Medical Image Processing (Italiano)

Questo corso presenta i fondamenti dell’elaborazione delle immagini mediche digitali in tre e quattro dimensioni. Ha un’enfasi particolare sulle applicazioni alla ricerca biomedica, neuroscientifica e clinica.

Negli ultimi anni, il campo dell’elaborazione delle immagini mediche ha sperimentato una crescita esponenziale sia nel settore accademico che in quello privato.

Gli obiettivi dell’elaborazione delle immagini mediche possono essere divisi in 3 gruppi principali: assistenza diagnostica; assistenza al trattamento e ricerca sulla fisiopatologia delle malattie; e sviluppo di biomarker. L’imaging medico ha rappresentato una svolta nella medicina fin dalle prime applicazioni dei raggi X. Oggi il numero di modalità di imaging è in costante crescita e fornisce una crescente varietà di diversi tipi di informazioni. L’integrazione di diverse modalità per l’estrazione automatica delle informazioni, la visualizzazione e l’interpretazione è il principale motore dello sviluppo di nuove tecnologie di elaborazione delle immagini mediche. In particolare, l’elaborazione delle immagini mediche gioca diversi ruoli nella medicina di oggi:

    • Visualizzazione e quantificazione dei dati di immagine con l’obiettivo di ridurre l’errore umano nella diagnosi
    • Assistenza alla pianificazione chirurgica
    • Tracciamento automatizzato di cambiamenti in risposta a un dato trattamento
    • Investigazione della fisiopatologia della malattia
    • Sviluppo di biomarcatori

    In questo corso vedremo un’introduzione generale al campo, i principali problemi aperti e gli strumenti matematici con cui sviluppare le soluzioni.

    Obiettivi

    L’obiettivo principale di questo corso è di presentare agli studenti un’introduzione generale al campo dell’elaborazione delle immagini mediche, partendo dall’acquisizione delle immagini fino alle applicazioni nella pianificazione chirurgica e nelle neuroscienze.

    Programma

    1. Acquisizione: Fondamenti di acquisizione di immagini di tomografia computerizzata e risonanza magnetica nucleare.
      • Introduzione generale alle diverse modalità di imaging medico in tre e quattro dimensioni: Tomografia computerizzata, risonanza magnetica nucleare, tomografia a emissione di positroni e tomografia computerizzata a emissione di fotoni singoli. In particolare immagini anatomiche T1, T2, immagini funzionali con contrasto dipendente dal livello di ossigeno nel sangue e immagini ponderate per la diffusione.
  • Elaborazione del segnale: Breve presentazione dei fondamenti della rappresentazione ed elaborazione del segnale digitale.
    • Introduzione ai fondamenti dei segnali digitali, decomposizione di Fourier, teoria del campionamento di Nyquist, quantizzazione e rapporto segnale/rumore.
    • Principi di filtraggio e miglioramento del rapporto segnale/rumore in immagini di due o più dimensioni.
  • Segmentazione dell’immagine e identificazione dell’oggetto: Fondamenti della segmentazione dell’immagine in vari oggetti di interesse, per esempio, sfondo e oggetto principale; identificazione di vari organi in scansioni CT di ampio campo come il fegato e i polmoni; identificazione di strutture cerebrali corticali e subcorticali.
    • Segmentazione usando soglie combinate e morfologia matematica.
    • Separazione di funzioni di probabilità multimodali per la segmentazione di diversi tessuti.
    • Integrazione di conoscenze a priori nei modelli di segmentazione.
  • Rappresentazione tridimensionale di strutture anatomiche: Una volta che le strutture anatomiche di interesse sono state segmentate, questo modulo esaminerà vari modi di rappresentare computazionalmente queste strutture.
    • Estrazione di oggetti tridimensionali basati su immagini binarie, metodo Marching Cubes.
    • Rappresentazione di strutture usando sistemi di particelle.
  • Registrazione di immagini mediche: introduzione alla registrazione di immagini mediche, registrazione tra coppie di oggetti, creazione di atlanti e registrazione di gruppi
    • Registrazione di strutture anatomiche: rappresentazione tramite punti di riferimento, superfici tridimensionali e immagini tridimensionali.
    • Modelli lineari: funzioni di similarità, famiglie di trasformazioni, registrazione rigida e affine.
    • Modelli deformabili: rappresentazione computazionale di modelli deformabili, campi di velocità, modelli poliaffini, trasformazioni invertibili.
  • Applicazioni negli studi di popolazione e nella pianificazione chirurgica
    • Applicazioni dell’analisi statistica della popolazione: modelli di morfometria statistica basati sui voxel, analisi di risonanza magnetica funzionale e analisi di morfometria tensoriale.
    • Applicazioni alla pianificazione chirurgica cerebrale e toraco-addominale.
  • Conoscenze preliminari consigliate

    • Conoscenza della programmazione e delle strutture dati
    • Analisi matematica e algebra lineare
    • Elementi di calcolo numerico

    In particolare, per quanto riguarda gli studenti del Dipartimento di Informatica della FCEyN, UBA, questo equivale ad aver preso le materie:

      • Algoritmi e strutture dati I
      • Metodi numerici
        .

    Lascia un commento

    Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *