Tesis - Josemaria Salinas Serrano

Cloud CEIB I+D Sistema de gestin y
extraccin de conocimiento de la imagen

mdica

Jos Mara Salinas Serrano

Tesisdoctoral
CloudCEIBI+D
Sistemadegestinyextraccinde
conocimientodelaimagenmdica
JosMaraSalinasSerrano
Dirigidapor:
Dr.MiguelngelCazorlaQuevedo
UniversidaddeAlicante
DepartamentodeCienciadelaComputacineInteligenciaArtificial
Junio,2013

Loimportanteesnodejardehacersepreguntas
AlbertEinstein
AGRADECIMIENTOS
Al finalizar un trabajo complejo como una tesis doctoral, es inevitable que aflore un
sentimientohumanodeegocentrismoquetellevaaconcentrarlamayorpartedelmritoen
timismo.Sinembargo,cuandoechaslavistahaciaatrsyanalizasobjetivamenteelproceso,
tedascuentadequelamagnituddetutrabajohubiesesidoimposiblesinlaparticipacinde
personasquehanaportadosuayudaparalarealizacindelmismo.
MegustaraagradecerdemaneradestacadaaMiguelAngelCazorla,poraceptarladireccin
deestatesisyporsuscontinuosconsejosynimos.AlaincansableMariam,unaverdadera
profesional amante de la investigacin, ya que sin tu ayuda este trabajo no podra haberse
llevadoacabo.APabloyAlejandroporvuestracolaboracin.ASantiagoyngel,porabriry
sembrar el gusanillo de la curiosidad del mundo de la neuroimagen a un informtico con
menteinquieta,osdebomucho.AAlexRovirayasuequipo:Elena,Dborah,Silvia,Juanfran
y Cristina, por vuestra gran ayuda y colaboracin en mi estancia formativa en Barcelona. A
miscompaerosyamigos,osagradezcovuestroapoyoincondicional.
Amispadres,porinculcarmelosvaloresdeltrabajo,elesfuerzoyelsacrificiodiario,yaque
sin ellos nada de esto hubiese sido posible, he aqu la cosecha de lo que sembrasteis. A mi
hermanoPablo,alrestodemifamiliayenespecialamitoManolo.
Yparafinalizar,hequeridodejarelltimoagradecimientoalaspersonasmsespecialesque
tengo,lasquemshansufridoeldaadadeestatesis,elpilardondemeheapoyadoysinel
cualnohubiesellegadoalameta.ParatiRebeca,paratiLuca,miagradecimientodecorazn
ydedicatoriaespecial.

Amiprincesa,amireina.
11
INDICEDECONTENIDOS
12
13
INDICEDECONTENIDOS
Agradecimientos..................................................................................................................7
Indicedecontenidos..........................................................................................................11
ndicedefiguras.................................................................................................................16
Resumen............................................................................................................................21
Resum................................................................................................................................23
Abstract..............................................................................................................................25
Captulo1.Introduccin.....................................................................................................27
Motivacin.........................................................................................................................................29
Objetivos............................................................................................................................................30
Aportaciones......................................................................................................................................30
Organizacindelatesis......................................................................................................................31
Captulo2.Estadodelarte.................................................................................................33
Introduccin.......................................................................................................................................35
Generalidadesdelabioimagen..........................................................................................................35
Imagenporresonanciamagnticanuclear...................................................................................................38
Biomarcadores...............................................................................................................................................44
ElestndarDICOM.........................................................................................................................................48
Postprocesodeimagenmdica.........................................................................................................53
Tcnicasbsicasdeprocesodeimagenmdica............................................................................................54
TiposdepostprocesodeimgenesmdicasparaRM...................................................................................69
FormatosdeimagenutilizadasenpostprocesoconRM...............................................................................73
SuitesdePostprocesodeimagenmdicaparaneuroimagen.......................................................................74
Sistemasdeinformacinsanitarios...................................................................................................81
Generalidades................................................................................................................................................81
Modelodesistema.........................................................................................................................................82
DescripcindesubsistemasHIS,RIS,PACS....................................................................................................84
Sistemasdealmacenamientoycomunicacindebioimagen(PACS)................................................86
ArquitecturaPACS..........................................................................................................................................87
VentajasdelosservidoresPACS....................................................................................................................89
DesarrollosrecientesenlosServidoresPACS.................................................................................................90
CentrodeExcelenciaenImagenBiomdica......................................................................................92
Proyectosenmarcha.....................................................................................................................................94
14
Captulo3.CloudCEIBI+D..................................................................................................97
Visingeneraldelsistema..................................................................................................................99
SistemadeInformacinSANitaria:SISAN........................................................................................102
ElSISANdelaAVS........................................................................................................................................103
InteraccindeSISANconCloudCEIBI+D.....................................................................................................105
BancodeImagenMdicadelaAVS:GIMCAVS..............................................................................107
Almacenamiento..........................................................................................................................................108
Basededatos...............................................................................................................................................108
Servidordeaplicaciones..............................................................................................................................109
ComunidadCientfica:CC.................................................................................................................110
Motordebsqueda:SE....................................................................................................................111
Anonimizador:CEIBANON................................................................................................................113
GestordeEnsayosyprogramasdeinvestigacinconBioimagenparalaI+D:GEBID.....................114
FlujodeinformacinenGEBID....................................................................................................................117
ArquitecturadeGEBID.................................................................................................................................120
Motordeconocimiento:BIKE..........................................................................................................122
BIKEPostproceso.........................................................................................................................................124
BIKECuantificador.......................................................................................................................................128
BIKEDatamining..........................................................................................................................................130
BIKEClasificador..........................................................................................................................................133
Conclusiones....................................................................................................................................135
Captulo4.NeuroBIMMS.................................................................................................137
Visingeneraldelsistema................................................................................................................139
NeuroBIMMSHIS............................................................................................................................141
Seleccindeestudios...................................................................................................................................142
Inclusindeinformesenlahistoriaclnicadelpaciente..............................................................................144
SistemadeenrutamientoyanonimizacinCEIBANON...................................................................145
GestordeensayoclnicoGEBIDNeuroBIMMS...............................................................................149
ModelodedatosNeuroBIMMS..................................................................................................................150
Serviciosweb...............................................................................................................................................153
BIKENeuroBIMMS..........................................................................................................................154
BIKEPostproceso.........................................................................................................................................155
BIKECuantificacin......................................................................................................................................155
Conclusiones....................................................................................................................................156
15
Captulo5.CasodeusoconNeuroBIMMS.......................................................................157
Introduccin.....................................................................................................................................159
Diagnsticodelaesclerosismltiple...........................................................................................................160
LaimagenmdicaporRMaplicadaalestudiodelaesclerosismltiple.....................................................161
Casosdeestudio..............................................................................................................................162
Atrofiacerebral............................................................................................................................................165
Cargalesionalensustanciablanca..............................................................................................................176
Conclusiones....................................................................................................................................186
Captulo6.OtrasaplicacionesprcticasdeCloudCEIBI+D...............................................189
Introduccin.....................................................................................................................................191
NeuroBIMMS...................................................................................................................................191
Dosisderadiacin............................................................................................................................192
RIACC................................................................................................................................................193
Oceanogrfic....................................................................................................................................194
EncefalopataHeptica....................................................................................................................195
Microscopaconfocal.......................................................................................................................196
Captulo7.Conclusionesytrabajosfuturos......................................................................197
Conclusiones....................................................................................................................................199
Trabajosfuturos...............................................................................................................................201
Captulo8.Publicaciones..................................................................................................203
Publicacionesenrevistas.................................................................................................................205
Comunicacionesencongresos.........................................................................................................205
Internacionales............................................................................................................................................205
Nacionales...................................................................................................................................................205
ProyectosdeI+D..............................................................................................................................206
Actividaddocente............................................................................................................................206
Captulo9.Bibliografa.....................................................................................................207
Anexo1Cartasdeinters...............................................................................................219
Internacionales.................................................................................................................................221
Nacionales........................................................................................................................................237
16
NDICEDEFIGURAS
Fig.1.1.AnlisisinicialdelaarquitecturaCloudCEIBI+D.....................................................................30
Fig.2.1.EsquemadelprocesodeobtencindeimgenesyespectrosdeRM.....................................39
Fig.2.2.Figuratridimensionalconstituidaporunidadeselementalesdevolumenovxels................39
Fig.2.3.EjemplodeRMtomadasegnT1,T2yDP...............................................................................40
Fig.2.4.EjemplosdeartefactosdeRM.A)Artefactodecuadratura.B)Ruidodeinhomogeneidad.C)
Artefactodemovimientoporpulsacindelavenasagitalsuperior(verflechas).D)Efectode
volumenparcial(obsrvesecmocambianloscontornosenfuncindeltamaodelvxelpara
cortesde3yde10mmdeespesor).............................................................................................42
Fig.2.5.FDPdeRICEparadistintosSNR.NotarqueparaSNR>3ladistribucindeRICEes
prcticamenteGaussiana..............................................................................................................43
Fig.2.6.DiferentescontrastesdelmismoobjetoproporcionadosporIRM.Deizquierdaaderecha:
FLAIR,GraSE,DWI,rCBV,TPP.Estasdosltimassonimgenesparamtricasobtenidasde
estudiosdinmicos(cortesadePhilipsSistemasMdicos)..........................................................44
Fig.2.7.Definicindebiomarcadoresmedianteimgenesparamtricasencolor...............................45
Fig.2.8.Mapadeprocesosparaelestablecimientoyvalidacindeunbiomarcadordeimagen.(Mart
Bonmatetal.,2011).....................................................................................................................47
Fig.2.9.CapasdelmodeloDICOM.........................................................................................................48
Fig.2.10.ModelodeinformacinyobjetosdelformatodearchivoDICOM........................................49
Fig.2.11.ModelodescriptivodedatosdelacabeceraDICOM.............................................................50
Fig.2.12.EjemplodecabeceraDICOM..................................................................................................51
Fig.2.13.Histogramadeunaimagenmdicacorrespondienteaunaangiografa...............................55
Fig.2.14.Ejemplodelamodificacindelaescaladegrises:(a)Imagende4x4pxeles,concadapxel
representadopor3bits;(b)Funcindetransformacindelosnivelesdegris;(c)......................56
Fig.2.15.Imagen1.14conunprocesadodenegativo...........................................................................57
Fig.2.16.Imagen1.14conunprocesadodemayorbrillo.....................................................................57
Fig.2.17.Imagen1.14binarizadaconelumbral128deescaladegrises.............................................58
Fig.2.18.Imagen1.14conelcontrasterealzado...................................................................................59
Fig.2.19.Imagenporresonanciamagnticacoloreada........................................................................60
Fig.2.20.Esquemadelprocesodeconvolucinconunamscara.Cadapxelenlaimagendesalidaes
elresultadodelasumadelosproductosentrelospxelesdelamscaraylospxelesincluidosen
lavecindadcorrespondienteenlaimagendeentrada.................................................................62
17
Fig.2.21.Ejemplodefiltropasobajo.(a)imagenoriginal,(b)imagencontaminadaconruido.(c)
Imagenprocesadaconunfiltropromediador...............................................................................63
Fig.2.22.Ejemplodefiltropasoalto.a)imagenoriginalb)imagenresultantedeaplicarelfiltro......64
Fig.2.23.Ejemplodefiltrodemediana(a)imagenoriginal,(b)imagencontaminadaconruido
impulsivo(c)Imagenprocesadaconunfiltrodemediana...........................................................65
Fig.2.24.Sistemautilizadoparaladeteccindecontornos..................................................................66
Fig.2.25.Ejemplodeunhistogramabimodal,enestecasoelumbralautilizarenlasegmentacin
debieraestarubicadoenelvalleentrelosdospicosdelmismo..................................................68
Fig.2.26.Ejemplodelasegmentacin(a)imagenoriginalcorrespondienteaunaventriculografa(b)
histograma(c)segmentacinobtenidamedianteunumbral(d)formadelventrculoobtenida
luegodeeliminardemaneraautomticalospxelesruidososdelaimagen(c)..........................68
Fig.2.27.Resultadodesegmentacinporcrecimientoderegiones.....................................................69
Fig.2.28.ReconstruccinmultiplanardeunestudiodeRMcerebral...................................................71
Fig.2.29.ReconstruccinvolumtricadeunestudiodeRMcerebral..................................................72
Fig.2.30.Segmentacincerebral,deizquierdaaderecha,lquidocefalorraqudeo,sustanciagrisy
sustanciablanca............................................................................................................................73
Fig.2.31.PantalladeiniciodeSPM.......................................................................................................75
Fig.2.32.EjemplodeejecucindesecuenciasdeprocesosdentrodeSPM.........................................77
Fig.2.33.FSL...........................................................................................................................................78
Fig.2.34.FreeSurfer...............................................................................................................................80
Fig.2.35.ModelodesistemadeinformacinsanitariodelaAVS.........................................................82
Fig.2.36.ArquitecturadeunsistemaPACS...........................................................................................87
Fig.2.37.Estacindetrabajo(workstation)ejecutandoelvisorPACS..................................................88
Fig.2.38.IntegracindelosPACS..........................................................................................................90
Fig.2.39.LogotipodelCentrodeExcelenciaenImagenBiomdica......................................................92
Fig.2.40.EsquemadereasdeestudiodeCEIB....................................................................................93
Fig.2.41.Proyectoedadsea................................................................................................................94
Fig.2.42.ProyectoRIACC.......................................................................................................................94
Fig.2.43.Proyectodosisderadiacin....................................................................................................95
Fig.2.44.ProyectoEurobioimaging.......................................................................................................96
Fig.2.45.ProyectoGITEM......................................................................................................................96
Fig.3.1.ModelogeneraldelsistemadeCloudCEIBI+D......................................................................100
Fig.3.2.ModelodecomunicacinSISANCloudCEIBI+D..................................................................102
18
Fig.3.3.PortfoliodeaplicacionesdentrodelSISANdelaAVS............................................................104
Fig.3.4.EjemplodeflujodeinteraccinentreSISANyCloudCEIBI+D..............................................106
Fig.3.5.EstructurageneraldelGIMC...................................................................................................107
Fig.3.6.MdulodealmacenamientoHitachiparaGIMCenlaAVS....................................................108
Fig.3.7.OracleClusterRAC..................................................................................................................109
Fig.3.8.Tecnologasenlacapadeaplicacin......................................................................................110
Fig.3.9.Tiposdeusuariosenlacomunidadcientfica.........................................................................110
Fig.3.10.Estructuradelprocesodelmotordebsqueda...................................................................112
Fig.3.11.EstructurageneraldeCEIBANON.........................................................................................113
Fig.3.12.PrincipalescaractersticasdeGEBID.....................................................................................114
Fig.3.13.EntidadproyectoysujetoenelmodelodeGEBID...............................................................117
Fig.3.14.FlujodeinformacindentrodeGEBID.................................................................................119
Fig.3.15.InterfazwebdelportalGEBID..............................................................................................120
Fig.3.16.ArquitecturaGEBIDbasadaenXNAT....................................................................................121
Fig.3.17.SistemadealmacenamientodelCPDdelCIPF.....................................................................122
Fig.3.18.MdulosbasedeBIKE..........................................................................................................123
Fig.3.19.AlgunasinstanciasdelasuiteBIKE.......................................................................................123
Fig.3.20.EjemplodeentornoshelldeBIKEPostproceso...................................................................125
Fig.3.21.BIKEPostprocesosebasaenelgestorLONIPipeline..........................................................126
Fig.3.22.ArquitecturabasedeBIKEPostproceso...............................................................................127
Fig.3.23.Procesodecreacinyvalidacindeunbiomarcador(MartBonmatetal.,2011).............128
Fig.3.24.EsquemagrficodefuncionamientodeBIKECuantificador................................................130
Fig.3.25.EjemplodecontenidodecabeceraDICOMenunaRM.......................................................131
Fig.3.26.ArquitecturabasedeBIKEDatamining................................................................................132
Fig.4.1.ArquitecturageneralyflujosidentificadosenNeuroBIMMS...............................................140
Fig.4.2.ProyectoOrionRIS..................................................................................................................141
Fig.4.3.Flujodeinformacinporenvodirecto..................................................................................142
Fig.4.4.FlujodeinformacinporenvoatravsdeconsultaalPACS................................................143
Fig.4.5.Flujodeinformacinparalainclusindelosinformesdevaloraadidoenlahistoriaclnica
delpaciente.................................................................................................................................144
Fig.4.6.ArquitecturadeCEIBANONdentrodelproyectoNeuroBIMMS...........................................146
Fig.4.7.Archivoconfig.xmldelainstanciaCEIBANON(CTP)...............................................................147
19
Fig.4.8.ProyectoGEBIDNeuroBIMMS...............................................................................................149
Fig.4.9.Modelodeorganizacindecarpetasenlaentidadsesin....................................................152
Fig.4.10.PortaldedocumentacindelRESTAPIdeXNAT..................................................................154
Fig.5.1.EsquemavisualdelaslesionesdesmielinizantesdelnervioenpacientesconEM................159
Fig.5.2.GinkgoCadx,visorDICOMconcapacidaddeenvoaotronodoDICOM...............................163
Fig.5.3.ConfiguracindenodoDICOMCEIBANONenGinkgoCadx...................................................163
Fig.5.4.PacientesyestudiosdentrodelproyectoNeuroBIMMS......................................................164
Fig.5.5.EsquemageneraldelalgoritmoSIENAX(Smith,S.M.etal.,2002).........................................169
Fig.5.6.EjemplodeejecucindelalgoritmoSIENAXsobreunpacientedeterminado.......................170
Fig.5.7.ResultadodelaextraccindelcerebroymscaradelcrneomediantelaherramientaBET171
Fig.5.8.ResultadodelregistroalespacioestndardelaplantillaMNI152mediantelaherramienta
FLIRT............................................................................................................................................171
Fig.5.9.Resultadodelasuperposicindelcerebrodelpacientecontralamscaradelaplantilla
registrada.Losvaloresenrojomuestranlospxelesdelaplantilladelcerebroestndar,los
valoresazuleslosdelcerebrodelpacienteylosvaloresverdeslainterseccinentreambas
mscaras......................................................................................................................................172
Fig.5.10.Resultadodelasegmentacincompletadelcerebro..........................................................172
Fig.5.11.Resultadodelasegmentacindelcortexcerebral(PG).......................................................173
Fig.5.12.Resultadodelasegmentacindelosventrculoscerebrales(CSFV)...................................173
Fig.5.13.SecuenciasT2(A)yFLAIR(B)................................................................................................177
Fig.5.14.Postprocesodeobtencindelacargalesionalcompletaprobabilstica.............................179
Fig.5.15.Paciente001.Mapalesionalprobabilsticodedoscortesejemplo.....................................184
Fig.5.16.Paciente005.Mapalesionalprobabilsticodedoscortesejemplo.....................................184
Fig.6.1.NeuroBIMMS.........................................................................................................................191
Fig.6.2.Estudiodeladosisderadiacinenpacientes........................................................................192
Fig.6.3.RIACC......................................................................................................................................193
Fig.6.4.OceanogrficEcografadedelfines......................................................................................194
Fig.6.5.Estudioenrestingstate..........................................................................................................195
Fig.6.6.Microscopafocal....................................................................................................................196

20
21
RESUMEN
En el siglo XXI, la imagen biomdica ha pasado a ser una de las disciplinas centrales de la
medicina actual a medida que aumenta el nmero de enfermedades que se diagnostican y
tratan con su ayuda, se desarrollan sistemas cada vez ms sofisticados para obtener
imgenesmdicas.
Lacomunidadcientficaenelcampodelaimagenbiomdicaestformadaporprofesionales
multidisciplinares pertenecientes a multitud de centros de investigacin, departamentos
universitariosymiembrosdelaindustria.
Uno de los problemas fundamentales con los que se encuentran los investigadores en el
campo de las tcnicas de imagen biomdica es la heterogeneidad de sistemas y la mala
accesibilidad a las infraestructuras existentes o incluso el desconocimiento de su existencia.
Se plantea entonces una necesidad de actuacin en el mbito de la I+D aplicada a la
bioimagen.
El Sistema de Informacin Sanitario de la Agencia Valenciana de Salud (AVS), es un sistema

de considerable envergadura que ofrece un surtido porfolio de soluciones informticas
altamente especializadas. El banco de imagen centralizado de la imagen mdica de la AVS
(GIMC), permitir dar soporte para I+D a la comunidad cientfica a travs de la
implementacin de servicios lgicos de consulta y recuperacin de conjuntos de imgenes
determinados.
Elsistemadegestinyextraccindeconocimientodelaimagenmdica,CloudCEIBI+Dque
se propone en esta tesis utilizar los servicios ofrecidos por el GIMC como base para
gestionar y extraer conocimiento de la imagen almacenada en el banco, ofreciendo dicho
conocimiento en forma de servicios de valor aadido y alta especializacin al sistema de
informacin de la Historia Electrnica del Paciente (HSE) para, de esta forma, trasladar los
resultadosdelaI+Deinnovacinalpaciente.
Cloud CEIB I+D consta de cuatro mdulos generales: Sistema de informacin sanitario
(SISAN), motor de bsqueda (SE), anonimizador (CEIBANON), gestor de ensayos clnicos y
proyectosdeinvestigacindebioimagenparalaI+D(GEBID)ymotordeconocimiento(BIKE).
BIKE es el mdulo central y a travs de sus sistemas base analizar y generar el

conocimiento para alimentar a HSE a travs de estos servicios. La tecnologa utilizada en
CloudCEIBI+Destbasadaprincipalmenteenelparadigmaopensource.
Cloud CEIB I+D es un proyecto real, en fase de desarrollo contnuo, que ha servido de base
para la implementacin de instancias como NeuroBIMMS, un sistema de gestin y
extraccindeconocimientodeimgenesdepacientesconesclerosismltiple.Porlotanto,la
22
arquitectura de Cloud CEIB I+D no se trata slo de una propuesta terica, sino que se ha
conseguido desarrollar y poner en marcha una instancia real para un caso concreto
demostrandosuvalidezparalosobjetivosperseguidos.
23
RESUM
En el segle XXI, la imatge biomdica ha passat a ser una de les disciplines centrals de
lamedicina actual. A mesura que augmenta el nombre de malalties que es diagnostiquen i
tracten amb la seva ajuda, els sistemes d'adquisici d'imatge mdica sn cada vegada
mssofisticats.
La comunitat cientfica en el camp de la imatge biomdica est formada per professionals

multidisciplinares pertanyents a multitud de centres d'investigaci, departaments
universitarisimembresdelaindstria.
Undelsproblemesfonamentalsambelsqualsestrobenelsinvestigadorsenelcampdeles
tcniquesd'imatgebiomdicasl'heterogenetatdesistemesiladolentaaccessibilitatales
infraestructures existents o fins i tot el desconeixement de la seva existncia. Es planteja
llavorsunanecessitatd'actuacienl'mbitdelaI+Daplicadaalabioimagen.
El Sistema d'Informaci Sanitari de l'Agncia Valenciana de Salut (AVS), s un sistema de

considerable envergadura que oferix un assortiment porfolio de solucions informtiques
altamentespecialitzades.Elbancd'imatgecentralitzatdelaimatgemdicadelaAVS(GIMC),
permetr donar suport per a I+D a la comunitat cientfica a travs de la implementaci de
serveislgicsdeconsultairecuperacideconjuntsd'imatgesdeterminats.
Elsistema degestiiextraccideconeixement dela imatge mdica,Cloud CEIBI+Dquees

proposa en aquesta tesi utilitzar els serveis oferits pel GIMC com a base per a gestionar i
extraureconeixementdelaimatgeemmagatzemadaenelbanc,oferintaquestconeixement
enformadeserveisdevalorafegitialtaespecialitzacialsistemad'informacidelaHistria
Electrnica del Pacient (HSE) per a, d'aquesta forma, traslladar els resultats de lI+D i
innovacialpacient.
Cloud CEIB I+D consta de quatre mduls generals: Sistema d'informaci sanitari (SISAN),
motor de recerca (Es), anonimizador (CEIBANON), gestor d'assajos clnics i projectes
d'investigacidebioimagenperalaI+D(GEBID)imotordeconeixement(BIKE).
BIKE s el mdul central i mitjanant els seus sistemes base analitzar i generar el
coneixement per a alimentar a HSE a travs d'aquests serveis. La tecnologia utilitzada en
CloudCEIBI+Destbasadaprincipalmentenelparadigmaopensource.
Cloud CEIB I+D s un projecte real, en fase de desenvolupament continu, que ha servit de
baseperalaimplementacid'instnciescomNeuroBIMMS,unsistemadegestiiextracci
de coneixement d'imatges de pacients amb esclerosi mltiple. Per tant, l'arquitectura de
Cloud CEIB I+D no es tracta noms d'una proposta terica, sin que s'ha aconseguit
24
desenvolupar i engegar una instncia real per a un cas concret demostrant la seva validesa
peralsobjectiusperseguits.

25
ABSTRACT
In the 21st century, biomedical imaging has become one of the core disciplines of modern
medicine. As it increases the number of diseases that are diagnosed and treated with their
help,medicalimageacquisitionsystemsareincreasinglysophisticated.
The scientific community in the field of biomedical imaging is formed by multidisciplinary

professionals belonging to many research centers, university departments and industry
members.
One of the fundamental problems encountered by researchers in the field of technical

biomedical imaging is the heterogeneity of systems and poor accessibility to existing
infrastructureorevenignoranceoftheirexistence.Thereisthenaneedforactioninthefield
ofresearchanddevelopment(R&D)appliedtobioimaging.
Health Information System of the Valencia Health Agency (AVS) is a system of considerable
size featuring an assortment portfolio of solutions highly specialized. The AVS centralized
medical image bank (GIMC) will support for R & D to the scientific community through the
implementationoflogicservicesforqueryandretrievalofcertainimagesets.
The management system and knowledge extraction from medical imaging, R & D Cloud
CEIBproposedinthisthesis,usesservicesofferedbytheGIMCasabasisformanagingand
extractingknowledgefromtheimagesstoredinthebank,providingthatknowledgeinform
ofvalueaddedandhighlyspecializedservicestothePatientElectronicHealthRecords(HSE)
for,thustakingtheresultsofR&Dandinnovationtothepatient.
R & D Cloud CEIB consists of four general modules: Health Information System (SISAN),
Search Engine (SE), Anonymizer (CEIBANON), R & D Bioimaging Clinical Trial and Research
ProjectsManager(GEBID)andKnowledgeEngine(BIKE).
BIKE is the main module and through their subsystems analyze and generate knowledge to
feedHSEthroughtheseservices.ThetechnologyusedinR&DCloudCEIBismainlybasedon
theopensourceparadigm.
R&DCloudCEIBisarealprojectundercontinuousdevelopment,whichhasbeenthebasis
fortheimplementationofinstancesasNeuroBIMMS,amanagementsystemandknowledge
extraction from images of patients with multiple sclerosis. The Architecture of R & D Cloud
CEIBisnotjustatheoreticalproposition,butithasbeenmanagedtodevelopandimplement
acurrentinstancetoaparticularcasetoproveitsworthtotheobjectivespursued.

26
27
CAPTULO1.INTRODUCCIN

Captulo1.Introduccin
28

29
MOTIVACIN
La imagen biomdica aparece en el campo de la ciencia hace 115 aos con la primera
radiografa obtenida por Wilhelm Conrad Roentgen. Por entonces, el descubrimiento fue
aclamado como uno de los mayores logros tecnolgicos de la humanidad, un invento que
revolucionaratodosycada unodelosaspectosde laexistenciahumana,loqueresult ser
cierto.
En el siglo XXI, la imagen biomdica ha pasado a ser una de las disciplinas centrales de la
medicina actual a medida que aumenta el nmero de enfermedades que se diagnostican y
tratan con su ayuda, se desarrollan sistemas cada vez ms sofisticados para obtener
imgenesmdicas.
Lacomunidadcientficaenelcampodelaimagenbiomdicaestformadaporprofesionales
multidisciplinares pertenecientes a multitud de centros de investigacin, departamentos
universitariosymiembrosdelaindustria.
Uno de los problemas fundamentales con los que se encuentran los investigadores en el
campodelastcnicasdeimagenbiomdicaeslaheterogeneidadylamalaaccesibilidadalas
infraestructurasexistentesoinclusoeldesconocimientodesuexistencia.
Dentro de la Agencia Valenciana de Salud (AVS) existen multitud de profesionales de todas

las reas de trabajo que diariamente aportan todo su conocimiento a la gestin y atencin
sanitariadepacientesyfamiliares.
Analizando la informacin y los procesos actuales dentro del rea de I+D de la AVS, se
plantea la necesidad de creacin de un sistema general que permita explotar todo el
conocimiento almacenado en los bancos de imagen biomdica y ofrecer a la comunidad
cientfica una serie de servicios de I+D basados en tecnologas open source para la
investigacin.
30
Fig.1.1.AnlisisinicialdelaarquitecturaCloudCEIBI+D
OBJETIVOS
Elobjetivoprincipaldeestatesisesdefinirunaarquitecturaescalableymodularquepermita
la explotacin de la valiosa informacin contenida en los bancos de bioimagen a travs de
serviciosdeI+Dydeestaformapoderofreceralacomunidadcientficaunaplataformapara
su gestin y aprovechamiento, y que de su estudio se pueda ofrecer al profesional
asistencial, servicios especficos de alto valor aadido ofrecidos al sistema de informacin
pblicosanitarioparalamejoradelahistoriaclnicaelectrnicadelpaciente.
APORTACIONES
Elsistema CloudCEIBI+D,definidoen esta tesis,haservidocomoarquitectura base parala

peticin del Centro de Excelencia de Imagen Biomdica (CEIB) de la Agencia Valenciana de
Salud de la Consejera de Sanidad de la Comunidad Valenciana como nodo europeo del
proyecto EuroBioImaging (http://www.eurobioimaging.eu), un referente dentro del marco
estratgico de la Comunidad Europea que establece un plan en toda Europa para que las
infraestructurasdegestindelabioimagenseencuentrenarmonizadasycoordinadasentre
todos los nodos implicados Euro Bioimage, The EuroBioImaging Vision To provide a clear
path of access to imaging technologies for every biomedical scientist in Europe, (Keppler et
al.,2011).
31
Sonmsdetreintaloscentros,pblicosyprivadosanivelnacionaleinternacionalque,tras
lapresentacindelaarquitecturaCloudCEIBI+D,hanmanifestadosuintersenelusodela
misma.Enelanexo1semuestranlascartasmsrepresentativas.
Deestatesis,adems,sehanrealizadodiferentesaportacionesacongresostantonacionales
comointernacionalesascomoarevistasJCRdeprestigio,delmbitodelamedicinaydela
informtica,detalladasenelcaptulodepublicaciones,ascomovariasactividadesdocentes
enmateriadepostprocesodeimagenendiversoscentrosdeinvestigacin.
ORGANIZACINDELATESIS
Esta tesis presenta el trabajo basndose en la definicin de la arquitectura general sistema

(CloudCEIBI+D),definicindeunsubsistemaimplementadobajodichomodelo(NeuroBIM
MS)yuncasodeusodemostrativodedichosubsistema.
Tras la introduccin del Captulo 1, donde se especifican la motivacin, objetivos y

aportacionesdeestatesis,elCaptulo2,Estadodelarte,describelaevolucinyestudiode
cadaunodeloselementosmsimportantesdelmundodelabioimagen:Generalidadesdela
bioimagen,elpostprocesodeimagenmdicaylossistemasdeinformacinsanitarios.
ElCaptulo3,CloudCEIBI+D,definelaarquitecturageneraldelsistemapropuestoparala
gestin y extraccin de conocimiento de la bioimagen, detallandoel diseo de cada uno de
susmdulos.
El Captulo4, NeuroBIMMS, define la construccin de un sistema degestin yextraccin

de conocimiento aplicado a la esclerosis mltiple basado en la arquitectura Cloud CEIB I+D,
dondesedetallalaimplementacinrealdecadaunodesusmdulos.
El Captulo 5, Caso de uso de NeuroBIMMS, define paso a paso el uso del sistema
NeuroBIMMSaplicadoalclculodedosbiomarcadoresrelacionadosconla enfermedad de
esclerosis mltiple (Atrofia cerebral y carga lesional de sustancia blanca). Para cada uno de
estosbiomarcadoressedefineunaintroduccin,materialymtodos,resultadosydiscusin.
El Captulo 6, Otras aplicaciones prcticas de Cloud CEIB I+D, detalla otros ejemplos de
casosdeusodelaplataformaparadiferentesproyectosrelacionadosconlabioimagen.
ElCaptulo7,Conclusionesytrabajosfuturos,realizaunresumengeneraldetodolosvisto
en la tesis y detalla las lneas de trabajo a seguir en el desarrollo e implantacin de los
sistemasCloudCEIBI+D.
El Captulo 8, Publicaciones, detalla las publicaciones realizadas a partir de la informacin

deestatesisencongresos,revistas,proyectosI+Dyactividadesdocentesrelacionadas.
32
La tesis termina con el Captulo 9, Bibliografa, con las referencias bibliogrficas utilizadas
para la redaccin y diseo del trabajo, y con un anexo en donde se adjuntan las cartas de
intersmsrelevantessobreelusodelsistemaporpartedelacomunidadcientfica.
EstatesissehallevadoacabobajolasupervisindeMiguelngelCazorlaQuevedo,profesor
titular del Departamento de Ciencia de la Computacin e Inteligencia Artificial de la
Universidad de Alicante y Mara de la Iglesia Vay, responsable del laboratorio de
conectividadcerebraldelCentrodeInvestigacinPrncipeFelipedeValencia(CIPF).
EltrabajoseharealizadoprincipalmenteenlaUniversidaddeAlicante(UA)yenelCentrode
InvestigacinPrncipeFelipe.Partedeltrabajo,reflejadoenelCaptuloVseharealizadoen
elHospitalVegaBajadeOrihuelabajoladireccindelDr.SantiagoMolayenelInstitutode
DiagnsticoporlaImagen(IDI)delHospitalVallDHebrndeBarcelonabajoladireccindel
Dr.AlexRovira.
33
CAPTULO2.ESTADODELARTE
Captulo2.Estadodelarte
34
35
INTRODUCCIN
En este apartado se exponen las generalidades y los trabajos ms importantes de todos los
temasrelacionadosconelsistemaqueseproponeenestatesisdoctoral.
En el segundo apartado hablaremos del concepto de bioimagen en el mbito sanitario,

exponiendo las generalidades ms importantes, as como una evolucin de las principales
modalidades de imagen. A continuacin nos centraremos en el tipo de imagen por
resonancia magntica nuclear, modalidad en el que basaremos el caso prctico NeuroBIM
MS del sistema propuesto en Cloud CEIB I+D. Tras este subapartado, expondremos el
concepto de biomarcador aplicado a la imagen mdica y la importancia que tienen en el
mbitodeldiagnsticodeenfermedades.Finalizamosesteprimerpuntosobregeneralidades
delabioimagen,definiendoelformatodeimagenmdicamsutilizado,elformatoDICOM,
analizandosuscaractersticasyprotocolosmsimportantes.
Eneltercerapartadohablaremosdelpostprocesodelaimagenmdica,puntofundamental
decualquierestudiobasadoenimagen.Seanalizarnlosconceptosytcnicasgeneralesms
importantes as como de la evolucin que estos sistemas han tenido en los ltimos aos.
Finalizamosestesubapartadocon ladescripcin de los formatos deimagenmscomunes y
de las suites de postproceso de imagen neurolgica por resonancia magntica ms
importantes.
En el cuarto apartado hablaremos de los sistemas de gestin para la historia clnica

electrnica del paciente, viendo sus generalidades y planteando los pilares bsicos de su
estructura.SedefinirnalgunossubsistemascomoHIS,RIS,SILyPACS.
En el quinto apartado hablaremos ms en detalle de uno de los subsistemas anteriores, los

sistemas de almacenamiento y comunicacin de imagen mdica, conocidos por sus iniciales
en ingls como PACS, encargados de la gestin de toda la imagen mdica generada por las
diferentesmodalidadesdeadquisicinycaptura.
Para terminar el captulo, en el sexto apartado hablaremos sobre el Centro de Excelencia

para la Imagen Biomdica (CEIB), exponiendo sus principales lneas de investigacin en el
mbitodelabioimagen.
GENERALIDADESDELABIOIMAGEN
Entendemos por bioimagen, o imagen mdica, al conjunto de tcnicas y procesos usados

paragenerarimgenescompletasoparcialesdelcuerpohumanoconelpropsitodeaplicar
procedimientos clnicos (procedimientos mdicos que buscan revelar, diagnosticar o
examinar enfermedades) o para la investigacin mdica (incluyendo el estudio de la
anatomanormalyfuncin).(Rdenas,J.etal.,2006)
Captulo3.CloudCEIBI+D
36
La imagen mdica aplicada al propsito clnico ha revolucionado el diagnstico de muchas

enfermedades desde su inicio a finales del siglo XIX cuando Wilhelm C. Roentgen, fsico
alemn, descubri en 1895 que los rayos X podan penetrar objetos opacos y proporcionar
una imagen de su estructura interna. Desde entonces sta ha sido la herramienta ms
importante y ms ampliamente usada en medicina clnica, tanto como instrumento de
diagnsticocomoconpropsitosteraputicos.
En la actualidad existen numerosas modalidades de imagen mdica como son las placas de
rayosX,latomografaporemisindepositrones(PET),latomografaaxialcomputarizada(CT
o TAC), la ecografa, la endoscopia y la resonancia magntica entre otras muchas. En el
siguiente subapartado detallaremos la modalidad de resonancia magntica, detallando los
fundamentostcnicosyfsicosdeestamodalidad.
La aplicacin de las tecnologas de la informacin y de las comunicaciones (TIC) est

transformando da a da todos los escenarios de trabajo cotidiano. El avance en la
digitalizacindelaimagenmdicaconllevadadaunaseriedeventajassustanciales:
Posibilidaddeprocesamientodigital(brillo,contrastediferenciadoentejidosblandos,
filtros,ampliaciones,medidasgeomtricas,tcnicasdepostprocesoavanzado,etc.)
Inalterabilidaddelainformacin
Facilidaddeaccesoydifusin
Menorcostoeconmico
ElformatodedatosqueseutilizaenelmundodelaimagenmdicaeselformatoDICOM,el
cual analizaremos ms adelante y que nos permite adjuntar a la imagen informacin
demogrficayclnicadelpaciente.
Podemos realizar dos tipos de clasificaciones de bioimagen, dependiendo de la energa que

seutilizaenlaadquisicinjuntoconsusadjetivosdefuncionalotomogrficaydependiendo
del nmero de dimensiones que permiten generar dichas imgenes. En la siguiente tabla
podemosverambasclasificaciones.
37
MODALIDAD TCNICA ENERGA IONIZANTE FUNCIONAL TOMOGRFICA
Radiologa radiografa rayosX SI NO NO
radioscopa rayosX SI NO NO
TC rayosX SI NO SI
Medicina
Nuclear
SPECT rayos SI SI SI
PET rayos SI SI SI
Ecografa ecografa ultrasonidos NO NO SI
Resonancia
magntica
ROM radiofrecuencia NO NO SI
fRM radiofrecuencia NO SI SI
Endoscopia endoscopia luz NO NO NO
Microscopa microscopa luz NO NO NO
Clasificacinporlaenergaqueseutilizaenlaadquisicinjuntoconsusadjetivosdefuncionalotomogrfica.
UNIDIMENSIONALES BIDIMENSIONALES(2D) TRIDIMENSIONALES (3D)

Recuentoscelulares
Electrocardiografa
Capnografa
Pulsioximetra
Temperatura
Electroencefalografa
Electromiografa
EspectroscopiaporResonancia
Magntica
Magnetoencefalografa
Cmarafotogrfica
Microscopio
Endoscopia
Radiografa
Radioscopia
Tomografacomputerizada(TC)
Ecografa
Ecocardiografa
ResonanciaMagntica(RM)
TC
Ecografa
Ecocardiografa
RM
Otrasvasofware
4D:3Denfuncindeltiempo
5D:4Ddediferentespacientes
Clasificacinporelnmerodedimensionesquepermitengenerarlaadquisicin
Comocampodeinvestigacincientfica,laimagenmdicaconstituyeunasubdisciplinadela
ingenierabiomdica,lafsicamdicaomedicina,dependiendodelcontexto:investigaciny
desarrollo en el rea de instrumentacin, adquisicin de imgenes (e.g. radiografa), el
modeladoylacuantificacinsonnormalmentereservadasparalaingenierabiomdica,fsica
mdicaycienciasdelacomputacin;lainvestigacinenlaaplicacineinterpretacindelas
imgenes mdicas se reserva normalmente a la radiologa y a las disciplinas mdicas
relevantes en la enfermedad mdica o rea de ciencia mdica (neurociencia, cardiologa,
psiquiatra,psicologa,etc)bajoinvestigacin.
38
Muchas de las tcnicas desarrolladas para la imagen mdica son tambin aplicaciones
cientficaseindustriales.
IMAGENPORRESONANCIA MAGNTICA NUCLEAR
La resonancia magntica es actualmente una tcnica de radiodiagnstico profusamente

utilizada en la praxis mdica clnica. Fundamentada en la resonancia magntica nuclear
(principalmente del ncleo de hidrgeno), la RM provee informacin morfolgica tisular
(resonancia magntica estructural), informacin sobre la composicin qumica tisular
(espectroscopia por resonancia magntica) e informacin orgnica funcional (resonancia
magnticafuncional)(ManjnJ.V.,2006).
El fenmeno de resonancia magntica nuclear (RMN) fue descubierto en 1946

independientementeporFelixBlockenStanfordyporEdwardPurcellenHarvard,hechoque
lesfuereconocidoconelPremioNbeldeFsicaen1952.
El efecto de la RNM consiste en la posibilidad que tienen algunas partculas de absorber

energa en forma de radiofrecuencia cuando la frecuencia de esta onda coincide con la
frecuencianaturaldeprecesindedichaspartculas.Estacaractersticapuedeutilizarsepara
excitar de forma selectiva el protn de los tomos de hidrgeno de un cuerpo y as poder
recoger posteriormente su seal inducida en el proceso de relajacin. Esta seal inducida
puedeutilizarseparaobtenerladistribucindeestaspartculasenelcuerpo(imagendeRM)
o la concentracin de distintas sustancias usando para ello su desplazamiento qumico
respectoalafrecuenciaderesonanciaofrecuenciadeLarmor(espectrodeRM).
Entre 1950 y 1970 se desarrollaron las primeras aplicaciones de la RM para anlisis fsico y
qumicodemolculas.En1971RaymondDamadianmostrabacmolostiemposderelajacin
nuclear magntica (T1 y T2) de los tejidos normales y los tumores eran diferentes, lo que
motiv la aplicacin de la RM a la deteccin de enfermedades. En la dcada de los 70 se
obtuvieronlasprimerasimgenesdeRM.
En lneas generales, el fenmeno de la RM consiste en que determinados ncleos atmicos

