Este documento describe varios parámetros que pueden extraerse de imágenes médicas del cáncer como resonancia magnética (MRI) y tomografía por emisión de positrones (PET/CT). Explica cómo estas imágenes pueden usarse para modelar el crecimiento tumoral mediante el análisis de la rugosidad y el espesor de la interfaz tumoral a lo largo del tiempo. Finalmente, resume algunos estudios recientes que aplican este enfoque de modelado fractal al crecimiento real de tumores cerebrales.
INTRODUCCION A LA ANATOMIA Y PLANOS ANATOMICOS.pptx
Cáncer: Imágenes, Complejidad y Modelos
1. Ph
Cáncer: Imágenes,
Complejidad y
Modelos
MIGUEL MARTÍN LANDROVE
CENTRO DE FÍSICA MOLECULAR Y MÉDICA, FACULTAD DE CIENCIAS
CENTRO DE VISUALIZACIÓN MÉDICA, INABIO
UNIVERSIDAD CENTRAL DE VENEZUELA
CENTRO DE DIAGNÓSTICO DOCENTE LAS MERCEDES
2. Ph
• Parámetros extraíbles de las imágenes del cáncer
• Crecimiento tumoral, su parametrización y
modelaje
10. Ph
Baron Gaspard Clair François Marie Riche de Prony (22 de
Julio de 1755 – 29 de Julio de 1839)
Método de Prony.
El método de Prony fue
desarrollado por Gaspard
Riche de Prony en 1795 para
explicar la expansión de varios
gases.
Baron Gaspard Riche de Prony. Essai experimental et
analytique sur les lois de la dilatabilité de fluides
élastiques et sur celles de la force expansive de la
vapeur de la eau et de la vapeur de l'alcool, à
différentes temperatures. J. Ecole Polyt., 1:24-76,
1795.
11. Ph
A Quasi-Analytical Method for Relaxation Rate Distribution Determination of T2-Weighted MRI in Brain, M.
Martín-Landrove, G. Figueroa, M. Paluszny, W. Torres, en Proceedings of the 29th IEEE EMBS Annual
International Conference,ThD03.4, 1318 – 1321, 2007
Relajación (T2W-MRI)
12. Ph
T
N
ADC (mm
2
/s)
10-4 10-3 10-2
Probability
0.000
0.002
0.004
0.006
0.008
0.010
0.012
0.014
0.016
0.018
Anisotropy,
10-2 10-1 100 101
Probability
10-5
10-4
10-3
10-2
( )( )
1
22 2 2
2
,
/ 3
xy yz xz
ij ii jjD D
Tr D
+ +
= = −
Quasi-Analytical Determination of Nosologic Maps and Diffusion Tensor
Anisotropy Distribution Functions in Diffusion-Weighted MRI, M. Martín-
Landrove, M. Paluszny, G. Figueroa, G. Padilla, W. Torres, 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 121 - 126, SVMNI, 2010
Difusión (DW-MRI)
32. Ph
La altura media തℎ sobre la superficie es:
തℎ ≡
1
𝐿
𝑖=1
𝐿
ℎ 𝑖, 𝑡
Si la tasa de deposición es constante entonces:
തℎ~𝑡
33. Ph
La altura media തℎ sobre la superficie es:
തℎ ≡
1
𝐿
𝑖=1
𝐿
ℎ 𝑖, 𝑡
Si la tasa de deposición es constante entonces:
തℎ~𝑡
El espesor de la interfaz, que caracteriza la rugosidad
de la misma, se hace más rugoso a medida que
progresa la deposición
𝑤 𝐿, 𝑡 ≡
1
𝐿
𝑖=1
𝐿
ℎ 𝑖, 𝑡 − തℎ 𝑡
2
35. Ph
w
t
Inicialmente, el espesor de la interfaz crece cómo
𝑤 𝐿, 𝑡 ~𝑡 𝛽
Este exponente se denomina exponente de
crecimiento.
~𝑡 𝛽
36. Ph
w
t
Inicialmente, el espesor de la interfaz crece cómo
𝑤 𝐿, 𝑡 ~𝑡 𝛽
Este exponente se denomina exponente de
crecimiento.
~𝑡 𝛽
A tiempos suficientemente largos, el espesor de la
interfaz alcanza un valor de saturación que presenta
un comportamiento
𝑤𝑠𝑎𝑡 𝐿 ~𝐿 𝛼
El exponente se denomina exponente de rugosidad.
~𝐿 𝛼
37. Ph
w
t
𝑡 𝑥~𝐿 𝑧
Inicialmente, el espesor de la interfaz crece cómo
𝑤 𝐿, 𝑡 ~𝑡 𝛽
Este exponente se denomina exponente de
crecimiento.
~𝑡 𝛽
A tiempos suficientemente largos, el espesor de la
interfaz alcanza un valor de saturación que presenta
un comportamiento
𝑤𝑠𝑎𝑡 𝐿 ~𝐿 𝛼
El exponente se denomina exponente de rugosidad.
~𝐿 𝛼
La transición ocurre a un tiempo 𝑡 𝑥 que escala con el
tamaño del sistema
𝑡 𝑥~𝐿 𝑧
El exponente se denomina exponente dinámico.
