PARASITOSIS INTESTINAL en Pediatría, Enfermería y Familiar II
Defensa tesis jose salinas 2013
1.
2. Acto de lectura y defensa de tesis doctoral
Cloud CEIB I+D
Sistema de gestión y extracción de conocimiento de la imagen médica.
Jose María Salinas Serrano
Director: Dr. Miguel Angel Cazorla Quevedo
Universidad de Alicante
Hospital Universitario San Juan de Alicante
20 junio 2013
3. • 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
4. • 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
5. 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
6. Bioimagen y sistemas de información en el mundo sanitario
Generalidades de la bioimagen - La resonancia magnética
Representación 3D de los píxeles (vóxeles) de la imagen por
RM
Tipos de RM por potenciación
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
7. Bioimagen y sistemas de información en el mundo sanitario
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, ...)
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
8. Bioimagen y sistemas de información en el mundo sanitario
Postproceso de imagen médica
Formatos
Suite
Algoritmos
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
9. Bioimagen y sistemas de información en el mundo sanitario
Sistemas de información en el mundo sanitario
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
10. Bioimagen y 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)
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
11. • 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
12. Objetivo y motivación
Heterogeneidad de datos, mala accesibilidad, desconocimiento
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
13. Objetivo y motivación
La comparación de estudios es compleja debido a la diversidad
de herramientas, formatos y metodologías
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
14. Objetivo y motivación
Proyecto de imagen médica digital de la AVS
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
15. Objetivo y motivación
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
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
16. • 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
17. Cloud CEIB I+D
Visión general del sistema
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
18. Cloud CEIB I+D
Visión general del sistema - transformación de la información
Datos
Información
VALOR
Inteligencia
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
30. 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.
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
31. • 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
32. Un ejemplo práctico: NeuroBIM-MS
Visión general del sistema
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
33. Un ejemplo práctico: NeuroBIM-MS
Obtención de imágenes - modalidad directa
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
34. Un ejemplo práctico: NeuroBIM-MS
Obtención de imágenes - modalidad manual
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
35. Un ejemplo práctico: NeuroBIM-MS
Obtención de imágenes - anonimización
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
36. Un ejemplo práctico: NeuroBIM-MS
Gestión de las imágenes
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
37. Un ejemplo práctico: NeuroBIM-MS
Gestión de las imágenes
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
38. Un ejemplo práctico: NeuroBIM-MS
Gestión de las imágenes - modelo de datos
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
39. Un ejemplo práctico: NeuroBIM-MS
Postproceso de las imágenes
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
40. Un ejemplo práctico: NeuroBIM-MS
Caso de estudio 1: Atrofia cerebral
Paso 1: Selección, envío y clasificación de estudios
39 estudios
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
41. Un ejemplo práctico: NeuroBIM-MS
Caso de estudio 1: Atrofia cerebral
Paso 2: Postproceso
Utilizamos el algoritmo de SIENAX de la librería FSL (Smith, S.M. et al., 2002)
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
42. Un ejemplo práctico: NeuroBIM-MS
Caso de estudio 1: Atrofia cerebral
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
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
43. Un ejemplo práctico: NeuroBIM-MS
Comunicación con SISAN
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
44. Un ejemplo práctico: NeuroBIM-MS
Caso de estudio 2: Detección de carga lesional en sustancia blanca
Paso 1: Selección y envío de imágenes
11 estudios
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
45. Un ejemplo práctico: NeuroBIM-MS
Caso de estudio 2: Detección de carga lesional en sustancia blanca
Paso 2: Clasificación y tipo de estudio
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
Diseño de algoritmo de detección de carga lesional en sustancia blanca
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
46. Un ejemplo práctico: NeuroBIM-MS
Caso de estudio 2: Detección de carga lesional en sustancia blanca
Paso 3: Postproceso
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
47. Un ejemplo práctico: NeuroBIM-MS
Caso de estudio 2: Detección de carga lesional en sustancia blanca
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)
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
48. Un ejemplo práctico: NeuroBIM-MS
Caso de estudio 2: Detección de carga lesional en sustancia blanca
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
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
49. Un ejemplo práctico: NeuroBIM-MS
Caso de estudio 2: Detección de carga lesional en sustancia blanca
Paso 4: Proceso de validación y resultados
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
50. Un ejemplo práctico: NeuroBIM-MS
Caso de estudio 2: Detección de carga lesional en sustancia blanca
Paso 4: Proceso de validación y resultados
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
51. • 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
52. 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.
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
53. 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
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
54. 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
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
55. • 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
56. 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.
