La biología (del griego «βίος» bíos, vida, y «-λογία» -logía, tratado, estudio, ciencia) es la ciencia que tiene como objeto de estudio a los seres vivos y, más específicamente, su origen, su evolución y sus propiedades: nutrición, morfogénesis, reproducción, patogenia, etc. Se ocupa tanto de la descripción de las características y los comportamientos de los organismos individuales, como de las especies en su conjunto, así como de la reproducción de los seres vivos y de las interacciones entre ellos y el entorno. De este modo, trata de estudiar la estructura y la dinámica funcional comunes a todos los seres vivos, con el fin de establecer las leyes generales que rigen la vida orgánica y los principios explicativos fundamentales de esta
La biología (del griego «βίος» bíos, vida, y «-λογία» -logía, tratado, estudio, ciencia) es la ciencia que tiene como objeto de estudio a los seres vivos y, más específicamente, su origen, su evolución y sus propiedades: nutrición, morfogénesis, reproducción, patogenia, etc. Se ocupa tanto de la descripción de las características y los comportamientos de los organismos individuales, como de las especies en su conjunto, así como de la reproducción de los seres vivos y de las interacciones entre ellos y el entorno. De este modo, trata de estudiar la estructura y la dinámica funcional comunes a todos los seres vivos, con el fin de establecer las leyes generales que rigen la vida orgánica y los principios explicativos fundamentales de esta
La biología (del griego «βίος» bíos, vida, y «-λογία» -logía, tratado, estudio, ciencia) es la ciencia que tiene como objeto de estudio a los seres vivos y, más específicamente, su origen, su evolución y sus propiedades: nutrición, morfogénesis, reproducción, patogenia, etc. Se ocupa tanto de la descripción de las características y los comportamientos de los organismos individuales, como de las especies en su conjunto, así como de la reproducción de los seres vivos y de las interacciones entre ellos y el entorno. De este modo, trata de estudiar la estructura y la dinámica funcional comunes a todos los seres vivos, con el fin de establecer las leyes generales que rigen la vida orgánica y los principios explicativos fundamentales de esta
La biología (del griego «βίος» bíos, vida, y «-λογία» -logía, tratado, estudio, ciencia) es la ciencia que tiene como objeto de estudio a los seres vivos y, más específicamente, su origen, su evolución y sus propiedades: nutrición, morfogénesis, reproducción, patogenia, etc. Se ocupa tanto de la descripción de las características y los comportamientos de los organismos individuales, como de las especies en su conjunto, así como de la reproducción de los seres vivos y de las interacciones entre ellos y el entorno. De este modo, trata de estudiar la estructura y la dinámica funcional comunes a todos los seres vivos, con el fin de establecer l
La biología (del griego «βίος» bíos, vida, y «-λογία» -logía, tratado, estudio, ciencia) es la ciencia que tiene como objeto de estudio a los seres vivos y, más específicamente, su origen, su evolución y sus propiedades: nutrición, morfogénesis, reproducción, patogenia, etc. Se ocupa tanto de la descripción de las características y los comportamientos de los organismos individuales, como de las especies en su conjunto, así como de la reproducción de los seres vivos y de las interacciones entre ellos y el entorno. De este modo, trata de estudiar la estructura y la dinámica funcional comunes a todos los seres vivos, con el fin de establecer las leyes generales que rigen la vida orgánica y los principios explicativos fundamentales de esta
La biología (del griego «βίος» bíos, vida, y «-λογία» -logía, tratado, estudio, ciencia) es la ciencia que tiene como objeto de estudio a los seres vivos y, más específicamente, su origen, su evolución y sus propiedades: nutrición, morfogénesis, reproducción, patogenia, etc. Se ocupa tanto de la descripción de las características y los comportamientos de los organismos individuales, como de las especies en su conjunto, así como de la reproducción de los seres vivos y de las interacciones entre ellos y el entorno. De este modo, trata de estudiar la estructura y la dinámica funcional comunes a todos los seres vivos, con el fin de establecer las leyes generales que rigen la vida orgánica y los principios explicativos fundamentales de esta
