, Afanasy (2021-09-10). "Integrating artificial intelligence into radiology practice: undergraduate students' perspective". European Journal of Nuclear Medicine and Molecular Imaging (in English). 48 (13): 4133–4135. doi:10.1007/s00259-021-05558-y. ISSN 1619-7089. PMID 34505175. S2CID 237459138.
  2. ↑ Forghani, M.; Forouzanfar, M.; Teshnehlab, M. (2010). "ब्रेन एमआर इमेज सेगमेंटेशन के लिए बेहतर फ़ज़ी सी-मीन्स क्लस्टरिंग एल्गोरिथम का पैरामीटर ऑप्टिमाइज़ेशन". Engineering Applications of Artificial Intelligence. 23 (2): 160–168. doi:10.1016/j.engappai.2009.10.002.
  3. ↑ J Gee; M Reivich; R Bajcsy (1993). "Elastically Deforming a Three-Dimensional Atlas to Match Anatomical Brain Images". Journal of Computer Assisted Tomography. 17 (1): 225–236. doi:10.1097/00004728-199303000-00011. PMID 8454749. S2CID 25781937.
  4. ↑ MR Sabuncu; BT Yeo; K Van Leemput; B Fischl; P Golland (June 2010). "A Generative Model for Image Segmentation Based on Label Fusion". IEEE Transactions on Medical Imaging. 29 (10): 1714–1729. doi:10.1109/TMI.2010.2050897. PMC 3268159. PMID 20562040.
  5. ↑ Cootes TF, Taylor CJ, Cooper DH, Graham J (1995). "Active shape models-their training and application". Computer Vision and Image Understanding. 61 (1): 38–59. doi:10.1006/cviu.1995.1004. S2CID 15242659.
  6. ↑ Cootes, T.F.; Edwards, G.J.; Taylor, C.J. (2001). "Active appearance models". IEEE Transactions on Pattern Analysis and Machine Intelligence. 23 (6): 681–685. CiteSeerX 10.1.1.128.4967. doi:10.1109/34.927467.
  7. ↑ G. Zheng; S. Li; G. Szekely (2017). सांख्यिकीय आकार और विरूपण विश्लेषण. Academic Press. ISBN 9780128104941.
  8. ↑ R. Goldenberg, R. Kimmel, E. Rivlin, and M. Rudzsky (2001). "तेज़ जियोडेसिक सक्रिय आकृति" (PDF). IEEE Transactions on Image Processing. 10 (10): 1467–1475. Bibcode:2001ITIP...10.1467G. CiteSeerX 10.1.1.35.1977. doi:10.1109/83.951533. PMID 18255491.{{cite journal}}: CS1 maint: multiple names: authors list (link)
  9. ↑ Karasev, P.; Kolesov I.; Chudy, K.; Vela, P.; Tannenbaum, A. (2011). Interactive MRI segmentation with controlled active vision. pp. 2293–2298. doi:10.1109/CDC.2011.6161453. ISBN 978-1-61284-801-3. PMC 3935399. PMID 24584213. {{cite book}}: |journal= ignored (help)
  10. ↑ K. Mikula, N. Peyriéras, M. Remešíková, A.Sarti: 3D embryogenesis image segmentation by the generalized subjective surface method using the finite volume technique. Proceedings of FVCA5 – 5th International Symposium on Finite Volumes for Complex Applications, Hermes Publ., Paris 2008.
  11. ↑ A. Sarti, G. Citti: Subjective surfaces and Riemannian mean curvature flow graphs. Acta Math. Univ. Comenian. (N.S.) 70 (2000), 85–103.
  12. ↑ A. Sarti, R. Malladi, J.A. Sethian: Subjective Surfaces: A Method for Completing Missing Boundaries. Proc. Natl. Acad. Sci. mi 12, No. 97 (2000), 6258–6263.
  13. ↑ A. Sarti, R. Malladi, J.A. Sethian: Subjective Surfaces: A Geometric Model for Boundary Completion, International Journal of Computer Vision, mi 46, No. 3 (2002), 201–221.
  14. ↑ Badrinarayanan, Vijay; Kendall, Alex; Cipolla, Roberto (2015-11-02). "SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation" (in English). arXiv:1511.00561 [cs.CV].
