El documento describe la geometría del crecimiento tumoral y los modelos matemáticos utilizados para estudiarlo. Explica que el crecimiento tumoral puede modelarse como una interfaz fractal cuya rugosidad sigue un escalamiento dinámico caracterizado por exponentes como el de crecimiento y rugosidad. También analiza las fluctuaciones locales de la interfaz y cómo estas dependen de parámetros como el tiempo y el tamaño del sistema.
El documento describe modelos matemáticos para simular el crecimiento tumoral, incluyendo ecuaciones que modelan la interfaz tumoral como un proceso fractal. Se explica que las interfaces fractales exhiben auto-similitud y no presentan una longitud característica, lo que permite caracterizar su rugosidad mediante exponentes como el exponente de rugosidad α. Para tumores con α > 1, denominados super-rugosos, se propone un nuevo comportamiento en un régimen temporal intermedio caracterizado por un exponente de crecimiento β*.
El documento describe la geometría del crecimiento tumoral desde una perspectiva fractal. Explica que las interfaces tumorales exhiben auto-similaridad y no presentan una longitud característica, lo que significa que siguen una escala fractal. Propone un modelo de crecimiento tumoral basado en la ecuación de Langevin que incluye fuerzas deterministas, proliferación celular, invasión celular y ruido. También describe conceptos como la rugosidad de la interfaz tumoral y su relación con la longitud de correlación y la dimensión fractal.
El documento describe el desarrollo de un modelo de tumor virtual para simular el crecimiento tumoral. Explica los pasos de parametrización del modelo utilizando imágenes médicas en 2D y 3D para validar los parámetros frente a datos reales. Luego, detalla la simulación del crecimiento tumoral usando diferentes modelos y analiza cómo los parámetros afectan la forma y evolución del tumor virtual a lo largo del tiempo.
El documento describe la geometría del crecimiento tumoral desde una perspectiva de sistemas complejos. Explica que las interfaces tumorales exhiben auto-similaridad y no presentan una longitud característica, lo que las hace fractales. Propone un modelo basado en la ecuación de Langevin para describir la proliferación, invasión y fluctuaciones celulares durante el crecimiento tumoral. Además, analiza parámetros como el espesor y rugosidad de la interfaz tumoral en función del tiempo y el tamaño del tumor.
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.
El documento describe los métodos para clasificar tejidos a partir de imágenes médicas, incluyendo la segmentación de imágenes, espectroscopía y resonancia magnética funcional y de difusión. Explica cómo la información estructural y funcional de las imágenes puede usarse para diagnosticar y clasificar los tejidos y planificar el tratamiento.
Nuevos métodos para la investigación de la comunicación social y los medios d...J T "Tom" Johnson
2do Congreso Investigadores Venezolanos de la Comunicación 1er Encuentro Latinoamericano Investigadores Transdisciplinarios de la Comunicación
Comunicación, ciudadanía y complejidad en clave latinoamericana
21 al 25 de abril de 2009
http://www.invecom.org/eventos/2009/index.php
Este documento describe los métodos de reconstrucción filogenética, incluidas las matrices de distancia, la máxima parsimonia y la máxima verosimilitud. Explica cómo los datos moleculares como el ADN y las proteínas son más útiles para reconstruir filogenias que los datos morfológicos. También proporciona ejemplos del método UPGMA y discute la filogenia actual del hombre y sus parientes más cercanos basada en datos moleculares y morfológicos.
El documento describe modelos matemáticos para simular el crecimiento tumoral, incluyendo ecuaciones que modelan la interfaz tumoral como un proceso fractal. Se explica que las interfaces fractales exhiben auto-similitud y no presentan una longitud característica, lo que permite caracterizar su rugosidad mediante exponentes como el exponente de rugosidad α. Para tumores con α > 1, denominados super-rugosos, se propone un nuevo comportamiento en un régimen temporal intermedio caracterizado por un exponente de crecimiento β*.
El documento describe la geometría del crecimiento tumoral desde una perspectiva fractal. Explica que las interfaces tumorales exhiben auto-similaridad y no presentan una longitud característica, lo que significa que siguen una escala fractal. Propone un modelo de crecimiento tumoral basado en la ecuación de Langevin que incluye fuerzas deterministas, proliferación celular, invasión celular y ruido. También describe conceptos como la rugosidad de la interfaz tumoral y su relación con la longitud de correlación y la dimensión fractal.
El documento describe el desarrollo de un modelo de tumor virtual para simular el crecimiento tumoral. Explica los pasos de parametrización del modelo utilizando imágenes médicas en 2D y 3D para validar los parámetros frente a datos reales. Luego, detalla la simulación del crecimiento tumoral usando diferentes modelos y analiza cómo los parámetros afectan la forma y evolución del tumor virtual a lo largo del tiempo.
El documento describe la geometría del crecimiento tumoral desde una perspectiva de sistemas complejos. Explica que las interfaces tumorales exhiben auto-similaridad y no presentan una longitud característica, lo que las hace fractales. Propone un modelo basado en la ecuación de Langevin para describir la proliferación, invasión y fluctuaciones celulares durante el crecimiento tumoral. Además, analiza parámetros como el espesor y rugosidad de la interfaz tumoral en función del tiempo y el tamaño del tumor.
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.
El documento describe los métodos para clasificar tejidos a partir de imágenes médicas, incluyendo la segmentación de imágenes, espectroscopía y resonancia magnética funcional y de difusión. Explica cómo la información estructural y funcional de las imágenes puede usarse para diagnosticar y clasificar los tejidos y planificar el tratamiento.
Nuevos métodos para la investigación de la comunicación social y los medios d...J T "Tom" Johnson
2do Congreso Investigadores Venezolanos de la Comunicación 1er Encuentro Latinoamericano Investigadores Transdisciplinarios de la Comunicación
Comunicación, ciudadanía y complejidad en clave latinoamericana
21 al 25 de abril de 2009
http://www.invecom.org/eventos/2009/index.php
Este documento describe los métodos de reconstrucción filogenética, incluidas las matrices de distancia, la máxima parsimonia y la máxima verosimilitud. Explica cómo los datos moleculares como el ADN y las proteínas son más útiles para reconstruir filogenias que los datos morfológicos. También proporciona ejemplos del método UPGMA y discute la filogenia actual del hombre y sus parientes más cercanos basada en datos moleculares y morfológicos.
Este documento resume la trayectoria del Laboratorio de Física Molecular de la Universidad Central de Venezuela y su evolución hacia la física médica y la bioingeniería. Comenzó en 1967 enfocándose en física molecular y resonancia magnética nuclear. En 1989 se creó el Centro de Resonancia Magnética y en 1997 la orientación de Física Médica. El documento también describe proyectos de investigación en geometría de tumores, dinámica no lineal del ADN y aplicaciones de la física en diagnóstico médico.
Este documento presenta tres temas principales sobre el cáncer: 1) los parámetros que pueden extraerse de imágenes médicas del cáncer como la relajación T2, el coeficiente de difusión aparente y la anisotropía; 2) la parametrización y modelización del crecimiento tumoral en el cerebro; y 3) posibles terapias futuras como la radioterapia con protones, la terapia con campos eléctricos y las nanopartículas para entrega dirigida de fármacos.
El documento describe el uso de radioisótopos en medicina para diagnóstico y tratamiento de enfermedades. Explica cómo se producen radiofármacos como el tecnecio-99m y su uso en gammagrafías. También describe la tomografía por emisión de positrones y cómo los radioisótopos se usan en braquiterapia y radiocirugía para tratar el cáncer. Finalmente, concluye que los radioisótopos han demostrado su utilidad médica cuando se manejan de forma segura.