(por ejemplo, el del Hidrgeno) cuando se someten a la accin de un campo magntico
esttico B0 intenso pueden absorber energa selectivamente en forma de radiacin
electromagntica de radiofrecuencia (RF), (fenmeno de resonancia), que devuelven al
retornar al estado de equilibrio, induciendo una seal elctrica en una antena o bobina de
recepcinqueanalizadayprocesadaproporcionalasimgenesdeRM(IRM)olosespectros
deRM(ERM).
El an
sobre
estud
Elvoc
vxel
un e
dime
unai
quer
F
lisis de las
eelconteni
dio.
cabloanglic
les un elem
espacio trid
nsiones, el
magendeR
representa.
Fig.2.2.
Fig.2.1.Esquem
s seales in
dodelosd
cistavxelp
mentode vo
dimensional
vxel es la
RMcadapx
.Figuratridim
madelproces
nducidas en
istintoselem
provienede
olumenque
. Al igual
mnima un
xeldelaima
mensionalcons
sodeobtenci
la antena
mentosdev
lacomposi
econtienei
que suced
nidad de vo
agenrepres
stituidaporun
ndeimgene
de recepci
volumeno
cinentrel
informacin
de con un
olumen que
entalainfo
nidadeseleme
esyespectros
n nos prop
vxelesque
lostrmino
ngrficaaso
pxel en u
constituye
ormacinco
ntalesdevolu
deRM.
porciona inf
eformanel
sVOlumey
ociadaa un
un espacio
un objeto
ntenidaen
umenovxels.
39
formacin
objetode
ypXEL.Un
n puntoen
o con dos
en 3D. En
elvxelal
.
Captu
40
Tipos
Existe
Aest
la ap
modi
efect
poten
EnRM
radio
defin
repet
conse
(recu
radio
dela
ulo3.CloudC
sdeRM
endistintos
asadquisici
plicacin de
ificacin de
to a fin d
nciacionesb
DP: Den
proporcio
T1:Tiem
es propo
tiempod
T2: Tiem
es propo
derelaja
M, seconoc
ofrecuencia,
nenunasecu
ticin es el
ecutivos. El
uperacin T
ofrecuencia
magnetizac
EIBI+D
stiposdeim
ionesdifere
e distintos
e los parm
e maximiz
bsicasson
nsidad Prot
onalalacon
poderelaja
orcionala la
derelajacin
po de relaj
orcional a la
cintransve
Fig
ce comose
aplicacin
uenciason
l tiempo qu
TR determ
T1). El tiem
y el pico de
cintransve
mgenesde
enciadasse
pulsos de
metros de c
ar el cont
lassiguient
tnica. La
ncentracin
acinlongit
a concentrac
nlongitudin
acin trans
a concentra
ersalpropio
g.2.3.Ejemplo
cuencia una
de gradien
eltiempod
ue media e
mina la mag
mpo de eco
e la seal d
ersal(cadaT
eRMsegn
lasdenomin
radiofrecu
ontraste pa
traste entr
tes:
intensidad
ndeprotone
tudinal.Lai
cinde pro
alpropiode
versal. La in
cin de pro
odecadate
odeRMtoma
acombinac
ntes y seal
derepetici
entre la ap
gnitud de la
o es el tiem
de RM. El TE
T2).
elfenmen
napotencia
encia, grad
ara potenci
e tejidos
del pxel
esdehidrg
ntensidadd
otonesdehi
ecadatejid
ntensidad d
otones de h
ejido
adasegnT1,
cinordena
les de RM.
n(TR)yelt
licacin de
a recuperac
mpo desde
E determina
noquedom
aciones,yse
dientes de
iar o ponde
especficos
de la im
genodelv
delpxelde
idrgenoy
o.
del pxel de
hidrgeno y
T2yDP.
datempora
Los princip
tiempodee
dos pulso
cin de la m
e la aplicac
a la magnitu
mineensuf
econsiguen
campo ma
erar un det
(Ver Fig.
magen resu
xel.
laimagen
adems de
la imagen
depende d
almentede
pales parm
eco(TE).Elt
s de radiof
magnitud lo
cin de un
ud del decr
formacin.
mediante
agntico y
terminado
1.3). Las
ultante es
resultante
pendedel
resultante
del tiempo
pulsosde
metros que
tiempode
frecuencia
ongitudinal
pulso de
recimiento
41
De un modo simplificado, la ponderacin de una imagen de RM en T1, DP o T2 (esto es, el
hechoquelaimagenexpresaprimordialmenteuncontrasteT1,DPoT2)dependedelTRyel
TEdelasecuencia.
ArtefactosenRM
Las imgenes de RM presentan ruidos especficos de este tipo de tcnica, entre los que se
encuentran los comnmente llamados artefactos. A continuacin, presentamos algunos de
losmsfrecuentes.
Cuadratura
Son debidos a problemas en el circuito de la antena de deteccin. Especficamente por un

mal funcionamiento de los canales del detector. Este artefacto es debido a un fallo del
hardwareyparasolucionarloelaparatodebeserrevisado(Fig.1.4).
Inhomogeneidad
La inhomogeneidad de la imagen es una variacin lenta de la intensidad a lo largo de la

imagen. La causa puede ser una no uniformidad del campo de radiofrecuencia B1 o una no
uniformidad de la sensibilidad de la antena de recepcin entre otras razones. Algunas
antenas,comolassuperficiales,tienenvariacionesensusensibilidadeincorporarnsiempre
esteartefactoinherenteasudiseo(Fig.1.4B)).
Movimiento
Son causados por el movimiento de los objetos dentro del campo de visin durante la
adquisicindelaimagen.Elmovimientodelobjetoenteroproduceunemborronamientode
la imagen y un efecto de imgenes fantasma (ecos en la imagen) en la direccin de la
codificacindefase.
La solucin es inmovilizar al paciente tanto como sea posible. A menudo el movimiento es

causado por los latidos del corazn o por la respiracin. En esos casos la solucin es
sincronizarlaadquisicinconestosprocesos.Aumentarelnmerodevecesqueserepiteel
experimento, o nmero de adquisiciones, minimiza este artefacto mediante el promediado
de las seales. En la Figura 1.4 C) se puede observar un artefacto de movimiento pulstil
causadoporunavena.
Volumenparcial
Esunartefactocausadoporlaresolucinlimitadadeldispositivodemedida.Sieltamaodel
vxelesmuygrandeparaelobjeto,lamezcladedistintostejidosenunmismovxelproduce
unemborronamientodelasregioneslmiteentretejidos.
Captu
42
Enel
cereb
que a
SNR)
Fig.2.
mo
c
Sea
Norm
datos
trans
magn
Aunq
norm
Tanto
Gaus
img
1944
ulo3.CloudC
ejemplode
brocondist
a menor ta
.
4.Ejemplosde
ovimientopor
cmocambian
ldeRM
malmente, t
s de RM
sformados
netizacind
que toda la
malmentese
olapartere
siana(Sijbe
enesdem
).
EIBI+D
elafigura1
tintosespes
mao de v
eartefactosd
pulsacindel
nloscontornos
tras el relle
provenient
usando la
decadavxe
a informaci
eutilizalain
ealcomola
ersJ.,1998)
dulohaceq
1.4D)sepu
soresdecor
xel menor
deRM.A)Artef
lavenasagita
senfuncind
enado del e
tes de las
transforma
el.
n est co
nformacin
imaginaria
perolatran
quelosdato
uedeobserv
rte(3mmy
r relacin se
efactodecuad
lsuperior(ver
deltamaodel
espacio k (
antenas
ada de Fo
ntenida en
demdulo
siguenuna
nsformacin
osresultant
varladifere
y10mm).H
eal/ruido (
dratura.B)Rui
rflechas).D)E
lvxelparaco
espacio bid
de recepci
urier para
las partes
debidoasu
Funcinde
nnolineald
tessiganun
nciaentred
ayquetene
(en ingls, S
idodeinhomo
Efectodevolum
ortesde3yde
dimensional
in, los d
obtener la
s real e im
umayorutil
eDensidadd
delosdatos
adistribuci
doscortesd
erencuent
Signal to No
ogeneidad.C)A
menparcial(o
e10mmdees
l de Fourie
atos comp
a distribuc
aginaria de
idadclnica
deProbabil
enelcmp
ndeRICE
delmismo
atambin
oiseRatio,
Artefactode
obsrvese
spesor).
r) con los
plejos son
in de la
e la seal,
.
idad(FDP)
putodelas
(RiceO.K.,
Para
para
distri
Fi
La ev
incre
lmite
limita
reson
dead
hacr
Los a
difere
partir
SNRbajosl
SNR tpicos
bucinGau
ig.2.5.FDPde
volucin de
menta da
epordosis
a la calidad
nancia mag
dquisicind
ecidoespec
avances m
entes img
rdeestudio
ladistribuci
s en la prc
ussiana(ver
eRICEparadis
e la tecnolo
a da, ya qu
deradiaci
d de la imag
ntica, con
deimagen(r
ctacularmen
s interesan
enes a par
osparametr
indeRICE
ctica clnica
fig.1.5).
stintosSNR.N
oga facilita
ue, a difere
nionizante
gen obtenid
resolucione
resolucint
ntehastael
ntes en IRM
rtir de aplic
rizadosdin
equivalea
(SNR>3) d
Notarquepara
Gaussian
a un avanc
encia de otr
alpaciente
da. Se pued
es en el ord
temporal),a
puntodep
M se estn p
car diferent
micos.
unadistrib
icha distrib
aSNR>3ladis
a.
ce rapidsim
ras modalid
e(queesnu
den obtene
den de las d
algolentae
producirima
produciend
tes mecanis
bucindeRa
ucin pued
tribucindeR
mo de la IR
ades de im
laenlaIRM
er imgenes
decenas de
nlosprime
agencardiac
o por la po
smos de co
ayleigh.Sin
de aproxima
RICEesprctic
RM. La reso
agen mdic
M)yslolat
s de micros
micras. La
erosequipos
caenmovim
osibilidad d
ontrastes as
43
embargo,
arse a una
amente
olucin se
ca, no hay
tecnologa
scopa por
velocidad
s,tambin
miento.
e obtener
s como a
Captu
44
Fig.2
DW
Para
realza
estud
medi
funci
El de
magn
como
resol
ioniza
para
BIOM
No e
diagn
edad
mism
agres
arm
asegu
pacie
intro
Elava
digita
infor
nume
ulo3.CloudC
2.6.Diferentes
WI,rCBV,TPP.E
imagen mo
aroatenua
diar el flujo
os de cont
onalesded
esarrollo pr
ntica. La r
ohemosexp
ucin espa
antes.Estos
losestudios
MARCADOR
es lo mism
nsticodea
, y de form
mo asegurar
sividadbiol
mar que no
urar que el
ente tiene o
ducenydan
ancedelas
al permite
macin adi
erosasenfe
EIBI+D
scontrastesde
Estasdosltim
orfolgica o
ardiferente
sanguneo
raste. An
diversostipo
rctico de
resonancia
puestoante
cial, el car
sfactoresh
sdeneuroim
ES
o que un
atroaquea
ma ms signi
r que existe
gicaesmu
se ven alte
ndice de
osteoporosi
nvaloralco
tecnologas
generar im
icional utili
rmedades.
elmismoobjet
massonimge
Phi
estructura
sestructura
(angiograf
ms impor
os,porejem
esta tesis
magntica
eriormente
rcter tom
ancontribu
magenque
radilogo i
armarque
icativa en
e una lesi
uyaltoysur
eraciones a
elasticidad
s con un a
onceptodeb
senelmb
mgenes de
zada hoy e
toproporciona
enesparamt
ilipsSistemas
l se pueden
asotejidos
a por reson
rtante es la
mplodeactiv
se fundam
frente a la
porlaexce
grafo mult
uidoaques
requierenu
informe un
haperdido
la regind
n tumoral
respuestaa
al ver una r
de la espo
lto riesgo d
biomarcado
bitodelaad
e alta calida
en da par
adosporIRM.
tricasobtenida
Mdicos)
n generar d
(lquido,gr
nancia mag
posibilidad
vacincere
menta en la
as otras tc
lenteresolu
tiplanar y
sehayacon
undetallea
na tomogra
oel24%del
el surco tem
en el hgad
ltratamien
resonancia
njosa est
de fractura
or.
dquisiciny
ad y acced
ra diagnost
.Deizquierda
asdeestudios
iferentes co
rasa,etc.),y
gntica, MR
d de obtene
bral(Functi
a neuroima
cnicas de n
ucindeco
por la ause
vertidoenl
natmico
fa comput
volumence
mporal med
do, que sab
tomuylimi
magntica
disminuido
sea. Toda
yprocesami
er a una a
icar y guia
aderecha:FL
dinmicos(co
ontrastes,c
ycapacesta
A) incluso s
er tambin
onalMRIo
agen por r
euroimagen
ntrastetisu
encia de ra
latcnicad
ptimo.
tarizada (TC
erebral,aju
dio derecho
ber que su
itada.Noes
(RM) de h
en un 34%
as estas afir
entodelab
amplia dive
ar el tratam
LAIR,GraSE,
ortesade
apaces de
ambinde
sin utilizar
imgenes
fIRM).
resonancia
n destaca,
ular,laalta
adiaciones
eeleccin
C) con un
stadoasu
o. Noes lo
grado de
slomismo
ueso, que
% y que el
rmaciones
bioimagen
ersidad de
miento de
45
Podemos definir pues los biomarcadores de imagen como una caracterstica extrada de las
imgenesadquiridasdeunsujeto,quepuedemedirsedeformaobjetivayquesecomporta
como unindicadordeunprocesobiolgiconormal,unaenfermedadounarespuesta auna
intervencinteraputica(MartBonmatetal.,2011).
Elclculodebiomarcadorespuedeirdesdesimplesmedicionesdetamaooformahastala
aplicacin de complejos modelos computacionales. En los ltimos aos se ha demostrado
que los biomarcadores de imagen ofrecen una informacin complementaria muy til al
diagnstico radiolgico tradicional para establecer la presencia de una alteracin o lesin;
medirsu situacin biolgica; denirsu historia natural yprogreso;estraticarlas anomalas
enfenotipos;yevaluarlosefectosdeuntratamiento.
En principio se pueden extraer biomarcadores a partir de cualquier modalidad de imagen

paradiagnstico,peroentretodaslasexistentes,laIRMdestacaporsugranversatilidadpara
estudiardistintostejidosyprocesos.
Los biomarcadores de imagen presentan una doble ventaja. Por un lado representan
variables numricas que caracterizan y cuantican diferentes parmetros, extrados de las
imgenes mdicas, relevantes para una enfermedad especca. Por otro, las imgenes
paramtricas permiten analizar la distribucin espacial del biomarcador en la muestra
observada mediante su representacin visual. Estas imgenes se generan para representar
grcamente los valores de cada uno de los biomarcadores o parmetros que se calculan a
partirdelpostprocesodelasimgenesoriginalesadquiridas.
Fig.2.7.Definicindebiomarcadoresmedianteimgenesparamtricasencolor
46
Eldesarrolloyvalidacindelosbiomarcadoresdeimagenimplicarealizarunaseriedepasos
necesarios:desarrolloinicial,adquisicinyanlisis,medicinyvaloracin.
En el desarrollo inicial, se definen los objetivos por los que se quiere medir un aspecto
determinado de la imagen mdica, definiendo la relacin existente entre el biomarcador
calculadoylaenfermedad.
La siguiente fase, la adquisicin de la imagen, es una de las ms importantes.

Independientemente de la tcnica de adquisicin elegida, la calidad de la imagen, medida
comolarelacinsealruido(RSR)ylarelacincontrasteruido(RCR)debendeoptimizarsey
corregirseparapoderanalizardeformaadecuadalasealgenerada.Unavezobtenidasestas
imgenes, y mediante procesamiento digital de las mismas se procede a obtener las
imgenesparamtricasdelbiomarcadorrepresentadasenescaladegrisesodecolor(tanto
convencionalcomomultivariante).
La fase de medicin consiste en la cuantificacin de las imgenes paramtricas

convencionales o multivariantes a partir del histograma de los valores obtenidos. Cuenta,
valormedio,desviacin,etc.conalgunasaproximacionesqueseutilizanlalamedicin.
Cuando ya se dispone de un objetivo, de imgenes adecuadas y de la metodologa de

medicin,esnecesariorealizarunaexperienciapilotoquevalidelosresultadosobtenidosen
el proceso en un grupo de sujetos heterogneos que tengan la enfermedad para la que se
calcula el biomarcador y un grupo de sujetos sin dicha enfermedad. Tras este estudio se
puede pasar a trabajar con series de tamao muestral adecuado paraobtener conclusiones
estadsticas.
Con pruebas de eficacia se permite valorar la capacidad de un biomarcador de medir
adecuadamente, ya que nicamente los biomarcadores validados pueden utilizarse como
sustitutosparadefinirunaenfermedad,susituacinysurespuestaauntratamiento.
El biomarcador ideal debe de ser clnicamente til y medible, tener una alta sensibilidad y
especificidadyunaltoporcentajedeacierto,estandomuyvinculadoalprocesobiolgicoo
enfermedad con el que se relaciona. Adems, el coste econmicotemporal debe de ser
razonable.
Fig.2
2.8.Mapadepprocesosparaaelestablecim
mientoyvalida
etal.,201
acindeunbio
11)
omarcadordeimagen.(Mar
47
rtBonmat
Captu
48
EL ES
El fo
estn
para
de 1
Manu
1988
Fue a
form
mdi
estn
El est
delp
en TC
entre
pacie
ulo3.CloudC
STNDARD
ormato de
ndarrecono
elmanejo,
1983 por
ufacturersA
y no tuvie
a partir de
ato DICOM
ca. En 199
ndarespara
tndar DICO
protocolode
CP/IP para
e dos entida
entesenfor
EIBI+D
ICOM
archivo DI
ocidointern
almacenam
el ACR (A
Association)
ron demasi
1993 cuan
, la versin
95 se desar
facilitareli
OM Incluye
ecomunicac
la comunica
ades, llamad
matoDICOM
COM (Digit
acionalmen
miento, imp
American C
).Lasprime
iado xito,
ndo se desa
n 3.0, tom
rrolla en co
intercambio
tanto la de
cindered
acin entre
das nodos,
M.
Fig.2.9
tal Imaging
nteparaeli
resin y tra
College of
erasversion
debido a q
arroll (y si
ndose com
onjunto co
oelectrnico
efinicin de
delmismo
sistemas. L
que tengan
9.Capasdelm
g and Com
ntercambio
ansmisind
Radiology)
es(1.0y2.
ue no cons
gue desarr
o protocolo
on HL7, (H
odeinform
e un format
.Elprotoco
Los ficheros
n capacidad
odeloDICOM
munication
odeimgen
deimgenes
y NEMA
0)sedesar
stituan un
ollndose)
o estndar
Health Leve
macinclnic
o estructur
olodecomu
s DICOM pu
d de recibir
n in Medici
nesmdicas
s. Fuecread
(National
rollaronent
estndar re
la versin
dentro de
el Seven:co
ca).(NEMA,
rado de fich
unicacines
ueden inter
imgenes y
ine) es el
s,pensado
do apartir
Electrical
tre1985y
econocido.
actual del
la imagen
njunto de
2012)
hero como
stbasado
cambiarse
y datos de
DICO
estac
sistem
dispo
clara
Elfor
El fo
dentr
imag
dicha
quel
Laes
form
solam
perm
fotog
estn
El for
Figur
OM permite
cionesdetr
ma de alm
onerdelad
mentelasc
rmatoDICO
rmato DICO
ro de un co
en generad
a prueba, in
aimagenno
tructurade
a libre, y u
mente una
mitiendo el
gramas. Los
ndares,inclu
rmatoDICO
ra1.10:(Bar
e la integra
abajo,impr
macenamien
eclaracind
lasesDICOM
M
OM se difer
onjunto de
da por el di
nformacin
opuedeser
unfichero
un cuerpo c
imagen, pe
almacenam
s datos de
uidosJPEG,
OM establec
rberis,L.S.,2
Fig.2.10.Mod
cin de dif
resorasyha
to y comu
deconform
Mquesopo
rencia de o
datos. Es d
spositivo de
sobre la ca
rseparadap
DICOMcon
con datos d
ero esta im
miento de b
e imagen p
JPEGLossle
ce un mode
2009)
delodeinform
ferentes tip
ardwarede
unicacin d
midadDICOM
rtan.
otros fichero
ecir, una ra
e captura, e
aptura real
porerrorde
nsisteenun
de imagen.
magen pued
bloques de
puede esta
ess,JPEG20
elo deinform
macinyobjet
pos de disp
reddeml
e imgene
M(conform
os de datos
adiografa d
el identifica
izada, par
esuinforma
acabecera
Un objeto
de tener m
e cine o cu
r comprim
000,LZWyR
macin yde
tosdelformato
positivos: e
tiplesprove
s. Estos di
ancestatem
s en que ag
de pecho co
ador del pa
metros cln
acinclnica
concampo
DICOM sim
mltiples "fo
ualquier otr
idos usand
Runlengthe
e objetosq
odearchivoD
scneres, s
eedoresden
spositivos
ments),que
grupa la inf
ontiene ade
ciente que
nicos, etc. d
a.
sestandariz
mple puede
otogramas"
ros datos c
do gran va
encoding(R
ue se mues
DICOM
49
servidores,
ntrodeun
deben de
establece
formacin
ems de la
se realiz
de manera
zadosyde
e contener
(frames),
con varios
riedad de
RLE).
stran en la
Captu
50
Dent
vario
diagn
brillo
pxel,
ulo3.CloudC
ro de los a
stipos,com
nstico sosp
o, posicin,
,etc.).Toda
EIBI+D
tributos qu
molainform
pecha, etc.)
marca, mo
aestainform
Fig.2.1
ue se almac
macindem
), informaci
delo, radiac
macinsee
11.Modelodes
cenan dentr
ogrficade
n sobre la
cin, etc.) y
estructurae
scriptivodeda
ro de la im
lpaciente(
a captura d
y sobre la i
enposicione
atosdelacab
agen DICOM
ID,nombre
e la imagen
magen (tip
esdetermina
eceraDICOM
M podemos
e,gnero,ed
n (tcnica,
o, tamao,
adasporel
s destacar
dad,peso,
contraste,
datos del
estndar.
Servi
El es
impli
realid
expo
ciosDICOM
tndar DIC
ca transmis
dad una am
nenlosprin
DicomSt
persisten
Storage
confirma
El usuari
confirma
asegurar
M
OM tiene u
sin de dato
mpliacin po
ncipales:
tore:Elserv
ntes(inform
Commitme
arqueunai
io de la cla
acin de la
sedequep
Fig.2.12.
un conjunto
os sobre la
osterior y d
vicioDICOM
mesestructu
ent: El ser
magenhas
ase de serv
clase de se
puedeborra
Ejemplodeca
o muy amp
red, y el fo
e menor im
Storeesus
rados,etc.)
rvicio DICO
sidoalmace
vicio (moda
ervicio prov
rlaimagen
abeceraDICOM
plio de serv
ormato de f
mportancia
sadoparam
)aunPACS
OM storage
nadaperma
alidad, esta
veedor (esta
localmente
M
vicios, la m
fichero en q
del estnda
mandarimg
oaunaesta
e commitm
anentemen
acin de tra
acin de al
e.
mayora de
que se suste
ar. A contin
genesuotro
acindetra
ment es us
teporund
abajo, etc.)
macenamie
51
los cuales
enta es en
nuacin se
osobjetos
abajo.
sado para
ispositivo.
) utiliza la
ento) para
52
Query/Retrieve:Permite aunaestacin de trabajo hacer bsquedasde imgenes en

unPACSyrecuperarlas.
Dicom Worklist: Permite a un equipo de imagen que incluya esta funcionalidad o
ServicioDICOMleerla"ListadePacientescitados",obtenerdetallesdelospacientes
y exmenes mdicos solicitados electrnicamente, evitando la necesidad de
introduciresainformacinvariasvecesysusconsiguienteserrores.
Modality Performed Procedure Step: Un servicio complementario al Modality
Worklist, que permite a la modalidad mandar un informe sobre los exmenes
mdicos realizados incluyendo datos sobre las imgenes adquiridas, las dosis
dispensadas,etc.Constadetresestados:
Enprogreso:significaquelarealizacindelestudiohacomenzado.
Terminado: significa que la realizacin del estudio fue terminada
satisfactoriamente.
Descontinuado: significa que la realizacin del estudio fue cancelado o no
pudoserterminada.
DicomPrint: Este servicio es usado para mandar imgenes a una impresora DICOM,
normalmente para imprimir una placa de rayosx. Hay una calibracin estndar para
ayudaraasegurarlaconsistenciaentredistintosdispositivosdepantalla.
FicherosDICOM:LosficherosDICOMcorrespondenalaparte10delestndarDICOM.
Describe cmo almacenar informacin de imgenes mdicas en un medio extraible.
Generalmente es obligatorio incluir tambin los metadatos de la imagen. DICOM
restringe los nombre de los ficheros a nombres de 8 caracteres (mucha gente utiliza
errneamente 8.3, pero esto no es legal). Del nombre del fichero no debe de
extraerseningunainformacin.
53
POSTPROCESODEIMAGENMDICA
Elprocesadodigitaldelosdatosobtenidos(postproceso)porlasmquinasqueadquierenlas
imgenesmdicasesuncampoquepermiteextraerunainformacinquesesitamsallde
la simple observacin de las imgenes en las placas radiogrficas o en los monitores
diagnsticosdelosserviciosderadiologa(ManjnJ.Vetal.,2012).
Losavancesenelprocesamientodigitaldelasimgenesmdicaspermitellegaraprecisarla
anatomadelreaestudiadayobtenerunainformacinfuncionale,incluso,molecular.
Las imgenes digitales representan informacin visual asociada con una escena ambiental
real que corresponde a lo que observamos con el sentido de la vista o bien informacin no
visible pero que puede ser medida utilizando sensores apropiados tales como radiacin
infrarroja, ultravioleta, rayos X ultrasonidos, etc. El proceso de adquisicin de la imagen
involucra un sensor apropiado para detectar el tipo de fuente de informacin visual o
emisinyconvertirlaenunasealelctrica.Estasealelctricaseconvierteenunarreglode
cantidadesbinariaslascualessepuedenalmacenaryprocesar.
La imagen digital corresponde a un arreglo de dos dimensiones (2D) que se podra denotar
como f (x, y) en donde cada punto se denomina pxel y tiene asociadas las coordenadas
espaciales definidas por x e y. La imagen tiene un tamao de NxM pxels donde N
corresponde al ancho de la imagen y M corresponde al largo de la imagen. Cada pxel
correspondea unvalor deintensidadrepresentativade lainformacin visualo emisin que
sehaadquirido.Talvalorbinariorequiereundeterminadonmerodebitspararepresentar
lainformacin(8,16,32bits,etc).
Las imgenes tridimensionales (3D) se denotan como f (x, y, z) en donde cada punto se
denominavoxelytieneasociadastrescoordenadasespacialesdefinidasporx,yyz.Eneste
caso el tamao total sera NxMxP voxels y es equivalente a manejar P imgenes
bidimensionales cada una de tamao NxM pxels. Una vez adquirida la imagen se puede
procesary/oalmacenarencualquiertipodedispositivohabilitadoparaello.

54
TCNICASBSICAS DEPROCESODE IMAGENMDICA
Dentrodelastcnicasdeprocesodeimagenmdicapodemoshacerunaclasificacinentre
las que se basan en puntos de la imagen y las que se basan en regiones. A continuacin
expondremoscadaunadeellas.
Tcnicasdeprocesamientobasadasenpuntosdelaimagen
Estastcnicasconsistenenalgoritmosquemodificanelvalordeunpxelsintenerencuenta
nada ms que el valor previo de tal pxel o su localizacin. Ningn otro valor de pxel se
involucra en la transformacin. El procesamiento se genera a travs de barrido pxel a pxel
dentrodelaimagenaprocesar.Silatransformacinaaplicar,dependenicamentedelvalor
originaldelpxel,ensuimplantacin,puederesultardeutilidadelusodetablasdebsqueda
(LUT/LookUp Table). Si por el contrario, se considera adems del valor previo del pxel, la
posicin del mismo, puede resultar necesario utilizar frmulas o una combinacin de las
mismascontablasdebsqueda.(MedinaR.etal.,2008)
Demanerageneralestastcnicasbasadasenelprocesamientopxelapxel,nomodificanlas
relaciones espaciales dentro de la imagen y en consecuencia no pueden modificar el grado
de detalle contenido en las mismas. Estas tcnicas son simples y pueden resultar tiles
individualmenteoenconjuntoconotrastcnicasmscomplejas.
Acontinuacinexponemosalgunasdeestastcnicasdeprocesamientobasadasenpxeles.
Histogramadeunaimagen
El histograma de una imagen es ampliamente utilizado como herramienta tanto cualitativa

comocuantitativa.Estecorrespondeaungrficodeladistribucindevaloresdeintensidad
delospxelesdeunaimagen(nivelesdegris)odeunaporcindelamisma.
Podemosdenotarcomoh(i),elnmerodepxelesquedentrodelaregindeinterstieneel
valordeintensidadi,dondei=0,1,2,....,L1eselnmeroposibledenivelesdegrisparala
imagen.Losvaloresh(i),correspondernentoncesalosvaloresdelhistograma.Elgrficodel
histograma es bidimensional y en l se representa h(i) en funcin de i. Dicha grfica
proporcionainformacinvaliosaacercadel brillo ycontraste deunaimagenascomodesu
rangodinmicodevalores.
55
Fig.2.13.Histogramadeunaimagenmdicacorrespondienteaunaangiografa
Realcedeimgenespormodificacindelcontraste
Una de las imperfecciones ms comunes de las imgenes digitales es el pobre contraste

resultantedeunrangodeintensidadreducidoencomparacinalrangodisponibledeniveles
de gris (por ejemplo de 0 a 255 niveles). El contraste de una imagen, puede mejorarse
medianteelescalamientodelaintensidaddecadapxel.Segnestemtodo,elniveldegris
correspondienteaunpxelenlaimagendeentradayquedenotaremospori,semodificade
acuerdo a una transformacin especfica. Tal transformacin g=T(i), relaciona la intensidad
deentradai,conlaintensidaddesalidagyusualmenteserepresentamedianteundibujoo
una tabla. A manera de ejemplo, la figura 1.14 (a) muestra una imagen de 4 x 4 pxeles,
donde cada pxel se ha representado con 3 bits, de modo que en total sera posible
representar8nivelesdegris.
La transformacin que relaciona la intensidad de entrada con la intensidad de salida, se

muestraenlafigura1.14(b).Deacuerdoataltransformacin,paracadapxeldelaimagen
de entrada, se obtiene la correspondiente intensidad en la imagen de salida. El resultado
obtenidoenestecasoparticularsemuestraenlafigura1.14(c),endondepodemosobservar
que el contraste entre las zonas oscuras y claras dentro de la imagen, se incrementa
apreciablemente.Eligiendoapropiadamentelatransformacinespecfica,puedemodificarse
de manera casi arbitraria el contraste y rango dinmico de la imagen. En general, los
programasdeprocesamientodeimgenespermitenalusuariodefinirdemanerainteractiva
la funcin de transformacin, operando sobre un grfico como el de la figura 1.14 (b) para
establecertalfuncin.
Captu
56
A con
tipod
Las im
produ
imag
pued
deun
deun
ulo3.CloudC
Fig.2.14.Ejem
rep
ntinuacin c
deprocesam
Negativo
mgenes en
ucirmedian
enqueson
e resultar d
naimagen,
naimagenq
EIBI+D
mplodelamo
presentadopo
comentarem
miento:
odeimagen
n negativo
nteelusode
clarasen o
de utilidad
pueselojo
queenlas
odificacinde
or3bits;(b)Fu
mos lastran
n
son parecid
etablasde
oscurasyla
cuando se
ohumano,e
reasmsbr
laescaladeg
uncindetran
nsformacion
das a los n
bsqueda.L
squeson o
quiere apre
esmscapa
rillantes.
rises:(a)Imag
nsformacinde
nesmscom
egativos fo
Laideaesc
oscurasenc
eciar los det
azdediscer
gende4x4px
elosnivelesd
munesde u
otogrficos y
onvertiraqu
claras.Lane
talles en las
rnirlosdeta
xeles,concada
egris;(c)
usofrecuent
y son muy
uellasporci
egacinde
s porciones
allesenrea
apxel
te eneste
fciles de
onesdela
laimagen
s brillantes
asoscuras
57
Fig.2.15.Imagen1.14conunprocesadodenegativo
Controldelbrillodeunaimagen
Enciertasocasionesunaimagenpuederealzarsevisualmenteajustandoelbrillodelamisma.
Estoselograsumandoorestandounvalorconstanteacadapxeldelaimagendeentrada.El
efectodetaltransformacinsobreelhistogramadelaimagenconsisteeneldesplazamiento
hacialaderecha(zonamsbrillante)ohacialaizquierda(zonamsoscura).Enlafigura6se
muestra un ejemplo de esta tcnica, al modificar la imagen angiogrfica de la figura 6a
aumentandosubrillo,locualsetraduceenunaimagencontonalidadesmsclarasmostrada
enlafigura6c.Porsupartesuhistogramasedesplazahacialosvaloresdemayorintensidad.
Fig.2.16.Imagen1.14conunprocesadodemayorbrillo
58
Binarizacindeimgenes
La binarizacin es una tcnica que permite convertir imgenes con niveles de gris, en una
imagenbinaria(blancoynegro).Deacuerdoaestatcnica,losvaloresdepxelenlaimagen
de entrada que son menores a un cierto umbral establecido, son convertidos a negro,
mientrasquelospxelesconvaloresmayoresalumbral,sonconvertidosablanco.Enalgunas
ocasiones se desea realizar una binarizacin tal que a una banda especificada por dos
umbrales, se les asigna el color blanco, mientras que los pxeles de la imagen de entrada
cuyosvaloresestnfueradelabandaespecificada,selesasignaelcolornegro.
Fig.2.17.Imagen1.14binarizadaconelumbral128deescaladegrises
Ampliacindecontraste
Aestatcnicatambinseleconocecomodilatacindelhistograma(histogramstretching).
Para ampliar el contraste, se realiza en el histograma una bsqueda desde los valores ms
pequeos de niveles de gris, hacia el mximo valor. Cuando se consigue que el nmero de
pxeles correspondiente a un nivel de gris dado, supera un cierto umbral establecido, se
habrdeterminadoelumbralinferior,queestarespecificadoporelniveldegrisparaelcual
ocurre el evento mencionado. A continuacin, se realiza una bsqueda en el histograma
desde el valor ms elevado de nivel de gris, hacia los valores ms pequeos. Cuando el
nmero de pxeles para un nivel de gris dado, supere el umbral establecido, se habr
determinadoelumbralsuperiorenlaescaladenivelesdegris.
59
Una vez determinados los umbrales inferior y superior, se procesa la imagen mediante una
transformacintalquealospxelesdelaimagencuyovaloresinferioralumbralinferior,se
les asigna el valor de cero, por otra parte, si los pxeles de la imagen de entrada son
superioresalvalordelumbralsuperior,entoncesselesasignaelmximovalordegris.Porsu
parte,lospxelescomprendidosentrelosdosumbralesseescalandemaneralineal.
Fig.2.18.Imagen1.14conelcontrasterealzado
Coloreado
Es bien conocido queel ojo humano, es bastante sensibleal color, as el nmero de niveles
de gris que puede discriminarse como tal, es bastante ms pequeo que el nmero de
colores.Porotraparte,lasimgenesacolor,sonmsagradablesalavistaquelasimgenes
enblancoynegro.
La tcnica de coloreado consiste en transformar una imagen monocromtica (en niveles de

gris) en una imagen a color, al asignar a cada pxel un color basado por ejemplo en su
intensidad. Un mtodo pudiera ser el siguiente: se procesa la imagen monocromtica con
tresfiltros,unapasabajo,unopasabandayunopasaalto.Laimagenprocesadaconelfiltro
pasa bajo se asigna al color azul, la imagen procesada con el filtro pasa banda se asocia al
verde y la procesada con el filtro pasa alto se asocia al rojo; luego estas tres imgenes se
combinanparaproducirunaimagenacolor.
60
Fig.2.19.Imagenporresonanciamagnticacoloreada
Tcnicasdeprocesamientobasadasenregiones
Las tcnicas de procesamiento basadas en una regin tienen muchas aplicaciones en la

obtencindecaractersticasdelaimagencomoporejemplolaextraccindecontornos,para
suavizar una imagen, para introducir borrosidad dentro de la misma, para atenuar el ruido
aleatorio,etc.
Sebasanenelusodeungrupodepxelesdentrodelaimagenaprocesarconelpropsitode
extraerinformacin acercadela misma. Elgrupodepxelesque seestudiaenestecaso, se
denomina vecindad. Por lo general la vecindad es una matriz bidimensional de valores de
pxeles con un nmero impar de filas y columnas. El pxel de inters que normalmente es
reemplazadoporunnuevovalor,productodelaaplicacindeunalgoritmo,seubicaporlo
general,enelcentrodelavecindad.
Alutilizarunavecindadenelprocesamiento,sepuedeaprovecharlainformacinacercadel
comportamiento regional de la imagen en cuestin, mejor conocida como frecuencia
espacial, la cual podra definirse como la tasa de cambio de la intensidad de los pxeles
dividido por la distancia sobre la cual ocurre el cambio. La frecuencia espacial tiene
componentes en las direcciones horizontal y vertical dentro de la imagen. Por ejemplo, la
imagen de un patrn tipo tablero de ajedrez presenta un alto contenido de frecuencia
espacial, el cual aumentar en la medida que el tamao de los cuadros disminuya. Por su
parteunaimagenconunbajocontenidodefrecuenciaespacialporlogeneraltieneamplias
reasconvalorescasiconstantesdelospxeles.
Muchas de las tcnicas de procesamiento basadas en una regin de la imagen, al tener

