Desarrollo de una Herramienta de Procesamiento de Imágenes Médicas en MATLAB y su Integración en Medical GiD

Abstract

El rápido avance de las tecnologías de adquisición de imágenes médicas ha hecho necesario el desarrollo de diversas aplicaciones en el área de la biomedicina.

Por un lado, el trabajo que los médicos desarrollan en cuanto al análisis de las imágenes, es arduo y sujeto a errores, por lo que se hace necesaria la implementación de algoritmos de procesamiento que automaticen esta tarea y sirvan de soporte a los profesionales de la salud para realizar un diagnóstico fiable. Por otro lado, los biomédicos dedicados al modelado y simulación del cuerpo humano y el diseño de prótesis e implantes para tratamiento médico, requieren de modelos geométricos que consideren la complejidad característica de las estructuras anatómicas del cuerpo humano y les permita realizar un modelado discreto más preciso.

Es por esto, que la comunidad de biomédicos, particularmente el área de analistas de imágenes médicas, hoy en día, dedican sus esfuerzos a extraer con ayuda del ordenador, información clínica, cualitativa y cuantitativa de las estructuras del cuerpo humano: tejidos blandos, duros, fluidos y sus patologías a partir del procesamiento de imágenes médicas de diversas modalidades: Tomografía Computarizada, Resonancia Magnética, Medicina Nuclear, entre otras.

PDF file

References

[1] MATLAB: Matrix Laboratory (2009). Image Processing Toolbox TM 6 User's Guide. Release 2009a. The MathWorks, Inc.

[2] L. Ibañez, W. Schroeder, L. Ng, J Cates. (2005). The ITK Software Guide, Second Edition. Kitware Inc.

[3] V. Chu, G. Hamarneh, S. Fraser. (2009). MATITK: Extending MATLAB with ITK. Usage Guide. University, British Columbia, Canada.

[4] VTK User's Guide. 5th Edition. Kitware, Inc. 2006.

[5] R. Ribó, M. Pasenau, E. Escolano, J. Pérez, A. Coll, A. Melendo, S. González. (2008). GiD The Personal Pre and Postprocessor. Reference Manual, version 9. CIMNE.

[6] ParaView: Parallel Visualization Application. User’s Guide, version 1.6. Kitware, Inc. 2009.

[7] Digital Imaging and Communications in Medicine (DICOM). (2008). National Electrical Manufacturers Association.

[8] I. Bankman (2000). Handbook of Medical Imaging, Processing and Analysis. Academic Press.

[9] R.Gonzalez and R.Woods (2002). Digital Image Processing, Second Edition. Prentice hall.

[10] C. Leondes (2005). Medical Imaging Systems Technology, Methods in Cardiovascular and Brain Systems. 5-Volume Set. World Scientific Publishing Co. Pte. Ltd.

[11]. G. Iuliano, G. Di Domenico and G. Dello Ioio (2006). “Ischemic cardiopathy and other heart disorders: Differences in risk of cerebrovascular disease and in its association with carotid obstruction”. The Italian Journal of Neurological Sciences. Vol. 9, pp. 467-470. Springer Milan.

[12] C. Ciofolo and M. Fradkin (2008). Segmentation of Pathologic Hearts in Long-Axis Late-Enhancement MRI. Medisys Research Lab, Philips Healthcare, Suresnes, France.

[13] W. Niessen. (1998) “Geodesic Deformable Models for Medical Image Analysis”. IEEE Transactions on Medical Image Analysis. Vol. 17, Nº 4.

[14] W. Sun, M. Cetin, R. Chan, V. Reddy, G. Holmvang, V. Chandar and A. Willsky (2005). “Segmenting and Tracking the Left Ventricle by Learning the Dynamics in Cardiac Images”. Massachusetts Institute of Technology, LIDS Technical Report 2642.

[15] N. Paragios (2002). “Variational Methods and Partial Differential Equations in Cardiac Image Analysis”. Ecole Nationale des Ponts et Chaussees. France.

[16] M. Lynch, O. Ghita and P.F. Whelan (2006). “Left-ventricle myocardium segmentation using a coupled level-set with a priori knowledge”. Computerized Medical Imaging and Graphics Journal. Vol. 30-4, pp. 255-262. Elsevier.

[17] M. De Filippo , P. Julsrud, P. Araoz, M. De Blasi, G. Agnese, U. Squarcia, D. Ardissino, C. Beghi, T. Gherli, N. Sverzellati and M. Zompatori (2006). “MRI evaluation of myocardial viability”. La Radiologia Médica. Volume 111, Number 8. pp 1035-1053. Springer Milan.

[18] David William Bullock (1999). “Computer Assisted 3D Craniofacial Reconstruction”. University of British Columbia.

[19] P. Claes, D. Vandermeulen, S. de Greef, G. Willems , P. Suetens (2006) “Craniofacial reconstruction using a combined statistical model of face shape and soft tissue depths: Methodology and validation”. Katholieke Universiteit Leuven, Faculties of Engineering and Medicine, Belgium.

[20] J. Isaza, S. Correa (2007). “Metodología para la reconstrucción 3D de estructuras craneofaciales y su utilización en el método de elementos finitos”. IV Latin American Congress on Biomedical Engineering 2007, Bioengineering Solutions for Latin America Health. Springer Berlin Heidelberg. Vol. 18, pp 766-769.

[21] N. Saulacic , P. Gándara, M. Somoza, A. García (2004). “Distracción osteogénica del reborde alveolar”. Revisión de la literatura. Medicina Oral, Patología Oral y Cirugía Bucal 2004; 9, pp. 321-327.

[22] B. Baker, S. Gibbons, M. Woods (2003). “Intra-alveolar distraction osteogenesis in preparation for dental implant placement combined with orthodontic/ orthognathic surgical treatment: A case report”. Australian Dental Journal 2003;48:(1), pp. 65-68.

[23] A. Malagelada (2007). “Automatic Mass Segmentation in Mammographic Images”. Universidad de Girona, España.

[24] R. Gupta, PE Undrill (1995). “The use of texture analysis to identify suspicious masses in mammography”. Department of Bio-Medical Physics & BioEngineering, University of Aberdeen, Scotland.