  15. ↑ Ronneberger, Olaf; Fischer, Philipp; Brox, Thomas (2015-05-18). "U-Net: Convolutional Networks for Biomedical Image Segmentation" (in English). arXiv:1505.04597 [cs.CV].
  16. ↑ He, Kaiming; Zhang, Xiangyu; Ren, Shaoqing; Sun, Jian (June 2016). "इमेज रिकग्निशन के लिए डीप रेजिडुअल लर्निंग". 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, USA: IEEE: 770–778. doi:10.1109/CVPR.2016.90. ISBN 978-1-4673-8851-1. S2CID 206594692.
  17. ↑ Ahmad, Ibtihaj; Xia, Yong; Cui, Hengfei; Islam, Zain Ul (2023-05-01). "AATSN: Anatomy Aware Tumor Segmentation Network for PET-CT volumes and images using a lightweight fusion-attention mechanism". Computers in Biology and Medicine (in English). 157: 106748. doi:10.1016/j.compbiomed.2023.106748. ISSN 0010-4825. PMID 36958235. S2CID 257489603.
  18. ↑ Vaswani, Ashish; Shazeer, Noam; Parmar, Niki; Uszkoreit, Jakob; Jones, Llion; Gomez, Aidan N.; Kaiser, Lukasz; Polosukhin, Illia (2017-06-12). "अटेंशन इज़ ऑल यू नीड" (in English). arXiv:1706.03762 [cs.CL].
  19. ↑ Sorin, Vera; Barash, Yiftach; Konen, Eli; Klang, Eyal (August 2020). "Creating Artificial Images for Radiology Applications Using Generative Adversarial Networks (GANs) – A Systematic Review". Academic Radiology. 27 (8): 1175–1185. doi:10.1016/j.acra.2019.12.024. ISSN 1076-6332. PMID 32035758. S2CID 211072078.
  20. ↑ Ehsani Rad, Abdolvahab; Mohd Rahim Mohd Shafry; Rehman Amjad; Altameem Ayman; Saba Tanzila (May 2013). "कंप्यूटर एडेड अनुप्रयोगों में वर्तमान दंत रेडियोग्राफ विभाजन दृष्टिकोण का मूल्यांकन". IETE Technical Review. 30 (3): 210. doi:10.4103/0256-4602.113498. S2CID 62571134.
  21. ↑ Lisa Gottesfeld Brown (1992). "A survey of image registration techniques". ACM Computing Surveys. 24 (4): 325–376. CiteSeerX 10.1.1.35.2732. doi:10.1145/146370.146374. S2CID 14576088.
  22. ↑ J. Maintz; M. Viergever (1998). "A survey of medical image registration". Medical Image Analysis. 2 (1): 1–36. CiteSeerX 10.1.1.46.4959. doi:10.1016/S1361-8415(01)80026-8. PMID 10638851.
  23. ↑ J. Hajnal; D. Hawkes; D. Hill (2001). Medical Image Registration. Baton Rouge, Florida: CRC Press.
  24. ↑ Barbara Zitová; Jan Flusser (2003). "Image registration methods: a survey". Image Vision Comput. 21 (11): 977–1000. doi:10.1016/S0262-8856(03)00137-9. hdl:10338.dmlcz/141595.
  25. ↑ J. P. W. Pluim; J. B. A. Maintz; M. A. Viergever (2003). "Mutual information based registration of medical images: A survey". IEEE Trans. Med. Imaging. 22 (8): 986–1004. CiteSeerX 10.1.1.197.6513. doi:10.1109/TMI.2003.815867. PMID 12906253. S2CID 2605077.
  26. ↑ Grenander, Ulf; Miller, Michael I. (1998). "Computational anatomy: an emerging discipline". Q. Appl. Math. LVI (4): 617–694. doi:10.1090/qam/1668732.
  27. ↑ P. A. Viola (1995). Alignment by Maximization of Mutual Information (Thesis). Massachusetts Institute of Technology.
  28. ↑ C. Wachinger; T. Klein; N. Navab (2011). "Locally adaptive Nakagami-based ultrasound similarity measures". Ultrasonics. 52 (4): 547–554. doi:10.1016/j.ultras.2011.11.009. PMID 22197152.
  29. ↑ C. Wachinger; N. Navab (2012). "Entropy and Laplacian images: structural representations for multi-modal registration". Medical Image Analysis. 16 (1): 1–17. doi:10.1016/j.media.2011.03.001. PMID 21632274.