La biología (del griego «βίος» bíos, vida, y «-λογία» -logía, tratado, estudio, ciencia) es la ciencia que tiene como objeto de estudio a los seres vivos y, más específicamente, su origen, su evolución y sus propiedades: nutrición, morfogénesis, reproducción, patogenia, etc. Se ocupa tanto de la descripción de las características y los comportamientos de los organismos individuales, como de las especies en su conjunto, así como de la reproducción de los seres vivos y de las interacciones entre ellos y el entorno. De este modo, trata de estudiar la estructura y la dinámica funcional comunes a todos los seres vivos, con el fin de establecer las leyes generales que rigen la vida orgánica y los principios explicativos fundamentales de esta
La biología (del griego «βίος» bíos, vida, y «-λογία» -logía, tratado, estudio, ciencia) es la ciencia que tiene como objeto de estudio a los seres vivos y, más específicamente, su origen, su evolución y sus propiedades: nutrición, morfogénesis, reproducción, patogenia, etc. Se ocupa tanto de la descripción de las características y los comportamientos de los organismos individuales, como de las especies en su conjunto, así como de la reproducción de los seres vivos y de las interacciones entre ellos y el entorno. De este modo, trata de estudiar la estructura y la dinámica funcional comunes a todos los seres vivos, con el fin de establecer l
Presentación pensada para trabajar el tema de los estados de la materia y sus cambios en 1º de ESO (12-13 años). La presentación está en formato ODP. En las notas se pueden encontrar descripciones o explicaciones.
Presentación de apoyo que se centra en el tamaño y forma de las células y las diferencias entre celulas animales y vegetales y eucariotas y procariotas.
Presentación
Esta calificación pretende introducir al participante al estudio de las matemáticas aplicadas, introduciéndolos de esta manera al estudio de las matemáticas y sus aplicaciones en las áreas técnicas de su desempeño profesional, tanto en los aspectos
metodológicos así como en los aspectos del conocimiento.
El objetivo de este curso es presentar los contenidos matemáticos básicos que tienen mayor aplicabilidad al área técnica de que se trate, como un módulo complementario
para el desarrollo de habilidades y destrezas basadas en la resolución de problemas, introduciendo en el caso específico de los docentes del área de matemáticas a la Estrategia de enseñanza Basada en la Resolución de problemas.
Presentación pensada para trabajar el tema de los estados de la materia y sus cambios en 1º de ESO (12-13 años). La presentación está en formato ODP. En las notas se pueden encontrar descripciones o explicaciones.
Presentación de apoyo que se centra en el tamaño y forma de las células y las diferencias entre celulas animales y vegetales y eucariotas y procariotas.
Presentación
Esta calificación pretende introducir al participante al estudio de las matemáticas aplicadas, introduciéndolos de esta manera al estudio de las matemáticas y sus aplicaciones en las áreas técnicas de su desempeño profesional, tanto en los aspectos
metodológicos así como en los aspectos del conocimiento.
El objetivo de este curso es presentar los contenidos matemáticos básicos que tienen mayor aplicabilidad al área técnica de que se trate, como un módulo complementario
para el desarrollo de habilidades y destrezas basadas en la resolución de problemas, introduciendo en el caso específico de los docentes del área de matemáticas a la Estrategia de enseñanza Basada en la Resolución de problemas.
Análisis crítico de los metadatos distribuidos por la IDEC presentacionPaula Díaz
Diaz, P., (2009). Análisis comparativo de los metadatos distribuidos por la IDEC, en: Treballs del Màster en Teledetecció i Sistemes d’Informació Geogràfica, 10ª edició. Universitat Autònoma de Barcelona y CREAF. Bellaterra, Septiembre 2009.
"SIG Revolution: ordenación del territorio, urbanismo y paisaje", es un nuevo libro publicado por la Editorial Síntesis y coordinado por Rafael R. Termes, profesor en el departamento de Urbanismo de la Universidad Politécnica de Valencia (UPV) en el que tengo el honor de participar con un capítulo sobre "SIG y geolocalización online".