Este documento describe la evolución del Laboratorio de Física Molecular en la Universidad Central de Venezuela hacia la física médica y la bioingeniería. Se detalla la creación del Centro de Resonancia Magnética en 1989 y la Orientación Física Médica en 1997 para formar físicos médicos. También se creó un programa de posgrado en Física Médica en 1998 en respuesta a una solicitud del Ministerio de Salud para formar más profesionales en este campo. El laboratorio ha realizado investigaciones en geometría de tumores, resonancia magné
El documento describe la historia y desarrollo de varias técnicas de imagenología médica importantes del siglo XX, incluyendo los rayos X, la fluoroscopía, la tomografía computarizada y la resonancia magnética. Comienza con los primeros experimentos con rayos X en 1895 y continúa detallando avances clave en cada técnica a lo largo del siglo, culminando con el desarrollo de la tomografía computarizada en los años 1970 y la resonancia magnética en los años 1970.
CARACTERIZACIÓN DE TEJIDOS EN IMÁGENES MÉDICAS MEDIANTE TÉCNICAS CUASIANALÍTI...Miguel Martín Landrove
Este documento describe el uso de técnicas cuasianalíticas y morfología matemática multidimensional para caracterizar tejidos en imágenes médicas. Los autores desarrollaron un método cuasianalítico para determinar distribuciones de tasas de relajación transversal, coeficiente de difusión aparente y anisotropía parcial. También utilizaron técnicas de morfología matemática multidimensional para clasificar tejidos sin calcular explícitamente los parámetros. Ambos métodos permiten una segmentación rápida y confiable de
El documento describe las nuevas tecnologías en radioterapia, incluyendo GammaKnife, CyberKnife, IMRT, VMAT, tomoterapia, PET/CT, PET/MRI, producción de radiofármacos, radioterapia con protones y dosimetría Cherenkov. Explica las diferencias entre radioterapia estereotáctica y radiocirugía, y analiza la evolución de estas técnicas a través de los años.
Este documento describe el trabajo de Miguel Martín Landrove y sus colaboradores en el desarrollo de métodos computacionales para el análisis de imágenes médicas, incluyendo la segmentación de tumores, el análisis de distribuciones de relajación y difusión, y la clasificación de tejidos. El objetivo final es simular tumores virtuales para optimizar planes de tratamiento contra el cáncer.
El documento presenta los resultados de investigaciones sobre la caracterización fractal de imágenes médicas utilizando diferentes algoritmos como el conteo de cajas, Grasberger-Procaccia y exponentes críticos. Se analizan parámetros como la dimensión de capacidad y correlación de lesiones benignas y malignas, con el objetivo final de desarrollar un proyecto de simulación de cáncer in silico.
This document provides an overview of the principles of magnetic resonance and how it can be applied to food technology. It discusses topics such as nuclear spin, magnetic fields, relaxation times, and how NMR spectroscopy and MRI techniques provide information about molecular structure and mobility. Specific applications mentioned include using NMR to study water mobility in cheeses, metabolite profiling of teas, and using MRI to monitor ripening of citrus fruits and analyze water distribution in meats.
Este documento trata sobre la garantía de calidad de las imágenes de resonancia magnética y su impacto en la protección radiológica del paciente en radiocirugía estereotáctica intracraneal. Explica las distorsiones que pueden presentar las imágenes de resonancia magnética debido al equipo y al paciente, y los procedimientos establecidos para evaluar y corregir estas distorsiones con el fin de optimizar la precisión requerida en radiocirugía. También resume varios estudios y desarrollos realiz
El documento presenta información sobre varias técnicas de imagen médica para el cáncer, incluyendo tomografía óptica difusa, imagen de fluorescencia en el infrarrojo cercano, imagen de bioluminiscencia, tomografía de proyección óptica y proteínas verdes fluorescentes. Además, discute el uso de la espectroscopía de resonancia magnética nuclear, la difusión y el coeficiente de difusión aparente en la evaluación y segmentación de tumores cerebrales.
Este documento describe un método para clasificar tejidos en imágenes PET/CT oncológicas. El método utiliza un algoritmo K-means para segmentar las imágenes basadas en valores de SUV de PET y densidad de tejido de CT. Esto permite delimitar con precisión las lesiones tumorales y cuantificar valores de SUV de manera objetiva, lo que es útil para la planificación de radioterapia y la práctica de medicina nuclear.
Mri spatial distortion evaluation and assessment for stereotactic radiosurgeryMiguel Martín Landrove
Este documento evalúa la distorsión espacial en imágenes de resonancia magnética para radiocirugía estereotáctica. Describe un método que utiliza marcas externas, el método iterativo del punto más cercano y transformaciones mediante splines para cuantificar la distorsión entre imágenes de CT y MRI. Los resultados muestran que la magnitud de la distorsión depende del campo magnético del equipo de resonancia y de la posición del paciente, y sólo puede determinarse durante el procedimiento de radiocirugía.
Este documento describe el análisis geométrico del crecimiento tumoral en el cerebro. Explica los pasos de segmentación de imágenes, análisis de escalamiento y selección de modelos de crecimiento apropiados. Presenta resultados de análisis de escalamiento que muestran diferentes tasas de crecimiento para tumores de alto y bajo grado. También presenta simulaciones de modelos de crecimiento tumoral que concuerdan con mediciones in vivo y muestran cómo parámetros como el exponente de rugosidad local varían con el tiempo y gra
El documento describe la investigación de Miguel Martín Landrove sobre la segmentación y análisis de imágenes médicas de tumores cerebrales. Su trabajo incluye la segmentación de imágenes, el análisis de escalamiento fractal, la determinación de mapas nosológicos y funciones de distribución de tensores de difusión. Además, ha desarrollado métodos cuasi-analíticos y aplicado morfología matemática para la segmentación de tumores. Sus resultados han contribuido al estudio geométrico 3D in vivo de tumores cerebr
TRIAGE EN DESASTRES Y SU APLICACIÓN.pptxsaraacuna1
Se habla sobre el Triage, sus tipos y cómo aplicarlo en algún desastre. Además de explicar los pasos de los triages más usados como el SHORT y el START.
La medicina tradicional
Ñn´anncue Ñomndaa es el saber-conocimiento de mayor trascendencia en la vida de
quienes integran las comunidades amuzgas, vinculadas por cómo la
población se relaciona con el mundo donde vive .Es un elemento integrador de conductas,
saberes y prácticas sociales, simbólicas y
psicológicas en la que se puede apreciar su interrelación para resolver y afrontar los
problemas emocionales, espirituales y de
salud (equilibrio del cuerpo, la mente y el
espíritu).
Desde esta perspectiva de salud/enfermedad
SABEDORAS y SABEDORES
atienden diferentes enfermedades (malestares que están dentro y
fuera del cuerpo), entre ellas: el espanto, el empacho, el antojo o motolin, y el
coraje. La incidencia en la curación de acuerdo a los Ñonmdaa
depende de algunos elementos centrales: A la experiencia del Sabedor y al carácter
territorial.
Este documento resume la trayectoria del Laboratorio de Física Molecular de la Universidad Central de Venezuela y su evolución hacia la física médica y la bioingeniería. Comenzó en 1967 enfocándose en física molecular y resonancia magnética nuclear. En 1989 se creó el Centro de Resonancia Magnética y en 1997 la orientación de Física Médica. El documento también describe proyectos de investigación en geometría de tumores, dinámica no lineal del ADN y aplicaciones de la física en diagnóstico médico.
Este documento presenta tres temas principales sobre el cáncer: 1) los parámetros que pueden extraerse de imágenes médicas del cáncer como la relajación T2, el coeficiente de difusión aparente y la anisotropía; 2) la parametrización y modelización del crecimiento tumoral en el cerebro; y 3) posibles terapias futuras como la radioterapia con protones, la terapia con campos eléctricos y las nanopartículas para entrega dirigida de fármacos.
