Radiologisk basalforskning

Bidrag til ”Strategi for radiologisk forskning”Versjon 18 Mars 2010

Prosjektgruppe: Arvid Lundervold (UiB, leder/sekretær), Atle Bjørnerud (UiO), Ingrid Gribbestad (NTNU),Antonella Zanna Munthe-Kaas (UiB), Hans-Hermann Gerdes (UiB), Renate Gruner (UiB), Helwig Hauser (UiB)

BakgrunnRadiologisk praksis vil de nærmeste arene vise en stor endring grunnet en brei utvikling av ulike biomedisinske bildetek-nikker. Økt temporal og spatial oppløselighet har ført til at en rekke fysiologisk prosesser kan avbildes og flere bildetek-nikker for visualisering av organfunksjon er utviklet. Behovet for forskning om biomedisinske bildeteknikker er stort. Defagmiljøene som etablerer forskning om dette temaet vil utvikle faget og fa eierskapet. Dette har internasjonal og nasjo-nale faglige fora tatt tak i og det er laget ulike strategi-dokument for a støtte denne prosessen (e.g. [25, 115]). Na ønskerNORAFO a gjøre det samme. NORAFO har gitt oppdraget til RadForsk. Dette del-dokumentet er et forslag til hvordandenne prosessen kan motiveres og gjennomføres nar det gjelder ‘basalfag’ innen biologi og teknologi .

Status i forskningsfeltet (basalfag1)Utviklingen innenfor en rekke fagfelt og teknolgier, som tematisk ikke umiddelbart forbindes med dagens klinisk-radiologisketeknologi og praksis, vil kunne direkte eller indirekte pavirke fremtidens bildediagnostikk.

Vi kan nevne: imaging genetics [60, 71, 102], targeted gene og -cell imaging [28, 31, 54, 55], cell tracking [4, 12, 17,37, 51, 59, 99, 100], metabolic profiling [91, 92, 95], imaging cell biology [75, 84, 103, 112], tissue engineering [6, 46, 81],vascular modeling [39,53,82], anatomical structure modelling [5,85,86], computational anatomy [7,38,61,62,78,106],systems biology [2,56,108,120], personalized medicine [8,19,23,24,33,65,93,104,116], multimodality imaging [57,66,69,73, 74, 105, 113], image registration [9, 35, 40, 96], therapeutic imaging [3, 45, 89], drug delivery [10, 32, 34, 50, 77, 110],bio-nanoscience [13, 20, 42–44, 48, 67], image segmentation [72, 97, 98, 107, 111, 118], machine learning og data mi-ning [22, 27, 70, 76, 79, 87, 101, 117], 3-D printing (av anatomiske modeller) [29, 52, 94], imaging informatics [15, 16, 30,49, 63, 83], computational science og high performance computing [47, 88, 121], grid- og cloud computing [36, 68, 109],collaborative software [26,58,90], og videre begrepet ‘open science’ [1,41,64,119] - som flere hevder vil representere etparadigmeskifte innen forskning og forskningsformidling.

I det følgende vil vi kort beskrive utvalgte forskningsfelt og teknologiske trender som vi mener vil influere utviklingeninnen klinisk bildediagnostikk og pa sikt ogsa pavirke den radiologiske praksis.Innledningsvis gir vi en visjon (Fig. 1) for utviklingen innen fremtidens radiologi og pasient-orienterte bildediagnostikkknyttet til spatial skala og romlig oppløsning - “fra nano til makro”:

1Flere sentrale tekniske begreper og termer er i teksten ikke forsøkt oversatt til norsk, men for noen av disse er en kortfattet beskrivelse gitt. Videreer mange av temaene bade knapt beskrevet og tildels ukjente for den vanlige radiolog sa vi har funnet det riktig a supplere teksten med et stort antallreferanser som kan underbygge forstalse og de visjoner vi ønsker a formidle.

1

DNA

Protein

Organelle

Celle

Vev

Organ

Organisme

Muscle tissue Nerve tissue Connective tissue Epithelial tissue Blood

Musculo-skeletal system Circulatory system Respiratory system Digestive system Nervous system Urinary system Reproductive system Endocrine system Lymphoidal system

Mitochondria Nucleus Endoplasmic reticulum Cell membrane

Multi-skala, multi-modal, strukturell og funksjonell kvantitativ bildediagnostikk …

”Physiomics”

fra nano til makro

Figur 1: Trender i medisinske bildediagnostikk - fra nano til makro. Visjon: Radiologiske modaliteter og andre bilde-dannende undersøkelser vil samordnes og samtolkes innenfor et rammeverk av multi-skala, multimodal strukturell- ogfunksjonell, kvantitativ bildediagnostikk ...

Nye bildedannende teknologier og fysiske prinsipper

[R.G. ?]

Signaldeteksjon, signalbehandling og bildedannelse

[R.G. ?]

Cellebiologi & live-cell imaging

[H.-H.G. ?]

Tissue engineering

[H.-H.G. ?]

Bio-nanoscience

[H.-H.G. ?]

2

Molecular imaging

[I.G. ?]

Metabolic profiling

[I.G. ?]

Imaging genetics

Imaging genetics er nytt tverrfaglig felt som forener strukturelle og funksjonell avbildningsteknikker med genetiske ana-lyser for a studere hvordan fenotypiske utrykk (e.g. patologi og kvantitative abnormaliteter) avledet fra bildedata harsammenheng med genetisk variasjon. Feltet ble først etablert innen psykiatri og funksjonell hjerneavbildning der mankarakteriserer aktiveringsmønstre eller morfometriske mal (biomarkører eller endofenotyper) og studerer statistiske sam-menhenger mellom disse og genetisk variasjon (e.g. SNP, GWAS) i klinisk veldefinerte pasientgrupper.

Systembiologi

Systembiologi har fatt tiltagende plass i moderen biologisk og biomedisinsk forskning, og avhengig av kontekst har be-grepet fatt flere tolkninger: Fra den svært smale “anvendelse av teorien for dynamiske systemer pa molekylærbiologiskeprosesser” til den langt bredere “et sosiovitenskapelig fenomen karakterisert ved en strategi for a integrere kompleksedata om vekselvirkninger i biologiske systemer fra ulike maleapparater og eksperimentelle kilder ved bruk av tverrfag-lige verktøy og personell” (Wikipedia). To artikler om klinisk systembiologi og en redaksjonell kommentar finnes i densvenske Lakartidningen 2007;104(42) (e.g. [11]).

Mot bilde-basert systembiologi …

Det store spenn i spatial- og temporal skala innenfor kroppens biologiske systemer:

Fra: C. Dollery and R. Kitney, Systems biology - A vision for engineering and medicine, Tech. report, The Academy of Medical Sciences and The Royal Academy of Engineering, London, UK, Feb. 2007.

nm µm mm cm - dm - m

µs ns s min ms hrs days years

Å

Figur 2: Avbildning av biologiske strukturer og prosesser pa ulik skala i rom og tid, og utvikling mot bilde-basert system-biologi. Visjon: Makroskopiske radiologiske undersøkelser vil kombineres med patologisk-anatomiske og molekylærbio-logiske bildedannende undersøkelser samt beregnbare modeller for kvantitative diagnostikk, prognostikk og multi-skala“personalized medicine” ...