"Nunca hubiéramos pensado que seríamos capaces de cartografiar algo tan dinámico y concreto como el vuelo de las gaviotas en su migración anual desde los fríos inviernos del mar del Norte a las cálidas costas de África. Más difícil sería afirmar que seríamos capaces de visualizar, en función del tiempo, las distintas trayectorias que las colonias describen en su viaje estacional. Sin embargo, la atractiva cartografía que da portada a este libro, precisamente muestra estos mapas. En un proyecto donde han colaborado el Flanders Marine Institute (VLIZ), la Ghent University (UGent), la University of Antwerp junto con el Research Institute for Nature and Forest (INBO), se ha podido poner en práctica un sistema de seguimiento GPS gracias a la experiencia acumulada de 15 años en el estudio de los patrones y hábitos de movilidad de estas aves. Dicho sistema ha permitido, además, eliminar el sesgo que hasta ahora existía en la identificación basada en la percepción visual de voluntarios. Estos mapas son un ejemplo más de cómo los datos específicos y la información en general constituyen una parte fundamental de nuestra vida diaria.
Proyecto curvas de nivel en topocal definitivoevgutierrez
Investigación formativa de la asignatura Topografía 2 en la Facultad de Ingeniería Agrícola de la Universidad Técnica de Manabí acerca de la creación de curvas de nivel en Topocal.
Metodología - Proyecto de ingeniería "Dispensador automático"cristiaansabi19
Esta presentación contiene la metodología del proyecto de la materia "Introducción a la ingeniería". Dicho proyecto es sobre un dispensador de medicamentos automáticos.
libro conabilidad financiera, 5ta edicion.pdfMiriamAquino27
LIBRO DE CONTABILIDAD FINANCIERA, ESTE TE AYUDARA PARA EL AVANCE DE TU CARRERA EN LA CONTABILIDAD FINANCIERA.
SI ERES INGENIERO EN GESTION ESTE LIBRO TE AYUDARA A COMPRENDER MEJOR EL FUNCIONAMIENTO DE LA CONTABLIDAD FINANCIERA, EN AREAS ADMINISTRATIVAS ENLA CARREARA DE INGENERIA EN GESTION EMPRESARIAL, ESTE LIBRO FUE UTILIZADO PARA ALUMNOS DE SEGUNDO SEMESTRE
Estudio de la evolución de estructuras sólidas amorfas a partir de un volumen de datos segmentado
1. Trabajo Fin de Máster
Autor: María Sánchez Moreno
Director: Mariano Rincón Zamorano
Máster en Inteligencia Artificial Avanzada:
Fundamentos, métodos y aplicaciones
2. Índice
1. Introducción
2. Necesidad y justificación
3. Objetivos
4. Fundamentos previos
5. Desarrollo e implementación
6. Conclusiones y trabajos futuros
2
3. Índice
1. Introducción
2. Necesidad y justificación
3. Objetivos
4. Fundamentos previos
5. Desarrollo e implementación
6. Conclusiones y trabajos futuros
3
4. Introducción
¿Qué es una estructura sólida amorfa?
Sólido Líquido Gaseoso
4
13. Objetivos
Características deseables:
1. Sin patrones definidos
2. Evolución local
3. Precisión
4. General
5. Crecimiento realista
13
14. Índice
1. Introducción
2. Necesidad y justificación
3. Objetivos
4. Fundamentos previos
1. Origen de los datos: Imágenes médicas
2. Región de estudio: Cerebro
3. Patología de estudio: Tumor
4. Datos de entrada
5. Desarrollo e implementación
6. Conclusiones y trabajos futuros
14
20. Índice
20
1. Introducción
2. Necesidad y justificación
3. Objetivos
4. Fundamentos previos
5. Desarrollo e
implementación
1. Procesamiento de los datos –
superficie limite
2. Técnicas de caracterización
3. Técnicas estadísticas
4. Técnicas geométricas
5. Técnicas de crecimiento
6. Conclusiones y trabajos futuros
21. Desarrollo e implementación
Procesamiento de los datos – superficie limite
Volumen de datos Cuberille Superficie limite
21
22. Desarrollo e implementación
Procesamiento de los datos – superficie limite
22
Marching cubes
[Lorensen and Cline, 1987]
Dual Contouring
[Ju et al., 2002]