  30. ↑ Hill, Derek LG; Hawkes, David J (1994-04-01). "संरचनात्मक संरचनाओं के निकटता के ज्ञान का उपयोग करते हुए चिकित्सा छवि पंजीकरण". Image and Vision Computing. 12 (3): 173–178. CiteSeerX 10.1.1.421.5162. doi:10.1016/0262-8856(94)90069-8. ISSN 0262-8856.
  31. ↑ Toth, Daniel; Panayiotou, Maria; Brost, Alexander; Behar, Jonathan M.; Rinaldi, Christopher A.; Rhode, Kawal S.; Mountney, Peter (2016-10-17). कार्डिएक रीसिंक्रनाइज़ेशन थेरेपी गाइडेंस के लिए आसन्न शारीरिक संरचनाओं के साथ पंजीकरण. pp. 127–134. doi:10.1007/978-3-319-52718-5_14. ISBN 9783319527178. S2CID 1698371. {{cite book}}: |journal= ignored (help)
  32. ↑ Pielawski, N., Wetzer, E., Ofverstedt, J., Lu, J., Wählby, C., Lindblad, J., & Sladoje, N. (2020). CoMIR: Contrastive Multimodal Image Representation for Registration. In Advances in Neural Information Processing Systems (pp. 18433–18444). Curran Associates, Inc..
  33. ↑ M. De Craene; A. B. d Aische; B. Macq; S. K. Warfield (2004). "Multi-subject registration for unbiased statistical atlas construction" (PDF). Proceedings of Medical Image Computing and Computer-Assisted Intervention 2004. Lecture Notes in Computer Science. 3216: 655–662. doi:10.1007/978-3-540-30135-6_80. ISBN 978-3-540-22976-6.
  34. ↑ C. J. Twining; T. Cootes; S. Marsland; V. Petrovic; R. Schestowitz; C. Taylor (2005). "A unified information-theoretic approach to groupwise non-rigid registration and model building". Proceedings of Information Processing in Medical Imaging 2005. Lecture Notes in Computer Science. 19: 1–14. doi:10.1007/11505730_1. ISBN 978-3-540-26545-0. PMID 17354680.
  35. ↑ "The MNI brain and the Talairach atlas".
  36. ↑ M. Sabuncu; S. K. Balci; M. E. Shenton; P. Golland (2009). "Image-driven Population Analysis through Mixture Modeling". IEEE Transactions on Medical Imaging. 28 (9): 1473–1487. CiteSeerX 10.1.1.158.3690. doi:10.1109/TMI.2009.2017942. PMC 2832589. PMID 19336293.
  37. ↑ J. Ashburner; K.J. Friston (2000). "Voxel-Based Morphometry – The Methods". NeuroImage. 11 (6): 805–821. CiteSeerX 10.1.1.114.9512. doi:10.1006/nimg.2000.0582. PMID 10860804. S2CID 16777465.
  38. ↑ C. Davatzikos (2004). "Why voxel-based morphometric analysis should be used with great caution when characterizing group differences". NeuroImage. 23 (1): 17–20. doi:10.1016/j.neuroimage.2004.05.010. PMID 15325347. S2CID 7452089.
  39. ↑ K.J. Friston; W.D. Penny; C. Phillips; S.J. Kiebel; G. Hinton; J. Ashburner (2002). "Classical and Bayesian Inference in Neuroimaging: Theory". NeuroImage. 16 (2): 465–483. CiteSeerX 10.1.1.128.8333. doi:10.1006/nimg.2002.1090. PMID 12030832. S2CID 14911371.
  40. ↑ Yong Fan; Nematollah Batmanghelich; Chris M. Clark; Christos Davatzikos (2008). "Spatial patterns of brain atrophy in MCI patients, identified via high-dimensional pattern classification, predict subsequent cognitive decline". NeuroImage. 39 (4): 1731–1743. doi:10.1016/j.neuroimage.2007.10.031. PMC 2861339. PMID 18053747.