3

Multimodalitets-avbildning

Ved a undersøke et organ eller vevsavsnitt med flere fysiske malemetoder eller ved a variere opptaksparametre innensamme fysiske bildemodalitet (e.g. ulike pulssekvenser i MR) vil man oppna bredspektret informasjon fra vevet, i.e.multimodalitets-avbildning. For a fullt utnytte denne informasjon matematisk, statistisk, eller visualiseringsmessig i dia-gnostisk sammenheng ma man som regel ogsa innlemme metoder for bilderegistrering (se beskrivelse nedenfor). Figur 3illustrer multimodalitet MR avbildning av hjerne og de muligheter dette gir nar avansert bildeanalyse ogsa tas i bruk.

Fordeling av FA verdier i ve. tractus corticospinalis

Venstre gyrus precentralis

a)

b)

c)

Subcortical segmentering

Venstre gyrus precentralis

Cortical parsellering

Multimodal MR avbildning

DTI

3D anatomi

e)

d) PWI

Ischemisk region:

f)

rCBF rCBV MTT TTP

TOF-MRA

ICA analysis

Figur 3: Illustrasjon av multimodalitet MR avbildning av hjerne (andre fysiske modaliteter som CT, PET og ultralydkunne ogsa vært innlemmet i dette bilde; likeledes kunne andre organsystemer vært benyttet som eksempel, e.g. hjerte,nyrer, mamma, prostata). a) Strukturell 3D avbildning med høy romlig oppløsning av det aktuelle organ samt semi-automatisk segmentering av anatomiske regioner og strukturer som muligjør kvantitative malinger av arealer, volumer ogform (morfometri). b) Visualisering av fibersystemer (her corticospinale baner) etter postprosessering og segmenteringav de originale DTI bildeopptak. Man kan ogsa trekke ut kvantitative mal pa “vevs-integritet”, e.g. fraksjonell anisotropi(FA). c) Fremstilling av vaskulære systemer ved bruk av time-of-flight MR angiografi. d) Perfusjons-vektet avbildning(PWI) med injeksjon av kontrastmiddel (tracer)og voxel-vis visualisering av signalvariasjon (bolus-tracking) over tid.e) Data-drevet segmentering, basert pa bruk av independent component analysis (ICA), av omrader med hhv. “normal”vevsperfusjon og omrader med tegn pa ischemi. f) Modellbasert estimering av fysiologiske perfusjonsparametre: regio-nal (voxelvis) cerebral blodflow (rCBF), regionalt cerebralt blodvolum (rCBV), midlere transitt-tid for kontrastpassasje ikappilærsengen (MTT), og time-to-peak av kontrast (TTP). Hvert av disse voxel-vise estimater fremstilles som paramet-riske bilder (“maps”). Visjon: Multi-modalitetsavbildning kombindert med avanserte bilderegistrering og multivariat(multispektral) analyse vil i økende grad bli tatt i bruk innen flere organsystemer og gi betydlige gevinster nar det gjelderdiagnostisk sensitivitet og spesifisitet og patofysiologisk forstaelse, og videre gi et kvantitativt rammeverk for evalueringog monitorering av terapi ...

Kontrastmidler & drug delivery

[A.B. ?]

Nar det gjelder bruk av kontrastmidler for vaskulære undersøkelser og kartlegging av vevsperfusjon og karpermeabi-

4

litet illustrerer Fig. 4 prinsipper og forskningsaktiviteter og pa svært ulik skala og med forskjellig fokus.

Kar – Flow – Perfusjon – Permeabilitet

3D MRI data

The 3D vascular model

with Marek Kocinski, Technical University of Lodz, PL

Modellering og simulering av drug delivery (M. Kocinski)

Simulering av vaskulær kontrast-lekkasje i lukket vevskompartment

under antagelse om diffusiv og konvektiv transport over kapillærvegg

Bolus-injeksjon av kontrastmiddel

Karsegmentering (vessel tracking)

COMSOL® Multiphysics

Ekstravaskulært væske-rom Kapillær-

lumen

Konsentrasjon

Kapillærvegg

Figur 4: Bruk av MR kontrastmiddel for fremstilling av vaskulære trær; karsegmentering (“vessel tracking”), og model-lering og simulering av “drug delivery” i realistisk geometri; modellering av biofysiske mekanismer knyttet til transportav kontrastmiddel over permeable kapillær-vegger ved bruk av avansert simulerings-programvare for multifysikk feno-mener basert pa numerisk løsning av partielle differensiallikninger (PDEer) og endelig elementmetoder (FEM). Visjon:Strukturelle bildedata vil bli brukt ikke bare i visuell morfologisk diagnostikk, men ogsa for fremskaffe realistisk geometrisom vil innga i matematisk modellering og simulering av normale og sykelig forandrede prosesser i den enkelte pasient- det kan gjelde risikovurdering av aneurismer, vaskulær tumorkarakterisering, og for løsning av invers-problemer derestimering av funksjonelle parametere, f.eks. knyttet til mekaniske- eller bioelektriske egenskaper (i hjerne og hjerte), ersterkt influert av geometri og anatomiske forhold hos pasienten (e.g. “the forward model”) ...

Imaging informatics

[A..B. ?]

Bilde-segmentering

Bildesegmentering er en av nøkkelkomponentene i de fleste rutiner som krever kvantifisering av informasjon fra medi-sinske bilder. Som for de fleste teknikker innenfor bildebehandling, har det blitt en eksplosjon av nye metoder basertepa avanserte matematiske og statistiske teknikker. Her kan vi nevne metoder basert pa clustering, deformerbare model-ler, shape priors og atlaser (kfr. oversiktartikkelen [72]). Blant de nyeste metoder er sakalte “graph cuts” teknikker, somhar visst seg a være spesielt interessante fordi de er kjappere enn metoder basert f.eks. pa differensiallikninger [14]. Ut-fordringen er som oftest a finne den beste bildeopptaks-metode for organet eller vevet som er av interesse, for a oppnatilfredstillende SNR, anatomisk dekning, tidsoppløsning etc., for sa a kunne (full)automatisere segmenteringsprosessen ogfa tilfredstillende resultater kort tid etter bildeopptakene. Mange segmenteringsmetoder er i sitt vesen ogsa generiske i denforstand at de har anvendleser ogsa utenfor det medisinsk domenet. Et godt eksemple pa dette er objekt-føling metodene(aktive konturer og “snake” modeller) illustrert i Fig. 5.