23. Desarrollo e implementación
Procesamiento de los datos – superficie limite
23
Marching Cubes (MC)
Índice de
la tabla
8 vértices = 28 = 256 configuraciones ≠ 15 configuraciones
24. Desarrollo e implementación
Procesamiento de los datos – superficie limite
Opción 1
Opción 2
24
MC: Ambigüedades
Resolución: Asymptotic decider
25. Desarrollo e implementación
Procesamiento de los datos – superficie limite
Gran cantidad de implementaciones distintas del MC
25
Feature sensitive surface extraction
[Kobbelt et al., 2001]
12.712 tris
3.682 tris 1.772 tris
Skeleton Climbing
[Poston et al., 1997]
26. Desarrollo e implementación
Procesamiento de los datos – superficie limite
Dual contouring
Propiedad de la malla: Dual
26
27. Desarrollo e implementación
Procesamiento de los datos – superficie limite
Ventajas del Dual Contouring
No almacena configuraciones predeterminadas
Geometrías más exactas -> Propiedad de la malla
No genera triángulos muy degenerados
Marching cubes 27 Dual contouring
28. Desarrollo e implementación
Procesamiento de los datos – superficie limite
Dual contouring: Implementación
28
ci
vDi
Para cada cara
vo1
vo3 vo4
vo2
vD1
Para cada vértice
Baricentro
voi
vD2
vD3 vD4
29. Desarrollo e implementación
Procesamiento de los datos – superficie limite
29
Caso 1:
3 vecinos
Caso 2:
4 vecinos Caso 3:
> 4 vecinos
Dual contouring: Implementación
Mallas triangulares
30. Índice
30
1. Introducción
2. Necesidad y justificación
3. Objetivos
4. Fundamentos previos
5. Desarrollo e
implementación
1. Procesamiento de los datos –
superficie limite
2. Técnicas de
caracterización
3. Técnicas estadísticas
4. Técnicas geométricas
5. Técnicas de crecimiento
6. Conclusiones y trabajos futuros
31. Desarrollo e implementación
Técnicas de caracterización
퐾 = 푘1 ∗ 푘2
31
Entrada: Volumen de datos
Información dimensional
Volumen: Número de voxeles
Área: Número de voxeles del borde
Espesor: Número de erodes necesarios
Información geométrica
Anisotropía
Elongación
Planitud
Entrada: Superficie límite
Información dimensional
Curvatura media
Curvatura de Gauss
1 2 1 3
1
4 1 16 5 2 2 6 4
7
1
8 9 10 11 12
15 5
1 2 2 2 1
1 2 2 2 1
13 14 15 16 17
14 6
1 2 2 2 1
1 2 2 1
1 1 1
18 19 20 21 22
13 7
23 24 25 26
27 28 29
12 8
11 10 9
Volumen: EAspreeas:o r1:6 2
29
H =
1
2
k1 y k2 : Máxima y minima curvatura
(푘1 + 푘2)
32. Desarrollo e implementación
Técnicas de caracterización
Estadio inicial Estadio final
Volumen 9354 19809
Área 3556 7628
Espesor 8 9
Anisotropía 0.593652 0.847817
Elongación 0.532234 0.458046
Planitud 0.763476 0.332244
Curvatura media
Mínima -1.65687 -1.72755
Media 0.0792803 0.0640342
Máxima 2.15943 3.01522
Curvatura de
gauss
Mínima -1.11847 -2.2998
Media 0.012469 0.0163966
Máxima 2.75549 7.25521
32
Estadio inicial
Estadio Final
CRECIMIENTO
MENOS ESFÉRICA
MÁS ALARGADA
MÁS PLANA
MÁS CONCAVIDADES Y
CONVEXIDADES
33. Desarrollo e implementación
Técnicas de caracterización
Características deseables:
1. Sin patrones definidos
2. Evolución local
3. Precisión
4. General
5. Crecimiento realista
Médidas globales
33
34. Índice
34
1. Introducción
2. Necesidad y justificación
3. Objetivos
4. Fundamentos previos
5. Desarrollo e
implementación
1. Procesamiento de los datos –
superficie limite
2. Técnicas de caracterización
3. Técnicas estadísticas
4. Técnicas geométricas
5. Técnicas de crecimiento
6. Conclusiones y trabajos futuros
35. Desarrollo e implementación
Técnicas estadísticas
Morfometría
35
Plantilla
Estudios Relacion
Plantilla - Estudio
Edad Sexo Etnia
Análisis estadístico
Busqueda de patrones
36. Desarrollo e implementación
Técnicas estadísticas
Morfometría: Problemas
Técnica estadistica
Basada en tener una muestra grande
de casos (2 estadios)
Analisis morfométrico por estadio
¿Relación?¿Comparación?