El documento describe el uso de radioisótopos en medicina para diagnóstico y tratamiento de enfermedades. Explica cómo se producen radiofármacos como el tecnecio-99m y su uso en gammagrafías. También describe la tomografía por emisión de positrones y cómo los radioisótopos se usan en braquiterapia y radiocirugía para tratar el cáncer. Finalmente, concluye que los radioisótopos han demostrado su utilidad médica cuando se manejan de forma segura.
Este documento describe la evolución del Laboratorio de Física Molecular en la Universidad Central de Venezuela hacia la física médica y la bioingeniería. Se detalla la creación del Centro de Resonancia Magnética en 1989 y la Orientación Física Médica en 1997 para formar físicos médicos. También se creó un programa de posgrado en Física Médica en 1998 en respuesta a una solicitud del Ministerio de Salud para formar más profesionales en este campo. El laboratorio ha realizado investigaciones en geometría de tumores, resonancia magné
El documento describe la historia y desarrollo de varias técnicas de imagenología médica importantes del siglo XX, incluyendo los rayos X, la fluoroscopía, la tomografía computarizada y la resonancia magnética. Comienza con los primeros experimentos con rayos X en 1895 y continúa detallando avances clave en cada técnica a lo largo del siglo, culminando con el desarrollo de la tomografía computarizada en los años 1970 y la resonancia magnética en los años 1970.
CARACTERIZACIÓN DE TEJIDOS EN IMÁGENES MÉDICAS MEDIANTE TÉCNICAS CUASIANALÍTI...Miguel Martín Landrove
Este documento describe el uso de técnicas cuasianalíticas y morfología matemática multidimensional para caracterizar tejidos en imágenes médicas. Los autores desarrollaron un método cuasianalítico para determinar distribuciones de tasas de relajación transversal, coeficiente de difusión aparente y anisotropía parcial. También utilizaron técnicas de morfología matemática multidimensional para clasificar tejidos sin calcular explícitamente los parámetros. Ambos métodos permiten una segmentación rápida y confiable de
El documento describe las nuevas tecnologías en radioterapia, incluyendo GammaKnife, CyberKnife, IMRT, VMAT, tomoterapia, PET/CT, PET/MRI, producción de radiofármacos, radioterapia con protones y dosimetría Cherenkov. Explica las diferencias entre radioterapia estereotáctica y radiocirugía, y analiza la evolución de estas técnicas a través de los años.
Este documento describe el trabajo de Miguel Martín Landrove y sus colaboradores en el desarrollo de métodos computacionales para el análisis de imágenes médicas, incluyendo la segmentación de tumores, el análisis de distribuciones de relajación y difusión, y la clasificación de tejidos. El objetivo final es simular tumores virtuales para optimizar planes de tratamiento contra el cáncer.
El documento presenta los resultados de investigaciones sobre la caracterización fractal de imágenes médicas utilizando diferentes algoritmos como el conteo de cajas, Grasberger-Procaccia y exponentes críticos. Se analizan parámetros como la dimensión de capacidad y correlación de lesiones benignas y malignas, con el objetivo final de desarrollar un proyecto de simulación de cáncer in silico.
This document provides an overview of the principles of magnetic resonance and how it can be applied to food technology. It discusses topics such as nuclear spin, magnetic fields, relaxation times, and how NMR spectroscopy and MRI techniques provide information about molecular structure and mobility. Specific applications mentioned include using NMR to study water mobility in cheeses, metabolite profiling of teas, and using MRI to monitor ripening of citrus fruits and analyze water distribution in meats.
Este documento trata sobre la garantía de calidad de las imágenes de resonancia magnética y su impacto en la protección radiológica del paciente en radiocirugía estereotáctica intracraneal. Explica las distorsiones que pueden presentar las imágenes de resonancia magnética debido al equipo y al paciente, y los procedimientos establecidos para evaluar y corregir estas distorsiones con el fin de optimizar la precisión requerida en radiocirugía. También resume varios estudios y desarrollos realiz
El documento presenta información sobre varias técnicas de imagen médica para el cáncer, incluyendo tomografía óptica difusa, imagen de fluorescencia en el infrarrojo cercano, imagen de bioluminiscencia, tomografía de proyección óptica y proteínas verdes fluorescentes. Además, discute el uso de la espectroscopía de resonancia magnética nuclear, la difusión y el coeficiente de difusión aparente en la evaluación y segmentación de tumores cerebrales.
Este documento describe un método para clasificar tejidos en imágenes PET/CT oncológicas. El método utiliza un algoritmo K-means para segmentar las imágenes basadas en valores de SUV de PET y densidad de tejido de CT. Esto permite delimitar con precisión las lesiones tumorales y cuantificar valores de SUV de manera objetiva, lo que es útil para la planificación de radioterapia y la práctica de medicina nuclear.
Mri spatial distortion evaluation and assessment for stereotactic radiosurgeryMiguel Martín Landrove
Este documento evalúa la distorsión espacial en imágenes de resonancia magnética para radiocirugía estereotáctica. Describe un método que utiliza marcas externas, el método iterativo del punto más cercano y transformaciones mediante splines para cuantificar la distorsión entre imágenes de CT y MRI. Los resultados muestran que la magnitud de la distorsión depende del campo magnético del equipo de resonancia y de la posición del paciente, y sólo puede determinarse durante el procedimiento de radiocirugía.
Este documento describe el análisis geométrico del crecimiento tumoral en el cerebro. Explica los pasos de segmentación de imágenes, análisis de escalamiento y selección de modelos de crecimiento apropiados. Presenta resultados de análisis de escalamiento que muestran diferentes tasas de crecimiento para tumores de alto y bajo grado. También presenta simulaciones de modelos de crecimiento tumoral que concuerdan con mediciones in vivo y muestran cómo parámetros como el exponente de rugosidad local varían con el tiempo y gra
El documento describe la investigación de Miguel Martín Landrove sobre la segmentación y análisis de imágenes médicas de tumores cerebrales. Su trabajo incluye la segmentación de imágenes, el análisis de escalamiento fractal, la determinación de mapas nosológicos y funciones de distribución de tensores de difusión. Además, ha desarrollado métodos cuasi-analíticos y aplicado morfología matemática para la segmentación de tumores. Sus resultados han contribuido al estudio geométrico 3D in vivo de tumores cerebr
TRIAGE EN DESASTRES Y SU APLICACIÓN.pptxsaraacuna1
Se habla sobre el Triage, sus tipos y cómo aplicarlo en algún desastre. Además de explicar los pasos de los triages más usados como el SHORT y el START.
La medicina tradicional
Ñn´anncue Ñomndaa es el saber-conocimiento de mayor trascendencia en la vida de
quienes integran las comunidades amuzgas, vinculadas por cómo la
población se relaciona con el mundo donde vive .Es un elemento integrador de conductas,
saberes y prácticas sociales, simbólicas y
psicológicas en la que se puede apreciar su interrelación para resolver y afrontar los
problemas emocionales, espirituales y de
salud (equilibrio del cuerpo, la mente y el
espíritu).
Desde esta perspectiva de salud/enfermedad
SABEDORAS y SABEDORES
atienden diferentes enfermedades (malestares que están dentro y
fuera del cuerpo), entre ellas: el espanto, el empacho, el antojo o motolin, y el
coraje. La incidencia en la curación de acuerdo a los Ñonmdaa
depende de algunos elementos centrales: A la experiencia del Sabedor y al carácter
territorial.