  41. ↑ Rémi Cuingnet; Emilie Gerardin; Jérôme Tessieras; Guillaume Auzias; Stéphane Lehéricy; Marie-Odile Habert; Marie Chupin; Habib Benali; Olivier Colliot (2011). "The Alzheimer's Disease Neuroimaging Initiative, Automatic classification of patients with Alzheimer's disease from structural MRI: A comparison of ten methods using the ADNI database" (PDF). NeuroImage. 56 (2): 766–781. doi:10.1016/j.neuroimage.2010.06.013. PMID 20542124. S2CID 628131.
  42. ↑ Y. Wang; Y. Fan; P. Bhatt P; C. Davatzikos (2010). "High-dimensional pattern regression using machine learning: from medical images to continuous clinical variables". NeuroImage. 50 (4): 1519–35. doi:10.1016/j.neuroimage.2009.12.092. PMC 2839056. PMID 20056158.
  43. ↑ Benoît Magnin; Lilia Mesrob; Serge Kinkingnéhun; Mélanie Pélégrini-Issac; Olivier Colliot; Marie Sarazin; Bruno Dubois; Stéphane Lehéricy; Habib Benali (2009). "Support vector machine-based classification of Alzheimer's disease from whole-brain anatomical MRI". Neuroradiology. 51 (2): 73–83. doi:10.1007/s00234-008-0463-x. PMID 18846369. S2CID 285128.
  44. ↑ 44.0 44.1 N.K. Batmanghelich; B. Taskar; C. Davatzikos (2012). "Generative-discriminative basis learning for medical imaging". IEEE Trans Med Imaging. 31 (1): 51–69. doi:10.1109/TMI.2011.2162961. PMC 3402718. PMID 21791408.
  45. ↑ 45.0 45.1 Glenn Fung; Jonathan Stoeckel (2007). "SVM feature selection for classification of SPECT images of Alzheimer's disease using spatial information". Knowledge and Information Systems. 11 (2): 243–258. CiteSeerX 10.1.1.62.6245. doi:10.1007/s10115-006-0043-5. S2CID 9901011.
  46. ↑ 46.0 46.1 R. Chaves; J. Ramírez; J.M. Górriz; M. López; D. Salas-Gonzalez; I. Álvarez; F. Segovia (2009). "SVM-based computer-aided diagnosis of the Alzheimer's disease using t-test NMSE feature selection with feature correlation weighting". Neuroscience Letters. 461 (3): 293–297. doi:10.1016/j.neulet.2009.06.052. PMID 19549559. S2CID 9981775.
  47. ↑ 47.0 47.1 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. Lecture Notes in Computer Science. 3216: 393–401. doi:10.1007/978-3-540-30135-6_48. ISBN 978-3-540-22976-6.
  48. ↑ Savio A.; Graña M. (2013). "Deformation based feature selection for Computer Aided Diagnosis of Alzheimer's Disease". Expert Systems with Applications. 40 (5): 1619–1628. doi:10.1016/j.eswa.2012.09.009. ISSN 0957-4174.
  49. ↑ R. Filipovych; S. M. Resnick; C. Davatzikos (2011). "Semi-supervised cluster analysis of imaging data". NeuroImage. 54 (3): 2185–2197. doi:10.1016/j.neuroimage.2010.09.074. PMC 3008313. PMID 20933091.
  50. ↑ STEP research roadmap Archived 2008-08-28 at the Wayback Machine. europhysiome.org
  51. ↑ J. W. Fenner; B. Brook; G. Clapworthy; P. V. Coveney; V. Feipel; H. Gregersen; D. R. Hose; P. Kohl; P. Lawford; K. M. McCormack; D. Pinney; S. R. Thomas; S. Van Sint Jan; S. Waters; M. Viceconti (2008). "EuroPhysiome, STEP और आभासी शारीरिक मानव के लिए एक रोडमैप" (PDF). Philosophical Transactions of the Royal Society A. 366 (1878): 2979–2999. Bibcode:2008RSPTA.366.2979F. doi:10.1098/rsta.2008.0089. PMID 18559316. S2CID 1211981.
  52. ↑ J. B. Bassingthwaighte (2000). "फिजियोम प्रोजेक्ट के लिए रणनीतियाँ". Annals of Biomedical Engineering. 28 (8): 1043–1058. doi:10.1114/1.1313771. PMC 3425440. PMID 11144666.