acceso a la informacin referente a la frecuencia espacial, pueden actuar como filtros que
atenan o realzan ciertas componentes de la frecuencia espacial contenidas dentro de la
imagen.
Enla
tales
proce
c)
Elhe
basad
en u
consi
mayo
obten
un ta
obten
loses
Acon
regio
Conv
En p
unidi
arbitr
Si co
(ncl
una i
vecin
implantaci
como la c
edimientoq
)Se realiza
pxel,seg
) Cada pxe
mismoy
)Elnuevov
imagend
chodecon
dasenuna
un solo pun
iderar, as c
ora de las
nermuybu
amao med
nerenreso
studiospost
ntinuacin,
ones.
olucin
procesamien
mensional,
rario,alque
nsideramos
eo o msca
imagen de
ndadaconsi
ndeestas
convolucin
quesesigue
unasola pa
gnlasfilas
el de la im
utilizandou
valordelpx
desalida,oc
siderarlos
reginteng
nto. Este c
como del t
aplicacione
uenos result
diano (256
nanciamag
teriores.
comentare
nto de im
mediante
ellamaremo
s una image
ara de conv
salida y(i,j)
iderardeac
stcnicasd
n o no line
eeselsiguie
asadasobre
ycolumnas
agen de en
unalgoritmo
xel,obtenid
cupandolam
pxelesdeu
ganunmay
coste comp
ipo de rep
es y con las
tados ent
x 256 51
gntica,ima
moslasdife
genes, la
la cual una
ostambin
en como un
volucin) co
), de acuerd
cuerdoalta
eprocesam
ales como
ente:
ela imagen
s.
ntrada es p
oapropiado
dodeacuer
mismaposic
unavecinda
yorcostede
putacional d
resentacin
s potencia
rminos det
12 x 512), t
gentipoen
erentestc
convoluci
a seal cua
mscara,co
n arreglo b
on respuest
do a la sigu
maodeln
mientoregio
el filtrado
deentrada
procesado,
o.
doaloesp
cinqueoc
ad,hacequ
eclculonu
depender
n numrica
de clculo
tiempo dec
tamao me
nlaquenos
nicasdepro
n correspo
alquiera pod
onunaresp
bidimension
ta impulsiva
uiente ecua
cleodeco
onal,seutili
de median
arealizando
considerand
ecificadoen
upabaenla
elastcnic
mricoque
del tama
utilizada. S
disponible
clculo, alp
edio de la i
centraremo
ocesadodig
onde a la
da ser pro
uestaimpu
al denotado
a h(i,j), su
acin, en d
onvolucinh
zanmtodo
na. En todo
ounbarrido
do una vec
nb),esubic
aimagende
casdeproce
elastcnica
o de la ve
Sin embarg
hoy da, s
procesarim
imagen que
oseneldes
gitaldeim
extensin
ocesada con
lsivaconoci
o por x(i,j)
convolucin
onde m,n d
h(i,j).
61
oslineales
o caso, el
opxelpor
cindad del
cadoenla
eentrada.
esamiento
asbasadas
ecindad a
o, para la
se pueden
genesde
e se suele
sarrollode
genespor
del caso
n un filtro
ida.
y el filtro
n produce
definen la
Captu
62
La im
tama
pues
filtro
medi
Para
convo
adicio
mism
elcua
multi
dees
y(i,j)
Fi
res
Elpro
punto
impa
ulo3.CloudC
mplantacin
aodelfiltro
entalesca
s de mayor
antelautili
la implanta
olucin es
onalmente
motamaoq
al,paraun
iplicadopor
stosproduct
estardado
ig.2.20.Esque
sultadodelas
ocesamient
o el mismo
rdefilasyc
EIBI+D
n de esta e
oomscara
asoselcosto
r tamao, lo
zacindela
acin direct
una matriz
defineelta
quelamsc
pxeldadod
relpxelco
tosessuma
oporlasum
emadelproce
sumadelospr
odetodala
procedimie
columnas.
ecuacin de
adeconvol
ocomputac
o ms reco
atransform
ta de la ec
z de tama
amaodela
cara.EnlaF
dentrodela
rrespondien
ado,deman
madetodos
esodeconvolu
roductosentre
correspond
aimagense
ento. La m
e convoluci
ucinespe
cionalnoes
omendable e
adarpida
uacin de c
o (N1 x N
avecindadd
Figura1.20
aimagende
nteenlam
neraqueel
estosprodu
ucinconuna
elospxelesde
dienteenlaim
erealizades
scara de co
n se hace
equeo(usu
sexagerado
es implanta
deFourier.
convolucin
N2), usualm
dentrodela
seilustrae
eentradax
scaradec
nuevovalo
uctos.
mscara.Cad
elamscaray
magendeentra
splazandola
onvolucin
e de maner
ualmentem
,sinembar
ar esta ecua
n, asumimo
mente de 3
aimagende
elprocesod
(i,j),cadap
convolucin
rdelpxele
dapxelenlaim
ylospxelesin
ada.
amscaray
tiene por lo
ra directa c
menora9x
rgo,cuando
acin de co
os que la m
x 3 pxele
emaneraq
econvoluci
xeldelave
,asmismo
enlaimagen
magendesali
ncluidosenlav
repitiendo
o general u
cuando el
9pxeles),
osetienen
onvolucin
mscara de
es, la cual
ueseadel
in,segn
ecindades
ocadauno
ndesalida
idaesel
vecindad
paracada
un nmero
Acon
a
Fig
b
ntinuacinm
)Filtropas
inalterad
resultaa
g.2.21.Ejemp
)Filtro pas
altafrecu
quiere e
consecue
compone
degrism
msoscu
bordesp
puedena
mostramos
sabajo.Los
domientras
decuadopa
plodefiltropa
soalto. Los
uenciadeu
examinar o
encia de ta
entes de alt
msclaros,m
uras,enest
presentesen
acentuarel
algunosde
filtrosespa
queatena
araatenuar
asobajo.(a)im
procesad
filtros pasa
naimagen,
objetos co
al procesam
ta frecuenc
mientrasqu
tesentido, e
nlaimagen
ruidodela
losfiltrosm
acialespasa
anlosconte
ruidoaditiv
magenorigina
daconunfiltro
a alto, tiene
normalmen
on alto co
miento, las
ia, sern re
ueaquellas
estetipo de
.Unodelo
imagen.
msutilizado
bajo,dejan
enidosdeal
voaleatorio
al,(b)imagen
opromediado
en la propie
ntelosfiltro
ontenido d
porciones
esaltadas m
concompo
efiltropued
sefectosin
os:
nelcontenid
tafrecuenc
presentee
contaminada
r.
edad de ace
ospasaalto
de frecuen
de una im
mediante la
onentesdeb
deserutiliz
ndeseadosd
dodebajaf
cia,estetipo
nlaimagen
conruido.(c)
entuar los d
seutilizan
ncia espaci
magen que
utilizacin d
bajafrecue
zadoparare
deestosfiltr
63
frecuencia
odefiltros
n.
Imagen
detalles de
cuandose
ial, como
presentan
de niveles
nciasern
eforzarlos
rosesque
Captu
64
c)
d
ulo3.CloudC
Fig.2.22.Ej
)Filtro pro
magnitud
ciertoum
tal valor
cuidados
apreciab
que cont
suavizado
)Filtro med
"salypim
los valor
determin
clasificar
pxel ub
clasificac
entonces
(N1)/2 e
msgran
EIBI+D
Ejemplodefiltr
medio. Seg
d del mismo
mbrale,talp
r inalterad
samente, p
le.Elvalord
tamina a la
odelaimag
diana.Proc
mienta", mu
res de los
narelnuevo
todos los
icado en e
cin, es de
slamediana
elementos s
ndes.
ropasoalto.a
gn esta tc
o, es mayor
pxelsesust
do. El tam
ues en cas
delumbral
a imagen ta
gen.
edimienton
uchasveces
pxeles co
ovalordelp
pxeles incl
el centro d
ecir, si tene
adetalsecu
son ms pe
a)imagenorig
cnica, se ex
r que el niv
tituyepore
mao de la
so de ser
puededet
al como su
nolineal,t
spresentee
ontenidos e
pxeldeinte
uidos en la
de la vecin
emos una
uencia,esa
equeos o a
ginalb)image
xamina sec
vel de gris p
elvalorprom
a vecindad
muy grand
terminarsea
varianza. E
tilparared
en las imge
en una vec
ers.Elproc
a ventana e
ndad por
secuencia
aquelmiem
a lo sumo i
enresultanted
uencialmen
promedio de
medio,enca
d a consid
de puede i
apartirdei
El efecto q
ucirelruido
enes.El filt
cindad de t
cedimiento
en orden cr
el pxel m
discreta d
brodelase
iguales y (N
deaplicarelfil
nte cada px
e sus vecino
asocontrar
derar, debe
ntroducir b
informacin
ue se cons
oimpulsivo
rodemedia
tamao im
paraello,c
reciente y s
mediano lue
e tamao
ecuencia,pa
N1)/2 elem
ltro.
xel, y si la
os ms un
rio,sedeja
e elegirse
borrosidad
ndelruido
igue es el
ydeltipo
anautiliza
mpar, para
onsisteen
sustituir el
ego de la
N impar,
araelcual,
mentos son
Fig.
Detec
Dent
muy
analiz
asoci
poste
recon
.2.23.Ejemplo
ccindeco
ro del proc
tiles.Lade
zaremosm
adas a los
eriormente
nocimiento
odefiltrodem
ntornos
cesamiento
eteccinde
sendetall
diferentes
para el a
deformas.
mediana(a)im
Imagenproc
de imagen
contornos
lemsadel
elementos
anlisis au
magenorigina
cesadaconun
n mdica, la
esunadela
ante,cuyoo
que compo
tomtico d
al,(b)imagen
filtrodemed
as tcnicas
asetapasde
objetoesp
onen la ima
de los mis
contaminada
iana.
de detecci
elprocesod
articionarla
agen, y que
smos medi
conruidoimp
n de cont
desegmenta
aimagenen
e puede se
iante algor
65
pulsivo(c)
ornos son
acin,que
nregiones
r utilizada
ritmos de
Captu
66
Unbo
algn
dista
Los c
incluy
centr
Segm
Para
las t
solap
dela
para
gene
Logra
que
prese
ulo3.CloudC
ordeenuna
n parmetro
nciadelasu
cambios en
yendo cam
raremosen
mentacin
realizar la
cnicas de s
padodereg
aplicacin
determina
rallastcni
Las regio
homogn
Las regio
estructur
Lasregio
respecto
Loslmite
ar que se cu
logra la ma
enciadehue
EIBI+D
aimagen,e
o fsico de l
uperficievis
n los parm
bios en inte
loscambios
Fig.2.
identificaci
segmentaci
iones,cuya
especfica,
r la geome
casdesegm
ones result
neasrespec
ones interio
rasruidosas
ones adyace
alacaracte
esdecadas
umplan tod
ayor parte
ecosyadici
sunlmiteo
la imagen, t
siblealobse
metros fsico
ensidad, co
senlainten
24.Sistemau
n de estru
n, las cual
uninesla
elprocesod
etra de las
mentacint
tantes del
ctoaalguna
ores debie
s.
entes enun
ersticaseg
segmentod
das esas pro
de mtodo
onalmente
ocontorno
tal como la
ervador.
os de la im
olor y textu
nsidaddela
tilizadoparal
ucturas anat
les permite
imagencom
desegment
s diversas e
iendenaaju
proceso d
caracterst
ran ser sim
a segmenta
nlacualso
ebieranser
opiedades r
os, son regi
loslmiteso
enelcualo
reflectanci
magen se m
ra. En el m
imagenpa
ladeteccind
tmicas pre
n particiona
mpleta.En
tacinesun
estructuras
ustarsealas
de segment
ica,talcom
mples y no
acindebie
onuniforme
rlomssim
resulta a m
iones en la
obordesde
ocurrencam
ia superficia
manifiestan
mbito de la
raladetecc
econtornos.
esentes en
ar la image
muchasoca
nodelospa
que comp
ssiguientes
tacin deb
oelnivelde
o incluir ab
ran tener v
es.
pleposibles
enudo difc
as que a m
elasmismas
mbiossignifi
al, la ilumin
de diversa
a imagen m
cindebord
la imagen,
en en un co
asiones,dep
asosdifciles
ponen la im
sreglas:
en ser un
egrisolate
bundantes
aloresdifer
s.
cil y por lo
enudo se o
snosonsim
cativosen
nacin o la
as formas,
mdica nos
des.
se utilizan
onjunto no
pendiendo
sycrticos
magen. En
iformes y
extura.
huecos o
rentes con
general lo
observa la
mples.
67
Uno de los mtodos que usualmente se sigue para implantar la segmentacin consiste en
primero determinar los bordes del objeto, determinar el interior del objeto y clasificar los
pxelesincluidosentalbordecomopertenecientesalobjeto.
A continuacin exponemos otras tcnicas comnmente utilizadas en segmentacin es la

segmentacinbasadaenelusodeunumbralylasegmentacinporcrecimientoderegiones.
Segmentacinbasadaenelusodeunumbral
Estetipodesegmentacin,permitesepararunobjetodentrodelaimagendelfondoquelo
circunda,latcnicasebasaencompararalgunapropiedaddeunaimagenconunumbralfijo
o variable, realizando tal comparacin para cada uno de los pxeles que conforman la
imagen, si el valor de la propiedad de un pxel supera el valor del umbral, entonces el pxel
pertenecealobjeto,encasocontrario,elpxelpertenecealfondo.
Cuandolasegmentacinserealizabasadaenelniveldegrisdelaimagen,elvalordelnivel
degrisdecadapxeldebesercomparadoconelumbral,paradecidirsitalpxelperteneceal
objetooalfondo.Laimagendesalida,esunaimagenbinariaenlacualaquellospxelescuyo
valores1,pertenecenalobjetoylospxelescuyovalorescero,pertenecenalfondo.
La seleccin del valor del umbral, se realiza generalmente a partir del histograma de la
imagen. Assi una imagen est compuesta de un objeto que aparece en la escenasobre un
fondo, entonces es de esperar que el histograma sea bimodal, es decir, si por ejemplo el
objetoesmsclaroqueelfondo,puesenelhistogramaaparecerndospicos,elubicadoen
los valores de gris ms elevados correspondiente al objeto y otro pico para niveles de gris
ms bajos, correspondientes al fondo. En la figura 1.25 se muestra un histograma bimodal,
enelcualelumbralseubicaentrelosdospicosdelhistograma.
La seleccin automtica del umbral, es un problema difcil, debido a que el histograma no

siempre es bimodal, en cuyo caso resulta necesario combinar la informacin espacial
presenteenlaimagen,conlainformacinreferentealniveldegris.
Captu
68
Fig.2
Fig.2.
(c)se
ulo3.CloudC
2.25.Ejemplod
.26.Ejemplod
egmentacino
EIBI+D
deunhistogra
u
delasegmenta
obtenidamedi
a
amabimodal,
ubicadoenelv
acin(a)imag
ianteunumbr
automticalos
enestecasoe
valleentrelos
genoriginalco
ral(d)formad
spxelesruido
elumbralauti
dospicosdel
orrespondiente
delventrculoo
ososdelaimag
ilizarenlaseg
mismo.
eaunaventri
obtenidalueg
gen(c).
gmentacinde
iculografa(b)
godeeliminar
ebieraestar
histograma
demanera
69
Segmentacinporcrecimientoderegiones
De acuerdo a esta tcnica, se buscan pxeles que tengan caractersticas similares (por
ejemplo niveles de gris similares) y que adicionalmente sean vecinos. El mtodo comienza
con un pxel (semilla), el cual es seleccionado automticamente o proporcionado por el
usuario y a continuacin examina los pxeles vecinos para decidir si tienen caractersticas
similares.Deseras,elpxelvecinoquecumplacontalcondicindesimilaridad,esagrupado
juntoconlosanterioresparaconformarasunaregin.
Fig.2.27.Resultadodesegmentacinporcrecimientoderegiones.
TIPOS DEPOSTPROCESO DE IMGENES MDICASPARARM
Hoy en da, gracias al avance en los sistemas de captura y sistemas de computacin, el

postproceso de la resonancia magntica permite la extraccin de una gran cantidad de
informacin de inters. En la resonancia magntica, la calidad de la imagen origen es
fundamental y debe de cuidarse desde el inicio debido a que si realizamos estudios de
estructurasmorfolgicas,elespesordelasparticionesdelvolumendedatosadquiridoscon
los que trabajamos debe ser pequeo y cualquier pequeo error en la adquisicin puede
condicionar el resultado obtenido. Para el estudio de fenmenos funcionales las imgenes
adquiridas deben observarse con una resolucin temporal de muestreo inferior al hecho
observado(ManjnJ.V.etal.,2012).
70
En los estudios de imagen por resonancia magntica, casi todas las herramientas de
postproceso requieren adems de una coherencia espacial de los datos, ya que se suele
trabajar con series de imgenes adquiridas en mltiples tiempos y que pueden contener
diferentes posicionamientos del paciente. Por ello, cuando se realiza postprocesamiento de
este tipo de imgenes, hay que asegurarse de la concordancia espacial de los vxeles
mediantetcnicasdecorregistracin(ManjnJ.V.etal.,2002).
Dentrodelpostprocesodeimagenderesonanciamagnticapodemosagruparlastcnicasen
dosgrandesgrupos,lasquetrabajananivelmorfolgicoylasquetrabajananivelfuncional.
Noscentraremosenelprimergrupo.
Postprocesomorfolgico
El postproceso morfolgico abarca las tcnicas en las que la informacin se visualiza de

formadistintaacomoseadquiere,conespecialnfasisenlavisualizacindeunvolumende
datos.
Reconstruccinmultiplanar
La reconstruccin multiplanar de la imagen de resonancia magntica, nos permite obtener

imgenesconunaorientacindistintaalaoriginalconlaqueseadquirieronlosdatos.
Paraqueestasimgenesreconstruidastenganaltacalidad,eltamaodelvxeldebeserde
unasdimensionesmuypequeas.Sloelusodeadquisicionesvolumtricastridimensionales
(3D) en RM y otras modalidades como el TC, han permitido explotar adecuadamente esta
tcnica sencilla que permite reconstruir de una adquisicin con particiones transversales
imgenesconunaorientacinsagital,coronal,oblicuaeinclusocurvaodetrayectolibre.
Las im
visua
Visua
Con e
obten
obten
defin
como
concr
mgenes re
lizacinye
alizacinvo
estatcnica
ner represe
nidostrasu
nidasserepr
o modelos.
retas.
Fig.2.28.R
econstruidas
lclculode
lumtrica(V
a, se consig
entaciones d
unprocesod
resentanco
Estos mod
Reconstrucci
s resultante
biomarcad
Volumenre
ue procesa
de alta cali
declasificac
onuncolor,
delos establ
nmultiplanar
es pueden t
ores.
endering)
r laimagen
idad. La vis
cinporpar
opacidad,b
ecidos se d
rdeunestudio
tener un es
obtenida c
ualizacin s
raleleppedo
brilloyporc
definen en
odeRMcereb
spesor varia
como unvo
se produce
osbasadose
centajedec
base a situ
bral
able, facilita
olumende d
con todos
enelbrillo.
lasificacin,
uaciones dia
71
ando as la
datos3Dy
los datos
Lasclases
,definidos
agnsticas
72
Fig.2.29.ReconstruccinvolumtricadeunestudiodeRMcerebral
Aunque esta tcnica de postproceso est siendo ms utilizado en modalidades como TC

helicoidal, sus aplicaciones dentro de la RM volumtrica tambin son muy interesantes La
visualizacin volumtrica usa la totalidad de los datos de la imagen frente a las
reconstruccionesdesuperficieylasdemximaintensidaddeproyeccin,quesloemplean
cercadel1015%delainformacincontenida.
Segmentacin
La segmentacin de una imagen mdica, o de series de imgenes como el caso de la RM,

proporciona medidas cuantitativas de la extensin o el volumen de distintas estructuras
anatmicas o patolgicas. Permite adems extraer informacin paramtrica de una clase
(lesin,tejido,rgano)deintersaleliminarlosvxelescorrespondientesalasotrasclases.
EnelmbitodelaRM,existenmultituddetcnicasdesegmentacindirigidasalaseleccin
semiautomtica deun tejidodeterminado.Aunqueelcerebrohasidotradicionalmenteuna
delasreasdeinvestigacinmsextendida,existenmtodosparasegmentarcasitodaslas
partesdelcuerpohumano.Anteriormenteanalizamoslastcnicasgeneralesutilizadasenla
segmentacingeneraldeimagenmdica.
Fig.
Gene
mane
quen
FORM
Adem
form
gesti
en fo
algun
ECAT
Elfor
Siem
cabec
Los d
form
de co
infor
Analy
Elfor
PETy
adela
fijo.P
.2.30.Segmen
eralmente t
era rpida
nospermite
MATOSDE
ms del for
atos de ima
n delose
ormato DIC
nodeellos(
T7
rmatoECAT
ens/CTI. Ut
ceraenestr
datos de la
adedirecto
oordenadas
macinalm
yze
rmatodear
yRMatrav
ante. El form
Puedeinclu
ntacincerebr
ras esta tc
informacin
encalculard
IMAGEN UT
rmato DICO
agen acept
studiosyaq
OM en un
(WhitcherB
T7encapsula
tiliza el siste
ructuras.Ta
cabecera s
oriosqueen
s utilizado
macenadade
rchivoAnaly
sdelassu
mato de la
irimgenes
ral,deizquierd
cnica de po
n cuantitati
diferentesb
TILIZADAS E
OM (comen
ados por la
queen la m
nico arch
B.etal.,201
alainforma
ema tradicio
antolacabe
se encuentr
ncapsulenv
ni permite
elpacientem
yzeesunod
uitesdepos
cabecera, a
senmultifra
daaderecha,
blanca.
ostprocesad
iva sobre v
iomarcador
ENPOSTPR
tado en ap
as suites de
mayorade c
ivo con inf
1).
acinnativa
onal binario
ceracomol
ran al inicio
variosestud
el introduc
muylimitad
delosmsu
stprocesota
al igual que
ames.
lquidocefalo
do de la im
volumetra d
rescomoca
OCESOCON
partados an
e postproce
casosagrup
ormacin a
aobtenidad
o para la co
laimagense
o del ficher
ios.Noofre
cir comenta
da.
utilizadosa
alescomoS
e el ECAT7 t
orraqudeo,su
agen, pode
de las estru
argaslesiona
NRM
nteriores), e
sado de im
pan estudios
adicional. A
delosescn
odificacin
eencuentra
ro y puede
eceinforma
arios en lo
niveldepo
SPM,FSL,et
tambin es
stanciagrisy
emos obten
ucturas seg
ales,atrofia
existen una
magen que f
sde mucho
continuaci
neresPETde
de la inform
anennico
n formar b
acinsobre
s archivos,
ostprocesod
tc.,quever
binario y d
73
sustancia
er de una
gmentadas
as,etc.
a serie de
facilitan la
os ficheros
n vemos
elamarca
macin de
fichero.
loques en
elsistema
siendo la
deimagen
emosms
de tamao
74
Este tipo de archivo puede incorporar ms informacin del paciente pero no incluye
informacinsobreorientacindelaimagen.Laextensinpordefectodelarchivoeshdr.
NIfTI
El formato NIFTI1 se define como ampliacin del formato Analyze, pudiendo en este caso
almacenarinformacinreferentealaposicindelpaciente.AligualqueelformatoAnalyze,
el formato NIFTI1 se utiliza en suites de procesamiento de imgenes tales como SMP, FSL,
Freesurfer,etc.
El formato NIFTI1 se puede comprimir con gzip, teniendo la posibilidad de trabajar con el
formatocomprimido.Laextensindeesteformatoesnii,siendolaformacomprimida.nii.gz
FlatImageFormat
El trmino Flat Image suele referirse a ficheros binarios que contienen la informacin en
bruto o raw de todos los vxeles que conforman la imagen, sin incluir ningn tipo de
informacin o cabecera embebida. La metainformacin bsica de la imagen (dimensiones,
formato,tamaoenpxeles,etc.)seproporcionaenunficheroseparado.
Hoyenda,elanlisisdeimagenporRMserealizamayormenteconlosdostiposdeficheros
comentadosanteriormente(AnalyzeyNifti)
SUITESDEPOSTPROCESODEIMAGEN MDICAPARANEUROIMAGEN
Hoy da existen multitud de herramientas para el procesado y visualizacin de imagen

mdica.Enesteapartadonoscentraremosenlastressuitesmsconocidasenelmbitodel
estudiodelaneuroimagenporresonanciamagntica:SPM,FSLyFreeSurfer.
Hemos de mencionar otros paquetes como Jim, MiPav, BrainSuite, etc., basados la mayora
en tecnologa Java, con los que tambin trabajaremos en los desarrollos posteriores del
trabajopresentadoperoqueporextensinnodesarrollaremos.
Otro concepto de suite de postproceso corresponde a herramientas que permiten la

definicin de procesos complejos para la obtencin de biomarcadores de imagen. Como
ejemplo citaremos las LONI Pipeline, herramienta que comentaremos en apartados
posteriores del desarrollo, que permite utilizar mdulos implementados con cualquiera de
las suites que vamos a comentar para construir procesos complejos de postprocesamiento
comoporejemploclculodelvolumendelacargalesionaldelasustanciablanca.
75
SPM
SPM(StatisticalParametricMapping)serefierealaconstruccinyevaluacindelosprocesos
espacialmente extendidos estadsticos que se utilizan para comprobar hiptesis sobre los
datos de imagen funcional. Estas ideas se han volcado en el software que se llama SPM.
(PennyW.etal.,2006)
El paquete de software SPM ha sido diseado para el anlisis de secuencias de datos de

imgenes cerebrales. Las secuencias pueden ser una serie de imgenes pertenecientes a
diferentescohortes,odeseriesdetiempodelmismosujeto.
La versin actual est diseada para el anlisis de resonancia magntica funcional, PET,
SPECT,EEGyMEG.
Fig.2.31.PantalladeiniciodeSPM
SPMestalibredisposicindelacomunidad,parapromoverlacolaboracinyunesquema
de anlisis comn a travs de los laboratorios. El software representa la aplicacin de los
conceptos tericos de mapeo paramtrico estadstico en un paquete de anlisis completo,
como un conjunto de MATLAB (The MathWorks, Inc.) funciones y subrutinas con algunas
rutinasexternasprecompiladasenC.
76
SPM dispone de un portal web (http://www.fil.ion.ucl.ac.uk/spm/) donde el usuario puede

descargarselaaplicacinparaMatlab,ascomoaccederaunaseriedematerialesdeapoyo
(documentacin, ejemplos, datos de prueba, etc.). Tambin dispone de una Wiki en
http://en.wikibooks.org/wiki/SPM
El enfoque del Statistical Parametric Mapping se realiza a nivel de vxel. A continuacin

exponemosalgunasdelasfuncionesypropiedadesdeSPM.
Las imgenes se reajustan, normalizan espacialmente en un espacio estndar, y se

suavizan.
Se asumen modelos estadsticos paramtricos en cada voxel, utilizando el Modelo
lineal general GLM para describir los datos en trminos de efectos experimentales y
confusin,ylavariabilidadresidual.
ParafMRI(resonanciamagnticafuncional)elGLMseutilizaencombinacinconun
modelodeconvolucintemporal.
Lainferenciaestadsticaclsicaseutilizaparaprobarlashiptesisqueseexpresanen
trminosdeparmetrosdeGLM.Estautilizaunaimagencuyosvaloresdelosvxeles
sonlasestadsticas:unaimagenestadsticaoMapaParamtricoEstadstico(SPMt,Z
SPM,SPMF).
Para este tipo de inferencias clsicas, el problema de comparaciones mltiples se
aborda utilizando continua RFT teora de campo aleatorio asumiendo que la imagen
estadstica es una representacin reticular buena de un campo aleatorio subyacente
contnuo estacionario. Esto da como resultado inferencia basado en los valores
corregidos.
Lainferenciabayesianapuedeserutilizadaenlugardelainferenciaclsicaresultando
enmapasdeprobabilidadaposteriPMP.
Para fMRI, el anlisis de la conectividad efectiva se puede implementar utilizando
ModeladodinmicoCausal(DCM).
FSL
La b
herra
funci
biblioteca d
amientas es
onal,estruc
Fig.2.32.Ejem
de software
stadsticas y
cturalyded
mplodeejecu
e FMRIB (
y de anlisis
difusindel
ucindesecue
FSL) es un
s de imge
cerebro(Je
nciasdeproce
na bibliote
nes y para
enkinsonM.
esosdentrode
ca de soft
datos de r
etal.,2012
eSPM
tware que
resonancia m
2).
77
contiene
magntica
78
Fig.2.33.FSL
FSLestdisponiblecomobinariosprecompiladosy cdigofuenteparaordenadoresApple y
PC(LinuxyWindows).Estdisponiblegratuitamenteparausonocomercialydisponedewiki
enhttp://fsl.fmrib.ox.ac.uk/fsl/fslwiki/
La suite FSL incorpora de serie una serie de funcionalidades que parametrizadas permiten
realizarunpostprocesosencillo.FSLtrabajaconelformatoAnalyze(.hdr)yNIFTI(.nii)ensu
versinsimpleycomprimida.
AcontinuacinmostramosalgunasdelasfuncionalidadesbsicasdeFSL:
MRIFuncional
FEAT. Modelos basado en Anlisis de FMRI, con interfaz grca de usuario

sencilla,peropoderosa:preprocesamientodedatos(incluidalacorreccinde
cortedetiempo,correccindemovimientoyunwarping);Anlisisdeseriesde
tiempo FILM GLM con prewhitening, el registro a imgenes estructurales o a
espacios estndares, y anlisis de grupo generalizado de efectos mixtos
utilizandoavanzadastcnicasbayesianas.
79
MELODIC.AnlisissinModelosdeFMRImedianteelAnlisisProbabilsticode
Componentes Independientes (PICA). MELODIC automticamente calcula la
cantidad de ruido interesante y fuentes de seal en los datos y debido al
"modeloderuidoasociado,escapazdeasignarsignificaciones("losvaloresde
p")paralosmapasdesalidaespaciales.
FLOBS. La generacin de funciones de base ptimas de HRF y la estimacin
bayesianadeactivacin.
SMM. Modelado de la mezcla espacial prueba de hiptesis alternativas
mediante un modelo mezcla de histograma con regularizacin espacial de la
clasificacinvoxelenactivacinynoactivacin.
MRIEstructural
BET/BET2.Herramientadeextraccindelcerebro.Segmentacerebrodeno
cerebro en datos estructurales y funcionales, modelando el crneo y las
superficiesdelcuerocabelludo.
SUSAN.Reduccinderuidonolineal.
FAST.Herramientadesegmentacinautomatizada.Segmentacindelcerebro
(endiferentestiposdetejidos)ycorreccindeinhomogeneidaddecampo.
FLIRT.Herramientaderegistrodeimagenlineal.
FNIRT.Herramientaderegistrodeimagennolineal.
FUGUE. Deshace la distorsin geomtrica en las imgenes EPI con mapas de
campoB0.
SIENA.Anlisisdeloscambiosestructuralesdelcerebro,paralaestimacinde
laatrofiacerebral.
MRIporDifusin
FDT. Librera de Difusin herramientas de bajo nivel para la reconstruccin

delosparmetrosdedifusinytractografaprobabilstica.
TBSS. TractBased Spatial Statistics anlisis vxel a vxel de los datos de
difusindevariossujetos.
Otrasherramientas
FSLView.Herramientadevisualizacininteractivadedatosen3Dy4D.
AVWUTILS.Otrasutilidadesparaconvertiryprocesarimgenes.
Captu
80
FreeS
FreeS
conju
estru
El us
supe
anlis
FreeS
lashe
FreeS
imag
y lta
Analy
FreeS
obten
ulo3.CloudC
Surfer
Surferesun
unto de al
ucturalesde
o principal
rficiedelc
sisdesuvo
Surfer perm
erramientas
Surfer traba
en(mgh,m
.). Como fo
yze.
Surfer est
nertodala
EIBI+D
nasuitedeh
lgoritmos p
lcerebrohu
de esta su
rtexcerebr
lumen.
mite su inter
sdereprese
aja con dife
gz,gca,bsh
ormatos ex
disponible
informacin
herramienta
para el es
umano(Fisc
uite se basa
ralapartird
rconexin c
entacinya
erentes form
hort,bfloat,
ternos est
para Mac
nenhttp://
F
asparaela
studio de
chlB.,2012)
a en la rep
deimgenes
con FSL para
anlisismorf
matos prop
COR,surfac
ndar, Free
y Linux, sie
surfer.nmr.
Fig.2.34.Free
nlisisden
propiedade
).
resentacin
sdeRMen
a compleme
folgicoque
pios para e
ce,curv,w,
eSurfer trab
endo su de
mgh.harvar
eSurfer
euroimagen
es funciona
n de las ma
T1,etiquet
entar el uso
eofreceest
l procesado
annot,patc
baja con los
sarrollo op
rd.edu/
nquepropo
ales, conex
acroestructu
tarsulocaliz
o de esta lib
tasuite.
o y almacen
ch,gcs,dat,
s formatos
en source.
orcionaun
xionales y
uras de la
zacinyel
brera con
naje de la
xfm,m3d
DICOM y
Se puede
81
SISTEMASDEINFORMACINSANITARIOS.
GENERALIDADES
Laasistenciasanitariaconsisteesencialmenteen tomardecisionesyproporcionarcuidados.
Losprofesionalessanitariostomandecisionesenbaseasusconocimientos,suexperienciay
la informacin de la que disponen. Por ello, los sistemas de informacin no son un mero
elemento auxiliar de la asistencia y la gestin sanitaria, sino un componente esencial del
ncleodelaactividadasistencial,sinelcualnosepuedeconcebirunaasistenciasanitariade
calidad,segurayeficiente(GmezG.etal.,2011).
Los sistemas de informacin sanitarios persiguen principalmente dos objetivos estratgicos:

Potenciarlaintegracinglobaldelossistemasygarantizarlasostenibilidaddelosmismos.
Para potenciar la integracin global de los sistemas, deben proporcionar soporte a tres
niveles:
Soporte a la asistencia sanitaria, mediante la integracin de sistemas y la

coordinacin de todos los recursos para la mejora de los procesos, culminando la
ejecucindelosproyectosexistenteseimpulsandonuevasiniciativas(HistoriaClnica,
RecetaElectrnica,etc.).
Soporte a la gestin, evolucionando hacia un sistema corporativo de gestin
integrado,quepermitaunusoeficientedelosrecursosyorientndosealamejorade
lacalidaddelservicio.
Soportealatomadedecisionesbasadaenconocimiento,asegurandolacalidaddela
informacin a travs de un dato nico, accesible y fiable, mediante polticas de
seguridad y ofreciendo una herramienta til y verstil, que d respuesta a las
necesidadesdelosdiferentesgestores.
Paragarantizarlasostenibilidaddelsistemadebende:
Mejora de la eficiencia, aprovechando sinergias entre sistemas y beneficindose de

laseconomasdeescala,alavezqueseeliminanduplicidadesfuncionalesyseponen
enmarchametodologasnormalizadasycontrastadasdegestindeproyectos.
Mejora de la integracin y normalizacin, homogeneizando arquitecturas y
herramientasynormalizandocatlogos.
Mejora de la calidad del servicio, orientndose al cliente interno a travs de la
definicindeunacarteradeserviciosylosprocesosquelosarticulan;centralizandola
gestininformticaeincorporandometodologasquegaranticenelniveldeservicio.
Mejora de la funcin informtica, definiendo el modelo de relacin del rea de
Informticaconelrestodedepartamentosyorganismos.
Captu
82
MOD
Un m
princ
partic
clnic
infor
existe
infor
sanita
base
ulo3.CloudC
DELODESIS
modelo de
cipales:
Soportea
Los siste
cularmente
ca del pacie
macin cln
entes en la
macinhos
Soportea
El mode
aria, as pu
delmodelo
EIBI+D
STEMA
Fig.2.35
sistema de
alaactivida
emas asist
a nivel de
nte. El proy
nica del pac
actividad a
pitalario.
alagestin
elo de gest
es los siste
o.
5.Modelodes
e informac
adasistencia
tenciales d
acceso al
yecto de Hi
ciente, com
asistencial: e
tin integra
emas de ge
istemadeinfo
in sanitar
al.
deben evo
dato para p
istoria Clnic
mbina la inf
el sistema d
ado es ne
stin logst
ormacinsani
io debe de
lucionar e
permitir un
ca Electrn
formacin d
de informac
cesario en
ica y de ge
itariodelaAV
e distinguir
e intercone
a visin un
ica, en la q
de los dos
cin ambula
todo siste
estin de re
VS
r entre tres
ectarse en
nificada de
ue se integ
grandes su
atoria y el s
ema de inf
ecursos hum
s mbitos
tre ellos,
la historia
gra toda la
ubsistemas
sistema de
formacin
manos son
83
Soportealainteligenciadenegocio.

Se hace necesario en el modelo abordar actuaciones encaminadas a facilitar la
gestin,lacalidaddelainformacinyaaunariniciativasenmateriadeBusinessIntelligence,
asegurando la calidad de la informacin en tres aspectos fundamentales: dato nico que
evita inconsistencias y disparidades, dato accesible para todo el personal autorizado desde
cualquierpuntodelsistemaydatofiableaplicandopolticasdeseguridadycalidad.
Aprovechandolosbeneficiosdelmodeloenestostresmbitossedefinenunaseriedecapas:
accesibilidad,arquitectura,soporte,seguridadeI+D+i.
Accesibilidad del ciudadano a los servicios sanitarios: a travs de un sistema

multicanal (sms, mvil, email, web, etc.) que acerque el sistema de informacin
sanitarioalosciudadanos,proporcionandounamayorcomodidadparalospacientes
yaumentandolaeficienciaatravsdelaautomatizacindeprocesosadministrativos.
Arquitecturascorporativas:Todalaarquitecturadelsistemadeinformacinsanitaria
debe adecuarse a una arquitectura corporativa, adecundose al modelo diseado.
Cualquiermduloadicionalqueseimplantedeberdeadecuarsealoestablecido.
Infraestructurasycentrosdesoporte:Elmodeloproporcionalosmediosmaterialesy
humanos necesarios para asegurar en todo momento el acceso a todas las
herramientaspuestasalserviciodelosprofesionalesyciudadanos.
Seguridad: El modelo debe de ofrecer al ciudadano las mximas garantas de

confidencialidad de sus datos y proporcionar a los profesionales y gestores una
informacinfiableparaeleficazdesempeodesusfunciones.
I+D+i : El modelo debe de poner en marcha mecanismos formales de dinamizacin,

estructuracin documentacin y gestin para el fomento de la innovacin y las
actividadesdeinvestigacinydesarrollo.
84
DESCRIPCINDESUBSISTEMASHIS, RIS,PACS
Enesteapartadosedefinirnagrandesrasgoslosmdulosmsimportantesdelmodelode
soporte a la actividad asistencial y relacionados con la temtica de esta tesis. As pues se
definir HIS como mdulo de gestin de informacin hospitalaria, RIS como mdulo de
informedepruebasradiolgicasyPACScomomdulodegestindeimagenmdica.
HIS
Un HIS (siglas en ingls de Hospital Information System) es un sistema de gestin sanitaria

dedicadoalcontroldelaactividadasistencialydelosdatosclnicosdelpaciente.
Son sistemas orientados a satisfacer las necesidades de generacin de informacin,

almacenaje,procesamientoeinterpretacindelosdatosclnicoadministrativosdecualquier
institucinsanitaria.
Toda la informacin demogrfica y asistencial del paciente que gestionan este tipo de
sistemas, es compartida con el resto de subsistemas del sistema de informacin sanitario
(RIS,SIL,PACS,etc.).
LasprincipalescaractersticasdelosactualessistemasHISson:
ArquitecturaCliente/Servidor
SistemasOperativos(multiplataforma):GNU/Linux/Unix,Windows
Definicindeusuariosyperfilesdeusuario.
Disponendeherramientasdeexplotacindeinformacin
CumplenconlanormativadeLOPDdealtonivel
MdulosdecomunicacinHL7conotrossubsistemas(SIL/RIS/etc.)
RIS
RIS son las siglas en ingls de Sistema de informacin radiolgica, que es el sistema
encargado de la gestin de la informacin referente a las pruebas radiolgicas (citacin,
visualizacindelasimgenes,informadoydiagnsticodelestudio,etc.).
LasprincipalescaractersticasdelosactualessistemasRISson:
ArquitecturaCliente/Servidor
SistemasOperativos(multiplataforma):GNU/Linux,MacOSX,Windows,etc.
Facilidaddeuso:navegacinrpidaeintuitiva.
85
Sistema basado en estndares (HL7, XML, HTTP, DICOM, SMTP) que permite una
sencillaconexinconlosSistemasdeInformacinHospitalarios(HIS).
Flexibilidad documental: Permite a los usuarios crear sus propias plantillas de
documentos para, posteriormente, aplicarlas en la elaboracin de los informes
radiolgicos.
Definicindeusuariosyperfilesdeusuario.
Acceso web: diseado para el acceso mediante el uso de un navegador estndar, y
optimizadoparadispositivosmviles.
Mdulos del HIS/RIS para la conexin del sistema RIS al sistema de informacin
hospitalarioHIS.
PACS
El sistema PACS (siglas en ingls de Picture Archiving and Communication System) es el

sistema encargado de la gestin de la imagen mdica generada por las diferentes
modalidadesparasualmacenamientoydifusinalosdiferentessubsistemasdeinformadoe
historiaclnica.
Dada la importancia de este subsistema en el desarrollo de la tesis se desarrollar ms en

profundidadenelsiguienteapartado.

