Neumonía intrahospitalaria, generalidades de diagnostico y Tratamiento.pptx
Tumor Virtual: parametrización y simulación.
1. Tumor virtual: parametrización y
simulación.
Miguel Martín Landrove
Centro de Física Molecular y Médica, Facultad de Ciencias, UCV
Centro de Diagnóstico Docente Las Mercedes
Caracas, Venezuela
Tumor Virtual: parametrización y simulación
2. Introducción y fundamentación
Segmentación
de las
imágenes
Análisis de
escalamiento
Escogencia de
modelo de
crecimiento
tumoral
apropiado
Tumor Virtual: parametrización y simulación
Optimización
de plan de
tratamiento
3. Parametrización. 2D in vitro.
A. Brú, J.M. Pastor, I. Fernaud, I. Brú, S. Melle, C, Berenguer, Phys. Rev. Lett. 81, 4008 (1998).
Tumor Virtual: parametrización y simulación
4. Parametrización. 2D in vitro.
A. Brú, J.M. Pastor, I. Fernaud, I. Brú, S. Melle, C, Berenguer, Phys. Rev. Lett. 81, 4008 (1998).
Tumor Virtual: parametrización y simulación
5. Parametrización. 2D in vitro.
A. Brú, J.M. Pastor, I. Fernaud, I. Brú, S. Melle, C, Berenguer, Phys. Rev. Lett. 81, 4008 (1998).
Tumor Virtual: parametrización y simulación
7. Parametrización. 2D in vitro.
Fractal Properties and Critical Exponents in Tumor, M. Martín-Landrove, D. Pereira, Ciencia, 16 (2), 203 –
207 (2008)
Tumor Virtual: parametrización y simulación
8. Parametrización. 2D in vitro.
Fractal Properties and Critical Exponents in Tumor, M. Martín-Landrove, D. Pereira, Ciencia, 16 (2), 203 – 207
(2008)
Brain Tumor Staging and Classification by Analysis of Contour Critical Exponents, M. Yánez, B. López, M. MartínLandrove, Memorias del X Congreso Internacional de Métodos Numéricos en Ingeniería y Ciencias
Aplicadas, CIMENICS’2010 en Modelos Computacionales en Ingeniería: Desarrollos Novedosos y Aplicaciones, R.
Chacón, F. León, V. Duarte, O. Verastegui (Editores), pp. PS 115- 120, SVMNI, 2010
Tumor Virtual: parametrización y simulación
11. Parametrización. 3D in vivo.
3-D in vivo Brain Tumor Geometry Study by Scaling Analysis, F. Torres Hoyos, M. Martín-Landrove, Physica
A, 391, 1195-1206 (2012)
Tumor Virtual: parametrización y simulación
12. Parametrización. 3D in vivo.
3-D in vivo Brain Tumor Geometry Study by Scaling Analysis, F. Torres Hoyos, M. Martín-Landrove, Physica
A, 391, 1195-1206 (2012)
Tumor Virtual: parametrización y simulación
13. Parametrización. 3D in vivo.
3-D in vivo Brain Tumor Geometry Study by Scaling Analysis, F. Torres Hoyos, M. Martín-Landrove, Physica
A, 391, 1195-1206 (2012)
Tumor Virtual: parametrización y simulación
14. Parametrización. 3D in vivo.
3-D in vivo Brain Tumor Geometry Study by Scaling Analysis, F. Torres Hoyos, M. Martín-Landrove, Physica
A, 391, 1195-1206 (2012)
Tumor Virtual: parametrización y simulación
15. Parametrización. 3D in vivo.
Resultados hasta el presente
Tipo
Glioblastoma*
Glioma Grado I
Glioma Grado II
Glioma Grado III
Metástasis
Neurinoma Acústico
Meningioma
Craniofaringioma
Adenoma Pituitario
Casos
105
18
11
6
22
42
86
1
7
* The Cancer Imaging Archive, National Cancer Institute
Tumor Virtual: parametrización y simulación
αloc
0.866 ± 0.054
0.803 ± 0.082
0.855 ± 0.072
0.892 ± 0.067
0.751 ± 0.130
0.720 ± 0.102
0.774 ± 0.093
0.714
0.751 ± 0.088
r2(αloc)
0.999
0.998
0.998
0.998
0.998
0.997
0.998
0.997
0.998
16. Parametrización. 3D in vivo.
Resultados hasta el presente. Gliomas.