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
57. Aportaciones de esta tesis
Publicaciones y Congresos
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
58. Aportaciones de esta tesis
Publicaciones y Congresos
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
59. Aportaciones de esta tesis
Actividad docente
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
60. Aportaciones de esta tesis
Proyecto NeuroBIM-MS
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
61. Aportaciones de esta tesis
Proyecto Eurobioimaging
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
62. Aportaciones de esta tesis
Proyecto Eurobioimaging
Introducción Objetivos Cloud CEIB I+D NeuroBIM-MS
Conclusiones Aportaciones
Muchas gracias y buenas tardes a todos. Con el permiso del tribunal paso a realizar la defensa de mi tesis doctoral titulada "Cloud CEIB I+D. Sistema de gestión extracción de conocimiento de la imagen médica".
Esta tesis ha sido dirigida por el Dr. Miguel Angel Cazorla y se ha llevado a cabo entre la Universidad de Alicante, el Centro de Investigación Príncipe Felipe y el Centro de Excelencia de la Imagen Biomédica de la Agencia Valenciana de Salud.
Voy a estructurar mi defensa en los siguientes apartados: Bioimagen y sistemas de información en el mundo sanitario, objetivos y motivación de esta tesis, Definición del sistema Cloud CEIB I+D, descripción de un ejemplo práctico con NeuroBIM-MS para terminar con las conclusiones, trabajos futuros y las aportaciones de esta tesis.
Comenzaré mi defensa hablando de las generalidades de la bioimagen y de los sistemas de información en el mundo de la sanidad.
Podemos definir la bioimagen o imagen médica como el conjunto de técnicas y procesos usados para generar imágenes parciales o completas del cuerpo humano, utilizados diariamente en el ámbito del diagnóstico y examen de enfermedades, así como en la Investigación médica.
Existen muchos tipos de imágenes médicas, las cuales en general podemos clasificar según la energía utilizada para su captura (rayos X, gamma, radiofrecuencia, luz, ...) o bien por las dimensiones que se obtienen como resultado (1,2D, 3D o 4D).
Un ejemplo de imagen médica en el que he basado los casos de estudio es la resonancia magnética nuclear, obtenida a partir de campos magnéticos y de radiofrecuencia, sin radiación y que permiten obtener imágenes 3D para el análisis de los diferentes tejidos y estructuras del cuerpo. Desde inicios de este año, nuestro Hospital de San Juan dispone de un equipo de RM pública, el cual me ha servido de mucha ayuda en la realización de mi trabajo.
Otro concepto base es el de biomarcador. Los biomarcadores son características que se pueden medir de forma objetiva a partir de las imágenes extraídas y que se pueden utilizar como indicadores complementarios en el diagnóstico y seguimiento de enfermedades. También juegan un papel muy importante en el proceso de investigación y desarrollo de nuevos fármacos.Estas características pueden ser desde características simples como tamaño y forma, hasta complejos modelos computacionales. En la comunidad valenciana, el equipo del Dr. Luis Marti Bonmati es puntero a nivel nacional y europeo en el desarrollo de biomarcadores.
Desde que capturamos la señal en la modalidad correspondiente y se genera la imagen médica, esta se almacena bajo el estándar DICOM, aplicando a esta imagen una serie de técnicas y algoritmos de transformación, conseguimos obtener una imagen paramétrica para su análisis e interpretación en la clínica. Para ello existen diferentes librerías gráficas especializadas en cada tipo de imagen.
Los sistemas de información sanitarios o SISAN, se estructuran generalmente en capas donde se enmarcan todos los subsistemas tales como los relacionados con la seguridad, comunicaciones, soporte... . Como capa superior encontramos la de aplicaciones, dividida en tres grandes grupos: las aplicaciones de ámbito asistencial para la gestión de toda la información clínica del paciente; las aplicaciones de gestión, encargadas de todos los procesos logísticos que rodean al proceso asistencial; y las aplicaciones de inteligencia, encargadas de ofrecer indicadores que permiten el control y mejora de ambos.
Dentro del bloque de aplicaciones asistenciales, cabe destacar por su utilización en el ámbito de mi trabajo las aplicaciones de gestión e informado de pruebas radiológicas, conocido como RIS y que es el sistema desde donde se realizan e informan las peticiones de imagen médica del SISAN. El sistema de gestión de las imágenes médicas, conocido como PACS, permite el almacenaje, búsqueda y visionado de la imagen médica que se genera en el ámbito clínico. Ambos sistemas se complementan.
A continuación expondré los objetivos y motivaciones de mi trabajo.
El escenario al que día a día se enfrentan los profesionales clínicos a la hora de acceder a las imágenes es muy heterogéneo debido a la multitud de tipos de imágenes médicas, en muchos casos gestionada por uno o varios PACS diferentes a su vez localizados en diferentes ubicaciones, lo que genera un abanico de posibilidades muchas veces difícil de abordar.
En el campo de la investigación, esta situación de heterogeneidad dificulta en gran medida el trabajo del investigador. La comparación de estudios es compleja ya que se trabajan con herramientas, formatos y plataformas diferentes.