Busqueda de patrones
Estructura sólida amorfa
36
Estadio T
Estadio T+n
37. Desarrollo e implementación
Técnicas estadísticas
Evolutionary morphing
37
Colocación de
landmark
Parametrización
Morphing
Morfometría
38. Desarrollo e implementación
Técnicas estadísticas
Evolutionary morphing: Problemas
38
Estructura sólida
amorfa
¿?
39. Desarrollo e implementación
Técnicas estadísticas
Características deseables:
1. Sin patrones definidos
2. Evolución local
3. Precisión
4. General
5. Crecimiento realista
39
40. Índice
40
1. Introducción
2. Necesidad y justificación
3. Objetivos
4. Fundamentos previos
5. Desarrollo e
implementación
1. Procesamiento de los datos –
superficie limite
2. Técnicas de caracterización
3. Técnicas estadísticas
4. Técnicas geométricas
5. Técnicas de crecimiento
6. Conclusiones y trabajos futuros
41. Desarrollo e implementación
Técnicas geométricas
Distancia entre superficies
Distancia euclidea
Distancia de haussdorf
41
42. Desarrollo e implementación
Técnicas geométricas
Calcular : Distancia euclidea
42
1. Normal de un vértice
2. Trazar un rayo:
Origen: vértice
Dirección: normal del vértice
3. Colisiona con la otra superficie
4. Calcular:
푑퐸 푋, 푌 = 퐵 푥푏 , 푦푏 − 퐴(푥푎 , 푦푎 )
B
A
43. Desarrollo e implementación
Técnicas geométricas
Distancia euclidea: Problemas
Depende de la triangulación de la malla
No siempre existe
No es simetrica
43
44. Desarrollo e implementación
Técnicas geométricas
Distancia de haussdorf
Superficies: Nube de puntos
Punto de menor distancia
44
45. Desarrollo e implementación
Técnicas geométricas
Distancia de haussdorf
No depende de la triangulación de la malla
Siempre existe
Problemas: No es simétrica
45
46. Desarrollo e implementación
Técnicas geométricas
Distancia Dirección Mínimo Media Valor medio Máximo
Euclidea
Inicial-Final 0 1.8171 4.43 8.86
Final-Inicial 0 7.79111 12.3895 24.779
Haussdorf
Inicial-Final 0 1.0285 1.25855 2.5171
Final-Inicial 0 1.4819 2.0035 4.007
46
Análisis numérico:
47. Desarrollo e implementación
Técnicas geométricas
Analisis gráfico:
47
Distancia euclidea
Distancia de haussdorf
48. Desarrollo e implementación
Técnicas geométricas
Problemas de ambas distancias:
Concavidades
Crecimiento/decrecimiento representada de la misma
forma
48
49. Desarrollo e implementación
Técnicas geométricas
Parametrización
Consiste en encontrar una función que te permita
relacionar cada uno de los puntos de una superficie con
una forma canónica
49
La Tierra
Jupiter
50. Desarrollo e implementación
Técnicas geométricas
Parametrización: Problemas
Distorsión: Ángulo (conformal) – area (equiareal)
Carl Friedrich Gauss : “Una supercie general no puede ser
parametrizada sin distorsión”
Curvatura de gauss 0: cilindros, conos o planos
Mercator (conformal) Lambert (equiareal)
50
52. Desarrollo e implementación
Técnicas geométricas
Características deseables:
1. Sin patrones definidos
2. Evolución local
3. Precisión
4. General
5. Crecimiento realista
Superficie límite: Aproximación del volumen
52
53. Índice
53
1. Introducción
2. Necesidad y justificación
3. Objetivos
4. Fundamentos previos
5. Desarrollo e
implementación
1. Procesamiento de los datos –
superficie limite
2. Técnicas de caracterización
3. Técnicas estadísticas
4. Técnicas geométricas
5. Técnicas de crecimiento
6. Conclusiones y trabajos futuros
54. Desarrollo e implementación
Técnicas de crecimiento
Algoritmo iterativo de crecimiento (AIC)
Fuente de datos: Volumén de datos
Álgoritmo propio
Iterativo
54
55. Desarrollo e implementación
Técnicas de crecimiento
Algoritmo iterativo de crecimiento (AIC)
Estadio T Estadio T+n
55
57. Desarrollo e implementación
Técnicas de crecimiento
Algoritmo iterativo de crecimiento (AIC)
57
Operaciones binarias
58. Desarrollo e implementación
Técnicas de crecimiento
Algoritmo iterativo de crecimiento (AIC)
58
AND
OR
DILATE
AND
AND
AND
Lista T
Lista T+n
Estadio T
Estadio T+n
59. Desarrollo e implementación
Técnicas de crecimiento
Algoritmo iterativo de crecimiento (AIC)
NO NO
FIN FIN
SI
Siguiente iteración
59
¿Puede
crecer más?