Tumor Virtual: parametrización y simulación
17. Parametrización. 3D in vivo.
Resultados hasta el presente. Gliomas.
Tumor Virtual: parametrización y simulación
18. Tissue Classification in Oncological PET/CT Images, J. Aponte, M. Martín-Landrove, XI Congreso Internacional de
Métodos Numéricos en Ingeniería y Ciencias Aplicadas, CIMENICS’2012
Tumor Virtual: parametrización y simulación
19. Tissue Classification in Oncological PET/CT Images, J. Aponte, M. Martín-Landrove, XI Congreso Internacional de
Métodos Numéricos en Ingeniería y Ciencias Aplicadas, CIMENICS’2012
Tumor Virtual: parametrización y simulación
23. Simulación. Parámetros del modelo de crecimiento
2
0
c malto 10 3 mm 3
Dg
10w5 mm 2dias 2 1 / día
10.bajocélulas/ / mm 3
200
2 22
día
Tumor Virtual: parametrización y simulación
24. Simulación. Soporte del modelo de crecimiento
C. Cocosco, V. Kollokian, R. Kwan, and A. Evans. Brainweb : On line interface to a 3d mri simulated brain
database. In Neuroimage, Proceedings of the Third International Conference on the Funtional Mapping of
the Human Brain, volume 5, Copenhagen, 1997.
Tumor Virtual: parametrización y simulación
25. Simulación. Mapa de Difusión. Modelo Isotrópico.
Tumor Virtual: parametrización y simulación
26. Simulación. Criterio para la determinación de la interfaz
Tumor Virtual: parametrización y simulación
27. Simulación. Criterio para la determinación de la interfaz
Tumor Virtual: parametrización y simulación
28. Brain Tumors: A Scaling Analysis Approach, F. Torres-Hoyos, M. Martín-Landrove, XI Congreso Internacional de
Métodos Numéricos en Ingeniería y Ciencias Aplicadas, CIMENICS’2012
Tumor Virtual: parametrización y simulación
29. Brain Tumors: A Scaling Analysis Approach, F. Torres-Hoyos, M. Martín-Landrove, XI Congreso Internacional de
Métodos Numéricos en Ingeniería y Ciencias Aplicadas, CIMENICS’2012
Tumor Virtual: parametrización y simulación
31. Simulación. Glioma de bajo grado
0.413
5 años
Tumor Virtual: parametrización y simulación
32. Simulación. Glioma de bajo grado
0.718
20 años
Tumor Virtual: parametrización y simulación
33. Simulación. Glioma de alto grado
0.445
3 años
Tumor Virtual: parametrización y simulación
34. Simulación. Glioma de alto grado
0.965
7 años
Tumor Virtual: parametrización y simulación
35. Simulación. Modelo con latencia.
Células tumorales
activas
Radio
efectivo de
difusión de
nutrientes y
oxígeno
Células en estado
latente o
necróticas
Tumor Virtual: parametrización y simulación
36. Simulación. Modelo con latencia. Etapas terminales.
Tumor Virtual: parametrización y simulación
41. Simulación. Modelo con latencia
Comportamiento
benigno
Tumor Virtual: parametrización y simulación
Comportamiento
maligno
42. Conclusiones
• Los parámetros de la interfaz para las simulaciones hechas con el
modelo de reacción difusión concuerdan con los valores obtenidos
de mediciones in vivo utilizando imágenes de resonancia magnética
con contraste.
• El exponente de rugosidad local varía con el tiempo de la
simulación, lo que parece estar en concordancia con la dependencia
observada con el grado de malignidad.
• El crecimiento no es de tipo Gompertz, sino del tipo ley de potencia
con un exponente que tiene un comportamiento no lineal en el
parámetro de proliferación celular.
• El exponente de rugosidad local varía de manera no lineal con el
parámetro de proliferación celular, mostrando una transición entre
un régimen de comportamiento benigno a uno maligno.
Tumor Virtual: parametrización y simulación