La AVS acaba de poner en marcha un proyecto pionero de imagen médica digital donde se almacenarán todas las imágenes médicas de la comunidad valenciana.
A la vista de esta situación planteo los siguientes objetivos: Definir una arquitectura escalable y modular que permita la explotación de la información y el conocimiento contenido en los bancos de imágenes médicas y con ella ofrecer a la comunidad científica una plataforma para la gestión y el aprovechamiento de este conocimiento, para, finalmente ofrecer al profesional clínico servicios de valor añadido que mejoren la historia clínica electrónica del paciente.
A continuación expondré la base de mi trabajo: la definición de Cloud CEIB I+D
Aquí les presento la visión general del sistema de gestión y extracción de conocimiento de la imagen médica que propongo en mi tesis doctoral. Está formada por una serie de módulos base comunicados entre si. Enumerando: El módulo que representa al SISAN, un banco de imágenes, un motor de búsqueda, un módulo anonimizador, un gestor de ensayos clínicos y proyectos de investigación y un motor de conocimiento.
En este gráfico presento el flujo y transformación que sufre la imagen médica contenida en el banco de imágenes, donde al incorporarle datos de SISAN y pasar al gestor de ensayos se convierte en Información, y que al pasar y procesarse en el motor de conocimiento se transforma en inteligencia para retornar al SISAN en forma de valor añadido, objetivo final del sistema.
A continuación paso a detallar cada uno de los módulos base de Cloud CEIB I+D.
Con este gráfico quiero mostrarles la diversidad de perfiles y usuarios que pueden hacer uso del sistema. Desde ingenieros de cuantificación, visión, ... a profesionales sanitarios, sin olvidar a los técnicos y administradores. Cada uno de ellos con una visión del sistema diferente.
Dentro del sistema, SISAN desempeña el papel de nexo entre el personal clínico y los servicios ofrecidos por el sistema. Técnicamente Cloud CEIB I+D ofrece un catálogo de prestaciones accesibles mediante servicios web.
El banco de imágenes es el módulo encargado del almacenamiento y organización de toda la imagen médica. Como todo sistema PACS, está compuesto por un sistema de almacenamiento y un sistema de base de datos donde se indexan las ubicaciones físicas de las imágenes así como información útil adicional. Se comunica con SISAN en la práctica clínica y con Cloud CEIB para la práctica investigadora.
El motor de búsqueda es el módulo que interactúa con el banco de imágenes para que a partir de una petición estructurada se obtenga un subconjunto de imágenes que se incorporarán al sistema para su estudio.
Para cumplir toda la normativa vigente de protección de datos se ha definido un módulo que garantiza el anonimato a diferentes niveles. Es el punto de unión entre el banco de imágenes y el resto de módulos del sistema.
El gestor de ensayos clínicos y proyectos de investigación, al que he denominado GEBID, es el módulo encargado de proporcionar las herramientas necesarias para la organización y gestión de todo el ciclo de vida del ensayo clínico o proyecto de investigación planteado. Está basado en una instancia personalizada de XNAT.
El motor de conocimiento, denominado BIKE, es el encargado de la extracción de conocimiento dentro del sistema. Está formado por cuatro módulos base: postproceso, cuantificador, datamining y clasificador.
Con estos cuatro módulos base generamos lo que he denominado BIKE-OLOGIES, entornos personalizados a cada ámbito de estudio.
El módulo base de postproceso dentro de BIKE, proporciona al ingeniero dos entornos escalables de postproceso. Un entorno básico que hace uso de un sistema de almacenamiento de alto rendimiento donde se realizan tareas de postproceso sin alto coste computacional y se testean los algoritmos más complejos como paso previo al entorno avanzado, el cual permite la ejecución de procesos en un entorno de alta computación ubicado en el centro de investigación Príncipe Felipe de Valencia.
El módulo base Cuantificador ofrece herramientas que permiten al ingeniero modelar de principio a fin la creación de un biomarcador.
El módulo base datamining ofrece una serie de herramientas que permiten al ingeniero la extracción y modelaje a través de una base de datos relacional de todas las cabeceras texto DICOM y realizar sobre ellas procesos de minería de datos que generen informes retornables a GEBID.
El módulo clasificador permite la creación de sistemas de ayuda al diagnóstico por imagen, comúnmente conocidos como SADI, a partir de las aportaciones de los otros módulos base de BIKE así como de herramientas de clasificación supervisada.
Una vez definida toda la arquitectura de Cloud CEIB I+D les voy a mostrar un ejemplo práctico, un ejemplo real de uso de la misma a través de la instancia NeuroBIM-MS, un sistema para la gestión de un banco de imágenes orientado al estudio de la esclerosis múltiple.
Esta es la visión general de NeuroBIM-MS, instancia de cloud ceib formada por un SISAN, un banco de imágenes, un anonimizador, el gestor GEBID y un motor de conocimiento.