5

Motorvei Hjerte

Objekt-tracking og tracing Generiske metoder …

Figur 5: Tracking og tracing av objekter eller bevegelige konturer. Visjon: Radiologiske modaliteter og diagnostiskeproblemstillinger knyttet til medisinske bildedata vil kunne tiltrekke seg (og raskt gjøre seg nytte av) bildebehandlings-kompetanse med applikasjons-bakgrunn fra helt andre fagomrader enn biologi og medisin ...

Bilde-registrering

Mye har blitt oppnadd innen registrering (alignment) av medisinske bilder gjennom de siste ti arene. Om man skulle velgeto hovedmomenter, er det ene fremskrittet innen ikke-rigid (elastisk) bilderegistrering [21],, og det andre fremskritt innenmultimodal registrering [96]. Selv om rigid registrering kan gi tilfredstillende resultater for en del radiologiske bildetek-nikker og for organer som hjerne og skjelett, kan det være helt nødvendig at metodene skal kunne deformere det avbildeteobjekt for a fa best mulig match. Fortstatt mange utfordringer gjenstar, blant annet full-automatisering av registrering, be-handling av store mengder data innen rimelig prosesseringstid, samt gode evalueringsmetoder. Trender peker pa metodersom kan behandle kompliserte dataset fortløpende. Nar det gjelder multimodal registrering, er det stor forskningsaktivitetsom muliggjør voxel-for-voxel sammenlikning av forskjellige opptak, e.g. MRI, CT, PET, US; og videre kombinere dennebildeinformasjon med avanserte visualiserings-teknikker og multispektral analysis og klassifikasjon for a kunne stille bed-re diagnose eller prognose. Et viktig moment er at registreringsprosessen ikke ma endre den (kvantiterbare) informasjonsom bildene hver for seg innholder.

Beregningsvitenskap

Beregningsvitenskap og modellering av biologiske prosesser har kommet for full fart inn i moderne utvikling av medi-sin og biologi. Dette gjøres i stor grad gjennom a formulere og løse sakalte inverse problemer, der en parameterisertmodell blir laget for a beskrive en fysiologisk prosess, og der relevante bildeopptak brukes til kvantifisere parameterenei prosessen. Resultatene vil være avhenging av (i) hvor god modellen er, (ii) av bildekvalitet, samt (iii) feilforplantingfra tidligere prosesseringstrinn som f.eks. segmentering og registrering. Nye trender peker mot teknikker innenfor e.g.“compress sensing” [80], som viser at signaler / bildedata som er glissne i noen representasjoner kan bli rekonstruert fraet fatall random projeksjoner. Det er ogsa stor utvikling innen selve data-teknologien som tas i bruk i beregningene, e.g.multi-kjerne prosessorer og bruk av selve grafikk- prosessorene (GPU-ene) til parallelle numeriske beregninger.Nylig har Norges forskningsrad nedsatt et fagutvalg, e-Infrastructure Scientific Opportunities Panel (eSOP)https://ow.feide.no/esop:start, som skal kartlegge behov og foresla retningslinjer fra 2015 og fremover forinvestering og bruk av tungregneressurser (High Performance Computing) og beregningsvitenskap innen ulike vitenska-pelige disipliner, deriblant biologi og klinisk medisin i Norge.

6

Figur 6 illustrerer modell-basert beregning av nyrefunksjonsparametere estimert fra dynamisk kontrastforsterket (DCE)MRI, og er en typisk anvendelse av beregningsvitenskap innen radiologi.

Farmakokinetisk modellering i den bevegelige nyre

Modifiser fra Lee et al. (2003) Dynamic 3D MR renography for measurement of single kidney function: initial experience.

Figur 6: Beregning av nyrefunksjonsparametere (e.g. GFR) fra dynamisk kontrastforsterket MRI opptak (3D+tid) ved brukav multi-kompartment modell som beskriver nyrens behandling av kontrastmiddelet i ulike avsnitt. Merk at slik parameter-estimering først er mulig (gyldig) etter at adekvat bilderegistrering (“motion correction”) av den romlige tidsserien erutført. Visjon: Stadig flere diagnostiske spørsmal i radiologien vil være karakterisert ved kvantitative løsninger og bliformulert som invers-problemer innenfor et matematisk / statistisk rammeverk, i.e. vi ønsker a estimere verdier av (skjulte)biologiske parametre fra (observerte) bildedata ved bruk av matematiske- og statistiske modeller og optimeringsteori ...

Avansert visualisering

[H.H. ?]

Maskinlæring & data mining

Maskinlæring er en vitenskapelig og teknologisk disiplin som konstruerer og studerer algoritmer som gjør datamaskineri stand til utnytte empiriske data fra sensorer/maleinstrumenter eller databaser i den hensikt a gjenkjenne kompleksemønstre i disse data samt gjøre intelligente (be)slutninger basert pa slike data. Maskinlæring er metodisk og tematisk nærknyttet til felter som teoretisk datavitenskap, kunstig intelligens (AI), statistisk mønstergjenkjenning, adaptiv kontroll, og“data mining”. Anvendelser av maskinlæring finner vi innen kunstig datasyn (computer vision), bildeanalyse, naturligsprakprosessering (talegjenkjenning, automatisk oversettelse), (hand)skriftgjenkjenning, søkemotorer, kunnskapsbasertesystemer (KBS), beslutningsstøttesystemer, brain-machine interfaces (BCI), og robotkontroll. I lys av disse anvendelses-omradene, mange relatert til avanserte medisinsk diagnostiske eller -administrative oppgaver, vil maskinlæring fa økendebetydning - direkte eller indirekte - i fremtidens radiologi.

“Data mining” betegner metoder for a ekstrahere potensielt nyttige og statistisk meningsfulle mønstre og sammen-henger i (store) datasett. Det er utviklet en rekke statistiske teknikker og algoritmer til dette formal (se f.eks.www.autonlab.org/tutorials) og anvendelsene av data mining er økende innen flere biologiske og medisinske forsk-ningsfelt som bioinformatikk og epidemiologi, samt kommersielle omrader som markedsføring og overvaking (e.g. brukav internett og elektrisitetsnett). Underliggende data kan være spatiale (e.g. bildedata eller geografiske data) og/eller tem-porale (e.g. biologiske signaler, økonometriske tidsserier).

7

Open science og reproducible research

“Open science” bevegelsen (e.g. www.openscience.org) gar i stor grad ut pa a dele data og ikke minst programvaremed apen kildekode for analyse av eksperimentelle (og kliniske) data. Et eksempel pa deling av data innenfor (nev-ro)radiologi er OASIS databasen, Open Access Structural Imaging Series (www.oasis-brains.org), som er en seriefritt tilgjengelige dataset bestaende av cerebrale MRI opptak fra 416 individer i aldersgruppen 18-96 ar hvorav noen medklinisk diagnostisert Alzheimers sykdom. I tillegg finnes longitudinelle data fra 150 eldre individer samt utvalgte male-data (metadata) som alder, utdanning, MMSE, mm. Gruppen som star bak har bred offentlig finansiering og formalet medprosjektet er: “... by compiling and freely distributing MRI data sets, we hope to facilitate future discoveries in basic andclinical neuroscience”. Denne type initiativ bør ogsa vurderes i vare nasjonale radiologiske og kliniske miljøer, gjerneogsa for andre organsystemer og modaliteter, og da sees i sammenheng med lange og fruktbare tradisjoner innen norskregisterepidemiologi.