86
SISTEMASDEALMACENAMIENTOYCOMUNICACINDEBIOIMAGEN(PACS)
Un servidor PACS es un sistema de almacenamiento, transmisin y descarga de imgenes

radiolgicas. El origen del nombre PACS corresponde a las siglas en ingls de Picture
ArchivingandCommunicationSystem(Liu,B.J.etal.,2003).
Dentro del sistema PACS podemos distinguir entre elementos hardware y elementos
software, que directamente se comunican con las diferentes modalidades y obtienen las
imgenesgeneradasporstas.
El proceso general de trabajo de un sistema PACS es el siguiente: Tras una peticin al

sistema, la modalidad requerida para el estudio del paciente (TC, RM, RX, etc.) genera la
imagen. Dichas imgenes son transferidas usando el protocolo DICOM al servidor de
almacenamientodelPACS,elcualrecogelainformacindelestudiorecibido,laindexaensu
basededatosyguardalasimgenesenlosrepositorioshabilitados.Unavezlaimagenest
almacenadaycatalogadaenelservidorPACS,elradilogopuederealizarunapeticinconel
protocolo DICOM a travs del visor PACS instalado en las estacin de trabajo (workstation)
para su descarga, visualizacin y anlisis diagnstico para la emisin de informes
radiolgicos. Dicho informe se almacenar en los sistemas de informacin hospitalarios, los
cualesdesarrollaremosmsadelante.
Los departamentos de radiologa han estado restringidos tradicionalmente en trminos de

eficiencia y coste por el proceso de procesado de las placas radiolgicas en habitaciones
oscuras, almacenamiento de las placas radiolgicas (fsicamente), etc. Hoy, los servidores
PACS eliminan todas estas barreras. La digitalizacin de la imagen radiolgica ha permitido
queahoralastradicionalesplacasradiolgicasseandigitalizadasydistribuidasenunformato
digital.EstehechojuntoconelusodelosservidoresPACShaproporcionadoalosradilogos
y tcnicos de la imagen la posibilidad de acceder a las mismas desde cualquier lugar en
cualquiermomento.
Con el objetivo de que los sistemas PACS funcionen correctamente con modalidades y
estaciones de trabajo de diferentes fabricantes, existen una serie de estndares de imagen
digital quesehandefinido paraello.Todos los sistemas PACS,modalidadesyestaciones de
trabajo que se comuniquen entre s, deben hacerlo bajo el estndar DICOM. DICOM es el
estndar para imagen mdica digital, y el formato universal para el intercambio de imagen
mdicadigital(DigitalImagingandCommunicationsinMedicine).
87
ARQUITECTURAPACS
Fig.2.36.ArquitecturadeunsistemaPACS
LoscomponentesbsicosdeunsistemaPACSson:
Servidor Central PACS.Secomponedelhardwareprincipaldelsistemaconelmotor

deintegracindelrestodecomponentes.
Estacin de trabajo PACS. Permite a los radilogos la visualizacin y anlisis de las

imgenes digitales posibilitando el postproceso bsico de los estudios. Por ello, este
tipodeestacionessuelesermspotentesqueelrestodeequiposmdicos.
SistemadeBasedeDatos.Seencargadegestionarelalmacndetodalainformacin
e imgenes del sistema PACS. Como se ha comentado anteriormente, la imagen
DICOMincorporainformacinespecficasobreeltipodeestudio,paciente,etc.Toda
esta informacin debe de ser tratada e indexada en un potente gestor de base de
datosparasuposteriorexplotacin.
Servidor DICOM. Responsable de la gestin de toda la comunicacin DICOM con las

modalidades de imagen (como por ejemplo TC o RM), otros servidores PACS y
estacionesdetrabajo.
88
Sistema de almacenamiento. Es el soporte fsico requerido para almacenar las

imgenesDICOMdelsistemaPACS.Debidoalaumentodelacalidaddelosestudios,
as como la digitalizacin completa en los entornos hospitalarios, este sistema de
almacenamiento debe de ser potente y escalable, ya que incluso en entornos
pequeoshablamosdeteras(tb)deinformacin.
Sistema de red. Debido a la gran cantidad de informacin que se gestiona en un

entornoPACS,ladefinicindeunbuensistemaderedeslabasedelrendimientoque
se obtendr. La electrnica de red debe de permitir el balanceo de carga,
redundancia,etc.
Interfaces a RIS/HIS. Consolida toda la informacin del paciente desde diferentes

fuentes,loquepermiteunflujodetrabajoidneo.Sinunabuenaintegracinentreel
sistema PACS y el sistema de informacin radiolgica (RIS) y sistema de informacin
hospitalaria(HIS),todalainformacinqueseobtienedelestudiodelaimagenmdica
nopodraseranalizadoporelfacultativo.
Servidor Web para Acceso Remoto. La movilidad es un hecho hoy da. Debido a la
cantidad de informacin que se deriva de un estudio de imagen, el acceso a ella en
entornosexternosalservidorPACStalycomoserealizaporunaestacindetrabajo
ubicada en la misma red es complicado. Por ello, los sistemas PACS incorporan el
accesomediantenavegadoreswebalosestudiosdemaneracomprimida,aunquelos
avances actuales permiten la visualizacin web dinmica del estudio sin prdida por
compresin. El visor PACS web es una realidad hoy da y es la tendencia actual,
eliminandoladependenciadeplataformaexistenteenlosprogramasbinarios.
Fig.2.37.Estacindetrabajo(workstation)ejecutandoelvisorPACS
89
VENTAJASDELOS SERVIDORESPACS
Los servidores PACS ofrecen una serie de ventajas sobre los sistemas tradicionales de
informadobasadosenplacasradiolgicas:
Reducenelcosteoperacionaleliminandolanecesidaddedisponerdesoportesfsicos
paracadaestudio,conelconsecuenteespaciorequeridoparaalmacenarlos.Elcoste
del almacenamiento digital se ha visto reducido drsticamente durante los ltimos
aos.
Reduce el coste radiolgico, eliminando la necesidad de disponer y almacenar las

tradicionalesyaltamentecontaminantesplacasradiolgicas.
Proporcionan una manera ms rpida y confiable de acceder a los histricos de

imgenesdeunpaciente.
Posibilita el acceso remoto a las imgenes, ayudando al radilogo a optimizar su

tiempodisponible.
Proveen de un sencillo mtodo de integracin de las imgenes con el sistema de

informacin hospitalario (HIS). Este hecho posibilita el acceso a toda la informacin
del paciente desde un nico punto, lo que redunda en una mejor y ms efectiva
atencin al paciente. Puesto que las imgenes y los informes asociados son
transmitidos digitalmente, cuando son combinados con un flujo de trabajo efectivo,
suponen un excelente sistema de informado. Esto permite realizar un diagnstico
msrpidoymejoralaatencinalpaciente.
Esposiblerealizarrevisindelosinformes(eimgenes)porterceros,obteniendoas
segundasopinionesdeunamaneramuchomsefectiva, hechoqueredunda enuna
mejor atencin al paciente. Se obtiene una mejora sustancial en la precisin con la
elaboracin de los informes, as como la posibilidad de que el departamento
radiolgicomejoresuefectividad.
Es mucho ms sencillo cumplir con los requisitos legales vigentes, tales como
requisitosdeseguridadyLeyOrgnicadeProteccindeDatos,bastanterigurososen
entornosclnicos.
90
DESARROLLOSRECIENTES EN LOSSERVIDORESPACS
Fig.2.38.IntegracindelosPACS
IntegracindelFlujodeTrabajoRadiolgicoconlosservidoresPACS
Debido a dependencias inherentes al sistema, un flujo de trabajo radiolgico eficiente

requiere un mtodo eficiente, sincronizado y eficiente de trabajo que se integre con el
sistema PACS. En lugar de destinarse nicamente a almacn de imgenes, necesitan ser
integradosconelsistemadeinformadoparamejorarlaeficienciadelsistemaradiolgico.
Lainformacindelaimagenradiolgicanecesitaserintegradaconlosdatosdelpacienteyla
infraestructuradeinformadoparaasegurarlaeficienciayexactituddetodoelproceso.Estos
sistemas integrados necesitan disponer de sistemas de chequeo y monitorizacin para
asegurar la compatibilidad de las imgenes, rdenes e informes y tambin para permitir el
accesonicamentealaspersonasrequeridas.
Las ltimas tendencias incluyen plataformas completamente integradas para RIS y PACS,
incorporando funciones de citacin y facturacin en una base de datos unificada. Estos
sistemas tambin eliminan la necesidad de tener que mapear manualmente los diferentes
sistemas, permitiendo la comunicacin entre ellos, lo que asegura una alta calidad en el
proceso.
91
SistemaPACSbasadoenWebparaTeleradiologa
En los ltimos aos, la Teleradiologa se ha convertido en una tendencia creciente. Este

hechotienerelacinconlaratiodecrecienteentreradilogosypoblacinquerequierecada
vezmsenaspectosdeeficienciaydisponibilidad.
LossistemasdeTeleradiologahancrecidodesdeunnicocentroqueproveelecturasaunos
cuantos hospitales que se comunican entre s, hasta centros multisitio de teleradiologa
distribuidos a lo largo de la geografa, proporcionando servicios a travs del mundo entero.
Este tipo de configuracin requiere soporte para flujos de trabajo multisitios y distribuidos
geogrficamente,consistemasautomatizados y coordinadosquepermitanlasecuenciacin
delastareasdescritasanteriormente.
HerramientasdeComunicacinyColaborativas
Una configuracin de Teleradiologa como la descrita anteriormente requiere una

comunicacinycolaboracinconstanteentrelosdiferentesusuariosdelsistema.
La comunicacin puede ser entre diferentes radilogos discutiendo un estudio, un mdico

referentequeordenaelestudio,unradilogoqueemiteelinforme,unapersonaencargada
delatranscripcindelinforme,oeladministradordelhospitalcorrigiendounadiscrepancia
entre la imagen y una orden. Actualmente existen sistemas PACS que proveen soluciones
integradas de colaboracin para permitir la colaboracin en tiempo real, compartiendo las
imgenesysesindetrabajo,tantoaudiocomotexto.Estacolaboracinmejoralaeficiencia
delsistemaradiolgicosustancialmente.

Captu
92
CENT
Seg
regul
estab
servic
admi
debe
satisf
para
AVS
propu
comp
El CE
cuant
progr
prove
y la
Cons
Comu
elobj
ulo3.CloudC
TRODEEX
n el Decret
adores de
bleciendo q
cios sanita
nistrativasc
r de busca
faccindelo
proponer c
en todo lo
uestas de
petencia.
EIB est vin
titativos de
ramas y pro
enientesde
calidad asi
elleria de S
unicaciny
jetivodem
EIBI+D
XCELENCIA
Fig.2.39.
to 25/2005
la Agencia
ue la Agenc
rios pblic
conrespons
ar prioritari
osciudadan
criterios de
o relativo a
instruccion
nculado a
la imagen
oyectos tec
elainnovac
stencial. La
Sanitat para
ponerlasal
ejorarlaefi
ENIMAGE
LogotipodelC
5, de 4 de
Valenciana
cia Valencia
os, que ti
sabilidades
amente la
nos,benefic
actuacin a
a la coordin
nes, circula
la investiga
biomdica,
nolgicos d
intecnol
a creacin
fomentar e
lserviciode
icacia,laefi
ENBIOM
CentrodeExce
febrero, d
de Salud, d
ana de Salu
ene como
enelcamp
mayor efic
ciariosdels
a los servic
nacin con
res y rde
acin y el
, contempla
de innovaci
gicaalosc
del CEIB se
el desarroll
elbienestar
cienciayla
DICA.
elenciaenIma
el Consell
desarrolla l
ud (AVS) es
finalidad
podelasalu
ciencia en l
istema.Par
ios y centro
el disposit
enes de se
desarrollo
ando tanto
n, as com
entrossanit
e enmarca,
o de las Te
rylacalidad
calidaddel
agenBiomdic
de la Gene
o estableci
el eje de la
coordinar
ud.LaAVSn
la gestin d
aellolaAge
os adscritos
tivo sanitar
ervicio, en
de los asp
la gestin,
o la traslac
tariospara
, dentro de
cnologas d
ddevidade
laatencin
ca
eralitat, de
do en la Le
a organizac
todas las
naceporta
de sus recu
enciaestc
s funcionalm
rio pblico
las materi
pectos cua
desarrollo d
in de los r
mejorarlos
e la estrate
de la Inform
elosciudad
mdica.
Estatutos
ey 3/2003,
in de los
entidades
ntoconel
ursos y la
capacitada
mente a la
y realizar
ias de su
litativos y
de nuevos
resultados
sprocesos
egia de la
macin y la
danos,con
ElCE
El CE
sistem
IBnacecom
La Conse
CEIB y la
pblicov
El Hospit
Mdica,
Biomdic
imagenm
El Centro
actividad
EIB est ab
maquepro
mofrutode
elleria de Sa
a explotaci
valenciano.
tal Universi
dirigida p
ca de Image
mdicaysus
o de Inves
desquesurg
ierto a la c
poneestat
lacolabora
anitat, a tr
n de los r
itario y Pol
por el Dr.
en (GIBI2
30
sbiomarcad
tigacin Pr
gendelasin
colaboraci
esiseslaba
Fig.2.40.Esqu
cinysiner
avs de la
repositorios
litcnico la
Luis Mart
) proporcio
doresasocia
rncipe Felip
niciativasen
n con otra
asetecnolg
uemadereas
rgiasentrela
AVS, propo
s de image
Fe (HUPLF
tBonmat,
ona la expe
ados.
pe (CIPF) c
ninvestigaci
as entidade
gicaenlaqu
sdeestudiod
assiguiente
orciona resp
en mdica d
F) a travs
cuyo Gru
riencia cln
como entid
ineinnova
es y grupos
uesebasar
deCEIB
esentidades
paldo instit
del sistema
del rea d
po de Inv
ica y cient
ad de apo
acindelCE
s de investi
CEIB.
93
s:
tucional al
a sanitario
de Imagen
vestigacin
fica sobre
yo de las
EIB.
igacin. El
Captu
94
PROY
Dent
docu
El c
partir
sea
crecim
de la
hueso
selec
Elob
aplica
imag
dispo
perm
RIACC
trata
neuro
ulo3.CloudC
YECTOSEN
rodelCEIB
mentoalgu
lculo de la
rdeunarad
deunsujet
miento. Tr
a mano, a p
os clasifica
ccionadas.
bjetivodees
acin que a
en, dotand
osicin del
mitiendoadic
C,sonlassi
de una
ocienciaspe
EIBI+D
MARCHA
existendife
nadeellas
edad sea
diografaco
to,ycontras
adicionalme
partir de la
ados en un
steproyecto
automatice
do de obje
facultativo
cionalment
glascorresp
estructura
ertenecient
erenteslne
lassiguient
Fig.2
es un proc
onvencional
starconsu
ente, el esp
radiografa
n atlas y a
oesllevara
el clculo d
etividad al
una interfa
ellevaraca
Fig
pondientes
de coope
esapases
asdeinvest
es:
2.41.Proyecto
cedimiento
delamano
edadcrono
pecialista de
, con una s
anotar las
alaprctica
de la edad
resultado
az intuitiva
aboelclcu
g.2.42.Proyec
ala"Redib
racin ent
dehablahis
tigacin,sie
oedadsea
habitual en
o,esposible
olgicapara
ebe realizar
serie de im
puntuacio
aclnicadia
sea media
obtenido
para realiz
lomediante
ctoRIACC
beroamerica
re distinto
spana.
endoafech
n la prctica
eestimarla
detectarpo
r una compa
genes de
nes asocia
ariadelento
nte tratami
y, paralela
zar la sele
eelmtodo
anadecone
s grupos
adecreaci
a clnica en
edaddem
osiblestras
arativa de l
los corresp
das a las
ornohospit
iento y pro
amente, po
eccin man
otradicional
ectividadcer
de investig
ndeeste
el cual, a
maduracin
tornosdel
os huesos
pondientes
imgenes
talariouna
cesado de
oniendo a
ualmente,
l.
rebral".Se
gacin en
El pro
estud
baja
perso
Desd
conve
por i
enorm
prct
Como
susta
efect
indica
expo
En es
estab
pacie
de re
acum
El pro
en el
tecno
reper
Clnic
opsito prin
diodelasco
frecuencia
onasqueno
e su introd
ertido en u
imagen. La
memente a
ticamentein
o consecue
ancialmente
tos cancerg
anquepart
sicinasufr
ste contexto
blecer tecno
enteyquea
ealizar nue
mulada.
oyecto Dosi
l mbito de
ologas prev
rcutan direc
caElectrnic
ncipal es la
onexionesi
en la sea
oestnreali
duccin en
na de las t
frecuencia
a travs d
ndispensabl
ncia, la exp
e, y por tan
genos quep
tedelosc
ridadurante
o, y en base
ologas que
almismotie
evas explor
is de Radiac
e los centro
ventivas, la
ctamente e
ca.
creacin d
ntrnsecasc
al dependie
izandoning
Fig.2.43.
la dcada d
cnicas m
a de los ex
del paso d
leyampliam
posicin de
nto, el riesg
puede provo
nceressufri
eexmenes
e a estas es
permitan r
empo,ayude
raciones, en
cin (BIKEC
s hospitalar
as cuales s
en beneficio
de un foro p
cerebralesq
ente del n
unatarea.
.Proyectodos
de los 1970
s important
xmenes re
de los ao
menteexten
e la poblaci
go asociado
ocar. Enest
idosporlap
sporTC.
stimaciones
reducir al m
enalosesp
n funcin
CONRAD) em
rios, un ent
ean de uso
o de la salu
para compa
queseobse
ivel de oxi
sisderadiaci
0, la tomog
tes utilizada
ealizados co
os, siendo
ndidaenlos
n a las ra
o a esta tec
te sentido,e
poblacine
s alarmante
mnimo la do
ecialistasm
de las can
mprendido
torno tecno
o comn p
ud de los pa
artir datos y
ervanatrav
genacin e
n
grafa comp
as en el cam
on esta tc
actualment
scentrosho
adiaciones i
cnologa, qu
existennum
enelfuturo
es, se hace t
osis de radi
mdicosaev
ntidades de
por el CEIB
olgico dond
por los esp
acientes a t
y conocimie
vsdelosca
en sangre (
puterizada (
mpo del d
cnica ha au
te una he
ospitalarios.
onizantes h
ue se tradu
merososest
sernatrib
totalmente
iacin recib
valuarlacon
e dosis de
B, pretende
de se aglut
pecialistas m
travs de s
95
ento en el
ambiosde
(BOLD) en
(TC) se ha
iagnstico
umentado
erramienta
ha crecido
uce en los
tudiosque
buiblesala
necesario
bida por el
nveniencia
radiacin
implantar
inan estas
mdicos y
su Historia
96
Fig.2.44.ProyectoEurobioimaging
EuroBioimagen(Keppleretal.,2011)esunproyectoparaladotacindeinfraestructurasde
investigacin a gran escala dentro del Foro Estratgico Europeo sobre Infraestructuras de
Investigacin.
EuroBioimagen pretendedesplegarunainfraestructura dedistribucindeimagenbiolgica

y biomdica en Europa de una forma coordinada y armonizada. Cmo? proporcionando
acceso y capacitacin en tecnologas de imagen, y mediante el intercambio de mejores
prcticas sobre los datos de imagen, EuroBioimagen se convertir en un motor para
impulsarlainnovacinenlainvestigacineuropeaenelmbitodetecnologasdelaimagen.
Fig.2.45.ProyectoGITEM
GITEM es un proyecto integrado de asistencia e investigacin de esclerosis mltiple y otras

enfermedadesneuroinmunolgicasdelsistemanerviosocentral,quepretende,mediantelas
nueva tecnologas, facilitar el acceso a los pacientes a los mejores recursos asistenciales
disponibles independientemente de su lugar de residencia, adems de facilitar a los
neurlogos las herramientas para disminuir la variabilidad asistencial, investigacin clnica,
radiolgica,epidemiolgicaydeseguimientodetratamientos.
GITEM pretende generar una herramienta til para la valoracin de la imagen as como de
disponerentiemporealdelaspruebasdelaboratoriomsavanzadas,integradotodoenuna
mismaplataformaqueposibiliteelseguimientoadecuado,laelaboracindelpronsticodel
paciente y la individualizacin del tratamiento en base a sus caractersticas clnicas,
radiolgicasybiolgicas.
97
CAPTULO3.CLOUDCEIBI+D
98
99
VISINGENERALDELSISTEMA
Enelmbitodelabioimagen,lossistemasdealmacenamientocentralizadodeimgenesson
un referente dentro del marco estratgico de las instituciones sanitarias y en especial en el
marcoinstitucionaldelaComunidadEuropeacreandounplanentodaEuropaparaqueeste
tipo de infraestructuras se encuentren armonizadas y coordinadas entre todos los nodos
implicadosEuroBioimage,TheEuroBioImagingVisionToprovideaclearpathofaccessto
imagingtechnologiesforeverybiomedicalscientistinEurope,(Keppleretal.,2011),.
Es por ello que a resultas de la creacin de un banco centralizado de imgenes mdicas,

imgenes procedentes de la muestra de pacientes de toda la poblacin de la Comunidad
Valencianaatravsdelossistemasdearchivadoytransmisindeimgenesdepartamentales
(PACS),seofreceunamuestradegranvalorquevaaconstituirlabasedeconocimientodela
futuracomunidadcientficaennuestrasociedadatravsserviciosdeI+D.
LacomunidadcientficaglobalyenparticularEEUUyEUempiezanadifundirbasesdedatos
queincorporanimagenmdicaalentandoalosinvestigadoresasuexplotacinparaalcanzar
con mayor rapidez subproductos que aporten luz a determinadas patologas. Un claro
exponenteeselproyectoTheAlzheimersDiseaseNeuroimagingInitiative,ADNI(Wyman
et al., 2012), se trata de un estudio longitudinal y multicntrico diseado para desarrollar
biomarcadores tanto de imagen, genticos y clnicos para la deteccin temprana y el
seguimientodelaenfermedaddeAlzheimer.
Cada vez los bancos de imagen se posicionan como un claro exponente de repositorios
abiertos de datos a escala global; recientemente ha surgido una corriente entre los
investigadores para crear bases de datos de imagen de resonancia magntica a gran escala
enlosquesecompartanestainformacinentrelosdiversosgruposanivelmundial,dejando
estas bases de datos abiertas para que sean analizadas por quien tenga el inters y el
conocimiento ampliando el intercambio a informacin fenotpica en muestras tanto clnicas
comonoclnicas(Maloneetal.,2012).
Laabrumadorarespuestaalaliberacindeestetipodeconjuntosdedatoshademostradola
sed de materia prima de los investigadores y el potencial de este movimiento. Son los
proyectos colaborativos los que hoy en da abren una nueva perspectiva que anticipa
avances acelerados enlacienciay mayor especificidadenlasanormalidadescerebrales que
estndetrsdecualquierenfermedadespecialmentelasmentales.
Unclaroexponentedelxitodeestasiniciativaseselproyecto1000functionalconnectome
que agrupa bases de datos de imagen de resonancia magntica funcional de ms de 30
pases proporcionando una muestra de caractersticas cuantitativas en estudios de gentica
molecularybiomarcadores deprocesosde desarrolloypatolgicosenelcerebro(Biswal et
al.,2011).
100
El conjunto de datos del 1000 Functional Connectome es de libre acceso a travs de este
enlacehttp://www.nitrc.org/projects/fcon_1000/.
CloudCEIBI+Dsehadiseadocomounsistemamodularydistribuido,enelquesedefinena
continuacinlossiguienteselementosbase:Sistemadeinformacinsanitario(SISAN),banco
de imgenes (GIMC), comunidad cientfica (CC), motor de bsqueda (SE), anonimizador
(CEIBANON), gestor de ensayos y programas de investigacin (GEBID) y motor de
conocimiento(BIKE).
Fig.3.1.ModelogeneraldelsistemadeCloudCEIBI+D
101
Antes de empezar a describir todos los elementos que componen Cloud CEIB I+D tenemos
que introducir el conjunto de sistemas de informacin sanitario que componen la AVS
englobados en SISAN. SISAN es el mdulo representativo del sistema de informacin
sanitario, en general SISAN dentro del contexto de Cloud CEIB I+D, realizar peticiones al
catlogo de servicios ofrecido por cloud CEIB e incorporar la informacin obtenida al
sistema,ampliandoaselcatlogoenlainformacindelossistemassanitariosquepermitir
mejorar la atencin al paciente y complementar con informacin de calidad a la Historia
electrnicadelPaciente(HSE).
El Banco de Imgenes Mdicas de la AVS (GIMCAVS) es el sistema encargado del

almacenamiento centralizado de toda la imagen mdica de la Agencia Valenciana de Salud,
teniendo como fuente de informacin toda la imagen generada en los diferentes centros
sanitarios de la Comunidad Valenciana, a travs de la copia sincronizada de sus PACS
internos. Bsicamente y dentro de este entramado GIMC ofrece a Cloud CEIB servicios de
consultaytransferenciaanonimizadadeimgenes.
DefinimosacontinuacinlaspartesqueconstituyenelCloudCEIBI+D:
Lacomunidadcientfica(CC)Setratadelconjuntoprofesionalesy/oactoresquegestionanel
sistema que obtendrn, a travs de peticiones estructuradas y protocolizadas a GIMC, la
informacinnecesariaparasuposteriorestudioyaportacindeconocimiento.
Elmotordebsqueda(SE,SearchEngine)eselsistemaencargadodelaextraccindecasos
de inters desde GIMC a partir de la informacin solicitada por parte de la comunidad
cientfica (CC) para la realizacin de ensayos clnicos o proyectos de investigacin
protocolizados.
Es de suma importancia que estos datos tan sensibles (imagen mdica suministrada
proveniente del GIMC) sean tratados de forma anonimizada para el cumplimiento estricto
delaLeydeproteccindedatos,preservandoentodomomentoelanonimatodelpaciente
alllevarloauncontextodeinvestigacin.ParaelloelmdulodeAnonimizacin(CEIBANON)
permitiralsistemaanonimizary/odeidentificaradiferentesniveleslasimgenesobtenidas
delGIMC.
UnodelossubsistemasmsimportantesdelproyectoeselGestordeEnsayosyprogramas
de investigacin con Bioimagen para la I+D (GEBID) se encarga de proporcionar a la
comunidad cientfica una plataforma y herramientas que ayuden a la gestin de la
informacinobtenidadelGIMCparasuensayoclnico.
GEBID se basa en la implantacin de una instancia personalizada de XNAT (eXtensible

Neuroimaging Archive Toolkit). XNAT es una plataforma opensource diseada para facilitar
lagestindeconjuntosdeimgenesydatosasociados(Marcusetal.,20062007).
102
El ltimo bloque que configura el sistema global es el motor de conocimiento (BIKE). Es el

mdulo ms importante del Cloud CEIB I+D ya que es el encargado de la extraccin de
conocimientodelGIMCatravsdeanlisisypostprocesadodelasimgenes.
BIKE est formado por cuatro mdulos principales: BIKEPostproceso, BIKECuantificador,

BIKEDatamining y BIKEClasificador. Estos mdulos dotan al sistema BIKE de una serie de
herramientas muy completas para el anlisis y postprocesado de las imgenes con el fin de
obtenerunaseriederesultadosqueseutilizarnenelrestodemdulosdelsistema.
En los apartados siguientes se especifican con ms detalle cada uno de los mdulos
comentadosdelsistemaCloudCEIBI+D.
SISTEMADEINFORMACINSANITARIA:SISAN
El Sistema de Informacin SANitaria (SISAN) engloba a todos los sistemas que gestionan la
informacin referente al rea sanitaria, desde los sistemas clnicos que se encargan de la
informacin clnica del paciente hasta los sistemas logsticos, que se encargan de gestionar
losserviciosadministrativosnecesariosparaeldesarrollodelaactividadclnica.
La interoperabilidad de SISAN con CEIB I+D se centra bsicamente en la parte clnica, sobre
todoenaquellosaspectosqueaportaninformacindevalorasuhistoriadeimgen.Eneste
caso se trata como un servicio global de I+D en el que SISAN acta como peticionario y
receptordeconocimiento,incorporandolainformacinrecibidaasuhistoriaelectrnicadel
paciente.
El mdulo SISAN dentro CEIB I+D es un mdulo general al cual se pueden incorporar
cualquier sistema de informacin sanitaria que permita la interaccin va servicios web con
otrossistemas.
Fig.3.2.ModelodecomunicacinSISANCloudCEIBI+D
103
EnelmbitodeestatesiselSISANutilizadoparaladescripcingeneraldelsistemaeseldela
AgenciaValencianadeSalud.
ELSISANDELAAVS
El SISAN de la Agencia Valenciana de Salud incluye un amplio portfolio de sistemas que

permiten gestionar de manera eficiente toda la informacin generada en el entorno
asistencialdelpacienteascomotodalalogsticaasociadaalproceso.(Gmezetal.,2011)
Dentro de SISAN encontramos 5 tipos de sistemas: accesibilidad, soporte, informacin,

operacinyseguridad.
Dentro de los sistemas de accesibilidad se engloban todos los sistemas que la AVS pone a
disposicindelosciudadanosparalainteraccinconlosserviciosdesaludqueofrece.Estos
serviciosconformanelFrontenddelSISANdelaAVS.
Algunosejemplosdeestossistemasdeaccesibilidadsonelportaldecitapreviaenatencin
primaria,porelcualunusuariopuede,atravsdeinternetyusandodiferentesplataformas
(SMS,navegador,etc),solicitarcitapreviaconsumdicodecabeceraensucentrodesalud
asignado,consultaratravsdesucertificadodigitalsuhistoriaclnicaenelsistemanacional
desalud,serviciosdedocumentacin,etc.
ElrestodesistemasseconsideranBackend,yaquesonsistemasalosquenicamentetiene
accesoelprofesionaldelaAVS.
Lossistemasdesoporteseencargandegestionartodalainformacinlogsticaquesegenera
en el mbito de la AVS: Informacin econmica (SIE), gestin de personal (OrionPerso
Ciro), Identificacin de usuarios (SIP), gestin econmica, gestin de almacenes, conciertos,
etc.(OrionLogis).
Los sistemas de informacin de la AVS permiten analizar en forma de indicadores (CCBI

Sido22), sistemas de alertas (Red Miva), y otros sistemas de consulta de la informacin
generadaenelconjuntodesistemasdelaAVS,ofreciendoalosprofesionalesgestoresdela
AVSherramientastilesymuynecesariasenlatomadedecisiones.
Los sistemas de seguridad se encargan de velar de que el resto de subsistemas que

conformanSISANcumplanconlanormativatanestrictaenmateriadeproteccindedatos,
velandoparaqueelaccesoadichainformacinseaentodomomentoelcorrectoyelusuario
plenamenteidentificado(Identificat).
Captu
104
Loss
del p
mbi
espec
Estos
I+D,a
aform
Acon
laAV
ulo3.CloudC
istemasop
paciente (H
to de aten
cializada(O
ssistemasso
actuandoco
marparted
ntinuacins
VS:
EIBI+D
eracionales
IS, RIS, SIL,
ncin prima
rionClinic
on,agrand
omopeticio
delahistoria
semuestra
Fig.3.3
senglobana
etc.) y qu
aria (Abuca
AltaHospit
esrasgos,lo
onariosyrec
aclnicaele
unesquem
3.Portfoliode
aquellosm
e gestionan
asis) como
talaria,IRIS,
osque,vas
ceptoresde
ctrnicade
adelconju
aplicacionesd
dulosque
n toda la a
en el mb
,etc.).
servicioswe
einformaci
lpaciente.
ntodesiste
dentrodelSISA
tratancon
ctividad as
bito hospita
eb,secomu
ndevalor
emasqueco
SANdelaAVS
lainformac
istencial, ta
alario y de
unicanconC
aadido,la
onformane
cinclnica
anto en el
e atencin
CloudCEIB
acualpasa
lSISANde
105
INTERACCINDE SISANCONCLOUD CEIB I+D
Acontinuacinexponemosuncasodeusogenricodeflujodetrabajoenelcualintervienen
los sistemas de mbito clnico del SISAN y cmo estos hacen uso de los servicios de Cloud
CEIBI+D.
El paciente P acude a su centro de atencin primaria (previamente ha generado la cita a

travs de internet) y su mdico de cabecera M, tras analizar los sntomas y consulta la
historiaclnicadelpacienteatravsdeAbucasisdecidiendoderivaralpacientealespecialista
Eparaunanlisismsexhaustivo.
El facultativo especialista F, al recibir al paciente P, con sospechas clnicas de cierta

enfermedadE,consultasuhistoriaclnicaatravsdeOrionClinic(AltaHospitalaria)ydecide
para avanzar en el diagnstico definitivo y comenzar su tratamiento, solicitar cierta prueba
especializada de imagen a travs de Orion RIS. Tras solicitar a CEIB I+D a travs de Orion
Clinic (Alta Hospitalaria) una consulta de la ficha de dosis de radiacin del paciente, decide
sustituirlapruebadeTACporunaequivalenteenRM.Endichapeticin,elfacultativosolicita
una serie de tcnicas de postproceso y extraccin de biomarcadores de dicha imagen al
laboratorioavanzadodepostprocesodeimagen.
La peticin llega a un buzn o lista de trabajo y una vez que el paciente se ha realizado la
prueba de resonancia magntica, dicha imagen es enviada, de forma paralela, al sistema
PACS y a Cloud CEIB I+D, donde es postprocesada. El radilogo que informa dicha prueba
recupera la imagen del PACS y al informar incorpora la informacin que obtiene del
postprocesado de Cloud CEIB I+D (biomarcadores especficos, con su correspondiente
comparativaconestudioseinformacinnormalizados)asuinformeclnico.
ElfacultativoF,alconsultardichoinformedeimagenypostprocesado,realizaunavaloracin
global delpacienteP teniendo en supoderla informacinde valoraadido(biomarcadores
deimagen)quelepermitendarundiagnsticocomplementariosobrelaenfermedadE.
El facultativo F actualiza la informacin en la historia clnica del paciente y a travs del

sistemadeprescripcinfarmacolgica,prescribeeltratamientomsadecuado.
EnlasiguientevisitaalcentrodesaludporpartedelpacienteP,sumdicodecabeceraMa
travs del acceso a la Historia clnica electrnica del paciente puede consultar toda la
informacin incorporada del proceso anterior y tenerla en cuenta para valoraciones
posterioresdeseguimiento.
106
Fig.3.4.EjemplodeflujodeinteraccinentreSISANyCloudCEIBI+D
En este ejemplo de flujo hemos visto como uno de los mdulos del sistema de informacin
SISANconsultabaatravsdeunserviciowebproporcionadoporCEIBI+Dlafichaconladosis
deradiacindelpaciente,queayudaalfacultativoaseleccionareltipodepruebaquerealiza
para no perjudicar al paciente, y como, tras la realizacin de la prueba de imagen, el
radilogo puede consultar informacin de valor aadido resultante del postproceso y
extraccin de conocimiento del banco de imgenes. Tambin hemos visto cmo toda esta
informacinesincorporadaalahistoriaclnicadelpacienteparasuposteriorconsulta.

107
BANCODEIMAGENMDICADELAAVS:GIMCAVS
ElBancodeImagenMdica(GIMC)eselsistemaencargadodelalmacenamientocentralizado
de toda la bioimagen de la Agencia Valenciana de Salud, teniendo como fuente de
informacin toda la imagen generada en los diferentes centros sanitarios de toda la
ComunidadValenciana,atravsdelacopiasincronizadadesusPACSlocales.
Fig.3.5.EstructurageneraldelGIMC
GIMCestcompuestodetresgrandesbloques:Almacenamiento,basededatosyaplicacin.
108
ALMACENAMIENTO
El bloque de almacenamiento es el encargado de gestionar el almacenamiento de forma

optimizadadetodaslasimgenesqueserecogendelconjuntodePACSlocalesdeloscentros
delaAVSdemanerasincronizada.
A travs de la infraestructura optimizada de red Arterias de la AVS (Ripoll et al., 2003), el

GIMCrecogelacopiadelasimgenesenformatoDICOM.
El GIMC se ubica fsicamente en el centro de proceso de datos (CPD) del centro de

informtica de la AVS, quien le proporciona los servicios de gestin, soporte y
administracin.
Lasolucindealmacenamientotieneactualmenteundimensionamientode1Petabytebruto
decapacidady700Gigabytesnetos,entecnologaRAID5condiscosdetipologaSATA/SASy
esampliable.Esaccesibledesdeunareddealmacenamientocompartidoqueproporcionaun
canaldealtadisponibilidadparalatransmisindeimgenes.
Fig.3.6.MdulodealmacenamientoHitachiparaGIMCenlaAVS
BASE DEDATOS
Laimagenquesegeneraenlasdistintasmodalidadessecomponedelaimagenpropiamente
dichaascomodeunconjuntoestructuradodeinformacinalmacenadaenlacabeceradela
misma.
Para la gestin de esta informacin se ha diseado el bloque de base de datos el cual se

encargadelaextraccindetodalainformacinalmacenadaenlascabecerasdelasimgenes
DICOMrecibidasysuposterioralmacenamientoeindexacinenbasededatosrelacional.
Con
perm
decr
El sis
datos
(con
ubica
SERV
El blo
sistem
deap
Desd
enba
Atrav
AVS,
prima
img
Dado
gestio
este bloque
miteofrecer
iterios.
stema de b
sencluster,
entornode
adotambin
VIDORDEA
oque de se
madelosd
plicacinqu
e estacapa
asededatos
vsdeeste
tales como
aria) y otra
enes.Todo
o el gran va
onaGIMC,
e, GIMC co
serviciosa
ase de dato
,utilizando
PROyPRE
nenelCPD
PLICACION
ervidor de
osbloques
efacilitala
a, la imagen
syoptimiza
bloque,GIM
o Orion Clin
s aplicacion
elproceso
lor que alca
staseconv
onsigue una
capassupe
os garantiza
ORACLEClu
)4x2,4GHz
delcentrod
Fig.
ES
aplicacione
anteriores(
gestinde
n DICOMqu
adaparasu
MCponea
ic (gestin
nes, un cat
serealizaba
anza en ma
vierteenla
a mejor org
rioresdeco
a la alta di
usterRAC.E
zSPARC64V
deinformt
3.7.OracleCl
es es una c
(almacenam
lainformac
ue se recibe
almacenaje
disposicin
atencin es
logo de se
ajodirectiva
ateria de co
baseideald
ganizacin d
onsultadei
sponibilidad
Estecluster
VIIQuadCo
ticadelaAV
lusterRAC
capa a alto
mientoybas
indelban
e en GIMCe
e.
detodasla
specializada
rvicios web
asdelestn
onocimiento
delamateri
C
de los arch
mgenesqu
d gracias al
estformad
re,64GBRA
VS.
o nivel que
sededatos
codeimage
es procesad
asaplicacion
a), Abucasis
b para la co
ndarDICOM
o las imgen
iaprimapar
Captulo3.Clo
hivos almac
uecumplan
l sistema d
dopordoss
AM,2x146
permite a
)apartirde
enmdica.
da para su i
nescorpora
(gestin de
nsulta optim
M.
nes centrali
raCloudCE
oudCEIBI+D
109
cenados, y
nunaserie
e base de
servidores
6GByest
bstraer al
eunacapa
ndexacin
tivasdela
e atencin
mizada de
zadas que
IBI+D.
110
FsicamenteestubicadoenelCPDdelCentrodeInformticadelaAVSyestformadopor
unaarquitecturadeclusterJ2EE,contecnologaOracleContainersforJ2EEconApacheHTTP
Server2.2sobreunconjuntodeservidoresconstituidosen'granja'(64CPU(1x8coresde1,4
Mhz)con64GBRAMydosdiscosde300GBentecnologaRaid1)quegarantizanelbalanceo
ydisponibilidad.