¿Puede
crecer más?
Siguiente iteración
64. Desarrollo e implementación
Técnicas de crecimiento
Características deseables:
1. Sin patrones definidos
2. Evolución local
3. Precisión
4. General
5. Crecimiento realista
64
65. Desarrollo e implementación
Técnicas de crecimiento
Estudio dinámico del tumor
Analizar los parámetros físicos del tumor
Modelo de difusión: Tumor como un conjunto de células que
se infiltran en otros tejidos
Modelo mecánico: Tumor con una masa con propiedades
como la elasticidad
65
66. Desarrollo e implementación
Técnicas de crecimiento
Estudio dinámico del tumor
Modelo de difusión
Ecuación reacción-difusión [Murray, 2002]
u: densidad del tumor
훿
훿푡
Operador diferencial respecto del tiempo
D es el tensor de difusión
R(u,t): término de reacción
66
훿푢
훿푡
= 훻 ∙ 퐷훻푢 + 푅 푢, 푡 푑표푛푑푒 휂 ∙ 훻푢 = 0
67. Desarrollo e implementación
Técnicas de crecimiento
Estudio dinámico del tumor
67
Modelo de difusión
Swanson et al., 2000: Efecto del tratamiento
Swanson et al., 2002: Método de difusión anisotrópico no
homogeneo
Distinto desplazamiento por las distintas sustancias
Tensor de difusión D = d(x)I
d(x) : coeficiente de difusión: dw >>>> dg
Clatz et al. , 2005
Fibras de la sustancia blanca
Diffuse Tensor image (DTI): difusión de las moléculas de
agua
68. Desarrollo e implementación
Técnicas de crecimiento
Estudio dinámico del tumor
Modelo mecánico
Deformación de las estructuras colindantes
Presion causada por el cambio de densidad del tumor
Caractericticas mecánicas de las estructuras colindantes
Clatz et al. , 2005, por ejemplo, tumor: material elástico lineal
휎 = 2휇휀 + 휆푡푟 휀 푑표푛푑푒 휀 =
휎: Tensión
휀: tensor de deformación
휆 y 휇: Parámetros de Lamé
v: es el desplazamiento
68
1
2
(훻푣 + 훻푣푡)
69. Desarrollo e implementación
Técnicas de crecimiento
Estudio dinámico del tumor
1. Superficie límite
Estadio T: Tumor
Estructuras
colindantes
2. Malla
tetrahédrica
3. Correr simulación
4. Verificación:
Estadio T+n
69
70. Desarrollo e implementación
Técnicas de crecimiento
Características deseables:
1. Sin patrones definidos
2. Evolución local
3. Precisión
4. General
5. Crecimiento realista
Volumen de datos:extraer la malla tetrahédrica
70
71. Índice
1. Introducción
2. Necesidad y justificación
3. Objetivos
4. Fundamentos previos
5. Desarrollo e implementación
6. Conclusiones y trabajos
71
futuros
72. Conclusiones y trabajos futuros
Ninguna técnica cubre todas las carácteristicas
Futuras lineas de investigación:
Parametrización + caracterización
Crecimiento no realista
Relación completa de los dos estadios
Algoritmo de crecimiento iterativo
Imitar el crecimiento real del tumor
Estudio dinámico del tumor
Para tumores: perfecta
Técnicas complejas y costosas en cálculo
72
Se llama imágenes médicas a un conjunto pruebas diagnosticas que se basan en capturar mediante “imágenes” el estado del cuerpo humano o secciones del mismo en un instante de tiempo determinado. Existen distintas modalidades según la técnica o tecnología que utilicen. Una de las técnicas utilizadas es la resonancia magnética que es la que se muestra en la foto. La resonancia magnética (RM) es una técnica que se basa en la respuesta electromagnética de los tejidos al someterlos a pulsos de radiofrecuencia. Según como se emitan
estos pulsos, la máquina puede generar distintas modalidades de imagen. Estas imágenes se diferencian en su forma de representar los distintos tejidos.