  53. ↑ P. J. Hunter; T. K. Borg (2003). "Integration from proteins to organs: The Physiome Project". Nat. Rev. Mol. Cell Biol. 4 (3): 237–243. doi:10.1038/nrm1054. PMID 12612642. S2CID 25185270.
  54. ↑ R. L.Winslow; N. Trayanova; D. Geman; M. I. Miller (2012). "Computational medicine: Translating models to clinical care". Sci. Trans. Med. 4 (158): 158rv11. doi:10.1126/scitranslmed.3003528. PMC 3618897. PMID 23115356.
  55. ↑ N. Ayache, J.-P. Boissel, S. Brunak, G. Clapworthy, G. Lonsdale, J. Fingberg, A. F. Frangi, G.Deco, P. J. Hunter, P.Nielsen, M.Halstead, D. R. Hose, I. Magnin, F. Martin-Sanchez, P. Sloot, J. Kaandorp, A. Hoekstra, S. Van Sint Jan, and M. Viceconti (2005) "Towards virtual physiological human: Multilevel modelling and simulation of the human anatomy and physiology". Directorate General INFSO & Directorate General JRC, White paper
  56. ↑ Boulfelfel D.; Rangayyan R.M.; Hahn L.J.; Kloiber R.; Kuduvalli G.R. (1994). "कलमन फिल्टर द्वारा एकल फोटान उत्सर्जन संगणित टोमोग्राफी छवियों की बहाली". IEEE Transactions on Medical Imaging. 13 (1): 102–109. doi:10.1109/42.276148. PMID 18218487.
  57. ↑ Angenent, S.; Pichon, E.; Tannenbaum, A. (2006). "Mathematical methods in medical image processing". Bulletin of the AMS. 43 (3): 365–396. doi:10.1090/S0273-0979-06-01104-9. PMC 3640423. PMID 23645963.
  58. ↑ P Basser; J Mattiello; D LeBihan (January 1994). "MR diffusion tensor spectroscopy, imaging". Biophysical Journal. 66 (1): 259–267. Bibcode:1994BpJ....66..259B. doi:10.1016/S0006-3495(94)80775-1. PMC 1275686. PMID 8130344.
  59. ↑ P Fillard; X Pennec; V Arsigny; N Ayache (2007). "Clinical DT-MRI estimation, smoothing,, fiber tracking with log-Euclidean metrics". IEEE Transactions on Medical Imaging. 26 (11): 1472–1482. CiteSeerX 10.1.1.218.6380. doi:10.1109/TMI.2007.899173. PMID 18041263.
  60. ↑ S-K Song; S-W Sun; M Ramsbottom; C Cheng; J Russell; A Cross (November 2002). "Dysmyelination Revealed through MRI as Increased Radial (but Unchanged Axial) Diffusion of Water". NeuroImage. 13 (3): 1429–1436. doi:10.1006/nimg.2002.1267. PMID 12414282. S2CID 43229972.
  61. ↑ P Barzo; A Marmarou; P Fatouros; K Hayasaki; F Corwin (December 1997). "Contribution of vasogenic and cellular edema to traumatic brain swelling measured by diffusion-weighted imaging". Journal of Neurosurgery. 87 (6): 900–907. doi:10.3171/jns.1997.87.6.0900. PMID 9384402.
  62. ↑ D Alexander; C Pierpaoli; P Basser (January 2001). "Spatial transformation of diffusion tensor magnetic resonance images" (PDF). IEEE Transactions on Medical Imaging. 20 (11): 1131–1139. doi:10.1109/42.963816. PMID 11700739. S2CID 6559551.
  63. ↑ Y Cao; M Miller; S Mori; R Winslow; L Younes (June 2006). "Diffeomorphic Matching of Diffusion Tensor Images". Proceedings of IEEE Computer Society Conference on Computer Vision, Pattern Recognition (CVPR), Workshop on Mathematical Methods in Biomedical Image Analysis (MMBIA 2006). New York. p. 67. doi:10.1109/CVPRW.2006.65. PMC 2920614.
  64. ↑ Z Wang; B Vemuri (October 2005). "DTI segmentation using an information theoretic tensor dissimilarity measure". IEEE Transactions on Medical Imaging. 24 (10): 1267–1277. CiteSeerX 10.1.1.464.9059. doi:10.1109/TMI.2005.854516. PMID 16229414. S2CID 32724414.
