Diferencia entre revisiones de «Pfc-neuro-2»

De Grupo de Inteligencia Computacional (GIC)
Sin resumen de edición
 
Línea 39: Línea 39:
== Más información ==
== Más información ==


'''María Teresa García Sebastián'''
'''Maite García-Sebastián'''
[mailto:mariateresa.garcia@ehu.es]
[mailto:mariateresa.garcia@ehu.es]

Revisión actual - 16:43 14 ago 2008

Análisis de imágenes cerebrales de Resonancia Magnética Nuclear: Morfometría a nivel de vóxel (Voxel Based Morphometry).

1. Resumen.

La morfometría es la medida de estructuras en la imagen de resonancia magnética o de otras modalidades de imagen médica estructural. La morfometría a nivel de vóxel se basa en la clasificación (supervisada o no supervisada) de los vóxeles en la imagen y su comparación con el atlas de referencia, ya sea de control o de una patología precisa. El proyecto trata de obtener resultados de extracción de información diagnóstica (reconocimiento de una patología) a partir de la morfometría a nivel de voxel.

2. Herramientas computacionales.

Datos: Colección de imágenes cerebrales de RMN simuladas y reales de sujetos sanos, sujetos con Alzheimer y Esclerosis Múltiple; Atlas de referencia.

Algoritmos: Técnicas de clasificación no supervisada y supervisada. ITK, SPM.

3. Utilidad: aplicación, interés comercial o comunitario, proyección de futuro.

Aplicación de técnicas de VBM para detectar diferencias estructurales en el cerebro. Se aplica para estudiar los efectos de la edad y el género en sujetos normales, en la enfermedad de Alzheimer y de Párkinson entre otras. Los estudios longitudinales (a lo largo del tiempo) utilizan este tipo de herramientas.

4. Conocimientos requeridos o recomendados.

Matlab, C.

5. Fases previstas.

Fase 1. Elaboración del estado del arte. Se desarrollarán durante la duración del proyecto sesiones regulares de revisión de bibliografía y discusión de artículos. Resultados esperados: Conocer y recoger en un informe los estudios realizados con el VBM.

Fase 2. Exploración de las implementaciones de VBM disponibles (software libre). Resultados esperados: Informe que recoja las implementaciones de VBM disponibles (software libre), para este tipo de problema.

Fase 3. Implementación de algoritmos encontrados en la literatura. Resultados esperados: Código de los algoritmos implementados.

Fase 4. Evaluación de los algoritmos. Resultados esperados: Aplicar los métodos de VBM a una colección de imágenes de RMN. Establecer medidas para comparar la eficiencia y realizar las comparaciones sobre la colección de imagenes proporcionada.

Fase 5. Elaboración de la memoria final. Resultados esperados: Recoger en un informe el trabajo realizado.

Más información

Maite García-Sebastián [1]