T1: Los tejidos formados principalmente por grasa aparecen hiperintensos y tejidos formados principalmente por agua aparecen hipointensos. Por ejemplo, la sustancia blanca al tener mayor cantidad de grasa aparecerá más intensa que las sustancia gris al estar compuesta principalmente por agua.
T2: Al contrario que en la anterior, en esta modalidad la grasa pasa a verse como una señal de baja intensidad y el liquido como una señal de alta intensidad
Existen otras modalidades que tocan distintos parámetros de la máquina permiten atenuar señales de tejidos según el tipo de sustancia que lo componen. Tiempo de inversión largo: FLAIR (Fluid Attenuated Inversion Recovery) este tipo elimina o atenuá la señal de tejidos de amplio contenido de agua. En este tipo de imágenes, las lesiones patológicas aparezcan hiperintensas y por tanto fácilmente reconocibles.
Una vez estudiado el origen de los datos de entrada vamos a estudiar la region de estudio. El cerebro se encuentra dividido en dos hemisferios
El crecimiento del tumos pasa por tres fases:
en la primera fase es cuando se produce la mutación de las células y empiezan a crecer descontroladamente y a no morir. En este puntos, las celulas forman una masa encerrando celulas en el interior que se quedan sin nutrientes y mueren. Esta fase tiene un crecimiento limitado. El tumor puede qdarse en esta fase y enquistarse o conectarse de alguna forma al sistema sanguineo y empezar a recibir nutrientes. El tumor empeza a crecer sin limitaciones invadiendo tejidos adyacentes. Finalmente, en su ultima fase el tumor se expande por el sistema circulatorio creando focos canecerigenos en distintas partes del cuerpo.
Si en una imagen digitalizada 2D, la unidad básica es un pixel, es decir, se divide en una rejilla y cada uno de los cuadrados se denominan pixeles
En una imagen digitalizada 3D, se divide en una rejilla tridimensional y cada cubo se denomina vóxel.
20
Una vez que tenemos el volumen binario, tenemos una rejilla de voxeles cada uno con un valor. Una etapa de post – procesado
Se han diseñado distintas implementaciones del MC dependiendo del campo especifico de uso
Represetación y analisis: importante mallas tríangulares
30
- El volumen del tumor en el estadio nal se ha incrementado en más del
doble de su tamaño inicial.
- Los dos tumores tienen un espesor similar.
- En la anisotropía, los valores más cercanos al cero indican que la forma es
más esférica. Por lo tanto, se deduce que el tumor nal esta más alejado
de una forma esférica que el original.
- En la elongación, los valores más cercanos al cero indican formas más
alargadas. Al contrario que en el caso anterior, la elongación se reduce
del estadio inicial al nal, por lo tanto, el tumor es más alargado. Coincide
con las conclusiones anteriores de forma que el tumor pasa de tener una
forma redondeada a ser más alargado.
- Al igual que en los dos casos anteriores, en la planitud, valores más cercanos
al cero indican formas más planas. La planitud también se reduce del tumor
inicial al nal lo cual se traduce en que el tumor nal es más plano que el
inicial. Por lo tanto el tumor ha pasado de una forma más esférica a otra
forma más alargada y plana.
si las comparamos con los
datos obtenidos se observa que para ambas curvaturas se incrementan
los mínimos y los máximos. En la curvatura de Gauss, en concreto, el
máximo se incrementa al triple. De estos aumentos de curvatura y según
las conguraciones se deduce que hay más puntos donde ambas curvaturas
son negativas y más puntos donde ambas curvaturas son positivas, por
lo tanto, estadísticamente habrá una mayor cantidad de concavidades y
convexidades en el estadio nal y que en el inicial. Un dato interesante
es que la media de la curvatura media se ve reducida del estadio inicial
al estadio nal, lo cual muestra que en el estadio nal del tumor las
diferencias entre las curvaturas máxima y mínimas (curvaturas principales)
son mayores que en el estadio nal. De lo cual, se deduce que hay una
mayor cantidad de zonas planas. Conclusión que coincide con la extraída
del análisis del parámetro de planitud.