La enfermedad de Wilson es un trastorno genético autosómico recesivo que impide la eliminación adecuada del cobre del cuerpo, causando su acumulación en órganos como el hígado y el cerebro. Esto provoca síntomas hepáticos (hepatitis, cirrosis), neurológicos (temblores, rigidez muscular) y psiquiátricos (depresión, cambios de comportamiento). Se diagnostica mediante análisis de sangre, orina, biopsia hepática y pruebas genéticas, y se trata con medicamentos quelantes de cobre, zinc, una dieta baja en cobre y, en casos graves, trasplante de hígado.
Alergia a la vitamina B12 y la anemia perniciosagabriellaochoa1
Es conocido que, a los pacientes con diagnóstico de anemia perniciosa, enfermedad con una prevalencia de 4% en países europeos, se les trata con vitamina B12, buscamos saber que hacer con los pacientes alérgicos a esta.
Pòster presentat per la pediatra de BSA Sofía Benítez al 70 Congrés de la Sociedad Española de Pediatría, celebrat a Còrdoba del 6 al 8 de juny de 2024.
SEMIOLOGIA MEDICA - Escuela deMedicina Dr Witremundo Torrealba 2024Carmelo Gallardo
Escuela de Medicina Dr Witremundo Torrealba
.
Primer Lapso de Semiología
.
Conceptos de Semiología Médica, Signos, Síntomas, Síndromes, Diagnóstico, Pronóstico
Sesión realizada por una EIR de Pediatría sobre aspectos clave de la valoración nutricional del paciente pediátrico en Oncología, y con tres mensajes para llevarse a casa:
- La evaluación del riesgo y la planificación del soporte nutricional deben formar parte de la planificación terapéutica global del paciente oncológico desde el principio.
- Existe suficiente evidencia científica de que una intervención nutricional adecuada es capaz de prevenir las complicaciones de la malnutrición, mejorar la calidad de vida como la tolerancia y respuesta al tratamiento y acortar la estancia hospitalaria.
- En los hospitales hay pocos dietistas que trabajen exclusivamente en la unidad de Oncología Pediátrica, y esto puede repercutir en mayores gastos sanitarios, peor estado general de los pacientes y menor supervivencia.
Fijación, transporte en camilla e inmovilización de columna cervical II.pptxmichelletsuji1205
Ante una lesión de columna cervical es vital saber como debemos proceder, por lo que este informe detalla los procedimientos y precauciones necesarios para la adecuada inmovilización de la misma, destacando su relevancia debido a la frecuencia de lesiones asociadas, así como los materiales requeridos y el momento oportuno para llevar a cabo esta práctica en la atención inicial a pacientes politraumatizados. El objetivo es asegurar la máxima supervivencia del paciente hasta su traslado al hospital."
1. Geometría del Crecimiento Tumoral
Miguel Martín Landrove
Centro de Física Molecular y Médica, Facultad de Ciencias, UCV
Centro de Visualización Médica, Instituto Nacional de Bioingeniería, UCV
Centro de Diagnóstico Docente Las Mercedes
Caracas, Venezuela
Physics & Mathematics in Biomedicine Consortium
2. • Geometría del crecimiento tumoral. Parámetros de crecimiento.
Análisis por escalamiento.
• Modelo de crecimiento tumoral en cerebro.
Physics & Mathematics in Biomedicine Consortium
3. Fractal analysis and tumour growth, A. Brú, D. Casero, S. de Franciscis,M.A. Herrero,
Mathematical and Computer Modelling 47, 546–559 (2008).
La generación espontánea de interfaces fractales ha sido observada en muchos
procesos naturales. La hipótesis básica es que el objeto exhibe auto-similaridad y no
presenta una longitud característica. Bajo estas condiciones, la interfaz escala cómo:
ℎ 푥 , 푡 ~푏−훼ℎ 푏푥 , 푡
con 훼 > 0
Se propone una ecuación del tipo Langevin:
휕ℎ(푥 , 푡)
휕푡
Physics & Mathematics in Biomedicine Consortium
= 퐹 + 퐺 ℎ 푥 , 푡 + 휂(푥 , 푡)
4. Fractal analysis and tumour growth, A. Brú, D. Casero, S. de Franciscis,M.A. Herrero,
Mathematical and Computer Modelling 47, 546–559 (2008).
La generación espontánea de interfaces fractales ha sido observada en muchos
procesos naturales. La hipótesis básica es que el objeto exhibe auto-similaridad y no
presenta una longitud característica. Bajo estas condiciones, la interfaz escala cómo:
ℎ 푥 , 푡 ~푏−훼ℎ 푏푥 , 푡
con 훼 > 0
Se propone una ecuación del tipo Langevin:
휕ℎ(푥 , 푡)
휕푡
Physics & Mathematics in Biomedicine Consortium
= 퐹 + 퐺 ℎ 푥 , 푡 + 휂(푥 , 푡)
Interfaz
5. Fractal analysis and tumour growth, A. Brú, D. Casero, S. de Franciscis,M.A. Herrero,
Mathematical and Computer Modelling 47, 546–559 (2008).
La generación espontánea de interfaces fractales ha sido observada en muchos
procesos naturales. La hipótesis básica es que el objeto exhibe auto-similaridad y no
presenta una longitud característica. Bajo estas condiciones, la interfaz escala cómo:
ℎ 푥 , 푡 ~푏−훼ℎ 푏푥 , 푡
con 훼 > 0
Se propone una ecuación del tipo Langevin:
휕ℎ(푥 , 푡)
휕푡
Physics & Mathematics in Biomedicine Consortium
= 퐹 + 퐺 ℎ 푥 , 푡 + 휂(푥 , 푡)
Proliferación celular
6. Fractal analysis and tumour growth, A. Brú, D. Casero, S. de Franciscis,M.A. Herrero,
Mathematical and Computer Modelling 47, 546–559 (2008).
La generación espontánea de interfaces fractales ha sido observada en muchos
procesos naturales. La hipótesis básica es que el objeto exhibe auto-similaridad y no
presenta una longitud característica. Bajo estas condiciones, la interfaz escala cómo:
ℎ 푥 , 푡 ~푏−훼ℎ 푏푥 , 푡
con 훼 > 0
Se propone una ecuación del tipo Langevin:
휕ℎ(푥 , 푡)
휕푡
Physics & Mathematics in Biomedicine Consortium
= 퐹 + 퐺 ℎ 푥 , 푡 + 휂(푥 , 푡)
Invasión celular
7. Fractal analysis and tumour growth, A. Brú, D. Casero, S. de Franciscis,M.A. Herrero,
Mathematical and Computer Modelling 47, 546–559 (2008).
La generación espontánea de interfaces fractales ha sido observada en muchos
procesos naturales. La hipótesis básica es que el objeto exhibe auto-similaridad y no
presenta una longitud característica. Bajo estas condiciones, la interfaz escala cómo:
ℎ 푥 , 푡 ~푏−훼ℎ 푏푥 , 푡
con 훼 > 0
Se propone una ecuación del tipo Langevin:
휕ℎ(푥 , 푡)
휕푡
Physics & Mathematics in Biomedicine Consortium
= 퐹 + 퐺 ℎ 푥 , 푡 + 휂(푥 , 푡)
Ruido
8. Fractal analysis and tumour growth, A. Brú, D. Casero, S. de Franciscis,M.A. Herrero,
Mathematical and Computer Modelling 47, 546–559 (2008).
La rugosidad de la interfaz ℎ 푥 , 푡 esta caracterizada por el espesor de la interfaz:
푊 퐿, 푡 = ℎ 푥, 푡 − ℎ(푡)
Physics & Mathematics in Biomedicine Consortium
2
퐿
1/2
9. Fractal analysis and tumour growth, A. Brú, D. Casero, S. de Franciscis,M.A. Herrero,
Mathematical and Computer Modelling 47, 546–559 (2008).