Fig.3.8.Tecnologasenlacapadeaplicacin
COMUNIDADCIENTFICA:CC
DentrodelsistemadefinidoenCloudCEIBI+Dlacomunidadcientficarepresentaalconjunto
de profesionales que interacta con todos los mdulos del sistema para poder generar y
gestionarelconocimientoextradoapartirdelasimgenesdelGIMC.
Podemos distinguir tres tipos de usuarios dentro de la comunidad cientfica: Profesionales

sanitariosenensayosclnicos,profesionalesingenierosdevisinycuantificacinademsde
administradoresdelsistema.
Fig.3.9.Tiposdeusuariosenlacomunidadcientfica
111
Los profesionales sanitarios son los encargados de generar conocimiento a travs de la
realizacin de ensayos clnicos y/o trabajos de investigacin con universidades y centros de
investigacin, en los que interviene de algn modo la imagen mdica. Para ello, el sistema
CloudCEIBI+DponeasudisposicinuncatlogodeserviciosdealtonivelcomoGEBIDpara
la gestin de la informacin del ensayo clnico (demogrficos, imgenes, resultados, etc.) o
como BIKE, con una serie de herramientas para clculo de biomarcadores, normalizacin,
postprocesoavanzado,etc.
Los ingenieros, otro de los tipos de usuarios dentro de la comunidad cientfica CEIB, son
profesionales multidisciplinares en materia de visin, cuantificacin, informtica, etc., que
centran su trabajo en el estudio y diseo de nuevos servicios que permiten, a travs del
postprocesodebioimagen,laextraccindeinformacindevalor.
Todos estos servicios, antes de ponerse a disposicin en CEIB I+D deben de pasar una serie
deprocesosrigurososdevalidacin,estandarizacinyaceptacinporlacomunidadcientfica
ylosprofesionalessanitarios(MartBonmat,L.etal.,2011).Esimportantequeloshallazgos
encontradosestnrelacionadosconlapoblacinestudiada(nivelesdenormalidadextrados
del banco de imgenes), hay que tomar como referencia estos niveles de normalidad y
evaluarlosconcautela,porquesepuedenencontrardeteriorosestructuralesimportantesen
pacientes asintomticos o con sntomas iniciales e inespecficos que hayan sido clasificados
comonormales.
El ltimo de los grupos de usuarios corresponde a los administradores de los sistemas CEIB
I+D,encargadosdevelarporelbuenfuncionamientodetodoslosbloquesqueloconforman:
software,sistemas,comunicaciones,etc.
MOTORDEBSQUEDA:SE
Dentro de Cloud CEIB I+D, el motor de bsqueda es la herramienta que interacta con la
capadeaplicacindeGIMCparalaextraccindecasosdeintersapartirdelainformacin
solicitada por parte de la comunidad cientfica (CC) para la realizacin de ensayos clnicos y
proyectosdeinvestigacin.
Elmotordebsquedaofreceunainterfazalusuarioquepermitelageneracindeconsultas
personalizadas de estudios con una serie de caractersticas (demogrficos, modalidad, etc.).
Una vez establecidos los criterios, el motor de bsqueda modeliza esta peticin a travs de
archivos XML definidos y mediante servicios web se comunica con la capa de aplicacin del
GIMC.
112
ElGIMC,traslarecepcindelapeticindeservicio,generalosprocesosinternosnecesarios
(consulta de base de datos, consulta de archivos, validacin de estudios, etc.) para la
creacindeunsubconjuntodeimgenesquecumplenloscriteriosestablecidos(edad,sexo,
modalidad,patologa,etc.).
Fig.3.10.Estructuradelprocesodelmotordebsqueda
Estesubconjuntodeimgenesobtenidoesenviado,utilizandoelprotocoloestndarDICOM
a travs del canal de comunicacin establecido (CEIBANON) de forma segura, hacia Cloud
CEIB I+D, donde se almacenar en el gestor de ensayos clnicos (GEBID) para proseguir con
losprotocolosestablecidosenelensayo.
113
ANONIMIZADOR:CEIBANON
EnbasealestrictocumplimientodelaLeydeproteccindedatos,todaimagensuministrada
provenientedelalmacenamientodeGIMCparausoenprocesosdeensayosclnicosotrabajo
deinvestigacin,debeofrecersegeneralmentedeformaanonimizada,preservandoentodo
momentoelanonimatodelpaciente.LapiezaclaveparaestesubsistemaeselCEIBANON.
CEIBANON es por tanto, el mdulo del sistema que permite recibir imgenes en formato
DICOM,realizarunprocesamientodesuscabeceras,yenviarlasaotronodoDICOM(GEBID)
parasuposterioranlisis.
El sistema permite diferentes tipos de anonimizacin, desde la alteracin de la informacin

detextoexistenteenlascabecerasDICOMhastaladeformacinaniveldeimagendepartes
que puedan identificar al paciente (sobre todo en imagen cerebral obtenida mediante
resonanciamagntica).Todaslastransaccionesrealizadasenelprocesodeanonimizacinde
cabecerasDICOMsonalmacenadasenunabasededatos.
Dentro del sistema de anonimizacin se ha definido un mdulo restringido de

desanonimizacin,enelcualsealmacenalainformacinnecesariaparainvertirelprocesode
anonimizacin, para que, dado el caso de que por necesidades especficas del ensayo o
tambin en el caso de hallazgos inesperados, sea necesario obtener ms informacin del
pacienteenestudio,elsistemaseacapazdeidentificarloysolicitarmsinformacinalSISAN.
Fig.3.11.EstructurageneraldeCEIBANON

114
GESTOR DE ENSAYOS Y PROGRAMAS DE INVESTIGACIN CON BIOIMAGEN PARA

LAI+D:GEBID
Dentro de Cloud CEIB I+D se ha definido un mdulo encargado de gestionar la informacin

obtenida desde el GIMC u otras fuentes adicionales, y que proporciona a la comunidad
cientficaunaherramientasencillaypotenteparapoderorganizarsuensayoclnicodefinido
conlosprotocolosasociados.
A este mdulo se le ha denominado GEBID y se ha construido mediante una instancia

personalizada de XNAT (eXtensible Neuroimaging Archive Toolkit), una herramienta
opensource desarrollada por el Grupo de Investigacin en Neuroinformtica de la
UniversidaddeWashington(Marcusetal.,20062007).
Esta plataforma facilita la gestin comn, la productividad y la realizacin de tareas de

control de calidad sobre imgenes y datos asociados. Gracias a su flexibilidad, GEBID se
puedeutilizarparaapoyarunaampliagamadeensayosclnicosyproyectosdeinvestigacin
basadosenbioimagen.
Fig.3.12.PrincipalescaractersticasdeGEBID
115
EntrelasprincipalescaractersticasdeGEBID,encontramoslassiguientes:
IntegracinconDICOM
GEBIDseintegra100%conelestndarDICOMconloquepuedecomunicarseconcualquier
modalidadquesigaesteprotocoloalestarbasadounainstanciadeldcm4chee(ZeilingerG.,
2009;WarnockMJ.etal.,2007)
Anonimizacin
GEBID permite, mediante sus scripts de anonimizacin eliminar de manera automtica los
datos de filiacin deseados de los estudios recibidos desde cualquier fuente. En el sistema
que se especifica en esta tesis, el mdulo anonimizador de GEBID se utilizar nicamente
paratratarlosdatosexternosqueseincorporenalensayoclnicooproyectodeinvestigacin
desdeotrasfuentesdiferentesaDICOM.
Seguridadyacceso
GEBIDincorporaunsistemaavanzadodecontroldeaccesoalainformacincontenidaensus
proyectos, permitiendo al administrador dar visibilidad individualizada a cada usuario,
decidiendo quinaccedea qu informacin. Otra de lasposibilidadesquepermiteGEBIDla
capacidaddecompartirdatosentrediferentesproyectos,dandounavisibilidadhorizontala
lainformacin.
Adems,parafacilitarauditorasdeseguridadGEBIDincorporaunsistemadelogsendonde
sepuederastreartodaaccinrealizadaenelentorno.
Bsquedaeinformes
GEBID incorpora una serie de potentes servicios de consulta que permiten al usuario
construir filtros avanzados que consultan y extraen la informacin deseada del proyecto,
presentando la informacin en pantalla o descargndola en formato csv (texto) y/o DICOM
(imagen)parasuanlisisousoexterno.
EstosfiltrospuedengenerarseatravsdeformularioswebdesdelainterfazdeGEBIDobien
utilizando el REST API (Hadley, M. et al., 2009) que incorpora la plataforma con la cual se
puedeextraerInformacinatravsdeserviciosweb.
GEBIDincorporatambinherramientasdeconstruccindeinformesavanzadasquepermiten
utilizar tanto el texto como la imagen almacenada en esta plataforma, permitiendo de esta
forma obtener informes grficos con los resultados obtenidos del ensayo clnico o proyecto
deinvestigacin.
116
Postproceso
Aunque no es su principal funcionalidad, GEBID incorpora una serie de herramientas que

permiten planificar pipelines de post proceso en entornos de computacin intensa, interna
y/oexterna.
De esta forma GEBID puede planificar diferentes tareas de una manera automatizada
asociadas a un evento determinado dentro de una fase, como por ejemplo generar un
snapshot de la serie cuando sta es archivada en la plataforma, generar archivos NIFTI y
almacenarlosenlaestructuradelestudio,verificarcontrolesdecalidadcuandoelarchivose
recibe,etc.
Modular
GEBIDsebasaenlanuevaversindelaplataformaXNAT(actualmentela1.6.1),eincorpora
la posibilidad de extensin de sus funcionalidades a travs de plugins. GEBID por lo tanto
puedeampliarseconinnumerablesnuevasfuncionalidades(gestordecitas,nuevosformatos
deexportacindedatos,etc.)deunamanerasencillayescalable.
Comunidad
GEBIDestbasadoentecnologasopensource(XNAT),ydisponedeunaampliacomunidad
dedesarrolladoresyadministradoresquedaadaaportanmsvaloralaherramienta.
Asuvez,GEBIDpermitecompartirlainformacindesusproyectos,siemprebajounentorno
seguroycontrolado,conotrosgestoresbasadosenXNATosimilares,loquepermitequela
comunidadcientficapuedacolaborarentresycompartirdatosdediferentesfuentesdeuna
manerarpidaysencilla.
117
FLUJODEINFORMACIN EN GEBID
DentrodeGEBID,lainformacinsegestionasiguiendounmodeloflexibledefases,endonde
en cada una de ellas se trabaja con la informacin recibida (estudios de imagen) para
adaptarla al ensayo clnico particular. Estas fases o estados definidos en GEBID son:
prearchivo,clasificacin,validacin,archivo,postprocesoypublicacin.
Prearchivo
GEBIDescapazdegestionarlaentradadedatosatravsdediversasvascomonodoDICOM,
importacindesdeunarchivocomprimido,importacindesdesuasistentedeestudios,etc.
Una vez que GEBID recibe la informacin, sta se almacena en un archivo privado para que
un administrador compruebe su correcta recepcin y proceda a gestionar las siguientes
fases. En esta fase el administrador del ensayo puede eliminar la informacin recibida si
compruebaquenoperteneceaningnestudioencurso.
Clasificacin
Dentro del modelo de datos de GEBID, el proyecto es la entidad que agrupa los diferentes
pacientes, estudios y series pertenecientes a cada ensayo clnico. Por lo tanto, la siguiente
fasequesiguelainformacineslaclasificacinenunodeestosproyectos.
Fig.3.13.EntidadproyectoysujetoenelmodelodeGEBID
118
Es el administrador quien tras recibir el estudio en el prearchivo lo clasifica siguiendo los

criteriosestablecidos.
Validacin
Notodaslasimgenesqueserecibenyseclasificansonvlidasparaelestudiodefinido.En
estafaseunmiembrodelproyectoseencargaderevisarlacalidaddelosparmetrosbsicos
delasimgenesrecibidasascomosuvalidacin.
Para ello GEBID proporciona una serie de herramientas a los miembros revisores del
proyecto (algunas automticas y otras manuales) mediante las cuales por ejemplo
compruebanqueparaunestudiodeRMtodaslasimgeneshansidotomadasconunaserie
de parmetros establecidos (nmero mnimo de cortes, grosor,...), y que van a permitir
decidir su inclusin o no con el resto de estudios del ensayo. Si la imagen no cumple estos
requerimientos establecidos por el proyecto, puede eliminarse o bien marcarse como no
usable, formando parte as del repositorio de imgenes del proyecto pero no utilizndose
paralosprocesosdeestudio.
Archivo
Una vez que el estudio ha sido recibido, clasificado y validado para su uso por los tcnicos
asignados al proyecto, el siguiente paso es publicar las imgenes en un entorno privado,
visible nicamente para los miembros del proyecto, para poder realizar el trabajo deseado
conellas.
GEBID proporciona la interfaz grfica y REST API (Hadley, M. et al., 2009) necesarias para
poder realizar dicho proceso. El archivado de las imgenes suele llevar consigo la ejecucin
de diferentes rutinas de postproceso bsico (generacin de snapshots, conversin de las
imgenes a otros formatos propios de postproceso, procesos de anonimizacin avanzados,
etc.). En este proceso, el tcnico debe escoger o crear en el caso de que no exista, el
pacientedestinodelestudioprocesado,ascomoincluiralgunosdatosbsicosdelestudio.
Una vez archivadas, las imgenes son eliminadas del estado de cuarentena en el que se
encontrabanenelprearchivo.
Postp
Unav
que p
datos
postp
datos
resul
Adem
otras
recog
Publi
Unav
plata
expo
infor
GEBID
proceso
vezlasimg
pertenecen
s. Para ell
procesoatr
s el estudi
tadosobten
ms,GEBID
sfuentesde
gervaREST
cacin
vezquese
forma pue
rtacin de
mes con te
D,otrasinst
genesseenc
, la comuni
o, la plata
ravsdelal
io seleccion
nidosdelpr
puedeexpo
epostproces
TAPIlosres
terminael
den compa
datos haci
exto e img
tanciasbasa
F
cuentranen
idad cientf
aforma pe
lamadaapi
nado y qu
rocesodeun
ortardinm
somsavan
ultadosobt
proyectoo
artirse de u
ia otros en
genes asoci
adasenXNA
Fig.3.14.Flujo
nelarchivo
ica que tien
rmite la e
ipelinesloca
e permiten
namaneraa
icamentela
nzadascom
tenidoseinc
duranteel
una manera
ntornos de
adas, comp
AT,etc.
odeinformaci
deGEBID,a
ne acceso a
ejecucin d
alesqueuti
n guardar
automtica,
asimgenes
oporejem
cluirlosene
ensayocln
a muy sen
anlisis (ex
particin de
indentrode
C
asociadasal
al mismo pu
de ciertas
lizancomo
en la estru
,semiautom
sdelosestu
ploelsistem
elmodelod
nico,losdat
cilla media
xcel, spss,
e datos con
GEBID
Captulo3.Clo
lproyectop
uede trabaj
tareas def
fuentedee
uctura de
mticaoma
udiosselecc
madeLONI
edatos.
tosintroduc
nte varios
etc.), gene
n otros pro
oudCEIBI+D
119
principalal
ar con los
finidas de
entradade
datos los
anual.
cionadosa
Pipeliney
cidosenla
mtodos:
eracin de
oyectos de
Captu
120
ARQU
Todo
GEBID
cuale
inclui
Para
utiliza
GEBID
(CIPF
arqui
ulo3.CloudC
UITECTURA
oslosmdul
D basa su
essegenera
idasenserv
la gestin
andocomo
Dseencuen
F), en Valen
itecturasde
EIBI+D
ADE GEBID
losqueform
interfaz we
anservletsj
vidoresdea
de los dat
gestordeb
ntraubicado
ncia. Se dis
eambosent
manGEBID
eb en los p
javaquege
aplicaciones
tos, GEBID
basededato
Fig.3.15.
ofsicament
spone de u
tornossons
hansidodis
proyectos A
stionanlac
ApacheTo
se ha dise
oselmotor
Interfazwebd
teenelCPD
n entorno
similares.
seadosat
Apache Turb
creacinyej
mcat.
eado aten
deposgres
delportalGEB
DdelCentro
de test y
ravsdepr
bine y Apac
jecucinde
diendo a u
ql.
BID
odeInvestig
un entorno
oyectosope
che Velocity
elasaplicac
un modelo
gacinPrnc
o de produ
ensource.
y, con los
ionesweb
relacional
cipeFelipe
ccin. Las
121
Fig.3.16.ArquitecturaGEBIDbasadaenXNAT
Paragestionarlaspeticioneswebsehandispuestodosservidoreslinuxdebianconlaversin
6.0 de tomcat que responden las peticiones que le llegan desde Internet, balanceadas
previamente por un sistema de balanceo de carga. Ambos servidores tomcat atacan a un
servidordebasededatosposgresqlinstaladoenunlinuxdebian.
Para el almacenamiento GEBID se conecta al entorno de almacenamiento avanzado que se

disponibleenlasinstalacionesdelCPDdelCentrodeInvestigacinPrncipeFelipe,dotandoal
sistemadeunagrancapacidaddealmacenamientoyuncanaldeaccesoadatosmuyrpido.
Captu
122
La pa
cluste
mdu
MOT
Dent
Know
para
BIKE
subsi
bioim
para
elect
desu
Los s
bioim
DICO
desar
cardi
ulo3.CloudC
arte de post
er de alto r
ulodeMoto
TORDECO
rodelsistem
wledgeEngi
poderextra
est forma
stemas com
magen,cono
facilitar e
rnica.Los
ubsistemas(
servicios of
magen, ayud
OM y clasif
rrollar nuev
ologa,prt
EIBI+D
Fig.
tproceso re
rendimiento
ordeconoc
NOCIMIEN
madeClou
ne,eselsu
aerelconoc
ado por un
mentados a
ocimientoq
l trabajo d
serviciosde
(comopore
frecidos po
da a la defi
ficacin de
vas instancia
tesis,etc.).
3.17.Sistema
ealizada en
o ubicado e
imiento(BI
NTO:BIKE
dCEIBI+D,
ubsistemae
cimientode
a serie de
anteriormen
quedebese
de los facu
eBIKEtamb
ejemploGEB
or BIKE se
nicin de b
e bioimage
as personal
adealmacena
GEBID se la
en el CIPF (
KE).
elmotord
ncargadod
labioimage
mdulos q
nte para po
rincorpora
ultativos es
binsoncon
BID).
categoriza
biomarcado
n. Partiend
lizadas de B
mientodelCP
anza contra
(Escobar P.,
econocimie
eproporcio
en.
que permite
oder extrae
doalossis
specialistas
nsumidores
n en mod
res y cuant
do de esta
BIKE para ca
PDdelCIPF
un entorno
, 2012) y q
ento,BIKE,
onarlasher
en ofrecer
r y generar
temasdein
o a la pr
derecurso
alidades ba
tificacin, e
as categor
ada tipo de
o de compu
ue definire
delinglsB
rramientasn
servicios a
r conocimie
nformacin
ropia histo
osobtenidos
ase: postpr
estudio de
as base se
e estudio (n
utacin en
mos en el
Bioimaging
necesarias
l resto de
ento de la
sanitarios
ria clnica
sdelresto
roceso de
cabeceras
e pueden
eurologa,
Fig.3.
Fig.3.19.Alg
18.Mdulosb
gunasinstanci
basedeBIKE
iasdelasuite
C
BIKE
Captulo3.ClooudCEIBI+D
123
124
LascategorasbaseenBIKEsiguenunmodelodeserviciosporelcualcadacategorasirvede
baseparalasiguiente.AslacategoraBIKEPostprocesoporejemplosirvedebaseparaque
lasaplicacionesdeBIKEDataminingylasaplicacionesdeBIKECuantificadordispongan,entre
otrasmuchasposiblesdeotrasfuentes,deunconjuntodeherramientasbsicasparapoder
realizarsuproceso.Asuvez,lasaplicacionesdelacategoradeBIKEClasificadorsebasanen
elconocimientoadquiridoporlasaplicacionesdeotrascategoras.
Estemodelodefinidopermitedotaralsistemadeunamodularidad,rendimientoycapacidad
deexpansinademandadelasnecesidadesdelosespecialistasodelapropiaorganizacin.
A continuacin se describen ms en detalle cada una de las categoras base de las que est
compuestoelsistemaBIKE.
BIKEPOSTPROCESO
Elprocesadodigitaldelosdatosobtenidosporlasmodalidadesqueadquierenlasimgenes
mdicas es un campo de estudio en continua expansin ya que permite extraer una
informacin que se sita ms all de la simple observacin de las imgenes en las placas
radiogrficasoenlosmonitoresdiagnsticosdelosserviciosderadiologa.Elprocesamiento
digital de las bioimgenes permite precisar la anatoma del rea estudiada y obtener una
informacin funcional e incluso, molecular, dependiendo del entorno en el que se haya
capturadodeseal.
Con esta capa bsica, BIKE aporta al sistema de una serie de servicios basados en
herramientas y libreras grficas open source que ayudaran al postprocesado de la
bioimagen. Dichas herramientas se pueden utilizar de manera directa o bien agrupadas
secuencialmenteatravsdelaaplicacindegestindeflujodeprocesosqueseincorpora.
Como se ha mencionado anteriormente, BIKEPostproceso permite la ejecucin directa va

shell de las herramientas de postproceso de las suites open source ms conocidas para
procesamiento de cada tipo de bioimagen, as como las libreras propias definidas por el
usuario.Porejemplo,paraelanlisisdeneuroimagen,seofreceunentornoshellconsuites
comoFSL,MIPAV,FreeSurfer,BrainSuite,Measure,DTIQuery,3DSlicer,etc.
El ingeniero de visin dispone de este servicio en entorno de preproduccin para testear

nuevasherramientasyfuncionalidadesascomounentornodeproduccinparaejecutarde
maneramanual(vascripting)tareasdepostprocesado.
Para
propi
insta
al.,2
dela
mode
A tra
pued
pode
poneradis
ias desarro
nciaperson
008),desar
Escuelade
elarproceso
vs de esta
en usar de
ergenerarfl
Fig.3
posicinde
lladas por
nalizadadel
rolladopor
Medicinad
osmscom
a plataform
manera vi
ujosdepro
3.20.Ejemplo
elrestodels
los ingenie
entornoge
elLaborato
delaUniver
plejosabstr
a, tanto el
sual cada u
cesomsco
deentornosh
sistematod
ros de visi
estordepro
oriodeNeu
rsidaddeUC
rayendoalu
ingeniero c
una de las
omplejos.
helldeBIKEPo
oesteconju
n, BIKEPo
ocesosLONI
uroimagend
CLAenCalif
usuariodet
como el usu
herramient
C
ostproceso
untodesuit
ostproceso o
Pipeline(M
delDeparta
fornia,una
tediosaslne
uario de otr
as disponib
Captulo3.Clo
tesydeher
ofrece med
MacKenzieG
mentodeN
interfazdon
easdescrip
ros mdulo
bles y enlaz
oudCEIBI+D
125
rramientas
diante una
Grahamet
Neurologa
ndepoder
ting.
s de BIKE,
arlas para
126
Fig.3.21.BIKEPostprocesosebasaenelgestorLONIPipeline
Muchas de las tcnicas de postprocesado de imagen requieren de un alto coste

computacional debido a su gran complejidad de clculo. BIKEPostproceso se ha diseado
teniendo en cuenta los paradigmas de HPC (Highperformance Computing), dotando al
sistema de la capacidad de ejecucin de procesos en este tipo de entornos. Esto permite al
ingenieroacelerarlascargasdetrabajoyobtenerresultadosenunmenortiempo.
Para la ejecucin de herramientas propias y las suites bsicas BIKEPostproceso dispone

actualmente de dos servidores linux (preproduccin y produccin) con procesador Xeon de
arquitecturax86_64bitscon8GBdeRAMyconectividadethernet10Gbpsconelsistemade
almacenamiento(compartidoconGEBID).
Para el entorno de ejecucin de procesos, BIKEPostproceso se ejecuta en un entorno HPC

que sigue el modelo de colas Sun Grid Engine. Este sistema est formado por un servidor
querealizalastareasdegestindecolasdetrabajoyunclusterdeservidoresdecmputode
altas prestaciones para la ejecucin de procesos que le permite obtener un rendimiento
generaldecomputacinmuyalto(HPG,2013).
Paraelalmacenamientoseutilizaelentornodealmacenamientodealtorendimientoquese
especificconGEBID.
127
Fig.3.22.ArquitecturabasedeBIKEPostproceso
128
BIKECUANTIFICADOR
Los biomarcadores de imagen denen caractersticas objetivas extradas de las imgenes

mdicas, relacionadas con procesos biolgicos normales, patolgicos o respuestas
teraputicas.
En los ltimos aos se ha demostrado que los biomarcadores de imagen ofrecen una
informacincomplementariamuytilaldiagnsticoradiolgicotradicionalparaestablecerla
presenciadeunaalteracinolesin;medirsusituacinbiolgica;denirsuhistorianaturaly
progreso;estraticarlasanomalasenfenotiposyevaluarlosefectosdeuntratamiento.
Para desarrollar un biomarcador de imagen es necesario realizar una serie de pasos

destinadosavalidarsurelacinconlarealidadestudiadaycontrolarsuvalidez,tantoclnica
comotcnica(MartBonmatetal.,2011).
Fig.3.23.Procesodecreacinyvalidacindeunbiomarcador(MartBonmatetal.,2011)
129
BIKECuantificador proporciona todas las herramientas necesarias para poder llevar a cabo
de manera efectiva todos los procesos necesarios para la generacin de cualquier
biomarcador.
Estas herramientas facilitan la denicin de pruebas de concepto y de mecanismo; la

adquisicinestandarizadayoptimizadadeimgenesanatmicas,funcionalesymoleculares;
elanlisisdelosdatosmediantemodeloscomputacionales;lavisualizacinadecuadadelos
resultados; la obtencin de medidas estadsticas apropiadas; y la realizacin de pruebas de
principio,ecaciayefectividad.
Para la adquisicin de imgenes, BIKECuantificador utiliza como fuente principal el sistema

gestor de ensayos clnicos GEBID. Los procesos de estandarizacin e indicadores de calidad
analizadosenelprocesodecargaenGEBIDaseguranquelasimgenesrecibidascumplenlos
criteriosnecesariosparasuusoalahoradecuantificarelbiomarcadorestudiado.
Paraelprocesado,anlisisymodeladodelasealdelasimgenes,BIKECuantificadorutiliza
el gestor de procesos definido en BIKEPostproceso para construir los flujos de postproceso
necesarios para extraer la informacin cuantitativa / cualitativa necesaria de las imgenes.
Este gestor de procesos incluye herramientas de anlisis estadstico para el estudio de la
imagenparametrizadaunivarianteymultivarianteylarealizacindelaspruebasdeeficaciay
efectividaddelmismo.
Para la visualizacin de resultados, BIKECuantificador ofrece el acceso a clientes web con

tecnologas estndar HTML5 que permiten tanto la visualizacin avanzada de imgenes
2D/3D/4D para el anlisis de resultados visuales como la generacin de informes
estructuradosdemaneracolaborativaconlosresultados.
Estos resultados cuantitativos obtenidos retornan al gestor de ensayos clnicos donde se

incluyenenelmodelodedatosdefinidoparaelensayoencuestindedondeseobtuvieron
lasimgenes.
130
Fig.3.24.EsquemagrficodefuncionamientodeBIKECuantificador
BIKEDATAMINING
Dentro del mundo de la imagen mdica, DICOM es el formato estndar utilizado. Dicho
formato,aniveldecontenido,incorporaademsdelainformacindelaimagenobtenidaen
elprocesodeadquisicin,informacinadicionalenformatotexto.Estainformacincontiene
datos demogrficos del paciente, informacin clnica, datos de control de calidad de la
imagen,datostcnicossobreeldispositivodecapturaytipodeimagen,yotrasmuchasms
caractersticas.
Elanlisis detodaestainformacin permitiraobtenermuchas mtricas decontrol,calidad,

normalidad, etc. (Akil H. et al., 2011). Para este fin el sistema define el mdulo BIKE
Dataminingparaproporcionarherramientasyserviciosquepermitenelanlisisdetalladode
estascabecerasestructuradasylaextraccindeconocimiento.
131
LosficherosDICOMconstandeunacabeceraconcamposestandarizadosycamposdeforma
libre,yuncuerpoconlaimagenpropiamentedicha.Lasetiquetasotagsquecontienen
estainformacinseidentificanmediantedosvaloresuoctetos.Unodeelloscorrespondeal
grupoyotroalelemento.
Fig.3.25.EjemplodecontenidodecabeceraDICOMenunaRM
LosgruposmsimportantesdelestndarDICOMson:
Metadatos
Identificacindelaprueba
Informacindelpaciente
Informacinsobrelaadquisicin
Informacindereferencias
Informacindepresentacin
Otros
Cada grupo incluye una serie de elementos y valores alfanumricos donde se almacena la
informacin.
132
Para la explotacin de toda esta informacin BIKEDatamining se basa en una arquitectura

quecontieneunservidorqueproporcionaserviciosparaelmanejodecabecerasDICOM,un
gestordebasededatosquecontieneunmodelorelacionalquerecogetodalainformaciny
relaciones existentes en el estndar DICOM y un entorno de generacin de consultas SQL e
informesquepermiteextraerymodelarelconocimientoobtenidodedichabasededatos.
Fig.3.26.ArquitecturabasedeBIKEDatamining
133
Para el manejo de las cabeceras DICOM, BIKEDatamining utiliza un conjunto de
herramientas open source basadas en la implementacin java del estndar DICOM,
dcm4chee (Zeilinger G., 2009). As mediante procesos automatizados se pueden extraer los
campos requeridos de los conjuntos de imgenes origen recibidos desde GEBID u otras
fuentesyenviarlosalabasededatos.
BIKEDataminingdefineunmodelodedatosrelacionalmedianteelcualserecogentodoslos
gruposyelementosdelestndarDICOMascomosusrelaciones.Paracadaensayoclnico,el
sistema genera una instancia de dicha base de datos que permite recibir y almacenar,
siguiendo una serie dereglas de validacin, estandarizacin, calidad, etc. para asegurar una
calidaddelainformacinaceptable,todalainformacindecabecerasDICOMqueseenvan
desdeGEBID(uotrasfuentes)procesadasporelservidordcm4chee.
Unavezalmacenada toda lainformacin endicha base dedatos, BIKEDatamining ofreceal

ingeniero un entorno de trabajo desde donde puede generar y ejecutar de manera ptima
lasconsultasnecesariascontralainstanciadebasededatosascomomodelarlosresultados
obtenidos para generar informes cuantitativos de los indicadores deseados. Dichos
resultadossealmacenanenGEBIDdentrodelensayoclnicoorigen.
BIKECLASIFICADOR
Partiendodeladefinicindesistemadeayudaaladecisinmdica,unsistemadeayudaala
decisin por la imagen (SADI) es un sistema computacional que aporta conocimiento
especfico para la interpretacin de la imagen mdica con el propsito de realizar el
diagnstico, pronstico, tratamiento o administracin en los procesos asistenciales. Las
funcionalidadesdelosSADIpuedenincluirlabsquedadehallazgosasociadosaldiagnstico
oalpronsticodelpaciente,planificacinocontroldeterapiaseintervencionesquirrgicas,
controldecalidadenlassealesbiomdicasybancosmulticntricosybsquedadepatrones
anmalos.
Elusodeestossistemaspuedenpotenciarlashabilidadesmdicasenelmanejodemltiples
variables biomdicas en los procesos asistenciales y ayudar a alcanzar el equilibrio en el
serviciosanitariomedianteelusoptimodelosrecursosyconocimientodisponible.
Porejemplo,losproyectoseuropeoscomoHEALTHAGENTS(GonzlezVlez,H.etal.,2009)y
ETumour (JuliSap, M. et al., 2012) del 6 programa marco centraron su esfuerzo en el
desarrollo de sistemas de ayuda a la decisin mdica para tumores cerebrales mediante
modelospredictivosparaeldiagnsticonoinvasivomedianteespectroscopiadeResonancia
MagnticaNuclear.
134
Comoexperienciasenotrascomunidades,sedisponedeunsistemadediagnsticoasistido
por ordenador (CAD) para mamografa, ya implantado en algunos hospitales de CastillaLa
Manchaqueprocesalasimgenesprocedentesdelosmamgrafosgenerandounanlisisde
lasmismasenlasquesesealanlasposibleslesionesquepuedanexistir,ayudandodeesta
formaalradilogoensudiagnstico.
BIKE incluye entre sus mdulos el BIKEClasificador, una herramienta SADI que permite la
clasificacin mltiple supervisada de la bioimagen dentro de una serie de agrupaciones
diagnsticasexistentes.
BIKEClasificador puede utilizar el resto de mdulos base de BIKE (BIKEPostproceso, BIKE

Cuantificador y BIKEDatamining) para obtener las caractersticas por las cuales realizar la
clasificacinsupervisadadelaimagen.
Enlaclasificacinsupervisadaseaplicanmodelosoalgoritmoscapacesdeaprenderapartir
de un conjunto de instancias o casos. Cada instancia pasa a ser un vector de caractersticas
etiquetadoconunavariabledeclase.Formalmenteelproblemadeclasificacinsupervisada
consisteenasignarunvalordelconjuntodelavariableclaseaunanuevainstancia.
Un clasificador puede verse comouna asignacin de una clase a cada una de las instancias.
En laprimerafasetenemos un conjunto de entrenamientoo deaprendizaje (parael diseo
delclasificador)yotrollamadodetestodevalidacin(paraclasificacin),estosnosservirn
para construir un modelo o regla general para la clasificacin. En la segunda fase es el
proceso ensdeclasificarlosobjetos omuestras de las que sedesconoce laclasealas que
pertenecen.
BIKEClasificador se define como un entorno en el cual el ingeniero de conocimiento puede

obtener caractersticas desde el resto de mdulos del sistema: biomarcadores cuantitativos
de BIKECuantificador, indicadores visuales bsicos del postproceso (BIKEPostproceso) o
datosextradosdelascabecerasDICOM(BIKEDatamining)yaplicarlesdiferentestcnicasde
aprendizaje supervisado de una manera sencilla a partir del API Java que incorpora con la
implementacindediferentesalgoritmos(adaboost,svm,redesneuronales,etc.).
El API utilizado por BIKEClasificador es open source y se basa en el paquete Weka

desarrollado por el Machine Learning Group de la Universidad de Waikato, Nueva Zelanda
(Kaufmann M., 2011) . Weka contiene una serie de herramientas para el preproceso,
clasificacin, regresin, clustering, reglas de asociacin, visualizacin, etc. que puede
utilizarseconcualquieraplicacinJava.

135
CONCLUSIONES
EnestecaptulosehadefinidolaarquitecturabasedeCloudCEIBI+D,unsistemadegestin
y extraccin de conocimiento que permite la explotacin de cualquier banco de imgenes
mdicas y la posterior transmisin de informes de valor aadido a los sistemas de
informacinsanitarios.
Laarquitecturageneralsebasaenladefinicindeunsistemamodularydistribuido,loquela
dota de una gran flexibilidad y escalabilidad. Como elementos base del sistema se han
definidolossiguientes:Sistemadeinformacinsanitario(SISAN),bancodeimgenes(GIMC),
comunidad cientfica (CC), motor de bsqueda (SE), anonimizador (CEIBANON), gestor de
ensayosyprogramasdeinvestigacin(GEBID)ymotordeconocimiento(BIKE).
Enelapartadodelsistemadeinformacinsanitario(SISAN)sehandefinidolascaractersticas
fundamentales de este tipo de sistemas. Como sistema referencia se ha elegido el de la
Agencia Valenciana de Salud (AVS), del cual se han definido sus principales mdulos. A
continuacinsehadefinidolainteraccindeestossistemasconelgeneralCloudCEIBI+Da
travsdeuncasodeusogenrico.
En el apartado de banco de imgenes (GIMC) se ha tomado como referencia el banco de

imagen mdica de la AVS, comentando las generalidades de este sistema y detallando su
arquitecturageneraldefinidaencapas:almacenamiento,basededatosyaplicacin.
En el apartado de comunidad cientfica, se han definido los tipos de actores (profesionales

sanitarios, ingenieros de visin y cuantificacin y administradores de sistemas) y el rol que
desempeacadaunodeellosenelsistemaglobalCloudCEIBI+D.
En el apartado de motor de bsqueda se ha definido su funcionalidad general as como su

conexinprincipalconelGIMCyelrestodemdulosgenerales.
Enelapartadodeanonimizador(CEIBANON)secomentalaimportanciadelaanonimizacin
en el mundo de imagen mdica y se define la arquitectura del sistema de anonimizacin
diseado para el Cloud CEIB I+D que garantiza el cumplimiento de las normativas de
privacidad.
Enelapartadodegestordeensayosyproyectosdeinvestigacinconbioimagen(GEBID)se
ha definido un sistema basado en la plataforma open source XNAT que permite recoger y
organizartodalainformacinqueseenvadelGIMCuotrasfuentes(demaneraanonimizada
atravsdeCEIBANON)yofreceralosdiferentesprofesionalesherramientasyserviciospara
podergestionarsuensayoclnicooproyectodeinvestigacin.
136
Enelapartadodemotordeconocimiento(BIKE)sedefinelaarquitecturadefinidaparaeste
mdulo, el ms importante del sistema global ya que es el encargado de proporcionar
herramientas y servicios para la extraccin de conocimiento y su posterior traslacin al
sistemaGEBIDoalSISANdelosinformesdevaloraadidogeneradosapartirdelestudiode
lasimgenes.
BIKE,apartirdeloscuatromdulosbasedelosqueconsta,permitelacreacindeinstancias
especficasparacadatipodeimagenanalizada.Endiferentessubapartadossedefinenestos
cuatro mdulos base: BIKEPostproceso, BIKECuantificador, BIKEDatamining y BIKE
Clasificador.
El primero de ellos, BIKEPostproceso, se encarga de ofrecer una herramienta modular que

facilita la utilizacin y creacin de rutinas de postproceso de imagen. BIKECuantificador,
basndose en protocolos establecidos y utilizando como herramienta de trabajo BIKE
Postproceso se facilita la definicin de biomarcadores de imagen. BIKEDatamining define
unaseriedeherramientasquepermitenanalizaryextraerconocimientodelascabecerasde
texto existentes en las imgenes DICOM. Por ltimo BIKEClasificador proporciona
herramientas para, utilizando informacin obtenida en los mdulos anteriores, poder
generarmodelosdeclasificacindepatronesyofrecerserviciosdeSADIalSISAN.
137
CAPTULO4.NEUROBIMMS
Captulo4.NeuroBIMMS
138
Captulo4.NeuroBIMMS
139
VISINGENERALDELSISTEMA
La imagen mdica se ha convertido hoy da en uno de los ms novedosos campos

multidisciplinares en investigacin traslacional dado el importante papel que juegan dentro
deldiagnsticodediferentespatologas.
En esta tesis se define la arquitectura base de Cloud CEIB I+D, un sistema de gestin y
extraccin de conocimiento que permite la explotacin de cualquier banco de imgenes
mdicasylaposteriortransmisindelosinformesestructuradosquedanvaloraadidoalos
sistemasdeinformacinsanitarios.
En este captulo se define la arquitectura de NeuroBIMMS, un sistema de gestin y

extraccindeconocimientodeimgenesdepacientesconesclerosismltiplediagnosticada,
basadaenlaimplementacindeunainstanciadelmodelogeneralCloudCEIBI+D.
NeuroBIMMS pretende ofrecer a los sistemas de informacin sanitarios una serie de

informesdevaloraadidoparaelprofesionalfacultativo,queentreotraspermitamejorarla
calidaddelainformacindelahistoriaclnicaelectrnicadelospacientes.
NeuroBIMMS estformado por cuatro mdulos, que enumeramos a continuacin: Sistema

deinformacinhospitalario,anonimizador/enrutador,gestordeensayosclnicosymotorde
conocimiento.
El primero de estos mdulos, denominado NeuroBIMMS HIS define la comunicacin del

sistema de informacin sanitario, demandante de servicios, con el resto del sistema.
NeuroBIMMS trabaja con el sistema de informacin sanitario de la Agencia Valenciana de
Salud(AVS).
LosestudiosdeimagendeintersparaNeuroBIMMSexistentes(pacientesdiagnosticadoso
con sospechas de esclerosis mltiple) se obtienen principalmente mediante dos vas:
directamentedesdelamodalidadopreviaconsultaalpacsdelosestudiosdepacientesque
cumplen ciertos criterios a travs de servicios web al HIS (en este caso concreto IRIS). En
amboscasoslaimagenesenviadaalnodoenrutadoranonimizadorparaquecontineelflujo
establecido.
De igual forma, a travs de servicios web, NeuroBIMMS HIS solicita a GEBID NeuroBIMMS
los informes de valor aadido que se hayan definido en el estudio para incorporarlos a la
historiaclnicadelpaciente.
Captulo4.NeuroBIMMS
140
Fig.4.1.ArquitecturageneralyflujosidentificadosenNeuroBIMMS
El segundo de los mdulos corresponde al sistema de enrutamiento y anonimizacin de

imgenes (CEIBANON), que se encarga de recibir las imgenes de resonancia magntica
desde la propia modalidad u otras fuentes (sistemas de almacenamiento y transmisin de
imgenes (PACS), envos de otros nodos DICOM, etc.) y dependiendo de si la imagen est
marcadaonoparasutratamiento,leagregainformacindeclasificacinentagsprivadosy
leaplicalosalgoritmosdeanonimizacinprogramados,enrutandolaimagenprocesadahacia
elgestordeensayosclnicos(GEBID)NeuroBIMMS.
EltercermduloeselgestordeensayosclnicosGEBIDNeuroBIMMS.Estemduloutilizael
gestorGEBIDdefinidoenelcaptulotresCloudCEIBI+D.
DentrodeGEBIDsehacreadounproyectodenominadoNeuroBIMMSquedefineelmodelo
de datos del ensayo clnico y almacena las imgenes procedentes de CEIBANON u otras
fuentesetiquetadasparaesteproyecto.Adems,GEBIDNeuroBIMMSdisponedeunacapa
de servicios web que permite al sistema de informacin sanitaria (SISAN) obtener los
informesgeneradosdelpaciente(previaidentificacininterna).
Captulo4.NeuroBIMMS
141
ElltimomduloquedefinelaarquitecturadelsistemaesBIKENeuroBIMMS.Estemdulo
seencargadelaextraccindeconocimientodelasimgenesalmacenadasenlaplataforma
deGEBIDNeuroBIMMSydeproporcionaradichaplataformalosinformesdevaloraadido
queposteriormentealmacenaryserviralSISAN.
BIKENeuroBIMMSestformadopordossubmdulos:Postprocesoycuantificacin.Ambos
estnbasadosenlaarquitecturadeBIKEPostprocesoyBIKECuantificacinrespectivamente,
personalizandosusfuncionalidadesalaimagenmdicaporRMNeuronal.
Enlossiguientesapartadossedetallarnenprofundidadcadaunodeestosmdulos.
NEUROBIMMSHIS
El Sistema de Informacin SANitaria (SISAN) engloba a todos los sistemas que gestionan la
informacin referente al rea sanitaria, desde los sistemas clnicos que se encargan de la
informacin clnica del paciente hasta los sistemas logsticos, que se encargan de gestionar
losserviciosadministrativosnecesariosparaeldesarrollodelaactividadclnica.
NeuroBIMMSHISdefinelacomunicacindelsistemadeinformacinsanitario,atravsdela
peticindeservicios,conelrestodelsistema.Enelcasodeestaimplementacin,NeuroBIM
MSHISutilizaelmdulodeinformesradiolgicos(RIS)delSISAN,yaqueesenestesistema
donde se gestiona la peticin e informado de las pruebas de imagen. En nuestro caso
concreto, el sistema de informacin radiolgico utilizado ha sido OrionRIS (Fuentes D.,
2012),delaAgenciaValencianadeSalud.
Fig.4.2.ProyectoOrionRIS
Captulo4.NeuroBIMMS
142
La comunicacin del sistema de informacin sanitario con NeuroBIMMS se realiza en dos

sentidos. Por una parte Orion RIS identifica los estudios que desea que formen parte de
NeuroBIMMS,yporotraparte,SISANconsultaelcatlogodeservicioswebdisponiblespara
larecepcindeinformesdevaloraadidogeneradosapartirdelosestudiosenviados.
SELECCINDEESTUDIOS
LosestudiosdeimagenparaNeuroBIMMSexistentesenelsistemadeinformacinsanitario
(pacientes diagnosticados o con sospechas de esclerosis mltiple) se obtienen de dos vas:
directamentedesdelamodalidadopreviaconsultaalpacsdelosestudiosdepacientesque
cumplen ciertos criterios a travs de servicios web al HIS (en este caso concreto IRIS). En
amboscasoslaimagenesenviadaalnodoenrutadoranonimizadorparaquecontineelflujo
establecido.
Enelcasodeobtencindirectadesdelamodalidad,elfacultativoseleccionaenelsistemade
informacinradiolgicodelaAVS,OrionRIS,elpacientealquedesearealizarunapruebade
imagenparacompletareldiagnsticoopararealizarleuncontrol.Dichaseleccinserealiza
mediantelaidentificacindelpacientemedianteelnmeroSIP(queloidentificadentrodela
AVS)(Valenciana,G.,2006)ylageneracindeunapeticindepruebadeimagenporRM.
Fig.4.3.Flujodeinformacinporenvodirecto
SielfacultativodeseaintroduciresteestudioarealizardelpacienteenelsistemaNeuroBIM
MS, marca una serie de campos clave para que, una vez realizada la prueba, el sistema
identifiquequRM debe deenviar algestor atravs delmdulodeanonimizacinycules
no.
Captulo4.NeuroBIMMS
143
Esta marca se realiza rellenando uno de los campos de la cita (diagnstico preliminar,
peticionarioespecial,etc.)eincorporando(enelcasodequenoseauncampoestndar)esta
informacinconelrestodecamposobligatorios(identificacindelpaciente,tcnica,etc.)al
mensajequeOrionRISenvaalalistadetrabajodelamodalidadatravsdemensajeraXML
HL7 (Oliver, S. R. et al., 2006). Una vez que la modalidad ha recibido en su lista de trabajo
esta informacin la almacena en las cabeceras DICOM establecidas y cuando se termina de
generarlaimagenporRMseenvaatodoslosnodosestablecidosensuconfiguracin(PACS
yCEIBANON).
En el caso que la seleccin se realice mediante consulta previa al PACS, el sistema de

informacinsanitarioutilizaunaseriedeservicioswebquepermitenlaextraccindelHISde
pacientesquecumplenunaseriederequisitos(diagnsticopreliminar,definitivo,edad,sexo,
etc.).
Una vez obtenida una coleccin de pacientes identificados mediante el nmero SIP que
cumplenloscriteriosestablecidos,seidentificanlosepisodiosdelosmismosquegeneraron
estudiosdeimagen,envindoleunapeticinalsistemaPACSqueretornalalistadeestudios
RMenformatoDICOM.
Fig.4.4.FlujodeinformacinporenvoatravsdeconsultaalPACS
Unavezqueelfacultativoharecibidoestosestudiosylosalmacenaensusistemalocal,debe
seleccionarquestudiosdeseaenviaraNeuroBIMMS.Paralavisualizacin,enriquecimiento
lascabecerasDICOM(inclusindemsinformacinencabecerasespecficas)yprocediendo
al envo de estos estudios a NeuroBIMMS, el facultativo puede utilizar cualquier visor de
imgenes compatible DICOM como por ejemplo Ginkgo CAD (MetaEmotions H., 2013) u
Osirix(Amanullah,A.etal.,2012).
Captulo4.NeuroBIMMS
144
Mediante estas aplicaciones, open source, el facultativo puede decidir qu series de los
estudiossondeintersparaelproyectoyenviarlasalsistemaNeuroBIMMS.
En los siguientes apartados, se detallar el flujo que sigue la imagen tras seleccionarse y
enviarsealsistemadeenrutamientoyanonimizacin.
INCLUSINDE INFORMES EN LAHISTORIACLNICA DELPACIENTE
Una vez que los estudios de pacientes son incorporados al proyecto NeuroBIMMS,el resto
del flujo de informacin, que se detallar ms adelante, postprocesa la imagen, extrae
biomarcadores de inters y como resultado final genera una serie de informes de valor
aadidoparaelestudiodelaesclerosismltiple yqueelfacultativopuedeutilizaralahora
dediagnosticarlaenfermedad,incluyndosedichosinformesenlahistoriaclnicaelectrnica
delpaciente.
Fig.4.5.Flujodeinformacinparalainclusindelosinformesdevaloraadidoenlahistoriaclnicadelpaciente
NeuroBIMMS HIS dispone de un mdulo que permite, a travs de servicios web,

comunicarse con el gestor de ensayos clnicos GEBID NeuroBIMMS y recuperar dichos
informes.Enestecaso,yalestarlainformacinanonimizadaenelgestordeensayosclnicos
el proceso no es inmediato, ya que precisa traducir previamente las peticiones con la
informacindedesanonimizacinalmacenadaenelsistemaCEIBANON.
El facultativo, una vez incorporado los informes de valor aadido a la historia clnica
electrnicadelpaciente,puedeconsultardichosinformesyutilizarlosenelrestodelproceso
asistencial.
Captulo4.NeuroBIMMS
145
SISTEMADEENRUTAMIENTOYANONIMIZACINCEIBANON
LasimgenesmdicasenformatoDICOMalmacenanademsdelaimagen,informacinque
identifica al paciente, por lo que para poder cumplir la ley de proteccin de datos, toda
imagen suministrada al proyecto NeuroBIMMS proveniente de cualquiera de las fuentes
vistashasta ahoradebe ofrecerse de formaanonimizada, preservando en todo momentoel
anonimatodelpaciente.
Recordemosque,comohemosvistoanteriormente,lafuentedelosestudioseselSISANpor
loquelaimagennoestanonimizada.Pararealizaresteproceso,NeuroBIMMSimplementa
unainstanciadeCEIBANON,definidoenCloudCEIBI+D.
LafuncindeCEIBANONdentrodeNeuroBIMMSesdoble:enrutamientoyanonimizacin.
Dado que el sistema gestor de ensayos clnicos no est ubicado en la misma red que las
modalidades ni en la misma red que el HIS, para tener un mayor control de seguridad,
CEIBANON realiza funciones de enrutador de la informacin, enviando los estudios
procesados hacia el gestor de ensayos clnicos. Dicha comunicacin se realiza mediante los
protocolosestndardefinidosenelprotocoloDICOM.
Lafuncindeanonimizacinoenestecasodeidentificacinimplementadapermiterealizar
un procesamiento de las cabeceras de texto DICOM (Avrin, D., 2008) de los estudios
recibidos, rellenando algunos tags especficos con informacin de inters para el gestor de
ensayosclnicos,destinofinaldelosestudios.
Captulo4.NeuroBIMMS
146
Fig.4.6.ArquitecturadeCEIBANONdentrodelproyectoNeuroBIMMS
Tcnicamente CEIBANON se ha desarrollado a partir de una instancia del Clinical Trial

