defensa tesis jose salinas 2013

Acto de lectura y defensa de tesis doctoral

Jose María Salinas Serrano

Director: Dr. Miguel Angel Cazorla Quevedo

Cloud CEIB I+D

Sistema de gestión y extracción de conocimiento de la imagen médica.

Universidad de Alicante

Hospital Universitario San Juan de Alicante

20 junio 2013

• Bioimagen y sistemas de información

en el mundo sanitario

• Objetivo y motivación

• Cloud CEIB I+D

• Un ejemplo práctico: NeuroBIM-MS

• Conclusiones y trabajos futuros

• Aportaciones de esta tesis

Bioimagen y sistemas de información en el mundo sanitario

Generalidades de la bioimagen

¿Qué es la bioimagen o imagen

médica?

Def: Conjunto de técnicas y procesos usados para generar

imágenes completas o parciales del cuerpo humano

¿Para qué sirve?

• Revelado, diagnóstico y exámen de enfermedades

• I+D médica

¿Qué tipos hay?

• Clasificación por energía utilizada

o Rayos X, rayos γ, ultrasonidos, radiofrecuencia, luz, ...

• Clasificación por dimensiones de adquisición

o Unidimensionales, 2D, 3D, 4D , ...

Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS

Conclusiones Aportaciones


Generalidades de la bioimagen - La resonancia magnética

Representación 3D de los píxeles (vóxeles) de la imagen por

RM

Tipos de RM por potenciación




Generalidades de la bioimagen - Biomarcadores

¿Qué es un biomarcador?

Def: Características extraídas de las imágenes adquiridas de un sujeto, que

pueden medirse de forma objetiva y que se comportan como un indicador de un

proceso biológico normal, una enfermedad o una respuesta a una intervención

terapéutica

¿Para qué sirven?

• Información complementaria muy útil al diagnóstico y seguimiento

• I+D en el desarrollo de fármacos

¿Qué tipos hay?

• Desde los más simples (tamaño, forma, ...) hasta complejos modelos

computacionales (atrofia, conectividad, ...)




Postproceso de imagen médica

Formatos

Suite

Algoritmos




Sistemas de información en el mundo sanitario




Sistemas de información en el mundo sanitario - RIS - PACS

Sistemas de gestión de imágenes (PACS) e informado (RIS)






• Cloud CEIB I+D




Objetivo y motivación

Heterogeneidad de datos, mala accesibilidad, desconocimiento




La comparación de estudios es compleja debido a la diversidad

de herramientas, formatos y metodologías




Proyecto de imagen médica digital de la AVS




Objetivos

Definir una arquitectura escalable y modular que permita la

explotación de la información y conocimiento contenida en los

bancos de imágenes médicas.

Ofrecer a la comunidad científica una plataforma para la

gestión y el aprovechamiento de este conocimiento

Con este conocimiento, ofrecer al profesional clínico servicios

de valor añadido que mejoren la historia clínica electrónica

del paciente






• Cloud CEIB I+D




Cloud CEIB I+D

Visión general del sistema



Cloud CEIB I+D

Visión general del sistema - transformación de la información

Datos

Información

VALOR

Inteligencia



Cloud CEIB I+D

Comunidad científica



Cloud CEIB I+D

SISAN



Cloud CEIB I+D

GIMC



Cloud CEIB I+D

Motor de búsqueda



Cloud CEIB I+D

CEIBANON



Cloud CEIB I+D

GEBID



Cloud CEIB I+D

BIKE



Cloud CEIB I+D

BIKE - Postproceso



Cloud CEIB I+D

BIKE - Cuantificador



Cloud CEIB I+D

BIKE - Datamining



Cloud CEIB I+D

BIKE - Clasificador

Herramientas que permiten la clasificación múltiple

supervisada de la bioimagen dentro de una serie de

agrupaciones diagnósticas existentes, para la

creación de sistemas SADI.






• Cloud CEIB I+D




Un ejemplo práctico: NeuroBIM-MS

Visión general del sistema




Obtención de imágenes - modalidad directa




Obtención de imágenes - modalidad manual




Obtención de imágenes - anonimización




Gestión de las imágenes




Gestión de las imágenes - modelo de datos




Postproceso de las imágenes




Caso de estudio 1: Atrofia cerebral

Paso 1: Selección, envío y clasificación de estudios

39 estudios





Paso 2: Postproceso

Utilizamos el algoritmo de SIENAX de la librería FSL (Smith, S.M. et al., 2002)