Variable de interfaz promedio
sobre todo el sistema de
tamaño L
La rugosidad de la interfaz ℎ 푥 , 푡 esta caracterizada por el espesor de la interfaz:
푊 퐿, 푡 = ℎ 푥, 푡 − ℎ(푡)
Physics & Mathematics in Biomedicine Consortium
2
퐿
1/2
10. Fractal analysis and tumour growth, A. Brú, D. Casero, S. de Franciscis,M.A. Herrero,
Mathematical and Computer Modelling 47, 546–559 (2008).
La rugosidad de la interfaz ℎ 푥 , 푡 esta caracterizada por el espesor de la interfaz:
푊 퐿, 푡 = ℎ 푥, 푡 − ℎ(푡)
Physics & Mathematics in Biomedicine Consortium
2
퐿
1/2
: Promedio sobre n
realizaciones
11. Fractal analysis and tumour growth, A. Brú, D. Casero, S. de Franciscis,M.A. Herrero,
Mathematical and Computer Modelling 47, 546–559 (2008).
La rugosidad de la interfaz ℎ 푥 , 푡 esta caracterizada por el espesor de la interfaz:
푊 퐿, 푡 = ℎ 푥, 푡 − ℎ(푡)
Physics & Mathematics in Biomedicine Consortium
2
퐿
1/2
La función de correlación de la variable de interfaz ℎ 푥, 푡 esta dada por:
퐶 푙, 푡 = ℎ 푥, 푡 − ℎ(푥 + 푙, 푡) 2
퐿
12. Fractal analysis and tumour growth, A. Brú, D. Casero, S. de Franciscis,M.A. Herrero,
Mathematical and Computer Modelling 47, 546–559 (2008).
El espectro de potencia de la variable de interfaz es:
푆 푘, 푡 = ℎ 푘, 푡 ℎ −푘, 푡
donde ℎ 푘, 푡 = 퐿−1/2 푥 ℎ 푥, 푡 − ℎ(푡) exp(푖푘푥)
Se relaciona con las cantidades anteriores 퐶 푙, 푡 y 푊 퐿, 푡 , mediante
퐶 푙, 푡 ~
Physics & Mathematics in Biomedicine Consortium
휋/푎
2휋/퐿
푑푘
2휋
1 − cos 푘푙 푆(푘, 푡)
푊2 퐿, 푡 =
푑푘
2휋
푆(푘, 푡)
13. Fractal analysis and tumour growth, A. Brú, D. Casero, S. de Franciscis,M.A. Herrero,
Mathematical and Computer Modelling 47, 546–559 (2008).
El espectro de potencia de la variable de interfaz es:
푆 푘, 푡 = ℎ 푘, 푡 ℎ −푘, 푡
donde ℎ 푘, 푡 = 퐿−1/2 푥 ℎ 푥, 푡 − ℎ(푡) exp(푖푘푥)
Se relaciona con las cantidades anteriores 퐶 푙, 푡 y 푊 퐿, 푡 , mediante
퐶 푙, 푡 ~
Physics & Mathematics in Biomedicine Consortium
휋/푎
2휋/퐿
푑푘
2휋
1 − cos 푘푙 푆(푘, 푡)
푊2 퐿, 푡 =
푑푘
2휋
푆(푘, 푡)
Generic Dynamic Scaling in Kinetic Roughening, J.J. Ramasco, J.M. López, M.A. Rodríguez, Phys. Rev.
Lett. 84, 2199-2202 (2000)
14. Fractal analysis and tumour growth, A. Brú, D. Casero, S. de Franciscis,M.A. Herrero,
Mathematical and Computer Modelling 47, 546–559 (2008).
El comportamiento típico del espesor de la interfaz 푊 퐿, 푡 es el siguiente:
Tiempos muy cortos: 푊 퐿, 푡 ~푡훽 , donde 훽 se denomina exponente de
crecimiento.
Tiempos largos: 푊 퐿, 푡 = 푊푠푎푡 , esto sucede después de un tiempo de
transición entre los dos regímenes, 푡퐶 , para el cual la longitud de correlación
lateral alcanza y supera el tamaño 퐿 del sistema.
Ambas cantidades 푊푠푎푡 y 푡퐶 dependen de las dimensiones del sistema,
푊푠푎푡 퐿 ~퐿훼 , 훼: exponente de rugosidad
푡퐶~퐿푧 , 푧 =
Physics & Mathematics in Biomedicine Consortium
훼
훽
: exponente dinámico
15. Dynamics of fractal surfaces, F. Family and T. Viseck, World Scientific, Singapore, 1991.
Ansatz de Family-Vicsek.
푊 퐿, 푡 = 푡훼/푧푓
퐿
휁(푡)
Physics & Mathematics in Biomedicine Consortium
, 푓 푢 ~
푢훼 푠푖 푢 ≪ 1
푐표푛푠푡 푠푖 푢 ≫ 1
휁 푡 ~푡1/푧 comportamiento de la longitud de correlación lateral en
estado estacionario
Lo que reproduce:
푊 퐿, 푡 ~푡훽 para tiempos pequeños,
퐿
휁(푡)
≫ 1
푊 퐿, 푡 ~퐿훼 para estado estacionario, 휁 푡 ≫ 퐿
Además, 훼 + 푑푓 = 푑퐸 , donde 푑푓 es la dimensión fractal de la interfaz y
푑퐸 es la dimensión Euclídea del espacio que contiene la interfaz.
16. Super-roughening versus intrinsic anomalous scaling of surfaces, J.M. López, M.A. Rodríguez,
R. Cuerno, Phys. Rev. E 56, 3993 (1997).
Super-rough dynamics on tumor growth, A. Brú, J.M. Pastor, I. Fernaud, I. Brú, S. Melle, C.
Berenguer, Phys. Rev. Lett. 81(18), 4008-4011 (1998).
La existencia de un escalamiento dinámico, mediante el ansatz de
Family-Vicsek y la ausencia de una longitud de escala característica
permite establecer en forma similar el espesor local 푤 푙, 푡 que mide
las fluctuaciones de la interfaz para 푙 ≪ 퐿. Igualmente para 푡퐶 푙 ~푙퐶
Physics & Mathematics in Biomedicine Consortium
푧
donde 푙퐶 es la longitud de coherencia para la fluctuación local,
tenemos 푤 푙, 푡 ≫ 푡퐶 푠푎푡~푙훼푙표푐 y para 푡 ≪ 푡퐶 , 푤 푙, 푡 ~푡훽 .
푤 푙, 푡 = 푟 푥, 푡 − 푟 (푡) 2
푙 퐿
1/2
donde en este caso, 푙 representa un promedio sobre un subconjunto
푙 , 푟 (푡) el promedio del radio de la interfaz en ese mismo subconjunto
y 퐿 el promedio sobre el tamaño total, 퐿.
17. Super-roughening versus intrinsic anomalous scaling of surfaces, J.M. López, M.A. Rodríguez,
R. Cuerno, Phys. Rev. E 56, 3993 (1997).
Super-rough dynamics on tumor growth, A. Brú, J.M. Pastor, I. Fernaud, I. Brú, S. Melle, C.
Berenguer, Phys. Rev. Lett. 81(18), 4008-4011 (1998).