34
Este algoritmo utiliza una función de morphing para calcular
un paso evolutivo anterior de una familia de simios. Para nuestro objetivo, la idea
sería utilizar esta función de morphing para transformar un tumor en su estadio
inicial al tumor en su estadio nal. La idea de este algoritmo es situar una serie
de puntos anatómicos equivalentes, que están presentes en todos los cráneos y
utilizar estos puntos como 'tiradores' para ajustar cada uno de los cráneos a
un conguración predeterminada como un plano. Cuando están encajados en
esta conguración se realizan las medidas pertinentes para calcular la posible
evolución anterior.
40
1. Las supercies intersecan en la algún punto. Esto se deduce porque el
mínimo es 0. Es decir, los dos tumores tienen algún punto en común que
se supone que no se ha movido en la evolución de un tumor a otro.
2. La distancia del tumor inicial al nal es distinta que la distancia del tumor
nal al inicial, es decir, la medida de distancia no es simétrica. Esto se debe
a que ambas distancias dependen en gran medida de la geometría de las
mallas.
3. La distancia euclídea tiene valores mucho más altos que la distancia de
Haussdorf. Esto se produce porque la distancia euclídea mide la distancia
real entre las dos supercies. Mientras que la distancia de Haussdorf mide
cómo de cerca están las dos supercies. Lo cual en nuestro datos quiere
decir, que estas supercies han crecido mucho más por un lado que por
otro formando grandes convexidades de un tumor a otro .
Valor medio que no es más que el (máximo – mínimo )/ 2
4. En la distancia euclídea, se observa que la media esta muy por debajo
que el valor medio. De esto, se deduce que los tumores están de media
a distancias pequeñas. Se verica en la distancia de Haussdorf donde las
distancias entre ambos tumores son pequeñas.
Objetivo: parametrizar cada estadio a una forma canónica y desde la misma forma canónica medir.
53
Esta ecuación contiene dos
diferentes característica del crecimiento del tumor: difusión y proliferación. El
primer término de la ecuación A(DAu) describe la invasión de las células en
relación a un movimiento browniano, el cual se caracteriza por un tensor de
difusión D. El segundo término de la ecuación R(u; t) describe la proliferación de
las células del tumor. La condición (ru) = 0 de la ecuación representa el hecho
de que las células del tumor no se difunden ni por el cráneo ni los ventrículos.
se han realizado multitud de estudios teniendo en cuenta diferentes parámetros. [Swanson et al., 2000], por ejemplo, añade un
término de reacción a la ecuación para tener en cuenta el efecto del tratamiento
en el crecimiento del tumor. Posteriormente en [Swanson et al., 2002], además se
dividía la población de las células en dos tipos para poder tratar por un lado, las células del tumor y por otra, unas células más resistentes que mutaban a partir de las células originales y que probablemente eran producto de su reacción con los
tratamientos de quimioterapia. Por otro lado, [Swanson et al., 2002] proponen un
método de difusión anisotrópico no homogéneo que se basa en el hecho de que las
células del tumor no se desplazan igual por una sustancias que por otras. De esta
forma, el tensor de difusión D se obtiene como: D = d(x)I donde I es la matriz
identidad y d(x) es el coeciente de difusión. d(x) toma diferentes valores para
la sustancia blanca dw y para la sustancia gris dg donde dw >>> dg condición
observada que determina qué las células del tumor se mueven más rápidas en
mielina. Por otro lado, Clatz et al. [2005] no solo contempla la idea de que
las células se mueven más rápido por la mielina sino que siguen la fibras de la
sustancia blanca. En este articulo, además se utiliza una modalidad de imagen
denominada Diuse Tensor images (DTI) (ver Figura 3.22), que permite obtener
el proceso de difusión de las moléculas, principalmente agua, en un instante de
tiempo. Con estos datos, en este articulo se construye el tensor de difusión del
tumor (TDT) para tener en cuenta la velocidad de difusión de las células por las
distintas partes de las sustancia blanca.