Paso 3: Resultados

Se generan informes PDF individualizados con el estudio de atrofia y se envían a

GEBID NeuroBIM-MS, donde podrán ser consultados por SISAN




Comunicación con SISAN




Caso de estudio 2: Detección de carga lesional en sustancia blanca

Paso 1: Selección y envío de imágenes

11 estudios




Paso 2: Clasificación y tipo de estudio

Diseño de algoritmo de detección de carga lesional en sustancia blanca


Se disponen de 11 estudios y 1 mapa de carga probabilística :

• 5 estudios en RM Siemens M. Trio de 3T

• 6 estudios en RM Siemens M. Avanto de 1,5T

• Secuencias DP, T1, FLAIR y T2

• Fichero ROI con la carga lesional detectada por expertos

en la secuencia DP




Paso 3: Postproceso





Paso 3: Postproceso


Fundamentos del algoritmo diseñado con script FSL:

1.- Suavizado de la secuencia T1 (SUSAN)

2.- Corregistro lineal de las secuencias T1, FLAIR y Mapa probabilístico de

carga lesional con la DP (FLIRT)

3.- Extracción del cerebro en la secuencia T1 (BET)

4.- Segmentación de tejidos (FAST)

5.- Operación morfológica de cierre en la sustancia blanca probabilística

(FSLMATHS)

6.- Aislar sustancia blanca en FLAIR a partir de la T1 (FSLMATHS)

7.- Análisis estadístico de la SB en FLAIR (FSLSTATS)




Paso 3: Postproceso


Fundamentos del algoritmo diseñado con script FSL:

8.- Obtenemos el IQR (índice intercuartílico) como la diferencia entre el

primer y el tercer percentil.

9.- Aislamos los vóxeles cuya intensidad supera el umbral definido por la

suma del tercer percentil más el 150% del IQR (FSLMATHS)

10.- Se eliminan aquellos vóxeles que no se encuentran en el mapa

probabilístico de carga lesional para evitar falsos positivos (FSLMATHS)

11.- Se dilata la imagen obtenida para obtener un umbral máximo de

regiones conexas de carga lesional (práctica clínica) (BWMORPH)

12.- Obtenemos la máscara final de carga lesional en forma de mapa

probabilístico




Paso 4: Proceso de validación y resultados







• Cloud CEIB I+D




Conclusiones y trabajos futuros

Conclusiones

• Se ha propuesto un sistema de gestión y extracción de conocimiento de la imagen

médica

• Este sistema ofrece tanto a profesionales clínicos como a investigadores un

entorno de trabajo homogéneo, accesible y escalable.

• Se ha puesto en marcha una instancia real de uso de este sistema, NeuroBIM-

MS, aplicado al estudio de la esclerosis múltiple.

• Se han realizado casos de estudio reales de postproceso de imagen y cálculo de

biomarcadores a través del motor de conocimiento.

• Se dota de valor añadido a la historia clínica electrónica del paciente.



Conclusiones y trabajos futuros

Trabajos futuros

General: Arquitectura escalable y modular. Trabajar en la optimización y mejora.

SISAN: Avanzar en los procesos de estandarización de protocolos de

comunicación entre aplicaciones, captura de imágenes, identificación de

pacientes, etc.

GIMC: Avanzar en la comunicación con los diferentes bancos de imágenes a

través del desarrollo del módulo SE.

CEIBANON: Trabajar en diferentes niveles de anonimización (texto, gráfico,

deidentificación, ...) actualizando las normas dictadas en materia de protección de

datos.

GEBID: Trabajar en la creación de nuevas funcionalidades específicas de cada

tipo de imagen o ensayo clínico a través del desarrollo de plugins para XNAT



Conclusiones y hoja de ruta de Cloud CEIB I+D

Trabajos futuros

BIKE Postproceso: Actualizar e incluir nuevas suites de herramientas libres para

el postproceso de imagen.

BIKE Datamining: Enriquecimiento de cabeceras DICOM para un mayor

potencial de explotación.

BIKE Cuantificador: Trabajar en el análisis, prueba y cuantificación de nuevos

algoritmos y técnicas de cálculo de biomarcadores

BIKE Clasificador: Estudio de aplicación de nuevas técnicas de aprendizaje y

clasificación para el diseño de sistemas SADI.

Concepto de BIKE-OLOGIES






• Cloud CEIB I+D




Aportaciones de esta tesis

Publicaciones y Congresos

• "Management and knowledge extraction system for bioimaging in the cloud".

José María Salinas Serrano, Miguel Cazorla, Maria de la Iglesia-Vaya, Luis Martí-

Bonmatí, Alex Rovira, Alejandro Mañas, Pablo Escobar. Journal of the American

Medical Informatics Association (JAMIA). Pending.




Publicaciones y Congresos




Actividad docente




Proyecto NeuroBIM-MS




Proyecto Eurobioimaging



Cloud CEIB I+D

GEBID



defensa tesis jose salinas 2013

Healthcare