NeuroBIM-MS puede obtener las imágenes de varias formas. La primera de ellas de forma semiautomática a partir de una petición marcada a través del RIS la cual al llegar al sistema desde la modalidad y chequear dicha marca, es incorporada al gestor.
Otra de las formas de obtención de imágenes es a través de envíos directos a través de visores DICOM. En este caso el profesional solicita al pacs cierto conjunto de datos que una vez recuperados, losmarca y los envía a través de esta aplicación al sistema.
En ambos escenarios, la información recibida es procesada por el anonimizador, el cual, tras comprobar las marcas requeridas realiza el proceso de anonimización y enrutamiento al gestor GEBID.
Una vez que el estudio es recibido por GEBID, este se revisa y se incorpora al modelo de datos definido en el proyecto correspondiente.
Como comentamos anteriormente, el estudio en GEBID gestiona toda las fases del ciclo de vida del ensayo o proyecto, retroalimentando cada una de estas fases a las anteriores para la mejora del proceso.
Aquí les muestro parte del modelo de datos implementado en NeuroBIM-MS donde por una parte se gestionan las imágenes del estudio y por otra las variables asignadas al mismo.
En este ejemplo práctico implementado para el cálculo de biomarcadores NeuroBIM-MS utiliza el sistema de postproceso definido anteriormente en BIKE. En los casos de estudio que les voy a mostrar a continuación no he pretendido aportar una mejora al estado del arte sino demostrar la validez del sistema.
El primer caso de estudio corresponde al cálculo transversal de la atrofia cerebral en 29 casos de pacientes diagnosticados con esclerosis múltiple de los hospitales de Orihuela y Alicante y 10 casos de pacientes sanos. Como primer paso se envían los datos a GEBID tal y como expuse anteriormente. En este caso a través de la modalidad manual.
A continuación, se envían los estudios al sistema de postproceso donde, utilizando el algoritmo de SIENAX conseguimos obtener una serie de valores normalizados de atrofia.
Estos resultados, en forma de informes PDF se remiten a GEBID para su incorporación al sistema de archivo y/o variables definidas.
Una vez disponemos de toda esta información, SISAN a través de servicios web es capaz de obtener dichos informes e incorporarlos a la historia clínica electrónica del paciente.
El segundo caso de estudio que he diseñado pretende, a partir de una serie de casos de pacientes con esclerosis múltiple con carga lesional, obtener un algoritmo que permita la detección de dicha carga, retornando al sistema un mapa probabilístico de carga lesional encontrada en un estudio.
Para este estudio he contado con once estudios y un mapa de carga lesional probabilística. De todos los estudios, tanto de 3teslas como de 1,5 teslas, disponía de las secuencias DP, T1, T2 y FLAIR, además de un fichero ROI con la carga lesional etiquetada por expertos en la secuencia DP.
Al igual que el anterior caso, utilizamos la plataforma de postproceso definida anteriormente. Paso a explicar los pasos del algoritmo que propongo para la detección de carga lesional en sustancia blanca.
Al ejecutar el algoritmo planteado he obtenido estos resultados donde la media de detección obtenida es de aproximadamente un 80% . Este porcentaje se ha calculado en función de la carga lesional detectada frente a la total definida por el experto humano.
Y estos son los mapas probabilísticos en forma de imagen que el algoritmo retorna al sistema ante un estudio nuevo.
Y ahora con permiso del tribunal paso a leer las conclusiones de esta tesis.
Como trabajos futuros a desarrollar en mi trabajo:
Para terminar les muestro en diferentes escenarios las aportaciones que he llevado a cabo con mi trabajo de tesis.
El sistema se ha publicado en revistas del sector, estando pendiente la publicación en JAMIA, dentro del JCR.
A nivel de congresos se ha presentado en varios congresos internacionales y nacionales, teniendo muy buena aceptación y feedbacks.
En el ámbito de la actividad docente, se han realizado durante el primer trimestre de este año una conferencia dentro del master de ingeniería en informática de la Universidad de Alicante y un curso de postproceso de neuroimagen, quedando varias acciones pendientes para el resto del año.
NeuroBIM se ha desarrollado como un proyecto financiado de transferencia de tecnología entre la Universidad de Alicante y La Asociación para la promoción de la docencia e investigación del Hospital Vega Baja.
Y para terminar me gustaría destacar que mi proyecto de tesis ha sido la base de la petición para que CEIB-AVS se convierta en un nodo dentro del proyecto EuroBioImaging. Para esta petición se han recibido más de 30 peticiones de uso de la plataforma tanto a nivel internacional como a nivel nacional
Y con esto concluyo mi exposición quedando a disposición del tribunal para responder a las preguntas que consideren oportunas. Muchas gracias a todos por su atención.