Processor (CTP)(Rodrguez D.etal., 2010), unaherramientaopensource desarrolladaenel
proyecto RSNA MIRC (Tchoyoson Lim, C. C., 2003) desplegada en un servidor Linux Debian
con 4 procesadores y 2 GB de RAM dedicada y alojada en la infraestructura virtualizada
VmwaredeservidoresdelHospitalUniversitarioSanJuandeAlicante.
CEIBANON se encuentra dentro de la red Arterias y por lo tanto tiene visibilidad con las
modalidades y con los HIS corporativos de la AVS. Adems est configurado para tener
visibilidad con el GEBID NeuroBIMMS, ubicado en la red GVA dentro del Centro de
InvestigacinPrncipeFelipe.
CEIBANON est basado en tecnologa java y permite desplegar diferentes aplicaciones en

forma de servicios de importacin, exportacin, almacenamiento y procesamiento. Dentro
deesteltimobloquedeserviciosdeprocesamientosepermitelaconfiguracinvascriptde
algoritmosdedeidentificacindeficherosDICOM.
Captulo4.NeuroBIMMS
147
Debido a que, como hemos comentado en apartados anteriores, es necesario guardar las
transformaciones realizadas en el proceso de anonimizacin para su posterior consulta a la
hora de donar los informes de valor aadido, CEIBANON no realiza una deidentificacin
completa (eliminacin total de la informacin del tag DICOM), sino que realiza una
pseudoanonimizacindeltagreemplazandosucontenidoporunaidentificacinnica.
A travs de servicios web seguros, CEIBANON es capaz de devolver el identificador del

paciente (SIP) a partir de un identificador nico almacenado en el tag (0010,0020) Patient
ID.
En la siguiente figura se muestra la configuracin base de CEIBANON dentro del proyecto

NeuroBIMMS.
Fig.4.7.Archivoconfig.xmldelainstanciaCEIBANON(CTP)
Captulo4.NeuroBIMMS
148
El servicio de importacin de datos Receptor DICOM se encarga de recepcionar por el

puerto1104losestudiosenviadosporelSISAN(demaneradirectaoindirecta).Unavezque
sehanrecibidoestosdatos,elsistemapasaalafasedeanonimizacin,dondeseaplicanlas
transformaciones establecidas en los ficheros de configuracin scripts/dicomanonimizer
neurobimms.propertiesyscripts/lookuptable.properties.
Acontinuacin,lafasedeBDTransformaciones,almacenalastransformacionesrealizadas
en los campos de identificacin ms importantes (PatientID, AccessionNumber, etc.). Estas
transformaciones se almacenan en formato de objetos java que ms tarde, a travs del
servicio IDMap (slo accesible para usuarios administradores) podrn ser consultados y
devueltos como respuesta a las peticiones del servicio web que ofrece CEIBANON a GEBID
NeuroBIMMS.
Unavezqueyasetieneelobjetoanonimizado,CEIBANONutilizalosserviciosdeexportacin
deestudiosparaenviarlasimgenesalentornodepruebasExportaDICOMaGEBID_PREo
alentornodeproduccinExportaDICOMaGEBID_PRO.

Captulo4.NeuroBIMMS
149
GESTORDEENSAYOCLNICOGEBIDNEUROBIMMS
DentrodelproyectoNeuroBIMMSsegestionanmultituddedatoseimgenesporloquese
hace necesario dotar al sistema de un gestor que permita organizar, publicar y compartir
todaestainformacin.
A este mdulo se le ha denominado GEBID NeuroBIMMS y se ha construido mediante la

inclusin de un proyecto propio dentro de la plataforma GEBID definida en captulos
anteriores dentro del sistema general Cloud CEIB I+D, basada a su vez en una instancia
personalizada de XNAT (eXtensible Neuroimaging Archive Toolkit), una herramienta
opensource desarrollada por el Grupo de Investigacin en Neuroinformtica de la
UniversidaddeWashington(Marcusetal.,20062007).
Fig.4.8.ProyectoGEBIDNeuroBIMMS
Captulo4.NeuroBIMMS
150
Estaplataformafacilitalagestincomndelosproyectosvaweb,controlalaproductividad
ylarealizacindetareasdecontroldecalidadsobrelasimgenesylosdatosqueseenvanal
proyectoNeuroBIMMSdesdeCEIBANON.
UnavezquelainformacinllegaaGEBIDpasaporuncircuitodecalidadqueconformanun
flujo lgico de estados: Recepcin y prearchivo, clasificacin, validacin, archivo,
postprocesadobsicoypublicacin.
Cada una de estas fases implica una serie de acciones adicionales, algunas de ellas semi
automatizadas como el caso de la recepcin y clasificacin (analizando la informacin
incorporada por CEIBANON a las cabeceras DICOM del estudio a la hora del envo) y tareas
de postproceso bsico (por ejemplo,lageneracinautomticadeficheros enformatoNIFTI
para facilitar el postproceso), y otros que requieren la actuacin de profesionales expertos
(con rol de administradores de sistema), como la validacin (para asegurar la calidad de las
imgenesrecibidas),publicacinygestindepermisos.
MODELODEDATOS NEUROBIMMS
Dentro delproyecto GEBID NeuroBIMMS se ha definido un modeloescalable de datos que

permitealmacenarlainformacinbsicadelpacienteydelosestudiosdeRMincorporados.
Paramodelarlainformacindelpacientesehabilitanlossiguientescampos:
Identificador de paciente. Valor alfanumrico que permite identificar al sujeto de

manera nica dentro del gestor. Este identificador viene asignado de antemano por
CEIBANON, ya que es el dato que genera en el proceso de anonimizacin para
preservarlaprivacidaddelpacientereal.
Grupo. Este campo permite al profesional clasificar los sujetos provenientes de

diferentesfuentes(hospital,grado,etc.).
Sexo. Identifica el sexo del paciente: M para masculino, F para femenino y U para
casosenlosquenoseconozca(fuentesanonimizadasagrannivel).
Fechadediagnstico.Fechaenlaquesediagnosticporprimeravezlaenfermedad
deesclerosismltiplealpaciente.Nuloenelcasodenoconocerseodetratarsedeun
sujetodesospecha.
Edaddediagnstico.Edaddelpacienteenlafechadediagnstico.
Observaciones. Un campo de texto en el que el profesional puede anotar los

comentariosquedeseesobreesepacienteenelestudio.
Captulo4.NeuroBIMMS
151
Cada paciente o sujeto puede incorporar una serie de sesiones de imagen. Cada sesin se
componedeunconjuntodeseriesqueasuvezcontienenlasimgenesmdicasporRMen
formatoDICOM.Laentidadsesindentrodelgestorequivalealaentidadestudiodentrodel
SISAN.
Paramodelarlainformacindeestassesionessehabilitanlossiguientescampos(Rovira,A.
etal.,2010):
Identificacindesesin.Valoralfanumricoquepermiteidentificardemaneranica
lasesindentrodelgestor.
Fecha.Estecampopermiteconocerlafechaderealizacindelestudio.
SujetoGrupo.Identificaelsujetoylaagrupacinalaquepertenecelasesin.
VolumendesustanciablancaenT1.Almacenaelclculoobtenidodelvolumenencc
delasustanciablancaenlasecuenciadeT1.
VolumendesustanciagrisenT1.Almacenaelclculoobtenidodelvolumenenccde
lasustanciagrisenlasecuenciadeT1.
VolumendecargalesionalDPT2.Almacenaelclculoobtenidodelvolumenenccde
lacargalesionaldesustanciablancaenlasecuenciadeDPT2.
NmerototaldelesionesenDPT2.Almacenaelnmerototaldelesionescalculadas
enlasecuenciaDPT2.
Forma de lesiones en DPT2. Describe brevemente la forma general que tienen las
lesionesdetectadas.
Nmero de lesiones periventriculares en DPT2. Almacena el nmero de lesiones

calculadasenlasecuenciaDPT2conlalocalizacinperiventricular.
Nmero de lesiones yuxtacorticales en DPT2. Almacena el nmero de lesiones

calculadasenlasecuenciaDPT2conlalocalizacinyuxtacortical.
Nmero de lesiones infratentoriales en DPT2. Almacena el nmero de lesiones

calculadasenlasecuenciaDPT2conlalocalizacininfratentorial.
Nmero de lesiones en cuerpo calloso en DPT2. Almacena el nmero de lesiones

calculadasenlasecuenciaDPT2conlalocalizacinenelcuerpocalloso.
Captulo4.NeuroBIMMS
152
VolumendecargalesionalT1Gd.Almacenaelclculoobtenidodelvolumenenccde
lacargalesionaldesustanciablancaenlasecuenciaT1concontrastedegadolinio.
Nmero de lesiones en T1Gd. Almacena el nmero de lesiones calculadas en la

secuenciaT1concontrastedegadolinio.
BPF. Almacena el parmetro BPF (brain parenchymal volume) que indica la relacin
entre la sustancia blanca (ms la carga lesional) y sustancia gris con el resto del
volumenintracraneal(Rudick,R.Aetal.,1999).
Adems del modelo particular de datos para pacientes y sesiones, el proyecto GEBID
NeuroBIMMS incorpora para cada sesin una estructura de carpetas que almacena de
maneraorganizadalosarchivosfsicos.
Fig.4.9.Modelodeorganizacindecarpetasenlaentidadsesin
Captulo4.NeuroBIMMS
153
Cadasesindisponededoscarpetasbase:Resourcesyscans.
Resources almacena los archivos de postprocesado que se van generando (formato nifti,
analyze,ficherosespecficos,etc.)ascomolosinformesenformatoPDFqueseobtienende
tercerasaplicaciones.
EnlacarpetaScanssealmacenalainformacinprocesadatrassurecepcindesdeCEIBANON
enformatoDICOMorganizadaporseries.CadaseriedisponedeunacarpetaDICOMconlas
imgenesyotracarpetaSNAPSHOTS conel recursominiatura que semuestraenlainterfaz
web.
SERVICIOSWEB
GEBID implementa una capa de servicios web que permite recuperar cualquier tipo de
informacinaniveldeproyecto,paciente,estudio,recurso,etc.
Mediante esta capa de servicios web y utilizando el cliente XNATRestClient (Schwartz, Y. et

al., 2012) de una manera sencilla podemos, a travs de identificacin a nivel de usuario y
contrasea, obtener una serie de ficheros en formato de intercambio XML, CSV con los
recursosdeseadosparasudescarga.
Con estos servicios, y previa consulta a CEIBANON para seleccionar el identificador del
paciente objetivo dentro de GEBID, SISAN puede recuperar los informes generados por el
postprocesodelosestudiosqueseenviaronalsistemayaspoderincorporarlosalahistoria
clnicadelpaciente.
Captu
154
Toda
docu
https
https
BIKE
Siguie
(dent
de la
propo
alma
BIKE
estn
defin
neuro
Acon
ulo4.NeuroB
la interfaz,
mentacin
s://wiki.xnat
s://wiki.xnat
NEUROBI
endo la ar
tro de la su
as imgene
orciona a
cenaryse
NeuroBIM
nbasadose
nida en el
oimagen.
ntinuacind
IMMS
Fig.4
, manuales
onlinedeX
t.org/displa
t.org/displa
MMS
quitectura
ite BIKE) re
es almacen
dicha plat
rviralSISA
MSestfor
nlaarquite
sistema ge
detallamose
4.10.Portalde
y descripci
NATen:
y/XNAT16/
y/XNAT16/
modelo de
epresenta e
nadas en
taforma lo
AN.
rmadopor
ecturadeBIK
neral Cloud
eldesarrollo
edocumentaci
in de serv
Using+the+
XNAT+REST
e Cloud CE
l mdulo e
la platafor
s informes
dossubm
KEPostproc
d CEIB I+D,
odecadau
indelRESTA
icios, mtod
+XNAT+REST
T+API+Direc
IB I+D, el
ncargado d
rma de GE
s de valor
dulos:Post
cesoyBIKE
, personaliz
nodeellos.
APIdeXNAT
dos y desca
T+API
ctory
subsistema
e la extracc
EBID Neuro
aadido
procesoyc
Cuantificac
zando sus
.
argas se de
a BIKE Neu
cin de con
oBIMMS y
que poste
cuantificaci
cinrespect
funcionalid
talla en la
roBIMMS
ocimiento
y adems
riormente
n.Ambos
tivamente,
dades a la
Captulo4.NeuroBIMMS
155
BIKEPOSTPROCESO
Elprocesadodigitaldelosdatosobtenidosporresonanciamagnticaesuncampodeestudio
en continua expansin ya que permite extraer una informacin complementaria de valor
aadido a la simple observacin de las imgenes en los dispositivos de visionado de los
servicios de radiologa y que ayuda de manera significativa al facultativo a la hora de
diagnosticarenfermedades.
BIKEPostproceso aporta al sistema NeuroBIMMS una serie de servicios basados en

herramientasylibrerasgrficasopensourcequeayudarnarealizarelpostprocesadodela
neuroimagen. Dichas herramientas se pueden utilizar de manera directa o bien agrupada
secuencialmenteatravsdelaaplicacindegestindeflujodeprocesosqueseincorpora.
La arquitectura de sistema de BIKEPostproceso se detalla en el captulo tres de esta tesis,

centrandolaoperativadeusoenlasuitedepostprocesoFSL(JenkinsonM.etal.,2012).
Paralaejecucindeprocesos,elingenierodevisindisponedeesteservicioenentornode
preproduccin para testear nuevas herramientas y funcionalidades as como un entorno de
produccin para ejecutar de manera manual (va scripting) tareas de postprocesado de
neuroimagen.
BIKECUANTIFICACIN
En los ltimos aos se ha demostrado que los biomarcadores de imagen ofrecen una
informacincomplementariamuytilaldiagnsticoradiolgicotradicionalparaestablecerla
presenciadeunaalteracinolesin;medirsusituacinbiolgica;denirsuhistorianaturaly
progreso;estraticarlasanomalasenfenotiposyevaluarlosefectosdeuntratamiento.
Siguiendo la arquitectura definida en Cloud CEIB I+D dentro del captulo tres, BIKE
Cuantificador proporciona todas las herramientas necesarias para poder llevar a cabo de
manera efectiva todos los procesos necesarios en la generacin de biomarcadores
relacionadosconlaenfermedadqueseestudiaenNeuroBIMMS,laesclerosismltiple.
Para la adquisicin de imgenes, BIKECuantificador utiliza como fuente principal el sistema

gestor de ensayos clnicos GEBID NeuroBIMMS. Los procesos de estandarizacin e
indicadores de calidad analizados en el proceso de carga en el gestor de ensayos aseguran
que las imgenes recibidas cumplen los criterios necesarios para su uso a la hora de
cuantificarelbiomarcadorestudiado.
Paraelprocesado,anlisisymodeladodelasealdelasimgenes,BIKECuantificadorutiliza
el gestor de procesos definido en BIKEPostproceso para construir los flujos de postproceso
necesariosparaextraerlainformacincuantitativa/cualitativanecesariadelasimgenes.
Captulo4.NeuroBIMMS
156
Estos resultados cuantitativos obtenidos retornan al gestor de ensayos clnicos donde se

incluyenenelmodelodedatosdefinidoparaelproyectoNeuroBIMMS.
En el captulo cinco, Caso de uso con NeuroBIMMS, se detallarn los biomarcadores que
ofreceestemdulo.
CONCLUSIONES
En este captulo se ha definido la arquitectura de NeuroBIMMS, un sistema de gestin y

extraccindeconocimientodeimgenesdepacientesconesclerosismltiplediagnosticada,
basadaenlaimplementacindeunainstanciadelmodelogeneralCloudCEIBI+D.
ElobjetivoprincipaldeNeuroBIMMSesofreceralossistemasdeinformacinsanitariosuna
serie de informes de valor aadido para el profesional facultativo que permitan mejorar la
calidaddelainformacindelahistoriaclnicaelectrnicadeestetipodepacientes.
En el primer apartado se ha definido la arquitectura general de NeuroBIMMS, dando una

visinglobaldelainteraccindecadaunodesusmdulos.
En el segundo apartado se analiza el papel del sistema de informacin sanitario dentro del
sistema. Tomando como ejemplo los sistemas de informacin de la Agencia Valenciana de
Salud,sedescribelainteraccindeestosconNeuroBIMMS.
Eneltercerapartadosedefinelaarquitecturadelmdulodeenrutamientoyanonimizacin
utilizadoenNeuroBIMMS.EstemdulotienecomobaseelsistemaCEIBANONdefinidoenla
arquitecturageneraldeCloudCEIBI+DybasadoenelproyectoClinicalTrialProcessordela
RSNA,personalizandolosnivelesdeanonimizacinacordealproyecto.
EnelcuartoapartadosedefineelproyectoyelmodelodedatosutilizadoenNeuroBIMMS
dentro de GEBID, la plataforma gestora de ensayos y proyectos de investigacin de Cloud
CEIB I+D. Dicha plataforma almacenar los datos e imgenes del proyecto, sirviendo de
fuente paraelrestode mdulos delsistema.AdemsGEBIDNeuroBIMMSdefine unacapa
deservicioswebquepermiteladonacindeinformesalsistemadeinformacinsanitario.
En el ltimo apartado se define BIKE NeuroBIMMS, plataforma de extraccin de

conocimiento utilizada basada en el motor de conocimiento de Cloud CEIB I+D (BIKE) y que
permite al sistema la extraccin de biomarcadores y la generacin de informes. BIKE
NeuroBIMMScontienelosmdulosdepostprocesoycuantificacin,construidosapartirde
los definidos en el sistema general de Cloud CEIB I+D y que permiten la explotacin de las
imgenesylageneracindeinformesdevaloraadidoquesealmacenarnenGEBID.
157
CAPTULO5.CASODEUSOCONNEUROBIMMS
Captulo5.CasodeusoconNeuroBIMMS
158
159
INTRODUCCIN.
Laesclerosismltiple(EM)esunaenfermedadneurolgicaquesesuelepresentarenadultos
jvenes. Hoy en da, los nuevos logros en la investigacin y el tratamiento de la EM son
fundamentalesparamejorarlacalidaddevidadelaspersonasconesclerosismltiple,yaque
nohaytratamientodefinitivoparaestapatologa.
La esclerosis mltiple es una enfermedad heterognea en su presentacin y evolucin.

Afecta ms a las mujeres que a los hombres y el trastorno se diagnostica con mayor
frecuenciaentrelos20y40aosdeedad,observndoseacualquieredad.
Lamayoradelospacientes(8090%)presentauncursoremitenterecidivante(EMRR),ytras
1015 aos de evolucin, el 50% pasa a presentar un curso secundariamente progresivo
(EMSP) de incremento de la discapacidad. Un 1020% de los pacientes, sin embargo, se
mantienesinsecuelasimportantes15aosdespusdelinicio(EMbenigna),peroenun13%
de los casos los pacientes acumulan una gran discapacidad en muy poco tiempo (EM
maligna).Sibienelpronsticoesdifcildepredecir,losestudiosdehistorianaturalmuestran
que la esperanza de vida de los pacientes se reduce en 10 aos cuando se compara con la
poblacinnormalapareadaporedadysexo(Fernndez,.etal.,2003).
Fig.5.1.EsquemavisualdelaslesionesdesmielinizantesdelnervioenpacientesconEM
Laesclerosismltipleescausadaporeldaoalavainademielina(CasanovaB.etal.,1999),
lacubiertaprotectoraquerodealasneuronas.Cuandoestacubiertadelosnerviossedaa,
losimpulsosnerviososdisminuyenosedetienen.
160
El dao al nervio es causado por inflamacin, la cual ocurre cuando las clulas inmunitarias
delpropiocuerpoatacanelsistemanervioso.Estopuedeocurriralolargodecualquierrea
delcerebro,elnerviopticoolamdulaespinal.
Nosesabeexactamentequhacequeestosuceda.Elpensamientomsfrecuenteesquelos
culpables son un virus o un defecto gentico, o ambos. Es posible que los factores
ambientalestenganalgunainfluencia.
La evolucin de la enfermedad vara mucho: mientras en unos casos permite realizar una
vidaprcticamente"normal",enotroslacalidaddevidapuedeversecondicionada.Sepuede
decirquelaEMesunaenfermedadcaprichosa,enigmticaeimpredecible.
En Espaa hay 40.000 personas con Esclerosis Mltiple, en Europa 500.000 y ms de dos
millonesenelmundo(fuente:FELEMFederacinEspaolaparalaLuchacontralaEsclerosis
Mltiple,2010).
DIAGNSTICODE LA ESCLEROSISMLTIPLE.
Los sntomas de la esclerosis mltiple pueden simular los de muchos otros trastornos
neurolgicos.La enfermedad sediagnosticadescartando otras afecciones(Polman,C.et al.,
2011).
Elmdicopuedesospechardeesclerosismltiplesihaydisminucinenelfuncionamientode
dospartesdiferentesdelsistemanerviosocentralendosmomentosdiferentes.
Un examen neurolgico puede mostrar disminucin en la funcin nerviosa en un rea del

cuerpoodiseminacinsobremuchaspartesdelcuerpo.Estopuedeabarcar:
Reflejosnerviososanormales
Disminucindelacapacidadparamoverunapartedelcuerpo
Sensibilidadanormalodisminuida
Otraprdidadefuncionesneurolgicas
Unexamenocularpuedemostrar:
Respuestasanormalesdelapupila
Cambiosenloscamposvisualesoenlosmovimientosoculares
Disminucindelaagudezavisual
Problemasconlaspartesinternasdelojo
Movimientosocularesrpidosprovocadospormovimientodelojo
161
Losexmenesparadiagnosticarlaesclerosismltipleabarcan:
Puncin lumbar (puncin raqudea) para exmenes del lquido cefalorraqudeo,

incluyendobandasoligoclonalesenLCR
Lasresonanciasmagnticasdelcerebroydelacolumnasonimportantesparaayudar
adiagnosticaryhacerleseguimientoalaEM
Estudiodelafuncinneurolgica(examendelospotencialesprovocados)
Dentro de estos tipos de exmenes nos centraremos en el estudio de las imgenes por
resonanciamagntica.
LA IMAGEN MDICAPORRMAPLICADAALESTUDIODELAESCLEROSISMLTIPLE.
La resonancia magntica (RM) es la tcnica ms sensible en la deteccin de lesiones

desmielinizantes en el sistema nervioso central (SNC) en pacientes con esclerosis mltiple
(EM) (Fazekas, F. et al., 1999). Por ello, la RM se ha convertido hoy en da en una tcnica
esencial no slo enfocada al diagnstico de la EM, sino tambin como base de las
herramientasdeextraccindebiomarcadorespronsticoenlafaseinicialdelaenfermedad.
Adems, la RM contribuye de forma relevante a una mejor comprensin de su historia
natural y a la valoracin de la eficacia de nuevos tratamientos contra esta enfermedad al
permitircuantificarlamejoraproducidaporestos.

Antiguamente,loscriteriosdediagnstico delaEMsebasabanexclusivamenteen laclnica
delpaciente(Schumacher,G.A.etal.,1965).ConelavancedelaimagenmdicaporRM,los
nuevos criterios diagnsticos propuestos por McDonald (McDonald, W. I. et al., 2001) dan
unagranimportanciaaloshallazgosencontradosenelanlisisdelosestudiosdeRM,yaque
se admite la posibilidad de establecer el diagnstico de EM en pacientes con un nico
episodio clnico cuando se demuestra por RM las lesiones desmielinizantes en el SNC
diseminadasenespacioytiempo.

Porello,dadoelaltovalorquetienelaRMparaeldiagnsticoactualdelaEM,ydebidoalas
terapiasintroducidas en los ltimosaosparapaliarymodificarelcurso delaenfermedad,
especialmente desde sus etapas ms iniciales, diversos expertos han establecido
recomendacionessobrelaformadeutilizareinterpretarlaRMdemaneraeficaznosloen
el diagnstico inicial de la enfermedad, sino tambin en su seguimiento (Filippi, M. et al.,
2002).

Enestecaptulonoscentraremosenelestudioderesonanciasmagnticascerebralesparala
deteccin y cuantificacin de varios biomarcadores relacionados con la enfermedad, tales
como atrofia cerebral (Miller, D. H. et al., 2002) y deteccin de carga lesional en sustancia
blanca(Fernndez,.,etal.,2013).
162
Altratarsedeuncasodeusonoorientadoaldiagnstico,sinoalestudiodelageneracinde
procesosdeextraccindebiomarcadoresapartirdelpostprocesodelasimgenesincluidasa
travs de la plataforma NeuroBIMMS, alguna de estas tcnicas y protocolos utilizados
puedendistardeloscriteriosyrecomendacionesestablecidasparaeldiagnsticoclnico.
CASOSDEESTUDIO
Dentro delcaso de uso propuesto en este captulo se pretende calcular, de manera pseudo
automticadosbiomarcadoresrelacionadosconlaenfermedad de esclerosismltiple: nivel
de atrofia cerebral y clculo de carga lesional de sustancia blanca (Fernndez, ., et al.,
2013).

Todos los estudios que se han utilizado en NeuroBIMMS, an estando anonimizados en la
plataformaGEBID,hansidoautorizadosporelcomitticodeinvestigacindecadaunode
los hospitales participantes, adems de disponer del consentimiento informado de los
pacientes.

Las imgenes incluidas en cada uno de los casos de estudio planteadosse obtienen a partir
de fuentes de imagen existentes como los sistemas de almacenamiento y transmisin de
imgenes(PACS),nodirectamentedepeticionesdeestudiosarealizar.

Porlotanto,lacomunicacinyelenvoalsistemadegestindeensayosclnicosyproyectos
de investigacin (GEBID) se realiza a travs de programas de visionado de estudios que
permitenelenvoanodosDICOM.

Para este caso de uso se ha optado por la aplicacin open source Ginkgo CADx v. 2.14
(MetaEmotions H., 2013), que permite la configuracin de diferentes nodos DICOM de
exportacin de estudios. Dentro de NeuroBIMMS el nodo de exportacin DICOM
corresponde al sistema de enrutamiento y anonimizacin (CEIBANON), el cual, al recibir los
estudios, les aplica las reglas de anonimizacin y procesado definidas en el proyecto
NeuroBIMMSylosredireccionaaGEBID.
Una
prear
cump
yate
losre
Fig
vez que s
rchivo del p
plenloscrite
nemoslain
ecursosnece
g.5.2.Ginkgo
Fig.5.3.C
e recepcio
proyecto Ne
eriosdecal
nformacin
esariospara
Cadx,visorDI
Configuracind
nan los es
euroBIMM
idadmnim
dentrodel
aelpostpro
ICOMconcap
denodoDICO
studios en
S y tras la
osseincorp
gestor.Els
ocesodeima
Cap
acidaddeenv
MCEIBANON
NeuroBIM
comprobac
poranalarc
siguientepa
agen.
tulo5.Casod
voaotronodo
enGinkgoCa
MS GEBID
cin de que
chivodelpro
asoconsiste
deusoconNe
oDICOM
adx
se gestion
e todas las
oyecto.Ene
eenlagene
euroBIMMS
163
nan en el
imgenes
estepunto
eracinde
Captu
164
Una v
alma
los i
biom
DICO
(para
herra
Unav
mdu
como
postp
A con
rema
plata
ulo5.Casode
vez que se
cenarn los
nformes g
marcadores),
OMenforma
a almacena
amientas).
vezsetiene
ulo de ayud
o dcm2nii y
proceso.Ob
ntinuacin d
arcando que
formapara
eusoconNeur
Fig.5.4.
incluyen lo
s recursos p
generados c
, NIFTI y AN
atovlidop
r ficheros
enestascar
da al postp
y dcm2analy
btenemospu
describirem
e no se trat
elclculod
roBIMMS
Pacientesyes
s estudios d
para el post
con los re
NALIZE (Wh
parasuuso
intermedio
rpetas,sege
proceso de
yze (Zeilinge
ueslosestu
mos el clcu
ta de ensay
deBiomarca
studiosdentro
dentro del
tproceso de
esultados o
hitcher, B.,
conherram
os de regio
eneran,util
imagen m
er G., 2009)
udiosenform
lo de los do
yos clnicos
adores.
odelproyecto
proyecto se
e la imagen:
obtenidos
et al. 2011
mientasdep
ones de int
izandoherr
dica de Ne
), los recurs
matoNIFTI
os biomarca
sino de pru
NeuroBIMM
e generan la
: Informes P
del postpr
1) (que alm
procesamie
ters obten
ramientasp
euroBIMM
sos necesar
yANALYZE.
adores indic
uebas de co
MS
as carpetas
PDF (que al
oceso y c
macenar los
entodeimag
nidos con
proporciona
MS (BIKEPos
rios para co
.
cados anter
oncepto de
donde se
lmacenar
lculo de
s estudios
gen)yROI
diferentes
adasporel
stproceso)
omenzar el
riormente,
uso de la
165
ATROFIACEREBRAL
Introduccin
La atrofia cerebral (AC) es un fenmeno neurolgico que ocurre cuando algunas neuronas
(clulas cerebrales) mueren y pierden la conexin entre ellas. Puede ocurrir en todo el
cerebro o slo en un sector. Si el dao abarca la mayor parte del cerebro, ste comienza a
encogerse; pero si el dao ocurre slo en un sector, las funciones cerebrales que se vern
afectadassonlasqueseencuentranenlazonadaada.

La AC se diagnostica a travs del estudio estructural de las imgenes por resonancia
magntica, calculando la volumetra cerebral. El clculo de la AC se puede llevar a cabo de
manera transversal (comparando las volumetras de estudio individuales contra las de un
modelopredefinidodecerebrosano)odemaneralongitudinal(comparandolasvolumetras
deestudiosdelmismopacientealolargodeltiempoobteniendolamedicindeloscambios
producidos)(Rovira,A.,etal.2000).

Los estudios transversales de la atrofia del cerebro normalmente tratan de relacionar el
tamaodelcerebroenunpuntodadoconeltamaodelcerebroenlamadurez.Laestrecha
relacinentreelcrneonormalyelcrecimientodelcerebrohacedesteunmarcadorfiable.
Los estudios longitudinales permiten conocer dicha relacin de cambio en las diferentes
zonasdelmismopacienteendiferentesmomentoseneltiempo.

Por lo tanto, el objetivo para la determinacin de la atrofia cerebral relativa es definir con
precisin el tamao del cerebro con respecto al tamao del crneo, normalizado a una
plantillaestndar(Smith,S.M.etal.2002).

Lamedicindelvolumencerebralnoseutilizaenlaprcticaclnicahabitual,peroenelcaso
de la EM se convierte en un biomarcador muy atractivo ya que es relevante, robusto y
permitetenerunamedidainvivodelaneurodegeneracindelpaciente(Riley,C.etal.2012).

A continuacin se expondrn los casos seleccionados para el estudio y la metodologa
utilizada a la hora de calcular la atrofia cerebral y se expondrn y discutirn los resultados
obtenidos.
166
Materialymtodos
Aspectostcnicosdelaadquisicindeimagen
Los aspectos principales de adquisicin de imagen que influyen en la eficacia de las

mediciones de volumen, y por lo tanto, de cualquier medicin de atrofia derivada de los
mismos,sonlaresolucinycontrastedelaimagen.

La conveniencia de exploraciones de alta resolucin para reducir los errores de volumen
parcialhacenquelasadquisicionesapartirdesecuencias3D(Liuetal.,1999)seanlasms
recomendadas, aunque las secuencias 2D se han utilizado tambin en estudios de xito
(Molyneux et al., 2000) para calcular medidas de volumetra en el sistema nervioso central
(SNC).

La eleccin de contraste de la imagen tambin es importante a la hora de realizar las
mediciones de volumen. Para las mediciones de la atrofia de todo el cerebro es necesario
realizar una segmentacin del mismo, lo que significa eliminar el lquido cefalorraqudeo
(LCR) por lo que se hace necesario tener una clara distincin en la seal entre la materia
cerebral y extracerebral. Por esta razn, la secuencia 3D ms utilizada es la T1 ponderada.
Esta secuencia permite vxeles con dimensiones del orden de 1 x 1 x 1 mm, y se puede
completarenaproximadamente10min.

LosestudioscentradosenlamedicindelaatrofiadelasestructurasindividualesenelSNC
puedenrequerirestrategiasdeimagenalternativas.Porejemplo,unestudiodelaatrofiade
lasustanciablancarequiereunbuencontrasteentrelasustanciablanca,sustanciagris,LCRy
posiblemente lesiones. La segmentacin puede ayudarse de secuencias que permitan la
adquisicinporcontrastemltiple(multiespectral).Porlogeneralsesuelenutilizarparaello
las secuencias T2 y densidad protnica DP (las cuales deben tener la misma resolucin y
alineamiento).
Pacientes
Para el caso del clculo de la atrofia cerebral en pacientes diagnosticados con esclerosis
mltipleatravsdeunestudiotransversalesnecesariodisponerdeunaseriedeestudiosde
resonancia magntica de pacientes diagnosticados con esta enfermedad y otra serie, de
pacientes sanos con los que comparar las medidas volumtricas obtenidas entre los dos
grupos.

167
Por cortesa del Dr. Santiago Mola, facultativo especialista y jefe de seccin del servicio de
neurologa del Hospital Vega Baja de Orihuela, y el Dr. ngel Prez, facultativo especialista
del Hospital General Universitario de Alicante se han seleccionado los veintinueve estudios
deveintisispacientesdeestoshospitalesdiagnosticadosconesclerosismltiple.

Adems,sedisponedediezestudiosdepacientessanos,necesariosparalacomparacinde
resultados.Todosestosestudiossehanrealizadoconunamquinade1,5T.

DecadaestudiosedisponedealmenoslasseriesdesecuenciaT1,secuenciaT2ysecuencia
FLAIR,aunqueelestudiodelaatrofiaserealizarnicamentemedianteelpostprocesodela
secuenciaT1,idealparamedicindeindicadoresestructurales(Rojas,J.,etal.,2010).

Ennuestrocasodeuso,elestudiolongitudinaldevolumetranoesposiblerealizarlodebido
a que de los pacientes de los que disponemos de estudios de resonancia magntica en
diferentes fechas de control, estos estn realizados con protocolos (tipo de secuencia,
nmerodecortes,resolucin,etc)heterogneosporloquenosonvlidosparaestetipode
clculo.Utilizaremosportantoestosestudiosadicionalesenelestudiotransversal.

En la siguiente tabla se muestran las agrupaciones por sexo y edad del diagnstico de
EMrealizadasparaelcasodeuso:

GRUPO/SUBGRUPO SEXO EDADDIAG ESTUDIOSEM
A/AM HOMBRE <=5aos 5
A/AF MUJER <=5aos 7
B/BM HOMBRE >5aos 4
B/BF MUJER >5aos 13
SANOS H/M 10
No se tiene en cuenta para la agrupacin ni la edad del paciente ni la escala del estado de
incapacidadampliadadeKurtzke(EDSS)(Kurtzke,J.F.,1983),lacualseasumemenoroigual
a6.

El objetivo de este apartado es demostrar la definicin y ejecucin del clculo de este
biomarcador a travs de la plataforma propuesta en esta tesis. Para la realizacin de un
estudio clnico de atrofia cerebral es necesario disponer de muchos ms estudios
protocolizados y de una muestra ms numerosa de sujetos, tanto de pacientes como de
sujetossanos.
168
Clculodevolumetra
Las tcnicas utilizadas para el clculo de volumetra de cada uno de los tejidos cerebrales
deben de ser reproducibles, sensibles al cambio, precisas y prcticas de implementar. De
estos requisitos, la precisin es el menos fcil de verificar, ya que pequeos errores de
precisin son probablemente insignificantes en el estudio de la atrofia, siempre y cuando
seanconstantesentrelossujetosyconeltiempo.

Para el estudio transversal de atrofia cerebral, el subsistema BIKEPostproceso incluye el
algoritmo SIENAX (Smith, S.M. et al., 2001) dentro de la librera FSL (Jenkinson M., et al.,
2012).

SIENAXintentaestimarelvolumentotaldelcerebronormalizado(TBVNorm)apartirdeuna
solaimagen,conrespectoaunaimagenestndar.

El algoritmo de SIENAX se inicia con la extraccin del crneo y del cerebro de la imagen de
entradautilizandolaherramientadeFSLBrainExtractionTool(BET)(Smith,S.M.,2002).La
imagen del cerebro obtenida es entonces registrada linealmente al espacio de la plantilla
estndar MNI152 (Mazziotta, J.C. et al., 1999) utilizando la herramienta de FSL FMRIB's
LinearImageRegistrationTool(FLIRT)(Jenkinson,M.etal.,2001)(Jenkinson,M.etal.,2002),
utilizandolaimagendecrneoparadeterminarlaescaladeregistro.Elobjetivoprincipales
obtener el factor de escala volumtrica, para utilizarlo como factor de normalizacin del
tamaodecabeza/crneo.