Cuando 푤 푙, 푡 difiere de 푊 퐿, 푡 , entonces:
푤 푙, 푡 ~푙훼푙표푐 , 푊 퐿, 푡 ~퐿훼 , 푡 ≫ 푡퐶
Los sistemas con 훼 > 1 se denominan super-rugosos. Para estos
sistemas no se cumplen las relaciones anteriores, sino un nuevo
comportamiento en un régimen temporal intermedio 푙푧 ≪ 푡 ≪ 퐿푧,
caracterizado por un exponente de crecimiento, 훽∗, tal que
푤 푙, 푡 ≫ 푙푧 ~푙푡훽∗
, 훽∗ = 훽 −
Physics & Mathematics in Biomedicine Consortium
훼푙표푐
푧
Igualmente debe cumplirse 훼푙표푐 + 푑푓 = 푑퐸
18. Super-roughening versus intrinsic anomalous scaling of surfaces, J.M. López, M.A. Rodríguez,
R. Cuerno, Phys. Rev. E 56, 3993 (1997).
Super-rough dynamics on tumor growth, A. Brú, J.M. Pastor, I. Fernaud, I. Brú, S. Melle, C.
Berenguer, Phys. Rev. Lett. 81(18), 4008-4011 (1998).
Cuando 푤 푙, 푡 difiere de 푊 퐿, 푡 , entonces:
푤 푙, 푡 ~푙훼푙표푐 , 푊 퐿, 푡 ~퐿훼 , 푡 ≫ 푡퐶
Los sistemas con 훼 > 1 se denominan super-rugosos. Para estos
sistemas no se cumplen las relaciones anteriores, sino un nuevo
comportamiento en un régimen temporal intermedio 푙푧 ≪ 푡 ≪ 퐿푧,
caracterizado por un exponente de crecimiento, 훽∗, tal que
푤 푙, 푡 ≫ 푙푧 ~푙푡훽∗
, 훽∗ = 훽 −
Physics & Mathematics in Biomedicine Consortium
훼푙표푐
푧
Igualmente debe cumplirse 훼푙표푐 + 푑푓 = 푑퐸
Dynamics of fractal surfaces, F. Family and T.
Viseck, World Scientific, Singapore, 1991.
19. Super-rough dynamics on tumor growth, A. Brú, J.M. Pastor, I. Fernaud, I. Brú, S. Melle, C.
Berenguer, Phys. Rev. Lett. 81(18), 4008-4011 (1998).
Physics & Mathematics in Biomedicine Consortium
20. Super-rough dynamics on tumor growth, A. Brú, J.M. Pastor, I. Fernaud, I. Brú, S. Melle, C.
Berenguer, Phys. Rev. Lett. 81(18), 4008-4011 (1998).
푣 = 2.9 ± 0.1 휇푚/ℎ
Physics & Mathematics in Biomedicine Consortium
21. Super-rough dynamics on tumor growth, A. Brú, J.M. Pastor, I. Fernaud, I. Brú, S. Melle, C.
Berenguer, Phys. Rev. Lett. 81(18), 4008-4011 (1998).
Physics & Mathematics in Biomedicine Consortium
푑푓 = 1.21 ± 0.05
22. Super-rough dynamics on tumor growth, A. Brú, J.M. Pastor, I. Fernaud, I. Brú, S. Melle, C.
Berenguer, Phys. Rev. Lett. 81(18), 4008-4011 (1998).
Physics & Mathematics in Biomedicine Consortium
23. Super-rough dynamics on tumor growth, A. Brú, J.M. Pastor, I. Fernaud, I. Brú, S. Melle, C.
Berenguer, Phys. Rev. Lett. 81(18), 4008-4011 (1998).
훼푙표푐 = 0.87 ± 0.05
Physics & Mathematics in Biomedicine Consortium
24. Super-rough dynamics on tumor growth, A. Brú, J.M. Pastor, I. Fernaud, I. Brú, S. Melle, C.
Berenguer, Phys. Rev. Lett. 81(18), 4008-4011 (1998).
훼푙표푐 = 0.87 ± 0.05
Physics & Mathematics in Biomedicine Consortium
훼푙표푐 = 0.87 ± 0.05
훼 = 1.5 ± 0.1
푧 = 4.0 ± 0.2
훽 = 0.375 ± 0.03
훽∗ = 0.15 ± 0.05
25. Super-rough dynamics on tumor growth, A. Brú, J.M. Pastor, I. Fernaud, I. Brú, S. Melle, C.
Berenguer, Phys. Rev. Lett. 81(18), 4008-4011 (1998).
훼푙표푐 = 0.87 ± 0.05
Physics & Mathematics in Biomedicine Consortium
훼푙표푐 = 0.87 ± 0.05
훼 = 1.5 ± 0.1
푧 = 4.0 ± 0.2
훽 = 0.375 ± 0.03
훽∗ = 0.15 ± 0.05
푀퐵퐸
26. The universal dynamics of tumor growth, A. Brú, S. Albertos, J.L. Subiza, J. López García-
Asenjo, I. Brú, Biophysical Journal 85, 2948–2961 (2003).
Physics & Mathematics in Biomedicine Consortium
27. The universal dynamics of tumor growth, A. Brú, S. Albertos, J.L. Subiza, J. López García-
Asenjo, I. Brú, Biophysical Journal 85, 2948–2961 (2003).
Physics & Mathematics in Biomedicine Consortium
28. Fractal Properties and Critical Exponents in Tumor, M. Martín-Landrove, D. Pereira, Ciencia, 16
(2), 203 – 207 (2008)
Physics & Mathematics in Biomedicine Consortium
29. Fractal Properties and Critical Exponents in Tumor, M. Martín-Landrove, D. Pereira, Ciencia, 16
(2), 203 – 207 (2008)
Physics & Mathematics in Biomedicine Consortium
30. Fractal Properties and Critical Exponents in Tumor, M. Martín-Landrove, D. Pereira, Ciencia, 16
(2), 203 – 207 (2008)
Physics & Mathematics in Biomedicine Consortium
31. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
32. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
33. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
34. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Localización
de la lesión
Physics & Mathematics in Biomedicine Consortium
35. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Definición
de Región
de Interés
(ROI)
Physics & Mathematics in Biomedicine Consortium
36. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
Histograma
37. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
Voxeles
seleccionados
38. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
Selección
corte por
corte
39. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
40. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Imagen 3D
contraste
modificado
Interfaz
digitalizada
Physics & Mathematics in Biomedicine Consortium
41. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
42. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
43. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
44. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
45. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
46. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
47. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
48. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
2
Physics & Mathematics in Biomedicine Consortium
1
2
3
2
2
2
1
2
1 3
2
2 3
2
1 2
49. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
GBM
50. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
GL
51. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
MT
52. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
TB
53. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
54. 3-D in vivo brain tumor geometry study by scaling analysis, F. Torres Hoyos, M. Martín-
Landrove, Physica A 391, 1195-1206 (2012).
Physics & Mathematics in Biomedicine Consortium
55. Tipo Casos αloc r2(αloc)
Glioblastoma †‡§ 107 0.867 ± 0.054 0.999
Glioma Grado I 19 0.813 ± 0.084 0.998
Glioma Grado II 11 0.855 ± 0.072 0.998
Glioma Grado III 7 0.863 ± 0.099 0.998
Metastasis ‡§ 47 0.809 ± 0.114 0.998
Neurinoma del acústico ‡§ 64 0.743 ± 0.100 0.999
Meningioma ‡§ 118 0.778 ± 0.086 0.999
Craniofaringioma 1 0.714 0.997
Adenoma pituitario ‡ 9 0.763 ± 0.082 0.998
LOE ‡§ 42 0.797 ± 0.088 0.998
• Centro de Diagnóstico Docente Las Mercedes
• The Cancer Imaging Archive, National Cancer Institute †
• Centro Hemato Oncológico y Radiocirugía, Dr. Domingo Luciani ‡
• GURVE, Centro Médico Docente La Trinidad §
Physics & Mathematics in Biomedicine Consortium
61. Virtual brain tumours (gliomas) enhance the reality of medical imaging and highlight
inadequacies of current therapy, K.R. Swanson, E.C. Alvord Jr., J.D. Murray, British Journal of
Cancer 86, 14–18 (2002).