44. Ph
(a) (b)
(c) (d)
R (mm)
100 101 102
Wsat(mm)
10-1
100
101
102
R (mm)
100 101 102
Wsat(mm)
10-1
100
101
102
R (mm)
100 101 102
Wsat(mm)
10-1
100
101
102
R (mm)
100 101 102
Wsat(mm)
10-1
100
101
102
Tumor growth in the brain: Complexity and Fractality, M. Martín-Landrove, A. Brú, A. Rueda-Toicen, F. Torres-
Hoyos, en The Fractal Geometry of the Brain, Di Ieva, A., ed., Springer Series in Computational Neuroscience,
2016
(a) Glioblastoma multiforme, α= 1.002
(b) Metástasis, α=1.262
(c) Meningioma, α=0.963
(d) Schwannoma vestibular, α=0.889
45. Ph
Brú A, Alós E, Nuño JC, Fernández de Dios M. Scaling in complex systems: a link between the dynamics of networks and growing interfaces. Sci Rep.
2014;4:7550. 1–7.
Lacasa L, Luque B, Ballesteros F, Luque J, Nuño JC. From time series to complex networks: the visibility graph. Proc Natl Acad Sci U S A.
2008;105:4972–5.
46. Ph
Tumor growth in the brain: Complexity and Fractality, M. Martín-Landrove, A. Brú, A. Rueda-Toicen, F. Torres-
Hoyos, en The Fractal Geometry of the Brain, Di Ieva, A., ed., Springer Series in Computational Neuroscience,
2016
47. Ph
Tumor growth in the brain: Complexity and Fractality, M. Martín-Landrove, A. Brú, A. Rueda-Toicen, F. Torres-
Hoyos, en The Fractal Geometry of the Brain, Di Ieva, A., ed., Springer Series in Computational Neuroscience,
2016
0
500
1000
1500
0
10
20
30
40
50
0
5
10
15
20
25
30
35
40
Phi
Slice
Radius(mm)
0
5
10
15
20
25
30
35
48. Ph
Tumor growth in the brain: Complexity and Fractality, M. Martín-Landrove, A. Brú, A. Rueda-Toicen, F. Torres-
Hoyos, en The Fractal Geometry of the Brain, Di Ieva, A., ed., Springer Series in Computational Neuroscience,
2016
49. Ph
Tumor growth in the brain: Complexity and Fractality, M. Martín-Landrove, A. Brú, A. Rueda-Toicen, F. Torres-
Hoyos, en The Fractal Geometry of the Brain, Di Ieva, A., ed., Springer Series in Computational Neuroscience,
2016
50. Ph
Tumor growth in the brain: Complexity and Fractality, M. Martín-Landrove, A. Brú, A. Rueda-Toicen, F. Torres-
Hoyos, en The Fractal Geometry of the Brain, Di Ieva, A., ed., Springer Series in Computational Neuroscience,
2016
52. Ph
Tumor growth in the brain: Complexity and Fractality, M. Martín-Landrove, A. Brú, A. Rueda-Toicen, F. Torres-
Hoyos, en The Fractal Geometry of the Brain, Di Ieva, A., ed., Springer Series in Computational Neuroscience,
2016
53. Ph
Tumor growth in the brain: Complexity and Fractality, M. Martín-Landrove, A. Brú, A. Rueda-Toicen, F. Torres-
Hoyos, en The Fractal Geometry of the Brain, Di Ieva, A., ed., Springer Series in Computational Neuroscience,
2016
55. Ph
Geometría del crecimiento de lesiones tumorales en cerebro, M. Martín-Landrove, F. Torres-
Hoyos, Revista de la Facultad de Ingeniería UCV, 28 (4), pp 79-88, 2013.
𝜕𝑐
𝜕𝑡
= 𝛻 ∙ 𝐷 Ԧ𝑟 𝛻𝑐 + 𝜌𝑐 1 −
𝑐
𝑐 𝑚
0.0024 0.0036 0.0048 0.0060ρ
0.0024 0.0036 0.0048 0.0060
20 15 13 11
ρ
56. Ph
Geometry of Tumor Growth in Brain, M. Martín-Landrove, F. Torres-Hoyos, Proceedings of
CIMENICS’2014, MM 1-6, (2014)
57. Ph
A Simple Approach to Account for Cell Latency and Necrosis in a Brain Tumor Growth Model, J.
Rojas, R. Plata, M. Martín-Landrove, Proceedings of CIMENICS’2014, MM 13 – 18 (2014).
2 3 4
5 6 7
Time (days)
500 1000 1500 2000 2500
Numberofvoxels
100
101
102
103
104
105
106
107
CLASS 1
CLASS 2
CLASS 3
CLASS 4
𝜕𝑐
𝜕𝑡
= 𝛻 ∙ 𝐷 Ԧ𝑟 𝛻𝑐 + 𝜌𝑐 1 −
𝑐
𝑐 𝑚
Modelos
59. Ph
Análisis de Sobrevivencia para Gliomas con
tratamiento radioterapéutico
A Simple Approach to Account for Cell Latency and Necrosis in a Brain Tumor Growth Model, J.
Rojas, R. Plata, M. Martín-Landrove, Proceedings of CIMENICS’2014, MM 13 – 18 (2014).
𝜕𝑐
𝜕𝑡
= 𝛻 ∙ 𝐷 Ԧ𝑟 𝛻𝑐 + 𝜌𝑐 1 −
𝑐
𝑐 𝑚
+ 𝑆 = 𝑒−𝛼𝐷−𝛽𝐷2
Modelos