“Reproducible research” (RR) uttrykker en ideologi og praksis blant forskere som fremmer apenhet og tilgjengelig-het av all underliggende informasjon nar det gjelder rapportering av forskningsresultater og vitenskapelig publisering (sewww.reproducibleresearch.net og www.rrplanet.com). Spesielt gjelder dette der forfatteren(e) har benyttet algo-ritmer og programvare for produksjon av resultater (e.g. figurer og tabeller) og der (viktige) detaljer i prosessen som f.eks.parameterverdier eller underliggende data ikke kommer eksplisitt frem i selve hovedpublikasjonen, men som supplerendeinformasjon. Selv om fagfeltene der RR har fatt innflytelse typisk har vært geofysikk, anvendt statistikk, signalbehandlingog bioinformatikk, vil radiologi og postprosessering være svært nærliggende felt der RR kan ha sin forskningsmessi-ge betydning i fremtiden. Motivasjonen bak RR er økt forskningskvalitet og høyere hastighet i kunnskapsproduksjonengjennom at uklarheter og feiltrinn lettere oppdages og at man mer direkte kan bygge pa hverandres forskningsresultater.

Det fjerde paradigme og eScience

“Det fjerde paradigme” (the Fourth Paradigm) og eScience betegner en nye fase innen vitenskap og forskning (kfr. Fig. 7).

... Bodies like CERN and astronomers [we could add bioinformatics and medical imaging] spew out enormousamounts of data. Science has gone through the experimental, the theoretical and the computational. It is nowin the midst of the fourth stage: the Fourth Paradigm, characterised by the analysis of massive data sets(in which, increasingly, new discoveries are made, not by hypothesis, but by data-driven computing). Itsthe only way to even begin managing the Tsunami of data deluge. More importantly, if its free, open andutterly transparent it will be less likely to be burdened or corrupted even by big corporations, laboratoriesor governments. Equally importantly, it can speed the pace of research by facilitating the faster exchange ofdata between researchers, both inside and outside formal scientific structures. (Gary Richmond, March 2010http://fsmsh.com/3290).

En mer utdypende fremstilling av dette spennende og utfordrende tema finnes i boken: Hey T, Tansley S, Tolle K (eds.)“The Fourth Paradigm: Data-Intensive Scientific Discovery”, Microsoft Research, 2009(http://research.microsoft.com/en-us/collaboration/fourthparadigm). Av spesiell interesse for radio-logi og biomedisinsk basalforskning er Part 2: “Health and wellbeing”.

8

www.fourthparadigm.org

Figur 7: Det Fjerde paradigme i vitenskapen. Visjon: Radiologisk forskning med akkvisisjon, registrering og lagring avstore (petabyte) mengder bildedata og metadata ifra ulike sykdomstilstander og -prosesser, ifra ulike kliniske pasientgrup-per, og fra ulike modaliteter, laboratorier og institusjoner vil bli samordnet og organisert gjennom bruk av avansert data-og kommunikasjonsteknologi (= eInfrastruktur) og gjenstand for en ny type forskningstrategi basert pa vekselvis utviklingav sykdomsteori og -modeller, simuleringer, og dataintensiv eksplorasjon (= eVitenskap) ...

Utfordringer• Tverrfaglig miljøbygging

• Rekruttering av medisinerstudenter og leger til forskning

• Tid, motivasjon, og insitamenter til faglig fordyping / videre- og etterutdanning

• Tilgang pa ny, og oppdatering av “gammel” teknologi (e.g. modaliteter, pulssekvenser, postprosesseringsverktøy)

• Tilgang pa kompetanse (e.g. samarbeidende kliniker, forskningsradiograf, fysiker, biolog, bildebehandler)

• Avsette tid og ressureser, og etablere konkuransedyktige ferdigheter i søknad-skriving / funding (e.g. [115])

Mal (evaluerbare)

• Antall og type prosjekt-etableringer (med basis i radiologisk avdeling)

• Publikasjoner (niva, antall, flerfaglig, utenlandske medforfattere)

• Uteksaminerte master- og PhD-kandidater

• Etablering av nye prosedyrer (avanserte teknologiske / biologiske / diagnostiske metoder)

9

Tiltak• Krav om gjennomføring av publiserbart forskningsprosjekt, med adekvat veiledning under spesialistutdanningen

• Tverrfaglige forskerskoler og utdanningstilbud (cellebiologi, bildebehandling, eksperimentelle design, farmakoki-netikk, statistikk, medisinsk fysikk e.g. [114])Vi har na fatt Nasjonal forskerskole i medisinsk avbildning (www.medicalimaging.ntnu.no), finansiert avNFR.

• Samarbeidsprosjekter mellom fagfeltene (e.g. “tandem-PhD”)

• Felles møteplasser (seminarer, workshops, konferanser)

• Internasjonal kontakt / forskerutveksling / studentutveksling (Norden, EU, Erasmus, COST, EIBIR, ESR, RSNA,ACR)

• Etablering og skolering i felles verktøy og apne standarder: (i) kollaborative verktøy (e.g. WIKI, SVN, GoogleWave); (ii) deling av bildedata og metadata (e.g. SQL, Grid, NOTUR, NORSTORE); (iii) “nye” skriveverktøy (e.g.Latex / Bibtex, OpenOffice, JabRef); (iv) “nye” (apne) regneverktøy og bildebehandlingsverktøy [18, 63] (e.g. R,Matlab, Mipav, ImageJ, Sage)

• Forskningspriser / stimuleringsmidler

Nasjonale og internasjonale partnere• MI Lab - Senter for forskningsdrevet innovasjon (NTNU)

• MedViz (Bergen / Helse-Vest)

• Intervensjonssenteret (Oslo)

• RadForsk (Nasjonalt)

• Nasjonal forskerskole i medisinsk avbildning

• NorForsk, EU / ESF / COST / EIBIR, ESR, RSNA, ACR

10

Referanser[1] Michael J Ackerman. Open science: the

coming paradigm shift. J Med Pract Ma-nage, 22(4):212–213, 2007.

[2] Kirkwood Adams. Systems biology andheart failure: concepts, methods, and po-tential research applications. Heart FailRev, Apr 2009.

[3] Wafa’ T Al-Jamal and Kostas Kostarelos.Liposome-nanoparticle hybrids for multi-modal diagnostic and therapeutic applica-tions. Nanomed, 2(1):85–98, Feb 2007.

[4] Ali S Arbab and Joseph A Frank. Cellu-lar mri and its role in stem cell therapy.Regen Med, 3(2):199–215, Mar 2008.