휕푐
휕푡
Physics & Mathematics in Biomedicine Consortium
= 훻 ∙ 퐷 푟 훻푐 + 휌푐
62. Continuous growth of mean tumor diameter in a subset of Grade II gliomas, E. Mandonnet, J.-
Y. Delattre, M.-L. Tanguy, K.R. Swanson, A.F. Carpentier, H. Duffau, P. Cornu, R. Van Effenterre,
E.C. Alvord, Jr., L. Capelle, Ann Neurol 53, 524–528 (2003).
Physics & Mathematics in Biomedicine Consortium
63. Continuous growth of mean tumor diameter in a subset of Grade II gliomas, E. Mandonnet, J.-
Y. Delattre, M.-L. Tanguy, K.R. Swanson, A.F. Carpentier, H. Duffau, P. Cornu, R. Van Effenterre,
E.C. Alvord, Jr., L. Capelle, Ann Neurol 53, 524–528 (2003).
0.00113
Physics & Mathematics in Biomedicine Consortium
푐푚
푑í푎
, 3.8 − 4.4
푚푚
푎ñ표
64. Brainweb : On line interface to a 3d mri simulated brain database, C. Cocosco, V. Kollokian, R.
Kwan, and A. Evans, in Neuroimage, Proceedings of the Third International Conference on the
Funtional Mapping of the Human Brain, volume 5, Copenhagen, 1997.
Physics & Mathematics in Biomedicine Consortium
0,010
0,009
0,008
0,007
0,006
0,005
0,004
0,003
0,002
0,001
0,000
65. Brainweb : On line interface to a 3d mri simulated brain database, C. Cocosco, V. Kollokian, R.
Kwan, and A. Evans, in Neuroimage, Proceedings of the Third International Conference on the
Funtional Mapping of the Human Brain, volume 5, Copenhagen, 1997.
Physics & Mathematics in Biomedicine Consortium
0,010
0,009
0,008
0,007
0,006
0,005
0,004
0,003
0,002
0,001
0,000
Materia Gris, 퐷푔 = 0.002
푚푚2
푑í푎
66. Brainweb : On line interface to a 3d mri simulated brain database, C. Cocosco, V. Kollokian, R.
Kwan, and A. Evans, in Neuroimage, Proceedings of the Third International Conference on the
Funtional Mapping of the Human Brain, volume 5, Copenhagen, 1997.
Materia Blanca, 퐷푔 = 0.010
Physics & Mathematics in Biomedicine Consortium
0,010
0,009
0,008
0,007
0,006
0,005
0,004
0,003
0,002
0,001
0,000
푚푚2
푑í푎
67. Estudio in vivo de la dinámica del crecimiento tumoral cerebral mediante el análisis de
escalamiento, F. Torres Hoyos, Trabajo Doctoral (2012).
휕푐
휕푡
= 훻 ∙ 퐷 푟 훻푐 + 휌푐 1 −
Physics & Mathematics in Biomedicine Consortium
푐
푐푚
Parámetros Valor Referencia
m c 5 3 10 células / mm Jbabdi et al. 2005
bajo 3 1 1.2 10 dias Swanson 1999
alto 2 1 1.2 10 dias Swanson 1999
g D 2.0 10 mm / día 3 2 Tracqui et al. 1995
w D 10 mm / día 2 2 Tracqui et al. 1995
0 c 3 200células / mm Jbabdi et al. 2005
68. Estudio in vivo de la dinámica del crecimiento tumoral cerebral mediante el análisis de
escalamiento, F. Torres Hoyos, Trabajo Doctoral (2012).
Physics & Mathematics in Biomedicine Consortium
Alto grado
69. Estudio in vivo de la dinámica del crecimiento tumoral cerebral mediante el análisis de
escalamiento, F. Torres Hoyos, Trabajo Doctoral (2012).
Physics & Mathematics in Biomedicine Consortium
Bajo grado
70. Estudio in vivo de la dinámica del crecimiento tumoral cerebral mediante el análisis de
escalamiento, F. Torres Hoyos, Trabajo Doctoral (2012).
Grado N df αloc
Physics & Mathematics in Biomedicine Consortium
r2(df) r2(αloc)
Alto
7
2.04±0.08 0.95±0.02 0.998 0.999
Bajo
17
2.28±0.04 0.71±0.05 0.997 0.998
71. Brain Tumors: A Scaling Analysis Approach, F. Torres-Hoyos, M. Martín-Landrove, Proceedings of
CIMENICS’2012, BSB 55 – 60 (2012).
Physics & Mathematics in Biomedicine Consortium
0.413
72. Brain Tumors: A Scaling Analysis Approach, F. Torres-Hoyos, M. Martín-Landrove, Proceedings of
CIMENICS’2012, BSB 55 – 60 (2012).
Physics & Mathematics in Biomedicine Consortium
0.718
73. Brain Tumors: A Scaling Analysis Approach, F. Torres-Hoyos, M. Martín-Landrove, Proceedings of
CIMENICS’2012, BSB 55 – 60 (2012).
Physics & Mathematics in Biomedicine Consortium
0.445
74. Brain Tumors: A Scaling Analysis Approach, F. Torres-Hoyos, M. Martín-Landrove, Proceedings of
CIMENICS’2012, BSB 55 – 60 (2012).
Physics & Mathematics in Biomedicine Consortium
0.965
75. Geometry of Tumor Growth in Brain, M. Martín-Landrove, F. Torres-Hoyos, Proceedings of
CIMENICS’2014, MM 1 – 6 (2014).
20 15 13 11
0.0024 0.0036 0.0048 0.0060
ρ
Physics & Mathematics in Biomedicine Consortium
76. Geometry of Tumor Growth in Brain, M. Martín-Landrove, F. Torres-Hoyos, Proceedings of
CIMENICS’2014, MM 1 – 6 (2014).
Physics & Mathematics in Biomedicine Consortium
77. Geometry of Tumor Growth in Brain, M. Martín-Landrove, F. Torres-Hoyos, Proceedings of
CIMENICS’2014, MM 1 – 6 (2014).
Physics & Mathematics in Biomedicine Consortium
78. Geometry of Tumor Growth in Brain, M. Martín-Landrove, F. Torres-Hoyos, Proceedings of
CIMENICS’2014, MM 1 – 6 (2014).
Physics & Mathematics in Biomedicine Consortium
79. Geometry of Tumor Growth in Brain, M. Martín-Landrove, F. Torres-Hoyos, Proceedings of
CIMENICS’2014, MM 1 – 6 (2014).
ρ 0.0024 0.0036 0.0048 0.0060
Physics & Mathematics in Biomedicine Consortium
80. Geometry of Tumor Growth in Brain, M. Martín-Landrove, F. Torres-Hoyos, Proceedings of
CIMENICS’2014, MM 1 – 6 (2014).
Physics & Mathematics in Biomedicine Consortium
81. Physics & Mathematics in Biomedicine Consortium
Comportamiento
maligno
Comportamiento
benigno
Geometry of Tumor Growth in Brain, M. Martín-Landrove, F. Torres-Hoyos, Proceedings of
CIMENICS’2014, MM 1 – 6 (2014).
82. Geometry of Tumor Growth in Brain, M. Martín-Landrove, F. Torres-Hoyos, Proceedings of
CIMENICS’2014, MM 1 – 6 (2014).
L L
Physics & Mathematics in Biomedicine Consortium
O
N
Nut.
P P
O
Nut.