Unavezsedisponedelaimagenregistrada,serealizalasegmentacindetejidos(sustancia
gris{GM},sustanciablanca{WM}ylquidocefalorraqudeo{CSF})atravsdelaherramienta
deFSLFMRIB'sAutomatedSegmentationTool(FAST)(Zhang,Y.etal.,2001).

A continuacin, de cada tejido segmentado se calcula el volumen parcial estimado (PVE)
(Zhang,Y.etal.,2001)apartirdelcoeficientedenormalizacincalculadopreviamenteconel
fin de calcular el volumen total de tejido cerebral normalizado (incluyendo estimaciones
separadasdevolmenesdeGM,WM,lamateriagrisperifrica{PG}yCSFventricular{CSFV}).
Enlafigura5.5seexpresavisualmenteelalgoritmoSIENAX.
Para
haej
pacie
obtenerlos
ecutadoel
entessanos
Fig.5.5.Esqu
sdatosdev
algoritmoS
comodepa
uemagenerald
volumetra
SIENAXv2.6
acientesenf
delalgoritmo
normalizad
6concadau
fermos.
Cap
SIENAX(Smith
anecesario
unodelose
tulo5.Casod
h,S.M.etal.,
osparaelc
estudiossel
deusoconNe
2002)
lculodela
leccionados
euroBIMMS
169
atrofiase
s,tantode
Captu
170
Los a
herra
extra
losdi
deter
Para
desar
obten
mane
anter
ulo5.Casode
Fig.5
argumentos
amientasqu
accin y seg
iferentespa
rminanque
R.Ejecu
para la e
cuandola
S . Con
puedaqu
B . Con
vxelesc
la ejecuci
rrolladoen
nidosdesde
erasecuenc
riormentec
eusoconNeur
5.6.Ejemplod
s de entrad
ueseutiliza
gmentacin
armetrosa
losparme
utaelalgori
estimacin
aimagenco
este parm
uedardela
este parm
correspondi
n se carga
elcaptulot
elaplatafor
cialelclcul
citados.
roBIMMS
deejecucinde
da del algo
ndentrode
de los dife
altipodeim
etrosptimo
itmodeext
del centro
ontienemuc
metro BET in
primeraext
metro BET i
entesalcue
aron en el
tres,losest
rmadeGEB
odelavolu
elalgoritmoS
oritmo SIEN
elprocesoc
rentes tejid
magentraba
osparalahe
raccindel
o cerebral.
chamateria
ntenta limp
traccin.
ntenta redu
ello.
entorno d
tudiosdelo
BIDNeuroBI
umetradec
IENAXsobreu
NAX permite
omoBETy
dos. Tras el
ajada(secue
erramienta
cerebrouti
Mejora co
anocerebra
piar la parte
ucir el efect
de postproc
spacientes
MMSyse
cadaestudio
unpacientede
en paramet
FAST,optim
estudio vis
enciaT1de
BETson:
ilizandoun
nsiderablem
al.
e residual d
to BIAS de
ceso shell d
seleccionad
generun
oconlospa
eterminado
trizar algun
mizandoelp
sual de los e
48cortesd
mtodom
mente los r
del nervio
la imgen
de BIKEPos
dosenform
scriptquee
armetrose
nas de las
procesode
efectos de
de1,5T)se
srobusto
resultados
ptico que
y eliminar
stproceso,
matoNIFTI,
ejecutade
especficos
171
Resultados
De la ejecucin de todos los procesos anteriormente mencionados sobre la totalidad de los

pacientesdelestudioseobtuvierondiferentesinformesenloscualessepuedenconsultarde
maneravisuallosresultadosde cada unodelospasos deejecucindelalgoritmo,as como
lasmedidas cuantitativasvolumtricasde cada tejidoyobtenerlosarchivosintermedios en
formato NIFTI (gracias al parmetro d de SIENAX) para su visualizacin y/o postproceso
adicional para correccin manual de algn elemento en el caso de que fuese necesario.

Los informes, convertidos a formato PDF se incluyeron en la carpeta resources Informes
PDF quecadaestudiode cada paciente disponeenla plataformaGEBID NeuroBIMMSpara
suposteriordonacinbajopeticinalSISAN.

A continuacin se muestran algunos de los recursos grficos incluidos en el informe PDF
obtenidodelaejecucindelalgoritmoSIENAXalsujetoORI_001(verfigura5.6).
Fig.5.7.ResultadodelaextraccindelcerebroymscaradelcrneomediantelaherramientaBET
Fig.5.8.ResultadodelregistroalespacioestndardelaplantillaMNI152mediantelaherramientaFLIRT
172
Fig.5.9.Resultadodelasuperposicindelcerebrodelpacientecontralamscaradelaplantillaregistrada.Los
valoresenrojomuestranlospxelesdelaplantilladelcerebroestndar,losvaloresazuleslosdelcerebrodel
pacienteylosvaloresverdeslainterseccinentreambasmscaras.
Fig.5.10.Resultadodelasegmentacincompletadelcerebro
173

Fig.5.11.Resultadodelasegmentacindelcortexcerebral(PG)
Fig.5.12.Resultadodelasegmentacindelosventrculoscerebrales(CSFV)
174
La normalizacin de los volmenes permite minimizar las variaciones en el tamao de la

cabezadelospacientesenunestudiotransversal(Mathalon,D.H.etal.,1993;Whitwell,J.L.
etal.,2001).Acontinuacinsedetallanlosvaloresmediosobtenidosdelostreintaynueve
estudiosanalizadosnormalizadoscontraelatlasMNI152/Talairach:

GRUPO TBV GMV WMV PG CSFV
AM 1,77x10
6
8,27x10
5
9,51x10
5
6,40x10
5
4,87x10
4

AF 1,73x10
6
7,98x10
5
9,40x10
5
5,89x10
5
4,63x10
4

BM 1,73x10
6
7,90x10
5
9,44x10
5
6,06x10
5
5,13x10
4

BF 1,66x10
6
7,30x10
5
9,35x10
5
5,68x10
5
6,54x10
4

SANOS 1,80x10
6
8,47x10
5
9,54x 10
5
6,54x10
5
3,14x10
4

TBVVolumencerebralnormalizado
GMVVolumendesustanciagrisnormalizado
WMVVolumendesustanciablancanormalizado
PGVolumensustanciagrisperifricanormalizado
CSFVVolumenventricularnormalizado
Discusin
Elcasodeestudioseharealizadoconunamuestrapequeadepacientesencadaunodelos
grupos,perodelosresultadosobtenidossepuedenextraerlassiguientesconclusiones:

Volumengeneral

Se aprecia ms atrofia general en B (5,97%) que en A (2,45%) en relacin con los sujetos
sanos(Chard,D.T.etal.,2002).

Por sexos, en el grupo A se aprecia ms atrofia en las mujeres (3,62%) que en los hombres
(1,29%). En los pacientes del grupo B esta diferencia se acenta ms siendo mayor en
mujeres(8,17%)queenhombres3,86%).(Fox,N.C.,etal.,2000).

Sustanciagris

Se detecta atrofia en sustancia gris, siendo mayor en los pacientes del grupo B (11,45%)
frentealosdelgrupoA(4,25%)(Fisniku,L.K.,etal.,2008).
175
Por sexos, tambin se aprecia una clara diferencia entre hombres y mujeres, siendo en el
grupo A ms pequea en trminos absolutos pero mayor en trminos relativos (6,14% en
mujeres frente al 2,42% en hombres del grupo A y 16,03% en mujeres frente al 7.22% en
hombresdelgrupoB)(Carone,D.A.,etal.,2006).
Sustanciablanca

Se detecta una atrofia en sustancia blanca pequea en los pacientes del grupo A (0,90%) y
delgrupoB(1,54%).(Guttmann,C.R.etal.,1998).

Porsexostambinseobservaunaclaraafectacinmayoralasmujeresquealoshombresde
ambos grupos A y B (1,49% frente a 0,32% en el grupo A y de 2,03% frente al 1,06% en el
grupoB).

Sustanciagrisperifrica

Seaprecialamismarelacinquelasustanciagrisglobal(DeStefano,N.etal.,2003).

Volumenventricular

Seapreciaunincrementodel34%ensujetosdelgrupoAydeun46,2%ensujetosdelgrupo
Bconrespectoapacientessanos,msnotableenlasmujeresqueenloshombresdelgrupo
B(52%frenteaun38%)(Dalton,C.M.etal.,2002).

Todos estos resultados obtenidos con el anlisis de los datos concuerdan, dentro de las
limitaciones establecidas con la bibliografa existente en materia de atrofia cerebral en
pacientes con esclerosis mltiple por lo que queda demostrado que el uso general de la
plataformaesvlidoypositivoparalarealizacindeestudiosclnicos.
176
CARGALESIONALENSUSTANCIABLANCA
Introduccin
Las lesiones de sustancia blanca son pequeas reas de clulas muertas que se encuentran
en partes del cerebro que actan como conectores. Los casos leves se encuentran
comnmente en los cerebros de las personas mayores de 65 aos de edad y se asocia
generalmente a un resultado normal del envejecimiento, aunque la edad no es el nico
factoryaquetambinaparecen enalgunoscasos especialmentegravesdemigraas, enlos
cerebros que han sufrido derrames cerebrales o que tienen enfermedades neurolgicas
progresivas, como la esclerosis mltiple y la enfermedad de Alzheimer, que hacen que el
cerebroyelsistemanerviosocentraldegeneren.
Las clulas de la sustancia blanca en realidad son de color rosa, pero recibieron su nombre
debido a que se convierten en blanco cuando se deja en formaldehdo. Las lesiones en la
sustancia blanca coincidentemente tambin aparecen como parches de color blanco, o un
grismuyclaro,enlassecuenciasDP,T2yFLAIRdelaresonanciamagntica.
Se sabe que la delineacin basada en expertos de las lesiones cerebrales es difcil de

reproducir a travs de los evaluadores, o incluso dentro del mismo evaluador, y esa
combinacindelecturasporevaluadoresindependientespuedesernecesariaenunestudio
longitudinal.
Lamayoradelosmtodosdexitoenlaliteraturasehandesarrolladoparaladeteccinde
lesiones de sustancia blanca en pacientes con esclerosis mltiple. Los mtodos iniciales,
donde la obtencin de varias secuencias diferentes era difcil, se plantean el uso de
clasificadores de distancia mnima, bayesianos, rboles de decisin, etc. (Kamber, M, et al.,
1995)paralarealizacindemodelosprobabilsticos(Udupa,J.K.,etal.,1996).
Lamayoradelosestudiosdeimagenactualesofrecenlaposibilidaddecombinarimgenes
por resonancia magntica multiparamtricas (es decir, imgenes que se obtienen va
diferentes protocolos de resonancia magntica). La ventaja de integrar la informacin de
secuencias mltiples es que puede reducir la incertidumbre y aumentar la precisin de la
segmentacin(VanLeemput,K.,etal.,2001).
A continuacin se expondrn la metodologa utilizada y los casos seleccionados para el

estudio a la hora de calcular la carga lesional a partir de varias secuencias diferentes de
resonanciamagntica.Seexpondrnydiscutirnlosresultadosobtenidos.
177
Materialymtodos
Aspectostcnicosdelaadquisicindeimagen
Dentrodelasrecomendacionesestablecidaspor(Rovira,.etal.,2010)losestudiosdeRM
destinadosalestudiodelacargalesionalenlasustanciablancasedebenefectuardeforma
ptima en equipos de alto campo (1,5T 3,0T) si bien son aceptables los de campo medio
(1,0T).
En los estudios cerebrales, las secuencias en eco de espn rpidas (fast/turbo) para la
obtencin de imgenes ponderadas en densidad protnica (DP) y T2 son preferibles a las
secuenciasenecodeespnconvencionales(Filippi,M.etal.,1996).Elmotivoprincipalradica
en la menor duracin en la adquisicin de las primeras, lo cual minimiza los artefactos de
movimiento.
LassecuenciasfastFLAIR(planossagitalytransversal)seutilizandeformacomplementariaa
lassecuenciasT2porsualtasensibilidadenladeteccindelesionesenlazonasupratentorial
(Hashemi, R. H. et al., 1995). Para obtener un mejor resultado sensibilidadtiempo la
estrategiaaseguireslacombinacindesecuenciasfastT2dedobleecoyfastFLAIR(Yousry,
T.A.etal.,1997).
Fig.5.13.SecuenciasT2(A)yFLAIR(B)
178
Pacientes
Paraelcasodelclculodecargalesionalensustanciablanca,sehacenecesariodisponerde
una serie de estudios previamente analizados por expertos clnicos donde poder comparar
los resultados del clculo obtenidos y de esta forma optimizar el algoritmo de postproceso
diseado.
Por cortesa del equipo investigador del Institut de Diagnstic per lImatge del Hospital Vall
D'Hebrn liderado por el Dr. Alex Rovira se disponen de once estudios de resonancia
magnticadepacientestotalmenteanonimizadosytresmapasprobabilsticos.
Los estudios de resonancia magntica proporcionados se corresponden con pacientes

diagnosticados con esclerosis mltiple. Todos estos estudios se han realizado siguiendo las
mismastcnicasyprotocolos(Rovira,.etal.,2010).
Delosonceestudios,cincoserealizaronenelequipoSiemensMagnetomTriocontecnologa
de3teslasylosseisrestantesenelequipoSiemensMagnetomAvantocontecnologade1,5
teslas.DecadaestudiodeRMseaportanlassiguientessecuencias:Densidadprotnica(DP),
secuenciaT1,secuenciaT2ysecuenciaFLAIR.
De cada estudio de pacientes con esclerosis mltiple se proporciona un fichero de

descripcin(ROI)delacargalesionaldetectadacorteacortetraselanlisismanualdevarios
tcnicos radilogos especialistas en esta enfermedad usando el software de postprocesado
de imagen JIM (http://www.xinapse.com) sobre la secuencia de DP. Estos ficheros servirn
de base de comparacin con la salida del algoritmo diseado para el clculo de la carga
lesional.
Adems de los estudios de pacientes descritos anteriormente, se dispone de tres mapas

probabilsticosenformatoANALYZE.Elprimerodeellos,ofrecelaprobabilidadencadaparte
del cerebro de la carga lesional en pacientes de esclerosis mltiple con sndrome clnico
aislado (Giorgio, A. et al., 2013). El segundo y tercero ofrecen la probabilidad de tejido de
sustanciagrisysustanciablancarespectivamente.
Descripcindelalgoritmodedeteccindecargalesional
Con el objetivo de aislar la carga lesional en la imagen RM del sujeto, se ha diseado una
rutina de procesamiento que hace uso de diversos algoritmos incluidos en la librera FSL
(JenkinsonM.,etal.,2012),disponibleenelsubsistemaBIKEPostproceso.
Fig..5.14.Postproocesodeobtencindelaca
Cap
argalesionalco
tulo5.Casod
ompletaproba
deusoconNe
abilstica.
euroBIMMS
179
180
En la figura 5.14 se detalla un diagrama del postproceso propuesto. El algoritmo utiliza las
secuenciasT1,FLAIRyDPdelsujetoparaaislarlacargalesional.
Enprimerlugar,sesuavizalasecuenciaT1medianteSmallestUnivalueSegmentAssimilating
Nucleus(SUSAN)(Smith,S.M.etal.,1997),herramientaincluidaenlalibreraFSLybasadaen
algoritmos de localizacin de bordes, deteccin de esquinas y reduccin de ruido
preservandolasestructurasdelaimagen.Esimportantedestacarquelacargalesionaldelos
sujetos delimitada manualmente, que ms adelante se utilizar para validar los resultados,
est marcada sobre la secuencia DP. Por este motivo, es necesario que las imgenes
involucradasenelpostprocesoestndebidamentealineadasentres.
El paso siguiente consiste por tanto en alinear estas secuencias con la ayuda del algoritmo
FLIRT(FMRIBsLinearImageRegistrationTool)(Jenkinson,M.etal.,2001)(Jenkinson,M.et
al.,2002).Estealgoritmopermitecorregistrarunaimagentomandootracomoreferencia,de
formaqueaplicndolodosvecessecorregistraenprimerlugarlasecuenciaFLAIRconlaDP
como referencia, y en segundo lugar la secuencia T1 suavizada obtenida previamente,
utilizando esta vez el resultado del primer corregistro como referencia. Una vez realizados
estos pasos se obtiene como imagen resultante la secuencia T1 suavizada y debidamente
alineadaconlassecuenciasFLAIRyDP.
El proceso contina con la extraccin de crneo y cerebro, aplicando el algoritmo de FSL

Brain Extraction Tool (BET) (Smith, S. M., 2002), y separando el cerebro registrado en tres
bloques, correspondientes al lquido cefalorraqudeo y los tejidos de sustancia gris y
sustanciablanca.LaseparacindescritaserealizamedianteelalgoritmoFMRIB'sAutomated
SegmentationTool(FAST)(Zhang,Y.etal.,2001),delalibreraFSL.
Entre las imgenes obtenidas como resultado se encuentra la mscara probabilstica de la

sustancia blanca. Sobre sta, conviene aplicar operaciones morfolgicas para rellenar
aquellasregionesqueconformanhuecosoagujerosenlaimagen,dandolugaraunamscara
desustanciablancamscompletayrecuperandoaquellaszonasquelaoperacinFASThaya
podidoeliminar,apesardeformarpartedelasustanciablanca.
La herramienta FSLMATHS, disponible en el paquete software FSLUTILS de la librera FSL,

permite realizar esta operacin morfolgica y otras operaciones matemticas matriciales,
tales como el producto, la suma, la resta o la aplicacin de umbrales de intensidad. Esta
herramientaseempleaparaaislarlasustanciablancadelasecuenciaFLAIRalineadaconDP,
obtenidaenlospasosinicialesdelpostproceso,almultiplicarlaporlamscaraprobabilstica
conlasregioneshuecasdebidamenterellenadasobtenidaenelpasoanterior.
Trasaislarlasustanciablanca,comienzaelanlisisestadsticoquedalugaralumbralapartir
delcualseconsideracargalesionallasustanciablanca.
181
El clculo se realiza con la herramienta FSLSTATS de la librera FSL, y consiste en obtener el
primer y tercer percentil de la imagen, para posteriormente calcular el rango intercuartil
(IQR),resultadodeladiferenciaentreelterceryelprimerpercentil.
Finalmente, la carga lesional viene dada por todos aquellos voxels de sustancia blanca cuya
intensidadsupereunvalorumbral,determinadoporlasumadeltercerpercentilmsel150%
del rango intercuartil. Se utiliza de nuevo la herramienta FSLMATHS para aplicar dicho
umbral y posteriormente se ejecuta un ltimo paso en el que, mediante la misma
herramienta, se multiplica la imagen recin filtrada con un mapa probabilstico de carga
lesional obtenido previamente a partir del registro de diversas muestras, dando lugar a la
carga lesional del sujeto debidamente aislada como resultado final del postproceso. Sin
embargo, la carga lesional en la esclerosis mltiple no es un valor discreto, y mucho menos
binario, donde slo cabe el s o no, ms bien se trata de localizar determinadas reas ms
susceptiblesde contenercargalesional,yesdifusoellmitede aquellas zonasque colindan
condichasreas.
Enlaprcticaclnica,loslmitesdedichaszonassonestablecidosmediantelaopinindeun
experto.Porlosmotivosexpuestos,esrazonableofrecerelresultadodelocalizacindecarga
lesional en forma de mapa de probabilidades, indicando una mayor probabilidad de carga
lesionalconunaintensidaddecolormsfuerte,mientrasquelaszonasconprobabilidadms
baja de ser carga lesional aparecen con intensidades ms suaves. La obtencin de dichas
zonas es realizada mediante operaciones morfolgicas de dilatacin, haciendo uso de la
herramientabwmorphdelsoftwareMatlabR2012a(Matlab,2012),sedilatanlasregionesde
carga lesional hasta alcanzar un umbral mximo de nmero de regiones conexas. Tras
alcanzar dicho umbral, se utiliza de mscara la figura resultante por el mapa de
probabilidadesdesustanciablancaobtenidoparaelpaciente.
Procesodevalidacin
Laimportanciadeunmtodoquefacilitelavalidacindelosresultadosobtenidosradicaen
la necesidad de discriminar si posteriores modificaciones del postproceso propuesto dan
lugaraunamejoraenlaidentificacindelacargalesionalcompleta,osiporelcontrariolos
resultadossealejandelosvaloresesperados.
Paraobtenerlarutinadevalidacin,sedisponedelacargalesionaldecadasujetodelimitada
de forma manual por tcnicos radilogos especialistas en esclerosis mltiple. Tras una serie
de operaciones entre el mapa de probabilidades de carga lesional obtenido tras el
postproceso y la carga lesional delimitada manualmente, se cuantifican como verdaderos
positivos(VP)lasregionesdecargalesionalidentificadasenambosconjuntos,mientrasque
aquellas regiones pertenecientes a la carga lesional delimitada manualmente, que no se
incluyen en el mapa probabilstico de carga lesional postprocesado, son cuantificadas como
falsosnegativos(FN).
182
El clculo del conjunto de regiones conexas en cada una de las imgenes de entrada se
realizamediantelasfuncionesbwconncomp,utilizadaparalocalizarcomponentesconexos
en matrices binarias, y labelmatrix, que permite etiquetar cada componente conexo
localizadoporbwconncompconunvalordistinto,demaneraqueposteriormenteseutiliza
el etiquetado para comprobar individualmente si cada una de las regiones de la carga
lesional delimitada manualmente est localizada en el mapa probabilstico resultante del
postproceso. Tanto bwconncomp como labelmatrix son funciones contenidas en el
paquete software Matlab R2012a (Matlab, 2012), y mediante ambas funciones se obtienen
losvaloresVPyFNdescritosanteriormente.Unavezobtenidos,secalculaelparmetroque
permiteconocerlabondaddelmtododepostprocesoencadacaso.Esteparmetrorecibe
elnombredeCLL(CargaLesionalLocalizada),seobtienedividiendolosverdaderospositivos
entrelasumadeverdaderospositivosyfalsosnegativos:CLL=VP/(VP+FN)
Suvaloresdevueltoentantoporciento.

183
Resultados
Sehaejecutadoelalgoritmodepostprocesosobrelosoncepacientesconesclerosismltiple
descritosenelapartadoPacientes,variandoentreejecucioneselintervalodecortesdelas
secuenciasdelpacientequeeranincluidosenlosdiferentespostprocesos,conelobjetivode
localizar la regin donde el mtodo de postproceso logra un mejor comportamiento. Entre
las opciones que el mtodo de postproceso ofrece para configurarlo, est la posibilidad de
indicarelnmeromximoderegionesconexasindependientesquedebealcanzarenlafase
de dilatacin de carga lesional. Con este parmetro, se ha comprobado como al reducir al
mnimo su valor, y obligar al postproceso a obtener una nica regin conexa, se alcanzan
valores de carga lesional localizada muy altos, en algunos casos cercanos al 100%, como
muestralasiguientetabla:
PACIENTE VP FN CLL(%)
001 81 18 81.818%
002 14 3 82.353%
003 13 1 94.118%
004 59 9 86.765%
005 9 3 75.000%
006 40 28 58.824%
007 4 0 100.000%
008 117 33 78.000%
009 2 8 20.000%
010 20 9 68.966%
011 2 4 33.333%
Adems, el postprocesado se ha ejecutado en diferentes ocasiones con distintos valores

mximos de nmero de regiones conexas para el mapa probabilstico de carga lesional,
obteniendounresultadoptimoallimitarestevaloradiezregionesconexascomomximo.
Lasfiguras5.15y5.16muestrandosejemplosdelosresultadosobtenidosvisualmenteenlas
condicionesdescritas.
Captu
184
Como
proba
form
conte
Toda
en N
deun
ulo5.Casode
F
F
o puede ap
abilidades
ato3D,ein
enercargal
esta inform
euroBIMM
ninformeP
eusoconNeur
Fig.5.15.Paci
Fig.5.16.Paci
preciarse, e
de existenc
ndicandome
esional.
macingene
MS a travs d
DFconlain
roBIMMS
iente001.Map
iente005.Map
l algoritmo
cia de carg
ediantelav
erada se inc
de la subida
nformacinv
palesionalpro
palesionalpro
de postpro
ga lesional,
variacinde
cluye en la
a de los arc
visualimpre
obabilsticode
obabilsticode
ocesado da
mostrndo
eintensidad
ficha del pa
chivos NIFT
esa.
edoscortesej
edoscortesej
lugar a un
ola en form
eslaszonas
aciente den
I con la m
jemplo
jemplo
na distribuc
mato de co
smssusce
ntro delges
scara proba
in 3D de
orte y en
eptiblesde
stor GEBID
abilstica y
185
Discusin
En vista de los resultados obtenidos, se puede confirmar que los peores diagnsticos se
localizan en las regiones correspondientes a los siete primeros cortes y a la zona
infratentorial. Por consiguiente, el mtodo es ms efectivo en la regin central de la
secuencia,concretamenteentreloscortessieteytreintaysiete.
En el caso del sujeto 007 se localiz satisfactoriamente toda la carga lesional, mientras que en los
sujetos 009 y 011 se obtuvieron peoresresultados, debidomayoritariamentea quelacarga lesional
en ambos sujetos est localizada en las regiones correspondientes a los ltimos cortes, que se
dejaronfueradelpostprocesoporlasrazonesexpuestasanteriormente.Elvalorpromediodecarga
lesionallocalizada(CLL)obtenidoparatodoslospacientesseencuentraalrededordel70%.
Sin embargo, al realizar el mismo promediado sin tener en cuenta estos dos sujetos, cuya
carga lesional queda fuera de los cortes evaluados, el valor de carga lesional localizada
promedio asciende hasta el 80%. El postproceso por tanto localiza una cantidad de carga
lesional importante, y sin duda uno de los puntos que debern ser mejorados en trabajos
futuros ser la incorporacin de tcnicas de anlisis que permitan al mtodo propuesto
funcionaradecuadamenteenlasregionesinfratentorialyloscortesmsalejadosdelaregin
supratentorial. Con una modificacin de semejantes caractersticas, el postproceso puede
llegaramejorarsurendimientoenun10%,otorgandounresultadofinalmsfiable.
Apesardequelosresultadosexpuestosenlatablalocalizanensumayorahastael75%dela
carga lesional satisfactoriamente, es importante destacar que la consecuencia directa de
dilatarlacargalesionaldelpostprocesoesqueseamplaenlamismamedidaelalcancedel
mapadeprobabilidadesdecargalesionalresultante,yporconsiguientesepierdepartedela
precisinenlaszonasmssusceptiblesdecontenercargalesional,puestoqueenlafasede
dilatacinsonlasprimerasreasenampliarse.
Por esta razn, es necesario encontrar un equilibrio entre la precisin de los resultados
esperados y la garanta de que el mtodo abarque todas las reas correspondientes a la
carga lesional. Empricamente, se ha averiguado que 10 regiones conexas como mximo
constituye un buen umbral para continuar localizando la mayora de carga lesional y ganar
ciertaprecisinenlasregionesmsafectadasporlaesclerosismltiple.

186
CONCLUSIONES.
En este captulo se ha descrito un caso de uso de NeuroBIMMS, un sistema de gestin y

extraccin de conocimiento para el estudio de la esclerosis mltiple basado en el modelo
CloudCEIBI+D,enelquesemuestraelfuncionamientodetodoslosmdulosdelsistemaa
partir del clculo de dos biomarcadores relacionados con la enfermedad mediante el
postproceso de imagen por resonancia magntica: Atrofia cerebral y carga lesional de
sustanciablanca.
Elcaptuloseiniciaconunabreveintroduccinalaenfermedaddeesclerosismltipleenla
quesefundamentanlascausasgeneralesdelamisma,lasprincipalestcnicasdiagnsticasy
el papel de la imagen por resonancia magntica en el proceso de diagnstico de la
enfermedad.
Los casos de estudio se han desarrollado sin propsito de ensayo clnico, nicamente como
ejemplodeusoyvalidezdelaplataforma.
Elprimercasodeestudio,atrofiacerebral,comienzaconunabrevedescripcindelconcepto
deatrofiacerebral.Acontinuacinserealizaunadescripcindelospacientesseleccionados
para el estudio. Dicha seleccin de los pacientes ha sido realizada por los facultativos Dr.
SantiagoMola,jefedelaseccindeneurologadelHospitalVegaBajadeOrihuelayDr.ngel
Prez,facultativoespecialistadelserviciodeneurologadelHospitalGeneralUniversitariode
Alicante.TodosestospacientesseincluyenenlaplataformaGEBIDNeuroBIMMSapartirdel
envoatravsdeCEIBANONdesdeunvisorDICOMopensourcecomoGinkgoCadxv.2.14.
Debido a la naturaleza de los casos seleccionados, sobre todo en materia de unificacin de

protocolos de captura de resonancia magntica, no ha sido posible realizar un clculo
longitudinal de atrofiade estos pacientes, realizndose siguiendo un mtodo transversal en
donde la volumetra de cada paciente es normalizada y comparada contra un atlas
normalizado.
Para el clculo de la volumetra se ha utilizado el entorno BIKEPostproceso, aplicando el

algoritmodeSIENAXdelalibreraFSLensuversin5.1deoctubrede2012alassecuencias
T1delospacientes,previamentecargadasdesdeGEBIDNeuroBIMMS.Laejecucindeeste
algoritmo genera unos informes, que tras su conversin a formato PDF son includos en la
plataformaGEBIDparasuposteriordonacinalSISAN.
Elanlisisdelosdatosobtenidossobrelostreintaynueveestudiosentrepacientessanos y
enfermos,sobrelavolumetranormalizada,respondenalosdatosbibliogrficossobreatrofia
en pacientes de esclerosis mltiple por lo que se demuestra que el uso de la plataforma
NeuroBIMMSesvlido.
187
Elsegundocasodeestudioplanteado,cargalesionaldesustanciablanca,comienzaconuna
breve introduccin sobre el concepto de lesin de la sustancia blanca y mtodos generales
declculoutilizadosenlabibliografaexistente.
A continuacin se realiza una descripcin de los pacientes seleccionados para el estudio.

Dichaseleccin delospacienteshasidorealizada porelequipo delInstitutodeDiagnstico
porlaimagendelHospitalVallDHebrnenBarcelona,dirigidosporelDr.AlexRovira.Todos
estospacientesseincluyenenlaplataformaGEBIDNeuroBIMMSdelamismamaneraqueel
caso de estudio de atrofia cerebral. De cada uno de los estudios se dispone de la marca
manualdecargalesionalrealizadaporexpertos.
Para el clculo de la carga lesional se implement en BIKECuantificador un algoritmo que,

utilizando las libreras de FSL 5.0 proporcionadas por BIKEPostproceso, realiza un
aislamiento de la posible carga lesional del estudio a partir de diferentes secuencias y
umbrales de muestreo probabilsticos definidos. La salida del algoritmo proporciona una
imagenprobabilsticaconlacargalesionaldetectada.
Para la validacin del algoritmo y su calibracin se ha diseado un mdulo que permite,

utilizando libreras de FSL y Matlab, obtener diferentes ndices de validez de la muestra
obtenida con respectoa la muestra calculada manualmente. Con dicho mdulo se consigue
calibrar los parmetros del algoritmo para mejorar los resultados. Se han conseguido tasas
dedeteccindecargaenlazonasupratentorialdeun80%demedia.
Toda la experimentacin realizada con la plataforma en el clculo de biomarcadores

demuestra la validez del sistema propuesto como base para la gestin y extraccin del
conocimientodeimagenmdica.

188
189
CAPTULO6.OTRASAPLICACIONESPRCTICASDE
CLOUDCEIBI+D
Captulo6.OtrasaplicacionesprcticasdeCloudCEIBI+D
190
191
INTRODUCCIN
Cloud CEIB I+D es un sistema de gestin y extraccin de conocimiento que sienta las bases
paralaI+Denelmbitodelaimagenmdica.
El sistema puede ser implementado de diferentes formas siguiendo las lneas generales
definidasenestatesismediantelainstanciacindelosmdulosbasedefinidosomediantela
creacindeotrosespecficosparacadacampodeestudio.
Enesteapartadosedescribenbrevementealgunosdelosproyectosqueseestnllevandoa
cabomediantelaaplicacindeestesistema.
NEUROBIMMS
Fig.6.1.NeuroBIMMS
NeuroBIMMS es un proyecto para el estudio de imgenes por RM de pacientes con

Esclerosis Mltiples liderado por profesionales sanitarios del mundo de la neurologa del
Hospital Vega Baja de Orihuela (Dr. Santiago Mola), Hospital General Universitario de
Alicante (Dr. ngel Prez) y colaboradores como el Departamento de Ciencia de la
ComputacineInteligenciaArtificialdelaUniversidaddeAlicanteyelHospitalVallDHebrn
(Dr.AlexRovirayequipodeinvestigacindelCARM).
Laarquitectura,funcionalidadesyrecursosdeNeuroBIMMSsedescribenenelCaptulo4de
estatesis.EnelCaptulo5sedescribeunensayoclnicorealizadoconestaplataforma.
Msinformacin:http://www.neurobim.es
192
DOSISDERADIACIN
Fig.6.2.Estudiodeladosisderadiacinenpacientes
BajolaarquitecturadeCloudCEIBI+D,diferentesinvestigadores,entrelosqueseencuentra
elDr.LuisMartBonmat,llevanacaboelestudiodelasdosisderadiacinrecibidaporcada
pacienteenlaAgenciaValencianadeSalud.
ElproyectoDosisdeRadiacinpretendeimplantarenelmbitodeloscentroshospitalarios,
unentornotecnolgicodondeseofrezcanserviciosdeconsultasquefavorezcanlastcnicas
de prevencin, de uso comn por los especialistas mdicos, y que repercutan directamente
enbeneficiodelasaluddelospacientesatravsdesuHistoriaClnicaElectrnica.

RIAC
RIACC
Se tr
neuro
El pro
estud
baja
perso
Ms
CC
C, son las s
rata de un
ocienciaspe
opsito prin
diodelasco
frecuencia
onasqueno
informacin
iglas corres
a estructur
ertenecient
ncipal es la
onexionesi
en la sea
oestnreali
n:http://ria
spondientes
ra de coop
esapases
creacin d
ntrnsecasc
al dependie
izandoning
cc.san.gva.e
Captu
Fig.6.3.RIA
s a la "Red
peracin en
dehablahis
de un foro p
cerebralesq
ente del n
unatarea.
es
ulo6.Otrasap
ACC
IberoAmeri
ntre distint
spana(Proa
para compa
queseobse
ivel de oxi
plicacionespr
cana de Co
tos grupos
alE.,etal.,2
artir datos y
ervanatrav
genacin e
rcticasdeClo
onectividad
de investig
2011).
y conocimie
vsdelosca
en sangre (
oudCEIBI+D
193
Cerebral".
gacin en
ento en el
ambiosde
(BOLD) en
Captu
194
OCEA
Ocea
Grup
delas
Cuen
centr
ulo6.Otrasap
ANOGRFI
nogrfic es
odeParque
sArtesylas
ntaconung
raenelestu
plicacionespr
IC
un proyect
esReunidos
sCienciasde
grupodeinv
udiodeecog
rcticasdeClo
Fig.6.4.Oce
to colabora
sparaelest
eValencia).
vestigadore
grafasend
oudCEIBI+D
anogrficEc
tivo entre e
tudiodeim
sliderados
elfines.
cografadedel
el Centro d
magendean
porDaniel
lfines
e Investigac
nimalesdelO
GarcaPrr
cin Prncip
Oceanogrf
ragayactua
pe Felipe y
fic(Ciudad
almentese
195
ENCEFALOPATAHEPTICA
Fig.6.5.Estudioenrestingstate
La encefalopata heptica (EH) es un sndrome neuropsiquitrico que se desarrolla en

pacientesconenfermedadeshepticasgravesy/ocirugadederivacinportosistmicacomo
resultadodeunacomplicacingravedelainsuficienciahepticaagudaycrnica.
Actualmenteseestdesarrollandounestudiodeconectividadcerebralenrestingstatecon
pacientesconestesndrome.
ElequipodeinvestigadoresdeesteproyectoestlideradoporelDr.VicenteFelipo.

