Visualización Ilustrativa de Fibras Cerebrales
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2099.1/13102
Tipus de documentProjecte Final de Màster Oficial
Data2011-09
Condicions d'accésAccés obert
Llevat que s'hi indiqui el contrari, els
continguts d'aquesta obra estan subjectes a la llicència de Creative Commons
:
Reconeixement-NoComercial-SenseObraDerivada 3.0 Espanya
Abstract
Castellano: Di usion Tensor Imaging (DTI) es una técnica de imagen basada en la
resonancia magnética (MR), que ofrece una visión única de la organización
estructural de la sustancia blanca del cerebro. Esto se consigue mediante la
medición de la difusión de moléculas de agua en el tejido. En el agua, la
difusión es libre y tiene la misma magnitud en todas las direcciones. En este
escenario obtenemos un per l de difusión isotrópico. En los tejidos brosos
sin embargo, como en la materia blanca del cerebro, la difusión se limitaría en
sentido perpendicular a las bras. Esto provoca que, en este escenario, obtengamos
un per l de difusión anisotrópico.
En las imágenes DTI, el per l de difusión se modela como una distribución
de probabilidad de Gauss y por lo tanto puede ser descrito por un tensor de
segundo orden [BPD94]. En este modelo, el principal eigenvector del tensor
corresponde a la dirección de mayor difusión, que es la misma que sigue la
estructura de bras (Figura 1.1). Gracias a estos tensores podemos realizar
un recorrido sobre ellos e ir reconstruyendo un modelo 3D de estas bras.
Esta reconstrucción recibe el nombre de ber tracking [VAD05] (Figura 1.2).
Pese a su potencial, la salida de la reconstrucción, ber tracking, contiene
una cantidad considerable de incertidumbre. Este error o incertidumbre
se acumula a lo largo del proceso de obtención del modelo. En la fase de
obtención de los datos puede introducir errores por ruido en las imágenes,
distorsión de la imagen, parámetros del escáaner, etc. En la fase de reconstrucción se introducen errores de aproximación dependiendo del modelo de
difusión utilizado.
En la mayor parte de los algoritmos, este error no se muestra, lo cual
da una sensación de certidumbre en los datos que no se corresponde con la
realidad. Una aplicación para neurocirugía, no puede pasar por alto estos
errores, ya que la aplicación se usara para tomar decisiones y evaluar el
riesgo quirúrgico. Si no mostramos esta incertidumbre a la hora de estimar la longitud de las bras cerebrales podemos provocar da~no en tejido cerebral
sano.Nuestro objetivo en esta tesis es realizar un visualizado de este modelo
de bras mostrando el nivel de incertidumbre que tiene cada bra o grupo
de bras. El departamento de Ingenier a Biomédica de la Universidad
de Tecnología de Eindhoven tiene desarrollada una aplicación para la visualización de bras cerebrales (http://bmia.bmt.tue.nl/software/dtitool/).
Pere-Pau Vàzquez tiene contacto con este departamento y están desarrollando
métodos de visualización de la incertidumbre de los datos. Este trabajo
se hace en colaboracíon con ellos, en especial con Anna Vilanova y Ralph
Brecheisen. Por eso, hemos implementado nuestra técnica de visualización
como un plugin para esta aplicación. De esta manera, nos proporcionan muchas
facilidades, como el cargado de modelos de bras o parte del proceso de
visualización implementado.
Descripció
Projecte final de màster realitzat en col.laboració amb Universitat de Tecnologia de Eindhoven
TitulacióMÀSTER UNIVERSITARI EN COMPUTACIÓ (Pla 2006)
Col·leccions
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
Pedro Hermosilla.pdf | 8,246Mb | Visualitza/Obre |