83. Geometry of Tumor Growth in Brain, M. Martín-Landrove, F. Torres-Hoyos, Proceedings of
CIMENICS’2014, MM 1 – 6 (2014).
j
R
i
Physics & Mathematics in Biomedicine Consortium
dij
VR
푓푗 =
1
푁푉푅
푖∈푉푅
(1 − 퐶푖 )푥푒
−
2
푑푖푗
퐷퐺2
84. 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
Physics & Mathematics in Biomedicine Consortium
500 1000 1500 2000 2500
Time (days)
Number of voxels
107
106
105
104
103
102
101
100
CLASS 1
CLASS 2
CLASS 3
CLASS 4
85. 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).
Physics & Mathematics in Biomedicine Consortium
86. Simulación en 3D de Crecimiento Tumoral de Gliomas y su Análisis por Escalamiento, Johan
Rojas, Miguel Martín Landrove, Trabajo Especial de Grado (2014).
Clase Descripción Valor umbral
1 Ecuación Diferencial D> 0 , c< 0.9
2
Physics & Mathematics in Biomedicine Consortium
Ecuación Diferencial,
Células en estado
hipóxicos
D> 0 , ≥0.9
3
Células latentes, en estado
reversible
D>0, <f> ≤0.02
4
Células transitorias a
necrosis
<f> ≤ 0.006
5 Necrosis
87. Simulación en 3D de Crecimiento Tumoral de Gliomas y su Análisis por Escalamiento, Johan
Rojas, Miguel Martín Landrove, Trabajo Especial de Grado (2014).
Clase Descripción Valor umbral
1 Ecuación Diferencial D> 0 , c< 0.9
2
Physics & Mathematics in Biomedicine Consortium
Ecuación Diferencial,
Células en estado
hipóxicos
D> 0 , ≥0.9
3
Células latentes, en estado
reversible
D>0, <f> ≤0.02
4
Células transitorias a
necrosis
<f> ≤ 0.006
5 Necrosis
Clase Sin terapia Con terapia
1 1→2 1→2
2 2→1, 2→3 2→1, 2→3
3 3→4 3→2, 3→4
4 - -
88. Simulación en 3D de Crecimiento Tumoral de Gliomas y su Análisis por Escalamiento, Johan
Rojas, Miguel Martín Landrove, Trabajo Especial de Grado (2014).
Clase Supervivencia
1 0.83 [*]
2 0.90
3 0.99
푆 = 푒−훼퐷−훽퐷2
[*] BARAZZUOL, L., BURNET, N. G., JENA, R., JONES, B., JEFFERIES, S. J & KIRKBY, N. F. (2010) A
mathematical model of brain tumour response to radiotherapy and chemotherapy considering
radiobiological aspects, J. Theor. Biol., 262, 553-565.
Physics & Mathematics in Biomedicine Consortium
89. Simulación en 3D de Crecimiento Tumoral de Gliomas y su Análisis por Escalamiento, Johan
Rojas, Miguel Martín Landrove, Trabajo Especial de Grado (2014).
Physics & Mathematics in Biomedicine Consortium
90. Simulación en 3D de Crecimiento Tumoral de Gliomas y su Análisis por Escalamiento, Johan
Rojas, Miguel Martín Landrove, Trabajo Especial de Grado (2014).
Análisis de Sobrevivencia para Gliomas con
tratamiento radioterapéutico
Physics & Mathematics in Biomedicine Consortium
Graficas de Kaplan-Meier de pacientes del Instituto Nacional de
Salud (NIH) y el Hospital de Mujeres de Brigham (BWH)
91. Trabajo futuro …
Physics & Mathematics in Biomedicine Consortium
92. Trabajo futuro …
Physics & Mathematics in Biomedicine Consortium
93. Trabajo futuro …
Physics & Mathematics in Biomedicine Consortium
94. Trabajo futuro …
Physics & Mathematics in Biomedicine Consortium
96. Physics & Mathematics in Biomedicine Consortium
Integrantes y colaboradores:
Miguel Martín Landrove CFMM, INABIO, CDD
Marco Paluszny, UNC, Medellín
Wuilian Torres, FII, CGA
Giovanni Figueroa, CGA
Gabriel Padilla, UNC, Bogotá
Rafael Martín Landrove, CFMM, CEFITEC
Nuri Hurtado, CEFITEC
Francisco Torres Hoyos, UC, Montería
Antonio Brú, UCM, Madrid
Antonio Rueda, CCG, INABIO
Marcel Prastawa, GE Global Research, Albany
Gustavo Carrero, CS, CDD
Francisco González, CFMM, HDL
Miguel Yánez, CFMM, GURVE LT
Omar León, CFMM, FM CA
Jhonalbert Aponte, CFMM, OLR
Angelina Fantasia, CFMM
Johan Rojas, CFMM
Rixy Plata, CFMM
David Grande, CFMM
John García, CFMM
Lília García, CFMM, SEROFCA
97. mglmrtn@yahoo.com
http://www.scoop.it/t/project-virtual-tumor-cancer-in-silico
http://www.mendeley.com/groups/4077481/project-virtual-tumor-cancer-in-silico/
Physics & Mathematics in Biomedicine Consortium
Integrantes y colaboradores:
Miguel Martín Landrove CFMM, INABIO, CDD
Marco Paluszny, UNC, Medellín
Wuilian Torres, FII, CGA
Giovanni Figueroa, CGA
Gabriel Padilla, UNC, Bogotá
Rafael Martín Landrove, CFMM, CEFITEC
Nuri Hurtado, CEFITEC
Francisco Torres Hoyos, UC, Montería
Antonio Brú, UCM, Madrid
Antonio Rueda, CCG, INABIO
Marcel Prastawa, GE Global Research, Albany
Gustavo Carrero, CS, CDD
Francisco González, CFMM, HDL
Miguel Yánez, CFMM, GURVE LT
Omar León, CFMM, FM CA
Jhonalbert Aponte, CFMM, OLR
Angelina Fantasia, CFMM
Johan Rojas, CFMM
Rixy Plata, CFMM
David Grande, CFMM
John García, CFMM
Lília García, CFMM, SEROFCA
99. Physics & Mathematics in Biomedicine Consortium
Miembros:
Miguel Martín Landrove CFMM, INABIO, CDD
Marco Paluszny, UNC, Medellín
Rafael Martín Landrove, CFMM, CEFITEC
Wuilian Torres, FII, CGA
Gabriel Padilla, UNC, Bogotá
Marianela Lentini, UNC, Medellín
Francisco Torres Hoyos, UC, Montería
Nuri Hurtado, CEFITEC
José López, CEFITEC
Joselen Peña, CEFITEC
Harold Pérez de Vladar, PF
Bruno de Lema Larre, HCF
Antonio Rueda, CCG, INABIO
Giovanni Figueroa, CGA
Juan Carlos López, NpC
100. Physics & Mathematics in Biomedicine Consortium, P&MBioC
mglmrtn@yahoo.com
http://mglmrtn.wix.com/pmbioc
Physics & Mathematics in Biomedicine Consortium
Miembros:
Miguel Martín Landrove CFMM, INABIO, CDD
Marco Paluszny, UNC, Medellín
Rafael Martín Landrove, CFMM, CEFITEC
Wuilian Torres, FII, CGA
Gabriel Padilla, UNC, Bogotá
Marianela Lentini, UNC, Medellín
Francisco Torres Hoyos, UC, Montería
Nuri Hurtado, CEFITEC
José López, CEFITEC
Joselen Peña, CEFITEC
Harold Pérez de Vladar, PF
Bruno de Lema Larre, HCF
Antonio Rueda, CCG, INABIO
Giovanni Figueroa, CGA
Juan Carlos López, NpC