[5] Neculai Archip, Robert Rohling, Vin-cent Dessenne, Pierre-Jean Erard, andLutz Peter Nolte. Anatomical structuremodeling from medical images. ComputMethods Programs Biomed, 82(3):203–215, Jun 2006.

[6] Jeffrey J Ballyns and Lawrence J Bonas-sar. Image-guided tissue engineering. JCell Mol Med, Jul 2009.

[7] Sajjad Baloch and Christos Davatzikos.Morphological appearance manifolds incomputational anatomy: groupwise re-gistration and morphological analysis.Neuroimage, 45(1 Suppl):S73–S85, Mar2009.

[8] Jacques Barbet, Franoise Kraeber-Bodr,and Jean-Franois Chatal. What canbe expected from nuclear medicine to-morrow? Cancer Biother Radiopharm,23(4):483–504, Aug 2008.

[9] Dean C Barratt, Carolyn S K Chan, Phi-lip J Edwards, Graeme P Penney, MikeSlomczykowski, Timothy J Carter, andDavid J Hawkes. Instantiation and re-gistration of statistical shape models ofthe femur and pelvis using 3d ultrasoundimaging. Med Image Anal, 12(3):358–374, Jun 2008.

[10] Mattias Belting and Anders Wittrup.Macromolecular drug delivery: Basicprinciples and therapeutic applications.Mol Biotechnol, May 2009.

[11] Mikael Benson, Lars Olaf Cardell, StefanHohmann, Mats Jirstrand, Michael Lang-ston, Reza Mobini, and Olle Nerman.[systems biology can radically changehealth care. basis for individualized pre-diction, prevention and treatment]. La-kartidningen, 104(42):3037–3041, 2007.

[12] Monique Bernsen, Amber Moelker, PiotrWielopolski, Sandra van Tiel, and Gabri-el Krestin. Labelling of mammalian cellsfor visualisation by mri. Eur Radiol, Aug2009.

[13] Elodie Boisselier and Didier Astruc. Goldnanoparticles in nanomedicine: prepara-tions, imaging, diagnostics, therapies andtoxicity. Chem Soc Rev, 38(6):1759–1782, Jun 2009.

[14] Yuri Y. Boykov and Marie P. Jolly. In-teractive graph cuts for optimal bounda-ry region segmentation of objects in n-dimages. Computer Vision, IEEE Interna-tional Conference on, 1, 2001.

[15] Barton F Branstetter. Basics of ima-ging informatics. part 1. Radiology,243(3):656–667, Jun 2007.

[16] Barton F Branstetter. Basics of ima-ging informatics: part 2. Radiology,244(1):78–84, Jul 2007.

[17] Jeff W M Bulte. In vivo mri cell tracking:clinical studies. AJR Am J Roentgenol,193(2):314–325, Aug 2009.

[18] Jesus J Caban, Alark Joshi, and Paul Na-gy. Rapid development of medical ima-ging tools with open-source libraries. JDigit Imaging, 20 Suppl 1:83–93, Nov2007.

[19] Weibo Cai and Xiaoyuan Chen. Nano-platforms for targeted molecular imagingin living subjects. Small, 3(11):1840–1854, Nov 2007.

[20] Shelton D Caruthers, Samuel A Wickline,and Gregory M Lanza. Nanotechnolo-gical applications in medicine. Curr OpinBiotechnol, 18(1):26–30, Feb 2007.

[21] W. R. Crum, T. Hartkens, and D. L. Hill.Non-rigid image registration: theory andpractice. The British journal of radiolo-gy, 77 Spec No 2, 2004.

[22] Pragya A Dang, Mannudeep K Kalra,Michael A Blake, Thomas J Schultz,Markus Stout, Paul R Lemay, David JFreshman, Elkan F Halpern, and Keith JDreyer. Natural language processingusing online analytic processing for as-sessing recommendations in radiology re-ports. J Am Coll Radiol, 5(3):197–204,Mar 2008.

[23] Dominique Delbeke, Heiko Schder, Wil-liam H Martin, and Richard L Wahl. Hy-brid imaging (spect/ct and pet/ct): impro-ving therapeutic decisions. Semin NuclMed, 39(5):308–340, Sep 2009.

[24] William C Eckelman, Richard C Reba,and Gary J Kelloff. Targeted imaging:an important biomarker for understandingdisease progression in the era of perso-nalized medicine. Drug Discov Today,13(17-18):748–759, Sep 2008.

[25] Richard L Ehman, William R Hendee,Michael J Welch, N. Reed Dunnick, Lin-da B Bresolin, Ronald L Arenson, Stan-ley Baum, Hedvig Hricak, and James HThrall. Blueprint for imaging in biome-dical research. Radiology, 244(1):12–27,Jul 2007.

[26] Stephan G Erberich, Jonathan C Silver-stein, Ann Chervenak, Robert Schuler,Marvin D Nelson, and Carl Kesselman.Globus medicus - federation of dicommedical imaging devices into healthca-re grids. Stud Health Technol Inform,126:269–278, 2007.

[27] Joseph P Erinjeri, Daniel Picus, Fred WPrior, David A Rubin, and Paul Kop-pel. Development of a google-based se-arch engine for data mining radiology re-ports. J Digit Imaging, 22(4):348–356,Aug 2009.

[28] Leonard Fass. Imaging and cancer: areview. Mol Oncol, 2(2):115–152, Aug2008.

[29] Zigang Ge, Xianfeng Tian, Boon ChinHeng, Victor Fan, Jin Fei Yeo, and Tong

Cao. Histological evaluation of os-teogenesis of 3d-printed poly-lactic-co-glycolic acid (plga) scaffolds in a rabbitmodel. Biomed Mater, 4(2):21001, Apr2009.

[30] J. Raymond Geis. Medical imaging infor-matics: how it improves radiology prac-tice today. J Digit Imaging, 20(2):99–104, Jun 2007.

[31] Carlos F G C Geraldes and Sophie Lau-rent. Classification and basic propertiesof contrast agents for magnetic resonanceimaging. Contrast Media Mol Imaging,4(1):1–23, 2009.

[32] Jerry D Glickson, Sissel Lund-Katz,Rong Zhou, Hoon Choi, I-Wei Chen,Hui Li, Ian Corbin, Anatoliy V Pop-ov, Weiguo Cao, Liping Song, Chen-ze Qi, Diane Marotta, David S Nelson,Juan Chen, Britton Chance, and GangZheng. Lipoprotein nanoplatform fortargeted delivery of diagnostic and the-rapeutic agents. Adv Exp Med Biol,645:227–239, 2009.

[33] R. Grassi, R. Lagalla, and A. Rotondo.Genomics, proteomics, mems and saif:which role for diagnostic imaging? Ra-diol Med, 113(6):775–778, Sep 2008.