Captu
196
MICR
LaM
seccio
Lalo
la qu
focal
Este
mues
img
para
coloc
En el
postp
ulo6.Otrasap
ROSCOPA
icroscopaC
onesptica
ngituddeo
ue al pasar
.
avance en
stras, incluy
enes de su
el estudio
calizacinde
l Centro de
procesodee
plicacionespr
CONFOCA
Confocalpe
asdelasmi
ondadeem
por un peq
n el campo
yendo su in
superficie
o de muest
edistintosm
Investigaci
estetipode
rcticasdeClo
AL
Fig.
ermiteelest
smas.Seex
isindeesa
queo diafra
o de la mic
nterior, y e
mediante
tras in vivo
marcadores
in Prncipe
eimagenqu
oudCEIBI+D
.6.6.Microsco
tudiodemu
xcitalamue
amuestrae
agma (pinho
croscopa p
en determin
reflexin. L
o a lo larg
enunareg
e Felipe se
ueutilizacom
opafocal
uestrascon
estrapunto
esmayoral
ole) permit
posibilita el
nados mate
La Microsco
go de una
inconcret
lleva a cab
mobasela
nmarcajeflu
apuntopo
ladeexcita
e la detecc
l estudio t
eriales perm
opa Confoc
secuencia
ta.
bo un proye
arquitectur
uorescente,
ormediode
cin,yese
cin de un s
ridimension
mite la obte
cal tambin
temporal
ecto de estu
aCloudCEI
,haciendo
eunlser.
estaltima
solo plano
nal de las
encin de
n se aplica
o para la
udio en el
BI+D.
197
CAPTULO7.CONCLUSIONESYTRABAJOS
FUTUROS
Captulo7.Conclusionesytrabajosfuturos
198

199
CONCLUSIONES
Enestatesissehadescritounsistemadegestinyextraccindeconocimientodelaimagen
mdica, denominado Cloud CEIB I+D que tiene como objetivo principal el poder explotar el
conocimiento albergado en los bancos de imgenes mdicas (GIMC) y trasladar dicho
conocimiento en forma de servicios de valor aadido y alta especializacin al sistema de
informacin de la Historia Electrnica del Paciente (HSE) para, de esta forma, llevar los
resultados de la I+D e innovacin al paciente, mejorando la calidad de la informacin del
mismo.
Cloud CEIB I+D, definido en detalle en el Captulo 3, consta de cuatro mdulos generales:
Sistema de informacin sanitario (SISAN), motor de bsqueda (SE), anonimizador
(CEIBANON), gestor de ensayos clnicos y proyectos de investigacin de bioimagen para la
I+D(GEBID)ymotordeconocimiento(BIKE).
BIKE es el mdulo central y a travs de sus sistemas base analizar y generar el

conocimientoparaalimentaraHSEatravsdeestosservicios.LatecnologaqueutilizaCloud
CEIBI+Destbasadaprincipalmenteentecnologaopensource.
Dentro de BIKE, eje fundamental del sistema, se definen los siguientes mdulos: BIKE
Postproceso,encargadodeofreceralingenierodevisindeunconjuntodeherramientasde
postproceso de imagen avanzado dentro de un entorno de alta computacin; BIKE
Cuantificador,sistemadecreacinyvalidacindebiomarcadores;BIKEDatamining,sistema
que facilita la explotacin de la informacin almacenada en la imagen DICOM a partir de
herramientasdela minera de datos;BIKEClasificador, sistema de clasificacinde imagen a
partir de la extraccin de biomarcadores para la generacin de sistemas de ayuda al
diagnstico(SADI).
Cloud CEIB I+D es un proyecto real, en fase de desarrollo continuo, que ha servido de base
para la implementacin de instancias como NeuroBIMMS, un sistema de gestin y
extraccin de conocimiento de imgenes de pacientes con esclerosis mltiple, definido en
detalleenelCaptulo4.
ElobjetivoprincipaldeNeuroBIMMSesofreceralossistemasdeinformacinsanitariosuna
serie de informes de valor aadido para el profesional facultativo que permitan mejorar la
calidaddelainformacindelahistoriaclnicaelectrnicadeestetipodepacientes.
Paraello sedefineunproyectodentrodeGEBID alquese envana travsdeCEIBANON de

manera anonimizada, las imgenes de los estudios seleccionados, directamente desde la
modalidad de resonancia magntica o a partir de bsquedas en el PACS local, y los datos
necesariosparaelestudio(modelodedatosdeNeuroBIMMS).Unavezall,elingenierode
visin, en colaboracin con facultativos especialistas, analiza la informacin a travs de la
200
extraccin de biomarcadores de imagen usando las herramientas definidas en BIKE

NeuroBIMMS.
En el Captulo 5 se detalla un caso de uso de la plataforma NeuroBIMMS a partir de dos

ejemplos de clculo de biomarcadores relacionados con la esclerosis mltiple. Estos
biomarcadores son el clculo de atrofia cerebral y el clculo de las lesiones en la sustancia
blanca.
Paracadabiomarcador,seintrodujeronlosfundamentosmdicosenlosquesedefinenyse
detallaronlascaractersticasdelosestudiosdepacientesseleccionadospara,acontinuacin,
proceder a su clculo a partir del postproceso de las imgenes y almacenar los resultados
obtenidosenformadeinformesPDFenGEBIDparaponerlosadisposicindelSISANatravs
deserviciosweb.
Losresultadosqueseobtuvieronenelclculodeambosbiomarcadoresconcuerdanconlos
aportadosenlaliteraturarelacionadaporloquesedemuestraqueelusodeestesistema,y
porlotantodelaarquitecturaCloudCEIBI+D,esvlidoparalarealizacindeinvestigacina
travs de ensayos clnicos con imagen mdica obtenida de la prctica comn que permitan
obtener informes de valor aadido que repercutan positivamente en la calidad de la
informacindelahistoriaclnicaelectrnicadelpaciente.
El sistema Cloud CEIB I+D ha servido como arquitectura base para la peticin del Centro de
ExcelenciadeImagenBiomdica(CEIB)delaAgenciaValencianadeSaluddelaConsejerade
Sanidad de la Comunidad Valenciana como nodo europeo del proyecto EuroBioImaging
(http://www.eurobioimaging.eu), un referente dentro del marco estratgico de la
Comunidad Europea que establece un plan en toda Europa para que las infraestructuras de
gestin de la bioimagen se encuentren armonizadas y coordinadas entre todos los nodos
implicadosEuroBioimage,TheEuroBioImagingVisionToprovideaclearpathofaccessto
imagingtechnologiesforeverybiomedicalscientistinEurope.
Sonmsdetreintaloscentros,pblicosyprivadosanivelnacionaleinternacionalque,tras
lapresentacindelaarquitecturaCloudCEIBI+D,hanmanifestadosuintersenelusodela
misma.
201
TRABAJOSFUTUROS
CloudCEIBI+Dsehadefinidocomounaarquitecturageneralparaeldesarrollodeunsistema
degestinyextraccindeconocimientoapartirdelestudiodelaimagenmdica.
Cada uno de los mdulos definidos en el sistema tiene capacidad de mejora y optimizacin
debidoengranpartealritmoconelquelatecnologaavanzaengeneralyenelmundodela
sanidadenparticular.
Como fuente ms dinmica e inicial y final de los procesos de generacin de las peticiones,
imgenes e informes, SISAN se convierte en uno de los puntos principales en los cuales
establecer las lneas de mejora. En este sentido, se debe seguir trabajando en la lnea de
estandarizacindeprocesosdecomunicacinconsistemasexternosvawebservices.
La unificacin de la identificacin de pacientes mediante un sistema nico universal es

fundamental, ya que actualmente existen muchos problemas para poder identificar de
manera nica a un paciente al estar identificado mediante nmeros de historia clnica,
identificacionesensistemasnacionalesdiferentes(comoporejemploelSIP),eldni,etc.Esto
facilitaralacomunicacinentreelSISANylossistemasexternos.
A nivel de generacin de imagen, hasta ahora existan diferentes protocolos a la hora de

adquirirlasimgenes.As,unestudioorientadoaesclerosismltipleobtenaunasimgenes
determinadasconunascaractersticas(secuencias,cortes,etc.)diferentesenunsitioqueen
otro.Actualmentetodosestosprotocolosseestnestandarizando,loquepermitirobtener
estudiosconmayorcalidadalahoradecomparativasentrediferentespoblaciones.
Decaraasuexplotacin,elenriquecimientodelascabecerasDICOMesunalneadetrabajo
fundamental. Se deben estandarizar y ampliar los tags DICOM rellenados desde las
modalidades para poder disponer de ms informacin para su explotacin. Un ejemplo de
esto lo tendramos en la estandarizacin e incorporacin de la informacin de dosis de
radiacindecadaestudioalacabeceraDICOMparasuposterioranlisisyclculo.
DentrodeCEIBANONsedebeseguirtrabajandoparacumplirlasmodificacionesquepuedan
surgir en la normativa de informacin sanitaria y trabajar en la incorporacin de las nuevas
funcionalidades de anonimizacin, como por ejemplo la deteccin y eliminacin de
informacin de datos del paciente grabadas por la modalidad a nivel grfico, mejora en los
algoritmos de deformacin de las partes identificativas no necesarias para el estudio
(neuroimagen),etc.
En la lnea del gestor de ensayos clnicos y proyectos de investigacin (GEBID) se debe

trabajarenlaincorporacindenuevasfuncionalidadesespecficasparacadatipodeimagen
a partir del desarrollo de nuevos plugins para la plataforma XNAT, base open source en la
quesebasalasolucinGEBID.
202
Dentro de los mdulos propios de la arquitectura, el motor de conocimiento (BIKE) es el

mduloenelcualsepuedenestablecermslneasdefuturo.
En BIKEPostprocesosedebe trabajarenlamejoracontinua delas herramientasexistentes,

incorporando las actualizaciones correspondientes y nuevas libreras con funcionalidades
para los diferentes tipos de imagen mdica. Adems, se debe seguir trabajando en la
adecuacindeestaslibrerasalosentornosdealtacomputacindefinidosenelsistema.
EnelmdulodeBIKECuantificadorsedebetrabajarenelanlisispruebaycuantificacinde
nuevosalgoritmosytcnicasdeclculodebiomarcadores.
EnelmdulodeexplotacinBIKEDataminingtrabajarenlaextraccindenuevosindicadores
de la mano de la mejora planteada en el SISAN para el enriquecimiento de las cabeceras
DICOM.
Comolneade trabajoen elmdulode BIKEClasificador centrar elestudiode aplicacin de

lastcnicasdeaprendizajeyclasificacinparaeldiseodesistemasdeayudaaldiagnstico
quepermitaneldesarrollodenuevasherramientasdeintersparaelusuarioCloudCEIBI+D.
Todasestaslneasdeactuacinincidenenlacalidaddelconocimientoextradoyporlotanto
enelvalordelainformacinproporcionadaalossistemasdeinformacinsanitariosparasu
usoeincorporacinenhistoriaclnicaelectrnicadelpaciente
La difusin del proyecto entre los profesionales del sector es una tarea fundamental para
poderllevaracabolaimplantacindeestaarquitecturayobtenerrendimientodelamisma.
La colaboracin por parte de los rganos de gobierno es importante para la puesta en
marchadelsistemaysuevolucinconlaslneasdetrabajopropuestasanteriormente.
LaAgenciaValencianadeSaludhaapostadofirmementeporestaarquitecturadeI+DyCloud
CEIB I+D se ha definido como plataforma base en la peticin de la AVS de ser nodo del
proyectoEuroBioImagingenelmarcodeltrabajoconlaimagenmdicaaniveleuropeo.
203
CAPTULO8.PUBLICACIONES
Captulo8.Publicaciones
204
205
PUBLICACIONESENREVISTAS
Salinas,J.M;delaIglesiaVaya,M.;MartiBonmati,L.;Valenzuela,R.;Cazorla,M.R&
D Cloud CEIB: Management System and Knowledge Extraction for Bioimaging in the
Cloud. 18675662 Advances in Intelligent and Soft Computing. 10.1007/9783642
287657.
COMUNICACIONESENCONGRESOS
INTERNACIONALES
Salinas, J. M.; de la IglesiaVaya, M.; Cazorla, M. R & D Cloud CEIB. 2012

International Conference on Biomedical Engineering and Biotechnology (iCBEB)
Macau,China.
Salinas,JM;delaIglesiaVaya,M.;,MartiBonmati,L.;Cazorla,M.R&DCloudCEIB.
Management System and Knowledge Extraction for Bioimaging in the cloud. 9th
International Symposium on Distributed Computing and Artificial Intelligence 2012
Salamanca,Spain.
Salinas,JM;delaIglesiaVaya,M.;,MartiBonmati,L.;Cazorla,M.R&DCloudCEIB.
Management System and Knowledge Extraction for Bioimaging in the cloud. 2012
IEEE9thInternationalSymposiumonBiomedicalImaging(ISBI)Barcelona,Spain.
M. de la IglesiaVaya, L. MartiBonmati, J. M. SalinasSerrano, J. MolinaMateo, R.

Valenzuela CEIB experience: a R&D services bus in bioimaging oriented to
integrationofenvironmentswith EHR. EuropeanSociety of Radiology2012Vienna,
Austria.
M.delaIglesiaVaya,JosMaraSalinas,RosaValenzuela,LuisMartiBonmatiCEIB:
R&D services in bioimaging oriented to integration of environments with EHR on
Cloud Computing. III Workshop on Technology for Healthcare and Healthy Lifestyle
2011Valencia,Spain.
NACIONALES
MariadeLaIglesia,JosMaraSalinas,PedrodeLaFuente,JoseMiguelPuig,Rosario
Rodriguez,MarisaCorrecher,JoseVilar,LuisMartiBonmatiCloudCEIBI+D.Sistema
degestinyextraccindeconocimientodelaimagenmdica.XVICongresonacional
deinformticadelasalud2013Madrid,Espaa.
206
Jos Mara Salinas, Mara de la Iglesia, Rosario Lpez, Juan Miguel Puig V Jornada
Tcnica de la Asociacin Valenciana de Informticos de SAnidad (AVISA), 2013
Alicante,Espaa.
BrendaArguelles,IsabelGonzlezlvarez,JosMaraSalinas,MaraAsuncinPastor,
LuisArrabal,IldefonsoHernndez,BlancaLumbrerasTendenciatemporaldelusode
pruebas de imagen y factores asociados, 20072012. Congreso Iberoamericano de
epidemiologaysaludpblica,2013Granada,Espaa.
PROYECTOSDEI+D
JosMaraSalinas,MiguelAngelCazorla,SantiagoMola,ngelPrezCreacindeun
banco de imgenes para la investigacin biomdica. Proyecto de transferencia de
tecnologa entre la Universidad de Alicante y la Asociacin para la Promocin de la
DocenciaeInvestigacinVegaBajaUniversidaddeAlicante.20122013.
ACTIVIDADDOCENTE
Conferencia La imagen mdica dentro del sistema de informacin de la Agencia

Valenciana de Salud. Mster de Ingeniera en Informtica de la Universidad de
Alicante.Febrero2013.
Curso de postproceso de imagen mdica aplicada a la neuroimagen. Hospital

UniversitarioSanJuandeAlicante,Marzo2013.
207
CAPTULO9.BIBLIOGRAFA
Captulo9.Bibliografa
208
209
A continuacin se referencian todas las publicaciones y recursos consultados para la
realizacindeestatesis.LasreferenciassiguenelformatoestndarAPA.
AkilH.,MartoneM.E.,VanEssenD.C.(2011).Challengesandopportunitiesinmining
neurosciencedata.Science2011,331:708712.
Amanullah, A., Justen, P., Davies, A., Paul, G. C., Nienow, A. W., & Thomas, C. R.
(2012). Osirix imaging software: Advanced opensource pacs workstation dicom
viewer.
Avrin, D. (2008). Hipaa privacy and dicom anonymization for research.Academic

radiology,15(3),273273.
Barberis L.S. (2009). Aplicacin de un sistema automtico de procesamiento de

imgenesmdicasbasadoenestndares.TsisDoctoral.CNEAArgentina.
Barkhof, F. (2012). Making better use of our brain MRI research data. European
radiology,22(7),13951396.
Biswal, B.B., Mennes M., Zuo X.N., et al. (2010). Toward discovery science of human
brainfunction.Proc.Natl.Acad.Sci.USA107:47344739
Bosc, M., Heitz, F., Armspach, J. P., Namer, I., Gounot, D., & Rumbach, L. (2003).
AutomaticchangedetectioninmultimodalserialMRI:applicationtomultiplesclerosis
lesionevolution.NeuroImage,20(2),643656.
Calabrese,M.,Atzori,M.,Bernardi,V.,Morra,A.,&Perini,P.(2007).Corticalatrophy
is relevant in multiple sclerosis at clinical onset. Journal of neurology,254(9), 1212
1220.
Calabrese, M., Battaglini, M., Giorgio, A., Atzori, M., Bernardi, V., Mattisi, I., ... & De
Stefano, N. (2010). Imaging distribution and frequency of cortical lesions in patients
withmultiplesclerosis.Neurology,75(14),12341240.
Carone, D.A., Benedict, R. H.B.,Dwyer, M. G.,Cookfair,D.L.,Srinivasaraghavan, B.,

Tjoa, C. W., & Zivadinov, R. (2006). Semiautomatic brain region extraction (SABRE)
reveals superior cortical and deep gray matter atrophy in MS. Neuroimage, 29(2),
505514.
Casanova, B., Burgal, M., Coret, F., La Fe, H. U., de Neurologia, S., & Campanar, A.
(1999). Revisin critica de la patogenia actual de la esclerosis mltiple y futuras
direccionesposibles.Rev.Neurol,28(9),909915.
210
Chard,D.T.,Griffin,C.M.,Parker,G.J.M.,Kapoor,R.,Thompson,A.J.,&Miller,D.H.
(2002). Brain atrophy in clinically early relapsingremitting multiple sclerosis. Brain,
125(2),327337.
Cline, H. E., Lorensen, W. E., Kikinis, R., & Jolesz, F. (1990). Threedimensional
segmentationofMRimagesoftheheadusingprobabilityandconnectivity.Journalof
computerassistedtomography,14(6),10371045.
Dalton, C. M., Brex, P. A., Jenkins, R., Fox, N. C., Miszkiel, K. A., Crum, W. R., ... &
Miller, D. H. (2002). Progressive ventricular enlargement in patients with clinically
isolated syndromes is associated with the early development of multiple sclerosis.
JournalofNeurology,Neurosurgery&Psychiatry,73(2),141147.
DeStefano,N.,Matthews,P.M.,Filippi,M.,Agosta,F.,DeLuca,M.,Bartolozzi,M.L.,
...&Smith,S.M.(2003).EvidenceofearlycorticalatrophyinMSRelevancetowhite
matterchangesanddisability.Neurology,60(7),11571162.
DickieD.,JobD.,PooleI.,AhearnT.,StaffR.,MurrayA.,WardlawJ.(2012).Dobrain
image databanks support understanding of normal ageing brain structure? A
systematicreview.EurRadiol.doi:10.1007/s0033001223927
Eickhoff, S. B., Stephan, K. E., Mohlberg, H., Grefkes, C., Fink, G. R., Amunts, K., &
Zilles, K. (2005). A new SPM toolbox for combining probabilistic cytoarchitectonic
mapsandfunctionalimagingdata.Neuroimage,25(4),13251335.
Escobar P., (2012). Infraestructura computacional para el anlisis de datos de

secuenciacin genmica. Mster de computacin paralela y distribuida. Universidad
PolitcnicadeValencia.
Fazekas,F.,Barkhof,F.,Filippi,M.,Grossman,R.I.,Li,D.K.B.,McDonald,W.I., ...&
Miller,D.H.(1999).Thecontributionofmagneticresonanceimagingtothediagnosis
ofmultiplesclerosis.Neurology,53(3),448448.
Fernndez, ., ArroyoGonzlez, R., RodrguezAntigedad, A., GarcaMerino, J. A.,

Comabella, M., Villar, L. M., ... & Montalban, X. (2013). Biomarcadores en esclerosis
mltiple.
Fernndez, ., Fernndez, V. E., & Guerrero, M. (2003). Esclerosis mltiple. McGraw

Hill.
211
Filippi,M.,Baratti,C.,Yousry,T.,Horsfield,M.A.,Mammi,S.,Becker,C.,...&Comi,G.
(1996).QuantitativeassessmentofMRIlesionloadinmultiplesclerosisAcomparison
ofconventionalspinechowithfastfluidattenuatedinversionrecovery.Brain,119(4),
13491355.
Filippi,M.,Bozzali,M.,Rovaris,M.,Gonen,O.,Kesavadas,C.,Ghezzi,A.,...&Falini,A.
(2003). Evidence for widespread axonal damage at the earliest clinical stage of
multiplesclerosis.Brain,126(2),433437.
Filippi,M.,Dousset,V.,McFarland,H.F.,Miller,D.H.,&Grossman,R.I.(2002).Role
ofmagneticresonanceimaginginthediagnosisandmonitoringofmultiplesclerosis:
consensus report of the White Matter Study Group. Journal of Magnetic Resonance
Imaging,15(5),499504.
FischlB.(2012).Freesurfer
Fisniku,L.K.,Chard,D.T.,Jackson,J.S.,Anderson,V.M.,Altmann,D.R.,Miszkiel,K.
A., ... & Miller, D. H. (2008). Gray matter atrophy is relatedto longterm disability in
multiplesclerosis.Annalsofneurology,64(3),247254.
Foster, I., Zhao, Y., Raicu, I., & Lu, S. (2008, November). Cloud computing and grid
computing360degreecompared.InGridComputingEnvironmentsWorkshop,2008.
GCE'08(pp.110).Ieee.
Fox, N.C., Jenkins, R.,Leary,S. M.,Stevenson,V.L., Losseff,N.A.,Crum, W.R., ... &

Thompson, A. J. (2000). Progressive cerebral atrophy in MS A serial study using
registered,volumetricMRI.Neurology,54(4),807812.
Fuentes D. (2012). Anlisis y diseo de la aplicacin OrinRis. Castro Bleda, MJ. dir.
58p.
Gentili, A., Chung, C. B., & Hughes, T. (2007). Use of the MIRC DICOM Service for
ClinicalTrials toAutomatically CreateTeaching FileCasesfromPACS1.Radiographics,
27(1),269275.
Giorgio, A., Battaglini, M., Rocca, M. A., De Leucio, A., Absinta, M., van Schijndel, R.,
Rovira,A.,Barkhof,F.(2013).Locationofbrainlesionspredictsconversionofclinically
isolatedsyndromestomultiplesclerosis.Neurology,80(3),234241.
Gmez G., Lpez J., Valenzuela R. (2011). Sistema de Informacin Sanitario de la

AgenciaValencianadeSalud.RevistaI+SdelaSociedadEspaoladeInformticadela
Salud.Febrero2011.
212
GonzlezVlez, H., Mier M., JuliSap M., GarcaGmez T.N., Robles J.M., Peet A.,
Arus C., Celda B., Huffel S.V., Lewis P., Dupplaw D., Dasmahapatra, S. (2009).
HealthAgents: Distributed MultiAgent Brain Tumor Diagnosis and Prognosis. Journal
ofAppliedIntelligence,30,(3),191202.
Guttmann, C. R., Jolesz, F. A., Kikinis, R., Killiany, R. J., Moss, M. B., Sandor, T., &
Albert,M.S.(1998).Whitematterchangeswithnormalaging.Neurology,50(4),972
978.
Hadley, M., Sandoz P., (2009). JSR311 JAXRS: Java API for RESTful WebServices
(version1.1)
Hashemi,R.H.,Bradley,W.G.,Chen,D.Y.,Jordan,J.E.,Queralt,J.A.,Cheng,A.E.,&
Henrie,J.N.(1995).Suspectedmultiplesclerosis:MRimagingwithathinsectionfast
FLAIRpulsesequence.Radiology,196(2),505510.
Held,K.,Kops,E.R.,Krause,B.J.,WellsIII,W.M.,Kikinis,R.,&MullerGartner,H.W.
(1997).MarkovrandomfieldsegmentationofbrainMRimages.MedicalImaging,IEEE
Transactionson,16(6),878886.
HighPerformance Genomics project (2013). Computational Biology Lab at Institute

for Computational Medicine. Centro de Investigacin Prncipe Felipe.
http://www.opencb.org/projects/hpg/doku.php?id=start
Jaccard, P. (1901). tude comparative de la distribution florale dans une portion des
Alpes et des Jura. Bulletin de la Socit Vaudoise des Sciences Naturelles, 37, 547
579.
JenkinsonM.,BeckmannF.,BehrensT.,WoolrichM.,SmithS.(2012).FSL
Jenkinson, M., & Smith, S. (2001). A global optimisation method for robust affine
registrationofbrainimages.Medicalimageanalysis,5(2),143156.
Jenkinson,M.,Bannister,P.,Brady,M.,&Smith,S.(2002).Improvedoptimizationfor
the robust and accurate linear registration and motion correction of brain images.
Neuroimage,17(2),825841.
JuliSap, M., Lurgi M, et al. (2012). SapeStrategies for annotation and curation of
translationaldatabases:theeTUMOURproject.
Kamber, M., Shinghal, R., Collins, D. L., Francis, G. S., & Evans, A. C. (1995). Model
based 3D segmentation of multiple sclerosis lesions in magnetic resonance brain
images.MedicalImaging,IEEETransactionson,14(3),442453.
213
Kaufmann M. (2011). Datamining: Practical Machine Learning Tools and Technique
(ISBN:9780123748560)
Keppleretal.EUROBIOIMAGING.VisionPaper2011.
Kurtzke, J. F. (1983). Rating neurologic impairment in multiple sclerosis an expanded

disabilitystatusscale(EDSS).Neurology,33(11),14441444.
Liu C, Edwards S, Gong Q, Roberts N, Blumhardt LD. (1999). Three dimensional MRI
estimates of brain and spinal cord atrophy in multiple sclerosis. J Neurol Neurosurg
Psychiatry1999;66:32330.
MacKenzieGraham A.J., Arash P., Dinov I., Van Horn J.D., Toga A.W. . (2008).
NeuroimagingDataProvenanceUsingtheLONIPipelineWorkflowEnvironment.
MaloneI.B.,CashD.,RidgwayG.R.,MacmanusD.G.,OurselinS.,FoxN.C.,SchottJ.M.
(2012). Public release of a multiple time point Alzheimer's MR imaging dataset.
Neuroimage.2012Dec28;70C:3336doi:10.1016/j.neuroimage.2012.12.044.
Manjn J.V. (2006). Segmentacin robusta de imgenes de RM cerebral. Tesis

Doctoral.UPV.
Manjn J.V., Egea I., de la Iglesia M., MartBonmat L, Robles M. Segmentacin

automtica del cerebro: un nuevo enfoque en imgenes de RM potenciadas en T1.
XXVI Congreso Nacional de la Sociedad Espaola de Radiologa. Radiologa 2002;
44:240.
Manjn J.V., MartBonmat L., Robles M., Celda B. (2012). Postproceso en Imagen
Mdica:morfologa,funcionalymolecular.
Marcus D.S., Olsen T., Ramaratnam M., Buckner R. L. (2006). XNAT: a software
framework for managing neuroimaging laboratory data, Proceedings of the 12th
Annual Meeting of the Organization for Human Brain Mapping Held in Florence, ed
CorbettaM.,editor.,(Italy:),June1115.
Marcus D.S., Olsen T.R., Ramaratnam M., Buckner R.L. (2007). The extensible
neuroimaging archive toolkit: an informatics platform for managing, exploring, and
sharingneuroimagingdata.Neuroinformatics5,1134.
Marcus,D.S.,Wang,T.H.,Parker,J.,Csernansky,J.G.,Morris,J.C.,&Buckner,R.L.
(2007). Open Access Series of Imaging Studies (OASIS): crosssectional MRI data in
young, middle aged, nondemented, and demented older adults. Journal of Cognitive
Neuroscience,19(9),14981507.
214
Mart Bonmat L., et al. (2011). Biomarcadores de imagen, imagen cuantitativa y

bioingeniera.Radiologa.2011.doi:10.1016/j.rx.2010.12.013.
Mathalon,D.H.,Sullivan,E.V.,Rawles,J.M.,&Pfefferbaum,A.(1993).Correctionfor
headsizeinbrainimagingmeasurements.PsychiatryResearch:Neuroimaging,50(2),
121139.
Matlab(2012).MATLABversinR2012a.http://www.mathworks.es/index.html
Mazziotta, J.C., Toga, A.W., Evans, A.C., Fox, P., Lancaster, J., (1995). A probabilistic
atlas of the human brain: theory and rationale for its development. NeuroImage 2,
89101.Mazziotta,J.A.,Toga,A.W.
McDonald,W.I.,Compston,A.,Edan,G.,Goodkin,D.,Hartung,H.P.,Lublin,F.D.,...
& Wolinsky, J. S. (2001). Recommended diagnostic criteria for multiple sclerosis:
guidelinesfromtheInternationalPanelonthediagnosisofmultiplesclerosis.Annals
ofneurology,50(1),121127.
Medina R., Bellera J. (2008). Bases del Procesamiento de Imgenes

Mdicas.Universidad de Los Andes, Facultad de Ingeniera, Grupo de Ingeniera
BiomdicadelaULA(GIBULA),Venezuela.
MetaEmotionsHealthcare(2013).GinkgoCADxhttp://ginkgocadx.com/es/
Miller, D. H., Barkhof, F., Frank, J. A., Parker, G. J., & Thompson, A. J. (2002).
Measurement of atrophy in multiple sclerosis: pathological basis, methodological
aspectsandclinicalrelevance.Brain,125(8),16761695.
Molyneux PD, Kappos L, Polman C, Pozzilli C, Barkhof F, Filippi M, et al. (2000). The
effect of interferon beta1 b treatment on MRI measures of cerebral atrophy in
secondaryprogressivemultiplesclerosis.Brain2000;123:225663.
Nagy,P.(2007).Opensourceinimaginginformatics.JournalofDigitalImaging,20(1),
110.
NEMA(2012).DICOMStrategyDocument.http://medical.nema.org
Oliver,S.R.,Gar,P.H.,Llull,F.T.,&Montserrat,P.F.(2006)Proyectodeintegracin
desistemasdeinformacinsanitariamedianteunmotordeintegracinyelestndar
HL7.InXXIVCongresoAnualdeSociedadEspaoladeIngenieraBiomdica(pp.257
260).
215
PennyW.,FristonK.,Polman,C.H.,Reingold,S.C.,Banwell,B.,Clanet,M.,Cohen,J.
A., Filippi, M., ... & Wolinsky, J. S. (2011). Diagnostic criteria for multiple sclerosis:
2010revisionstotheMcDonaldcriteria.Annalsofneurology,69(2),292302.
Proal E., lvarezSegura M., de la IglesiaVay M., MartBonmat L., Castellanos L.X
(2011).Actividadfuncionalcerebralenestadodereposo:redesenconexin.
Reiner,B.I. (2010).Customizationofmedicalreportdata.JournalofDigitalImaging,
23(4),363373.
Rice, O. K. (1944). On the statistical mechanics of liquids, and the gas of hard elastic
spheres.TheJournalofChemicalPhysics,12,1.
Riley C., Azevedo C., Bailey M., Pelletier D. (2012). Clinical Applications of Imaging
DiseaseBurdeninMultipleSclerosis.ExpertRevNeurother.2012;12(3):323333.
Ripoll M., Snchez I., Dobn M., De la Iglesia M., Simn J.M. (2003) Red Arterias:
Serviciodeaccesoremoto.SociedadEspaoladeInformticadelaSalud
Rdenas J., Rieta J.J. . (2006). Ingeniera biomdica: Imgenes mdicas. ISBN 84
84274268.
RodrguezGonzlez,D.,Carpenter,T.,vanHemert,J.I.,&Wardlaw,J.(2010).Anopen
sourcetoolkitformedicalimagingdeidentification.Europeanradiology,20(8),1896
1904.
Rojas, J. I., Patrucco, L., Besada, C., Bengolea, L., & Cristiano, E. (2010). Atrofia
cerebral en pacientes con sndrome desmielinizante aislado. Neurologa,25(7), 430
434.
RoviraCaellas,A.,AlonsoFarr,J.,&RoIzquierdo,J.(2000).Resonanciamagntica
enelseguimientoclnicoyteraputicodelaesclerosismltiple.RevNeurol,30,980
5.
Rovira,.,Auger,C.,Tintor,M.,Cermeo,J.C..,BravoRodrguez,F.,Brea,B.,...&
Villana,J.(2010).RecomendacionesparalautilizacineinterpretacindelaRMen
laesclerosismltiple.
Rudick, R. A., Fisher, E., Lee, J. C., Simon, J., & Jacobs, L. (1999). Use of the brain
parenchymal fraction to measure whole brain atrophy in relapsingremitting MS.
Neurology,53(8),16981698.
216
Schumacher,G.A.,Beebe,G.,Kibler,R.F.,Kurland,L.T.,Kurtzke,J.F.,McDowell,F.,
... & Willmon, T. L. (1965). Problems of experimental trials of therapy in multiple
sclerosis: report by the panel on the evaluation of experimental trials of therapy in
multiplesclerosis.AnnalsoftheNewYorkAcademyofSciences,122(1),552568.
Schwartz,Y.,Barbot,A.,Thyreau,B.,Frouin,V.,Varoquaux,G.,Siram,A.,...&Poline,
J.B.(2012).PyXNAT:XNATinPython.FrontiersinNeuroinformatics,6.
Sepulcre, J., Goni, J., Masdeu, J. C., Bejarano, B., Velez de Mendizabal, N., Toledo, J.
B.,&Villoslada,P.(2009).Contributionofwhitematterlesionstograymatteratrophy
in multiple sclerosis: evidence from voxelbased analysis of T1 lesions in the visual
pathway.Archivesofneurology,66(2),173.
Sijbers, J., Den Dekker, A. J., Van Audekerke, J., Verhoye, M., & Van Dyck, D. (1998).
EstimationofthenoiseinmagnitudeMRimages.Magneticresonanceimaging,16(1),
8790.
Smith, S. M. (2002). Fast robust automated brain extraction. Human brain mapping,
17(3),143155.
Smith, S. M., De Stefano, N., Jenkinson, M., & Matthews, P. M. (2001). Normalized
accurate measurement of longitudinal brain change. Journal of computer assisted
tomography,25(3),466475.
Smith, S. M., Zhang, Y., Jenkinson, M., Chen, J., Matthews, P. M., Federico, A., & De
Stefano,N.(2002).BrainAtrophyAnalysisUsingSingleandMultipleTimePointData.
Sombekke, M. H., Vellinga, M. M., Uitdehaag, B. M. J., Barkhof, F., Polman, C. H.,
Arteta,D.,...&Vrenken,H.(2011).Geneticcorrelationsofbrainlesiondistributionin
multiple sclerosis: an exploratory study. American Journal of Neuroradiology, 32(4),
695703.
Sormani, M. P., Rovaris, M., Valsasina, P., Wolinsky, J. S., Comi, G., & Filippi, M.
(2004).Measurementerroroftwodifferenttechniquesforbrainatrophyassessment
inmultiplesclerosis.Neurology,62(8),14321434.
Tabelow, K., & Polzehl, J. (2011). Statistical parametric maps for functional MRI
experimentsinR:Thepackagefmri.JournalofStatisticalSoftware,44(11),121.
Tchoyoson Lim, C. C., Yang, G. L., Nowinski, W., & Hui, F. (2003). Medical Image
Resource Centermaking electronic teaching files from PACS. Journal of Digital
Imaging,16(4),331336.
217
Udupa, J. K., & Samarasekera, S. (1996). Fuzzy connectedness and object definition:
theory, algorithms, and applications in image segmentation.Graphical models and
imageprocessing,58(3),246261.
Valenciana,G.(2006).ConselleriadeSanitat.InformedeSalud,(109).
Van Leemput, K., Maes, F., Vandermeulen, D., Colchester, A., & Suetens, P. (2001).
Automated segmentation of multiple sclerosis lesions by model outlier detection.
MedicalImaging,IEEETransactionson,20(8),677688.
Viejo,M.R.,Roig,J.M.,Prez,D.M.,MartBonmat,L.,Garca,V.H.,&Muoz,B.C.
Imagen mdica y molecular, comparticin de informacin, entorno Grid y bsqueda
deconocimiento.
Warnock M.J., Toland C., Evans D., Wallace B., Nagy (2007). P. Benefits of Using the
DCM4CHEDICOMArchive.JournalofDigitalImaging,vol.20,2007:125129.
Whitcher B., Schmid V., Thornton A. (2011) R package version 0.2.

http://cran.csdb.cn
Whitcher,B.,Schmid,V.J.,&Thornton,A.(2011).WorkingwiththeDICOMandNIfTI
DataStandardsinR.JournalofStatisticalSoftware,44(6),128.
Whitwell,J.L.,Crum,W.R.,Watt,H.C.,&Fox,N.C.(2001).Normalizationofcerebral
volumes by use of intracranial volume: implications for longitudinal quantitative MR
imaging.AmericanJournalofNeuroradiology,22(8),14831489.
Wyman B.T., Harvey DJ, Crawford K., Bernstein M.A., Carmichael O., et al. (2012).
StandardizationofanalysissetsforreportingresultsfromADNIMRIdata.Alzheimer's
& dementia : the journal of the Alzheimer's Association.
http://adni.loni.ucla.edu/about/
Yousry,T.A.,Filippi,M.,Becker,C.,Horsfield,M.A.,&Voltz,R.(1997).Comparisonof
MRpulsesequencesinthedetectionofmultiplesclerosislesions.Americanjournalof
neuroradiology,18(5),959963.
Zeilinger G. (2009). Open Source Clinical Image and Object Management.

http://www.dcm4che.org/accessedsept2009.
Zhang,Y.,Brady,M.,&Smith,S.(2001).SegmentationofbrainMRimagesthrougha
hidden Markov random field model and the expectationmaximization algorithm.
MedicalImaging,IEEETransactionson,20(1),4557.
218
219
ANEXO1CARTASDEINTERS
Anexo1.Cartasdeinters
220

221
A continuacin se muestran las cartas de inters ms relevantes recibidas para el uso de la
arquitectura Cloud CEIB I+D acompaadas a la peticin del Centro de Excelencia de Imagen
Biomdica de la Agencia Valenciana de Salud de la Consejera de Sanidad de la Comunidad
Valenciana como nodo europeo dentro del proyecto EuroBioimaging
(http://www.eurobioimaging.eu).
INTERNACIONALES
PhD.DanielMargulies,MaxPlanckInstituteforHumanCognitiveandBrainSciences
LeipzigGermany.
MDPhD.EmilioFernndezEgea,AssociateClinicalDirector&BehaviouralandClinical
Neuroscience Institute Senior Research Associate. Department of Psychiatry.
UniversityofCambridgeUK.
PhD. Maxime Sermesant, INRIA. Asclepios Team. Sophia Antipolis Mediterrane

France.
Professor Rod Hose, Department of Cardiovascular Science. University of Sheffield

UK.
PhD. Maarten Mennes, Donders Institute for Brain, Cognition and Behaviour.
RadboudUniversityNijmegenTheNetherlands.
PhD. Matthias Gnther. Fraunhover MEVIS. Institute for Medical Image Computing.
BremenGermany.
Johan Montagnat. Researcher of CNRS (French National for Scientific Research). I3S
LaboratoryFrance.
MD PhD. Regina Beets Tan. Division leader in Maastricht University and Oncology
Center.AZMDiagnosticImaging.MaastrichtTheNetherlands.
MD Phd. Andrea Laghi. Dept. of Radiological Sciences, Oncology and Pathology.

Sapienza - Universit di Roma. Italy.
D.MiguelCasteloBranco.ScientificCoordinatorofInstitutoBiomdicode
InvestigaaodaLuzeImagem(IBILI).UniversidadedeCoimbra.Portugal.

PhD.DagmarKrefting. University of Applied Sciences in Berlin. Germany.
PhD.G.P.Krestin.HeadofRadiologyDepartmenofErasmusMC.RotterdamThe
Netherlands.
222
MDPhD.HansUlrichKauczor.ChairmanofRadiologyandMedicalDirectorofDept.
DiagnosticandInterventionalRadiologyinUniversityofHeidelbergGermany.
TristanGlatard.ResearcheratCREATISCNRSUMR5220.LyonFrance.
223

224
225
226
227
228
229
230

231
232
233
234
235
236
237
NACIONALES
Dr. Bart Bijnens, ICREA Research Professor. Departamento de tecnologas de la

informacinydelascomunicaciones.UniversidadPompeuFabradeBarcelona.
Monserrat Robles Viejo, Director del Instituto ITACA. Grupo de Informtica

Biomdica,UniversidadPolitcnicadeValencia.
Vicente Felipo, Director del laboratorio de neurobiologa. Centro de Investigacin

PrncipeFelipe.Valencia.
Prof. Rafael Carmena. Director general del Instituto de Investigacin Sanitaria

INCLIVA.Valencia.
EduardoFraileMoreno.DirectortcnicodelaUnidadCentraldeRadiodiagnsticode
laComunidaddeMadrid.
PhD. Lluis Donoso. Director del Departamento de Imagen del Centro de Diagnstico
porlaImagendelHospitalClnicodeBarcelona.
MD lex Rovira. Director de la Unidad de RM y Centro de Anlisis RM del

DepartamentodeRadiologadelHospitalUniversitarioValldHebron.Barcelona.
Angel Alberich Bayarri, Coordinador del departamento de ingeniera biomdica del

grupodehospitalesQuirn.Valencia.
238
AAnexo1.Cartaasdeinters
239
240
241
242
243
244
245

Tesis - Josemaria Salinas Serrano

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis - Josemaria Salinas Serrano

Cargado por

Copyright:

Formatos disponibles

Cloud CEIB I+D Sistema de gestin y

extraccin de conocimiento de la imagen

El Sistema de Informacin Sanitario de la Agencia Valenciana de Salud (AVS), es un sistema

BIKE es el mdulo central y a travs de sus sistemas base analizar y generar el

La comunitat cientfica en el camp de la imatge biomdica est formada per professionals

El Sistema d'Informaci Sanitari de l'Agncia Valenciana de Salut (AVS), s un sistema de

Elsistema degestiiextraccideconeixement dela imatge mdica,Cloud CEIBI+Dquees

The scientific community in the field of biomedical imaging is formed by multidisciplinary

One of the fundamental problems encountered by researchers in the field of technical

Dentro de la Agencia Valenciana de Salud (AVS) existen multitud de profesionales de todas

Elsistema CloudCEIBI+D,definidoen esta tesis,haservidocomoarquitectura base parala

Esta tesis presenta el trabajo basndose en la definicin de la arquitectura general sistema

Tras la introduccin del Captulo 1, donde se especifican la motivacin, objetivos y

El Captulo4, NeuroBIMMS, define la construccin de un sistema degestin yextraccin

El Captulo 8, Publicaciones, detalla las publicaciones realizadas a partir de la informacin

En el segundo apartado hablaremos del concepto de bioimagen en el mbito sanitario,

En el cuarto apartado hablaremos de los sistemas de gestin para la historia clnica

En el quinto apartado hablaremos ms en detalle de uno de los subsistemas anteriores, los

Para terminar el captulo, en el sexto apartado hablaremos sobre el Centro de Excelencia

Entendemos por bioimagen, o imagen mdica, al conjunto de tcnicas y procesos usados

La imagen mdica aplicada al propsito clnico ha revolucionado el diagnstico de muchas

La aplicacin de las tecnologas de la informacin y de las comunicaciones (TIC) est

Podemos realizar dos tipos de clasificaciones de bioimagen, dependiendo de la energa que

UNIDIMENSIONALES BIDIMENSIONALES(2D) TRIDIMENSIONALES (3D)

IMAGENPORRESONANCIA MAGNTICA NUCLEAR

La resonancia magntica es actualmente una tcnica de radiodiagnstico profusamente

El fenmeno de resonancia magntica nuclear (RMN) fue descubierto en 1946

El efecto de la RNM consiste en la posibilidad que tienen algunas partculas de absorber

En lneas generales, el fenmeno de la RM consiste en que determinados ncleos atmicos

Son debidos a problemas en el circuito de la antena de deteccin. Especficamente por un

La inhomogeneidad de la imagen es una variacin lenta de la intensidad a lo largo de la

La solucin es inmovilizar al paciente tanto como sea posible. A menudo el movimiento es

En principio se pueden extraer biomarcadores a partir de cualquier modalidad de imagen

La siguiente fase, la adquisicin de la imagen, es una de las ms importantes.

La fase de medicin consiste en la cuantificacin de las imgenes paramtricas

Cuando ya se dispone de un objetivo, de imgenes adecuadas y de la metodologa de

Query/Retrieve:Permite aunaestacin de trabajo hacer bsquedasde imgenes en

TCNICASBSICAS DEPROCESODE IMAGENMDICA

El histograma de una imagen es ampliamente utilizado como herramienta tanto cualitativa

Una de las imperfecciones ms comunes de las imgenes digitales es el pobre contraste

La transformacin que relaciona la intensidad de entrada con la intensidad de salida, se

La tcnica de coloreado consiste en transformar una imagen monocromtica (en niveles de

Las tcnicas de procesamiento basadas en una regin tienen muchas aplicaciones en la

Muchas de las tcnicas de procesamiento basadas en una regin de la imagen, al tener

A continuacin exponemos otras tcnicas comnmente utilizadas en segmentacin es la

La seleccin automtica del umbral, es un problema difcil, debido a que el histograma no

TIPOS DEPOSTPROCESO DE IMGENES MDICASPARARM

Hoy en da, gracias al avance en los sistemas de captura y sistemas de computacin, el

El postproceso morfolgico abarca las tcnicas en las que la informacin se visualiza de

La reconstruccin multiplanar de la imagen de resonancia magntica, nos permite obtener

Aunque esta tcnica de postproceso est siendo ms utilizado en modalidades como TC

La segmentacin de una imagen mdica, o de series de imgenes como el caso de la RM,

Hoy da existen multitud de herramientas para el procesado y visualizacin de imagen

Otro concepto de suite de postproceso corresponde a herramientas que permiten la

El paquete de software SPM ha sido diseado para el anlisis de secuencias de datos de

SPM dispone de un portal web (http://www.fil.ion.ucl.ac.uk/spm/) donde el usuario puede

El enfoque del Statistical Parametric Mapping se realiza a nivel de vxel. A continuacin

Las imgenes se reajustan, normalizan espacialmente en un espacio estndar, y se

FEAT. Modelos basado en Anlisis de FMRI, con interfaz grca de usuario

FDT. Librera de Difusin herramientas de bajo nivel para la reconstruccin

Los sistemas de informacin sanitarios persiguen principalmente dos objetivos estratgicos:

Soporte a la asistencia sanitaria, mediante la integracin de sistemas y la

Mejora de la eficiencia, aprovechando sinergias entre sistemas y beneficindose de