Representación y Clasificación de Grandes Colecciones de Imágenes Médicas.

Este proyecto pretende encontrar una estrategia novedosa para anotar automáticamente el contenido visual de grandes colecciones de imágenes médicas. Estas imágenes comprenden diferentes modalidades (rayos X, resonancia magnética, ultrasonido, histología, microscopía, etc.) y son estructuralmente variables con respecto a su contenido (variabilidad biológica), al método de adquisición (ruido en la captura y variabilidad del posicionamiento de la fuente o del objeto) y a la circunstancia patológica. En la última década, los centros hospitalarios se han visto invadidos de cientos de miles de estas imágenes que deben ser almacenadas, transmitidas y administradas. Las bases de datos de imágenes médicas se han convertido en componentes fundamentales en la enseñanza, en el desarrollo de sistemas de apoyo al diagnóstico, en investigación y estudio de enfermedades. Estos temas son centrales en el desarrollo de la estrategia a proponer que va dirigida a fortalecer el proceso de formación de Médicos a nivel de posgrado y pregrado, y la calidad de la consulta médica mediante el uso de sistemas de apoyo al diagnóstico. El grupo de investigación Bioingenium cuenta con experiencia en problemas similares de representación, interpretación y reconocimiento de objetos complejos en imágenes biomédicas. En esta área el grupo cuenta con desarrollos y publicaciones en reconocimiento e interpretación de imágenes médicas, en particular del parásito de la malaria [9, 10, 11], reconocimiento de regiones de interés diagnóstico en imágenes de patología [12], microscopía virtual en megaimágenes de patología [17, 18, 16], recuperación de imágenes de histopatología a partir del contenido visual [2], anotación de estas mismas imágenes por conceptos de alto nivel semántico asociados al diagnóstico [3], segmentación de tejido cardiaco [25, 40] y clasificación de imágenes radiológicas[5]. El enfoque metodológico propuesto hace parte de técnicas novedosas que se están utilizando en la actualidad en las áreas de procesamiento de imágenes y aprendizaje de máquina, las cuales están siendo recientemente exploradas en el grupo. Para la representación de la imagen se propone usar características globales de la información visual basadas en color, textura y forma [12] y la representación local de la imagen estructurada bajo un enfoque completamente nuevo y recientemente explorado en el grupo, denominado bolsa de características [23]. El proceso de anotación de los conceptos visuales se llevará acabo usando técnicas de Aprendizaje Supervisado [3] y Semisupervisado [5]. Este último aborda el problema de generalizar el conocimiento, cuando se dispone del algún conjunto de imágenes anotadas por algunos conceptos sobre la totalidad de datos sin anotaciones de forma automática. Se hará especial énfasis en Métodos de Kernel [23], el cual es uno de los principales enfoques en el Aprendizaje de Máquina contemporáneo.

• Fecha de publicación: 2011
• Institución: Ministerio de Ciencia Tecnología e Innovación
• Repositorio: Repositorio Institucional de Minciencias
• Idioma: spa
• OAI Identifier: oai:repositorio.minciencias.gov.co:20.500.14143/37873
• Acceso en línea: https://colciencias.metadirectorio.org/handle/11146/37873; http://colciencias.metabiblioteca.com.co
• Palabra clave: Anotácion de Imágenes; Aprendizaje de Máquina; Grandes colecciones de Imágenes; Imágenes médicas; Procesamiento de Imágenes
• Rights: openAccess
• License: http://purl.org/coar/access_right/c_abf2