[34] Nicolas Grenier, Francesco Sardanelli,Christoph D Becker, Jerzy Walecki, GuySebag, David John Lomas, and Gabriel PKrestin. Development of molecular ima-ging in the european radiological com-munity. Eur Radiol, 19(3):533–536, Mar2009.

[35] Yujun Guo, Radhika Sivaramakrishna,Cheng-Chang Lu, Jasjit S Suri, and Swa-my Laxminarayan. Breast image registra-tion techniques: a survey. Med Biol EngComput, 44(1-2):15–26, Mar 2006.

[36] Metin N Gurcan, Tony Pan, Ashish Shar-ma, Tahsin Kurc, Scott Oster, StephenLangella, Shannon Hastings, Khan MSiddiqui, Eliot L Siegel, and Joel Saltz.Gridimage: a novel use of grid compu-ting to support interactive human andcomputer-assisted detection decision sup-port. J Digit Imaging, 20(2):160–171, Jun2007.

[37] Robert M Hoffman. Imaging cancer dy-namics in vivo at the tumor and cellularlevel with fluorescent proteins. Clin ExpMetastasis, 26(4):345–355, 2009.

[38] Darryl D Holm, J. Tilak Ratnanather,Alain Trouv, and Laurent Younes. So-liton dynamics in computational anato-my. Neuroimage, 23 Suppl 1:S170–S178,2004.

[39] Su Huang, Rafail Baimouratov, Ihar Vol-kau, and Wieslaw L Nowinski. Ivme:a tool for editing, manipulation, quanti-fication, and labeling of cerebrovascularmodels. Comput Med Imaging Graph,30(3):187–195, Apr 2006.

[40] Brian F Hutton, Michael Braun, LennartThurfjell, and Dennys Y H Lau. Imageregistration: an essential tool for nuclearmedicine. Eur J Nucl Med Mol Imaging,29(4):559–577, Apr 2002.

[41] Paul Hynek. The hyper-commons: howopen science prizes can expand and le-vel the medical research playing field.Rejuvenation Res, 11(6):1065–1072, Dec2008.

11

[42] Atsushi Ikai. A review on: Atomic forcemicroscopy applied to nano-mechanics ofthe cell. Adv Biochem Eng Biotechnol,Mar 2009.

[43] Esmaiel Jabbari. Targeted deliverywith peptidomimetic conjugated self-assembled nanoparticles. Pharm Res,26(3):612–630, Mar 2009.

[44] K. K. Jain. Role of nanobiotechnolo-gy in developing personalized medicinefor cancer. Technol Cancer Res Treat,4(6):645–650, Dec 2005.

[45] Ferenc A Jolesz. Mri-guided focused ul-trasound surgery. Annu Rev Med, 60:417–430, 2009.

[46] Julian R Jones, Robert C Atwood, Gows-ihan Poologasundarampillai, Sheng Yue,and Peter D Lee. Quantifying the 3dmacrostructure of tissue scaffolds. J Ma-ter Sci Mater Med, 20(2):463–471, Feb2009.

[47] R. S. Kalawsky, J. O’Brien, and P. V.Coveney. Improving scientists’ inte-raction with complex computational-visualization environments basedon a distributed grid infrastructure.Philos Transact A Math Phys Eng Sci,363(1833):1867–1884, Aug 2005.

[48] Kianoush Khosravi-Darani, Abbas Pard-akhty, Hamid Honarpisheh, V. S N Mal-leswara Rao, and M. Reza Mozafari. Therole of high-resolution imaging in theevaluation of nanosystems for bioactiveencapsulation and targeted nanotherapy.Micron, 38(8):804–818, 2007.

[49] Maria Y Y Law, Brent Liu, and Lawren-ce W Chan. Informatics in radiology:Dicom-rt-based electronic patient recordinformation system for radiation therapy.Radiographics, 29(4):961–972, 2009.

[50] Thomas Leitha. Nuclear medicine: proofof principle for targeted drugs in dia-gnosis and therapy. Curr Pharm Des,15(2):173–187, 2009.

[51] Christoper M Long and Jeff W M Bul-te. In vivo tracking of cellular thera-peutics using magnetic resonance ima-ging. Expert Opin Biol Ther, 9(3):293–306, Mar 2009.

[52] Mathias Markert, Stefan Weber, andTim C Lueth. A beating heart mo-del 3d printed from specific patient data.Conf Proc IEEE Eng Med Biol Soc,2007:4472–4475, 2007.

[53] Michael Markl, Ralf Schumacher, Jrg Kf-fer, Thorsten A Bley, and Jrgen Hennig.Rapid vessel prototyping: vascular mode-ling using 3t magnetic resonance angio-graphy and rapid prototyping technology.MAGMA, 18(6):288–292, Dec 2005.

[54] T. F. Massoud, A. Singh, and S. S.Gambhir. Noninvasive molecular neu-roimaging using reporter genes: part i,principles revisited. AJNR Am J Neuro-radiol, 29(2):229–234, Feb 2008.

[55] T. F. Massoud, A. Singh, and S. S.Gambhir. Noninvasive molecular neu-roimaging using reporter genes: part ii,experimental, current, and future ap-plications. AJNR Am J Neuroradiol,29(3):409–418, Mar 2008.

[56] Tarik F Massoud and Sanjiv S Gambhir.Integrating noninvasive molecular ima-ging into molecular medicine: an evol-ving paradigm. Trends Mol Med,13(5):183–191, May 2007.

[57] Osama Mawlawi and David W Town-send. Multimodality imaging: an updateon pet/ct technology. Eur J Nucl Med MolImaging, 36 Suppl 1:S15–S29, Mar 2009.

[58] Christopher Meenan, Antoinette King,Christopher Toland, Mark Daly, and PaulNagy. Use of a wiki as a radiology depart-mental knowledge management system. JDigit Imaging, Jan 2009.

[59] Erik Meijering, Oleh Dzyubachyk, IhorSmal, and Wiggert A van Cappellen. Tra-cking in cell and developmental biology.Semin Cell Dev Biol, Aug 2009.

[60] Andreas Meyer-Lindenberg and Daniel RWeinberger. Intermediate phenotypes andgenetic mechanisms of psychiatric disor-ders. Nat Rev Neurosci, 7(10):818–827,Oct 2006.

[61] Michael I Miller. Computational anato-my: shape, growth, and atrophy compa-rison via diffeomorphisms. Neuroimage,23 Suppl 1:S19–S33, 2004.

[62] Michael I Miller, Carey E Priebe, An-qi Qiu, Bruce Fischl, Anthony Kolasny,Timothy Brown, Youngser Park, J. TilakRatnanather, Evelina Busa, Jorge Jovi-cich, Peng Yu, Bradford C Dickerson,Randy L Buckner, and MorphometryBIRN. Collaborative computational ana-tomy: an mri morphometry study of thehuman brain via diffeomorphic metricmapping. Hum Brain Mapp, 30(7):2132–2141, Jul 2009.

[63] Paul Nagy. Open source in imaging infor-matics. J Digit Imaging, 20 Suppl 1:1–10,Nov 2007.