  65. ↑ Melonakos, J.; Pichon, E.; Angenent, S.; Tannenbaum, A. (2008). "Finsler active contours". IEEE Trans. PAMI. 30 (3): 412–423. doi:10.1109/TPAMI.2007.70713. PMC 2796633. PMID 18195436.
  66. ↑ S Mori; B Crain; V Chacko; P van Zijl (February 1999). "Three-dimensional tracking of axonal projections in the brain by magnetic resonance imaging". 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.
  67. ↑ D Tuch; T Reese; M Wiegell; N Makris; J Belliveau; V Wedeen (October 2002). "High angular resolution diffusion imaging reveals intravoxel white matter fiber heterogeneity". Magnetic Resonance in Medicine. 48 (4): 577–582. doi:10.1002/mrm.10268. PMID 12353272.
  68. ↑ D Tuch (December 2004). "Q-ball imaging". Magnetic Resonance in Medicine. 52 (6): 1358–1372. doi:10.1002/mrm.20279. PMID 15562495.
  69. ↑ V Wedeen; P Hagmann; W-Y Tseng; T Reese (December 2005). "Mapping complex tissue architecture with diffusion spectrum magnetic resonance imaging". Magnetic Resonance in Medicine. 54 (6): 1377–1386. doi:10.1002/mrm.20642. PMID 16247738.
  70. ↑ K Jansons; D Alexander (July 2003). "Persistent angular structure: new insights from diffusion magnetic resonance imaging data". Proceedings of Information Processing in Medical Imaging (IPMI) 2003, LNCS 2732. pp. 672–683. doi:10.1007/978-3-540-45087-0_56.
  71. ↑ J-D Tournier; F Calamante; D Gadian; A Connelly (2007). "Direct estimation of the fiber orientation density function from diffusion-weighted MRI data using spherical deconvolution". NeuroImage. 23 (3): 1176–1185. doi:10.1016/j.neuroimage.2004.07.037. PMID 15528117. S2CID 24169627.
  72. ↑ X Geng; T Ross; W Zhan; H Gu; Y-P Chao; C-P Lin; G Christensen; N Schuff; Y Yang (July 2009). "Diffusion MRI Registration Using Orientation Distribution Functions". Proceedings of Information Processing in Medical Imaging (IPMI) 2009, LNCS 5636. Vol. 21. pp. 626–637. doi:10.1007/978-3-642-02498-6_52. PMC 3860746.
  73. ↑ P-T 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.
  74. ↑ P Zhang; M Niethammer; D Shen; P-T Yap (2012). "Large Deformation Diffeomorphic Registration of Diffusion-Weighted Images" (PDF). Proceedings of Medical Image Computing and Computer-Assisted Intervention (MICCAI). doi:10.1007/978-3-642-33418-4_22.
  75. ↑ M Descoteaux; R Deriche (September 2007). "Segmentation of Q-Ball Images Using Statistical Surface Evolution". Proceedings of Medical Image Computing and Computer-Assisted Intervention (MICCAI) 2007, LNCS 4792. pp. 769–776. doi:10.1007/978-3-540-75759-7_93.
  76. ↑ 76.0 76.1 Friston, K.; Holmes, A.; Worsley, K.; Poline, J.; Frith, C.; Frackowiak, R.; et al. (1995). "Statistical parametric maps in functional imaging: a general linear approach". Hum Brain Mapp. 2 (4): 189–210. doi:10.1002/hbm.460020402. S2CID 9898609.
  77. ↑ Buckner, R. L.; Andrews-Hanna, J. R.; Schacter, D. L. (2008). "The brain's default network: anatomy, function, and relevance to disease". Annals of the New York Academy of Sciences. 1124 (1): 1–38. Bibcode:2008NYASA1124....1B. CiteSeerX 10.1.1.689.6903. doi:10.1196/annals.1440.011. PMID 18400922. S2CID 3167595.
  78. ↑ 78.0 78.1 Yeo, B. T. T.; Krienen, F. M.; Sepulcre, J.; Sabuncu, M. R.; Lashkari, D.; Hollinshead, M.; Roffman, J. L.; Smoller, J. W.; Zöllei, L.; Polimeni, J. R.; Fischl, B.; Liu, H.; Buckner, R. L. (2011). "The organization of the human cerebral cortex estimated by intrinsic functional connectivity". J Neurophysiol. 106 (3): 1125–65. doi:10.1152/jn.00338.2011. PMC 3174820. PMID 21653723.
