- Las imágenes médicas han atraído cada vez más atención en los últimos años debido a su componente vital en las aplicaciones sanitarias.
- La técnica de visión por computadora ha mostrado gran aplicación en cirugía y terapia de algunas enfermedades.
La investigación en visión por computadora, procesamiento de imágenes y reconocimiento de patrones ha logrado avances sustanciales en las últimas décadas. Además, las imágenes médicas han atraído cada vez más atención en los últimos años debido a su componente vital en las aplicaciones sanitarias. Los investigadores han publicado una gran cantidad de ciencia básica y datos que documentan el progreso y la aplicación sanitaria de las imágenes médicas.
Análisis de imágenes médicas
Este tema intenta abordar las mejoras y nuevas técnicas en los métodos de análisis de imágenes médicas. En primer lugar, la integración de información multimodal obtenida de diferentes técnicas de diagnóstico por imagen es esencial para una caracterización completa de la región bajo examen. Por lo tanto, la corregistración de imágenes se ha vuelto crucial tanto para la evaluación visual cualitativa como para el análisis multiparamétrico cuantitativo en aplicaciones de investigación. S. Monti et al.
en Italia, en \"An Evaluation of the Benefits of Simultaneous Acquisition on PET/MR Coregistration in Head/Neck Imaging\", comparan y evalúan el rendimiento entre los métodos de corregistración tradicionales aplicados a PET y RM adquiridos como modalidades únicas y los resultados obtenidos con la corregistración implícita de un PET/RM híbrido, en regiones anatómicas complejas como cabeza/cuello (HN). Los resultados experimentales muestran que el PET/RM híbrido proporciona una mayor precisión de registro que las imágenes corregistradas retrospectivamente.
Lea también: ¿Qué es el aprendizaje automático y la visión por computadora?
Lea también: 5 aplicaciones de la visión por computadora
Visión por computadora para análisis predictivo y terapia
La técnica de visión por computadora ha mostrado gran aplicación en cirugía y terapia de algunas enfermedades. Recientemente, las tecnologías de modelado tridimensional (3D) y prototipado rápido han impulsado el desarrollo de modalidades de imágenes médicas, como la TC y la RM. P. Gargiulo et al. en Islandia, en \"New Directions in 3D Medical Modeling: 3D-Printing Anatomy and Functions in Neurosurgical Planning\", combinan imágenes de TC y RM con tractografía DTI y utilizan protocolos de segmentación de imágenes para modelar en 3D la base del cráneo, el tumor y cinco fascículos de fibras elocuentes. Los autores proporcionan un enfoque terapéutico de gran potencial para la preparación neuroquirúrgica avanzada.
Las personas mayores son propensas a caerse, y esto dañará el cuerpo y, en consecuencia, tendrá graves impactos mentales negativos en ellas. T.-H. Lin et al. en Taiwán, en \"Fall Prevention Shoes Using Camera-Based Line-Laser Obstacle Detection System\", diseñan un interesante sistema de detección de obstáculos mediante línea láser para prevenir caídas en los ancianos.
En el sistema, una línea láser pasa a través de un plano horizontal y tiene una altura específica sobre el suelo, y el eje óptico de una cámara tiene un ángulo inclinado específico respecto al plano, por lo que la cámara puede observar el patrón láser para detectar los posibles obstáculos. Lamentablemente, este sistema diseñado es útil principalmente para aplicaciones en interiores y no en entornos exteriores.
Algoritmos fundamentales para imágenes médicas
La segmentación de órganos es un prerrequisito para los sistemas CAD. De hecho, el algoritmo de segmentación es el más importante y básico para el procesamiento de imágenes, y también mejora el nivel de predicción y terapia de enfermedades. C. Pan et al. en China, en \"Leukocyte Image Segmentation Using Novel Saliency Detection Based on Positive Feedback of Visual Perception\", utilizan el conjunto de máquina de aprendizaje extremo poliamónico (EPELM) y la retroalimentación positiva de la percepción para detectar objetos salientes, lo cual es totalmente basado en datos sin ningún conocimiento previo ni muestras etiquetadas en comparación con los algoritmos existentes. Un módulo de retroalimentación positiva basado en EPELM se centra en el área de fijación con el propósito de intensificar los objetos, inhibir los ruidos y promover la saturación en la percepción. Los experimentos en varias bases de datos de imágenes estándar muestran que el novedoso algoritmo supera a los algoritmos convencionales de detección de saliencia y también segmenta con éxito células nucleadas en diferentes condiciones de imagen.
Sus investigaciones identifican la necesidad crítica de perspectivas clínicas y teóricas de las imágenes médicas. Este blog presenta varios desarrollos nuevos en visión por computadora sobre imágenes médicas y aplicaciones clínicas.