[64] Cameron Neylon and Shirley Wu. Openscience: tools, approaches, and implica-tions. Pac Symp Biocomput, pages 540–544, 2009.

[65] Adrian D Nunn. Molecular imagingand personalized medicine: an uncertainfuture. Cancer Biother Radiopharm,22(6):722–739, Dec 2007.

[66] James P B O’Connor, Alan Jackson,Marie-Claude Asselin, David L Buckley,Geoff J M Parker, and Gordon C Jay-son. Quantitative imaging biomarkers inthe clinical development of targeted the-rapeutics: current and future perspectives.Lancet Oncol, 9(8):766–776, Aug 2008.

[67] Dipanjan Pan, Gregory M Lanza, Samu-el A Wickline, and Shelton D Caruthers.Nanomedicine: perspective and promiseswith ligand-directed molecular imaging.Eur J Radiol, 70(2):274–285, May 2009.

[68] Tony C Pan, Metin N Gurcan, Stephen ALangella, Scott W Oster, Shannon L Has-tings, Ashish Sharma, Benjamin G Rutt,David W Ervin, Tahsin M Kurc, Khan MSiddiqui, Joel H Saltz, and Eliot L Siegel.Informatics in radiology: Gridcad: grid-based computer-aided detection system.Radiographics, 27(3):889–897, 2007.

[69] Dimitri Papathanassiou and Jean-ClaudeLiehn. The growing development of

multimodality imaging in oncology. CritRev Oncol Hematol, 68(1):60–65, Oct2008.

[70] Sang Cheol Park, Jiantao Pu, andBin Zheng. Improving performanceof computer-aided detection scheme bycombining results from two machine lear-ning classifiers. Acad Radiol, 16(3):266–274, Mar 2009.

[71] Jeffrey R Petrella, Venkata S Mattay, andP. Murali Doraiswamy. Imaging geneticsof brain longevity and mental wellness:the next frontier? Radiology, 246(1):20–32, Jan 2008.

[72] D. L. Pham, C. Xu, and J. L. Prince. Cur-rent methods in medical image segmenta-tion. Annu Rev Biomed Eng, 2:315–337,2000.

[73] Bernd J Pichler, Martin S Judenhofer,and Christina Pfannenberg. Multimodalimaging approaches: Pet/ct and pet/mri.Handb Exp Pharmacol, 185/1(185 Pt1):109–132, 2008.

[74] Bernd J Pichler, Hans F Wehrl, and Mar-tin S Judenhofer. Latest advances in mo-lecular imaging instrumentation. J NuclMed, 49 Suppl 2:5S–23S, Jun 2008.

[75] Jason Pierson, Musa Sani, Cveta Tomova,Susan Godsave, and Peter Peters. Towardvisualization of nanomachines in their na-tive cellular environment. Histochem CellBiol, Aug 2009.

[76] Stephanie Powell, Vincent A Magnotta,Hans Johnson, Vamsi K Jammalamada-ka, Ronald Pierson, and Nancy C Andrea-sen. Registration and machine learning-based automated segmentation of subcor-tical and cerebellar brain structures. Neu-roimage, 39(1):238–247, Jan 2008.

[77] J. M. Provenzale and G. A. Silva. Uses ofnanoparticles for central nervous systemimaging and therapy. AJNR Am J Neuro-radiol, 30(7):1293–1301, Aug 2009.

[78] Anqi Qiu, Laurent Younes, and Michael IMiller. Intrinsic and extrinsic analysisin computational anatomy. Neuroimage,39(4):1803–1814, Feb 2008.

[79] Md Mahmudur Rahman, Prabir Bhatta-charya, and Bipin C Desai. A fram-ework for medical image retrieval usingmachine learning and statistical similaritymatching techniques with relevance feed-back. IEEE Trans Inf Technol Biomed,11(1):58–69, Jan 2007.

[80] Dikpal Reddy, Aswin C. Sankaranaraya-nan, Volkan Cevher, and Rama Chellap-pa. Compressed sensing for multi-viewtracking and 3-d voxel reconstruction. InImage Processing, 2008. ICIP 2008. 15thIEEE International Conference on, pages221–224, 2008.

[81] Johannes C Reichert, Siamak Saifzadeh,Martin E Wullschleger, Devakara REpari, Michael A Schtz, Georg N Du-da, Hanna Schell, Martijn van Griensven,Heinz Redl, and Dietmar W Hutmacher.The challenge of establishing preclinicalmodels for segmental bone defect rese-arch. Biomaterials, 30(12):2149–2163,Apr 2009.

12

[82] Johannes Reichold, Marco Stampanoni,Anna Lena Keller, Alfred Buck, PatrickJenny, and Bruno Weber. Vascular graphmodel to simulate the cerebral blood flowin realistic vascular networks. J Ce-reb Blood Flow Metab, 29(8):1429–1443,Aug 2009.

[83] Bruce I Reiner and Eliot L Siegel. Theclinical imperative of medical imaging in-formatics. J Digit Imaging, 22(4):345–347, Aug 2009.

[84] Erika Rosivatz. Imaging the boundaries-innovative tools for microscopy of livingcells and real-time imaging. J Chem Biol,1(1-4):3–15, Nov 2008.

[85] Daniel L Rubin. Creating and curating aterminology for radiology: ontology mo-deling and analysis. J Digit Imaging,21(4):355–362, Dec 2008.

[86] Daniel L Rubin, Ion-Florin Talos,Michael Halle, Mark A Musen, and RonKikinis. Computational neuroanatomy:ontology-based representation of neuralcomponents and connectivity. BMCBioinformatics, 10 Suppl 2:S3, 2009.

[87] M. Sabuncu, S. Balci, M. Shenton, andP. Golland. Image-driven population ana-lysis through mixture modeling. IEEETrans Med Imaging, Mar 2009.

[88] Radhika S Saksena, Bruce Boghosian,Luis Fazendeiro, Owain A Kenway, Ste-ven Manos, Marco D Mazzeo, S. KashifSadiq, James L Suter, David Wright, andPeter V Coveney. Real science at the pe-tascale. Philos Transact A Math Phys EngSci, 367(1897):2557–2571, Jun 2009.

[89] Santimukul Santra, Charalambos Kait-tanis, Jan Grimm, and J. Manuel Pe-rez. Drug/dye-loaded, multifunctionaliron oxide nanoparticles for combinedtargeted cancer therapy and dual opti-cal/magnetic resonance imaging. Small,5(16):1862–1868, Aug 2009.

[90] Igor M Sauer, Dominik Bialek, Ekateri-na Efimova, Ruth Schwartlander, Gesi-ne Pless, and Peter Neuhaus. blogs”and”wikis”are valuable software tools forcommunication within research groups.Artif Organs, 29(1):82–83, Jan 2005.

[91] Natalie J Serkova and Kristine Glunde.Metabolomics of cancer. Methods MolBiol, 520:273–295, 2009.