  79. ↑ J. V. Haxby; M. I. Gobbini; M. L. Furey; A. Ishai; J. L. Schouten; P. Pietrini (2001). "Distributed and overlapping representations of faces and objects in ventral temporal cortex". Science. 293 (5539): 2425–30. Bibcode:2001Sci...293.2425H. CiteSeerX 10.1.1.381.2660. doi:10.1126/science.1063736. PMID 11577229. S2CID 6403660.
  80. ↑ Langs, G.; Menze, B. H.; Lashkari, D.; Golland, P. (2011). "Detecting stable distributed patterns of brain activation using Gini contrast". NeuroImage. 56 (2): 497–507. doi:10.1016/j.neuroimage.2010.07.074. PMC 3960973. PMID 20709176.
  81. ↑ Varoquaux, G.; Gramfort, A.; Pedregosa, F.; Michel, V.; Thirion, B. (2011). "Multi-subject dictionary learning to segment an atlas of brain spontaneous activity". Inf Process Med Imaging. Vol. 22. pp. 562–73.
  82. ↑ van den Heuvel, M. P.; Stam, C. J.; Kahn, R. S.; Hulshoff Pol, H. E. (2009). "Efficiency of functional brain networks and intellectual performance". J Neurosci. 29 (23): 7619–24. doi:10.1523/JNEUROSCI.1443-09.2009. PMC 6665421. PMID 19515930.
  83. ↑ Friston, K. (2003). "Dynamic causal modelling". NeuroImage. 19 (4): 1273–1302. doi:10.1016/S1053-8119(03)00202-7. PMID 12948688. S2CID 2176588.
  84. ↑ Sabuncu, M. R.; Singer, B. D.; Conroy, B.; Bryan, R. E.; Ramadge, P. J.; Haxby, J. V. (2010). "Function-based Intersubject Alignment of Human Cortical Anatomy". Cerebral Cortex. 20 (1): 130–140. doi:10.1093/cercor/bhp085. PMC 2792192. PMID 19420007.
  85. ↑ Langs, G.; Lashkari, D.; Sweet, A.; Tie, Y.; Rigolo, L.; Golby, A. J.; Golland, P. (2011). "Learning an atlas of a cognitive process in its functional geometry". Inf Process Med Imaging. Vol. 22. pp. 135–46.
  86. ↑ Haxby, J. V.; Guntupalli, J. S.; Connolly, A. C.; Halchenko, Y. O.; Conroy, B. R.; Gobbini, M. I.; Hanke, M.; Ramadge, P. J. (2011). "A common, high-dimensional model of the representational space in human ventral temporal cortex". Neuron. 72 (2): 404–416. doi:10.1016/j.neuron.2011.08.026. PMC 3201764. PMID 22017997.
  87. ↑ Wells, William M; Colchester, Alan; Delp, Scott (1998). कंप्यूटर विज्ञान के व्याख्यान नोट्स (Submitted manuscript). कंप्यूटर विज्ञान के व्याख्यान नोट्स. Vol. 1496. doi:10.1007/BFb0056181. ISBN 978-3-540-65136-9. S2CID 31031333.
  88. ↑ JS Duncan; N Ayache (2000). "Medical image analysis: Progress over two decades and the challenges ahead". IEEE Transactions on Pattern Analysis and Machine Intelligence. 22: 85–106. CiteSeerX 10.1.1.410.8744. doi:10.1109/34.824822.


चिकित्सा छवि कंप्यूटिंग पर पत्रिकाएँ

इसके अतिरिक्त निम्नलिखित पत्रिकाएं कभी-कभी चिकित्सा छवि कंप्यूटिंग या मॉडेलिटी विशिष्ट चिकित्सा छवि कंप्यूटिंग के विधियों और विशिष्ट क्लीनिकल ​​अनुप्रयोगों का वर्णन करने वाले लेख प्रकाशित करती हैं

श्रेणी:चिकित्सा इमेजिंग में कम्प्यूटिंग श्रेणी:छवि विभाजन

Retrieved from ‘https://www.vigyanwiki.in/index.php?title=मेडिकल_इमेज_कंप्यूटिंग&oldid=273275’