[92] Natalie J Serkova, Kendra M Hase-broock, and Susan L Kraft. Magneticresonance spectroscopy of living tissues.Methods Mol Biol, 520:315–327, 2009.

[93] Eva M Sevick-Muraca and John C Ras-mussen. Molecular imaging with optics:primer and case for near-infrared fluores-cence techniques in personalized medici-ne. J Biomed Opt, 13(4):041303, 2008.

[94] Joshua L Simon, E. Dianne Rekow, Van PThompson, Heather Beam, John L Ricci,and J. Russell Parsons. Microct analysisof hydroxyapatite bone repair scaffoldscreated via three-dimensional printing forevaluating the effects of scaffold architec-ture on bone ingrowth. J Biomed MaterRes A, 85(2):371–377, May 2008.

[95] Torill E Sjbakk, Roar Johansen, Tone FBathen, Ursula Sonnewald, Kjell A Kvi-stad, Steinar Lundgren, and Ingrid SGribbestad. Metabolic profiling of humanbrain metastases using in vivo proton mrspectroscopy at 3t. BMC Cancer, 7:141,2007.

[96] Piotr J Slomka and Richard P Baum.Multimodality image registration withsoftware: state-of-the-art. Eur J Nucl MedMol Imaging, 36 Suppl 1:S44–S55, Mar2009.

[97] Martin Spiegel, Dieter A Hahn, Vol-ker Daum, Jakob Wasza, and JoachimHornegger. Segmentation of kidneysusing a new active shape model genera-tion technique based on non-rigid ima-ge registration. Comput Med ImagingGraph, 33(1):29–39, Jan 2009.

[98] P. Suetens, E. Bellon, D. Vandermeulen,M. Smet, G. Marchal, J. Nuyts, andL. Mortelmans. Image segmentation:methods and applications in diagnosticradiology and nuclear medicine. Eur JRadiol, 17(1):14–21, Jun 1993.

[99] Ning Sun, Andrew Lee, and Joseph CWu. Long term non-invasive imaging ofembryonic stem cells using reporter ge-nes. Nat Protoc, 4(8):1192–1201, 2009.

[100] Elizabeth J Sutton, Tobias D Henning,Bernd J Pichler, Christoph Bremer, andHeike E Daldrup-Link. Cell track-ing with optical imaging. Eur Radiol,18(10):2021–2032, Oct 2008.

[101] R. K. Taira, S. G. Soderland, and R. M.Jakobovits. Automatic structuring of ra-diology free-text reports. Radiographics,21(1):237–245, 2001.

[102] Kate Tairyan and Judy Illes. Imaging gen-etics and the power of combined techno-logies: A perspective from neuroethics.Neuroscience, Feb 2009.

[103] Christine Terryn, Arnaud Bonnomet, Jr-me Cutrona, Christelle Coraux, Jean-Marie Tournier, Batrice Nawrocki-Raby,Myriam Polette, Philippe Birembaut, andJean-Marie Zahm. Video-microscopicimaging of cell spatio-temporal disper-sion and migration. Crit Rev Oncol He-matol, 69(2):144–152, Feb 2009.

[104] James H Thrall. Personalized medicine.Radiology, 231(3):613–616, Jun 2004.

[105] D. W. Townsend. Multimodality imagingof structure and function. Phys Med Biol,53(4):R1–R39, Feb 2008.

[106] Robert B Trelease. Anatomical informa-tics: Millennial perspectives on a newerfrontier. Anat Rec, 269(5):224–235, Oct2002.

[107] Jayaram K Udupa, Vicki R Leblanc,Ying Zhuge, Celina Imielinska, Hila-ry Schmidt, Leanne M Currie, Bruce EHirsch, and James Woodburn. A fram-ework for evaluating image segmentationalgorithms. Comput Med Imaging Graph,30(2):75–87, Mar 2006.

[108] Pablo Villoslada, Lawrence Steinman,and Sergio E Baranzini. Systems biolo-gy and its application to the understan-ding of neurological diseases. Ann Neu-rol, 65(2):124–139, Feb 2009.

[109] Michal Vossberg, Thomas Tolxdorff,and Dagmar Krefting. Dicom imagecommunication in globus-based medicalgrids. IEEE Trans Inf Technol Biomed,12(2):145–153, Mar 2008.

[110] Hui Wang and Xiaoyuan Chen. Applica-tions for site-directed molecular imagingagents coupled with drug delivery poten-tial. Expert Opin Drug Deliv, 6(7):745–768, Jul 2009.

[111] Simon K Warfield, Kelly H Zou, and Wil-liam M Wells. Validation of image seg-mentation by estimating rater bias and va-riance. Philos Transact A Math Phys EngSci, 366(1874):2361–2375, Jul 2008.

[112] Peter Watson. Live cell imaging for targetand drug discovery. Drug News Perspect,22(2):69–79, Mar 2009.

[113] Hans F Wehrl, Martin S Judenhofer, Ste-fan Wiehr, and Bernd J Pichler. Pre-clinical pet/mr: technological advancesand new perspectives in biomedical rese-arch. Eur J Nucl Med Mol Imaging, 36Suppl 1:S56–S68, Mar 2009.

[114] Jens E Wilhjelm, Michael Johannes Pi-hl, Markus Nowak Lonsdale, and MikaelJensen. An active learning approach tothe physics of medical imaging. Med EngPhys, 30(5):607–614, Jun 2008.

[115] Anthony B Wolbarst and William R Hen-dee. The national institute of biomedi-cal imaging and bioengineering and nihgrant process: an overview. Radiology,242(1):32–55, Jan 2007.

[116] Jack Y Yang, Mary Qu Yang, Hamid RArabnia, and Youping Deng. Genomics,molecular imaging, bioinformatics, andbio-nano-info integration are synergisticcomponents of translational medicine andpersonalized healthcare research. BMCGenomics, 9 Suppl 2:I1, 2008.

[117] Yongliang Yang, S. James Adelstein, andAmin I Kassis. Target discovery fromdata mining approaches. Drug Discov To-day, 14(3-4):147–154, Feb 2009.

[118] Jianhua Yao and David Chen. Live levelset: a hybrid method of livewire and levelset for medical image segmentation. MedPhys, 35(9):4112–4120, Sep 2008.

[119] Terry S Yoo and Dimitris N Metaxas.Open science–combining open data andopen source software: medical imageanalysis with the insight toolkit. MedImage Anal, 9(6):503–506, Dec 2005.

[120] Anthony J Yun, Patrick Y Lee, andAnthony N Gerber. Integrating systemsbiology and medical imaging: understan-ding disease distribution in the lung mo-del. AJR Am J Roentgenol, 186(4):925–930, Apr 2006.

[121] Habib Zaidi and Xie George Xu. Com-putational anthropomorphic models ofthe human anatomy: the path to realis-tic monte carlo modeling in radiologicalsciences. Annu Rev Biomed Eng, 9:471–500, 2007.

13