Aplicación grafica para aprendizaje multimedia sobre

representación de patologías mediante imágenes producto de

resonancia magnética
By: Cam Urquizo Daniel email: dancourbano@gmail.com

Gomez Otiniano Gianfranco email: gian1994_1@hotmail.com

Leon Ortecho Alexander email: link_alex05@hotmail.com

Quintanilla Paredes Jose email: jguillermo2103@outlook.es

Palabras claves

Imagen por resonancia magnética, sistema nervioso central, material de educación

interactivo, modelado del cerebro, tercera dimensión.

Keywords

Magnetic resonance imaging, central nervous system, interactive education material,

modeling brain, third dimension.

1 Introducción

En consecuencia del poco material interactivo y gráfico que se dispone en la web respecto a
las patologías del cerebro humano, nos hemos visto en la necesidad, con la ayuda de
diferentes fuentes, un estudio minucioso y la ayuda de ciencias de la computación, en
especial del área de la computación gráfica, de plasmar algunos de estos conocimientos con
el fin de realizar este trabajo como ayuda o guía para estudiantes relacionados con la rama
medica de la neurología o para conocimiento general, para que de manera interactiva
puedan reconocer las patologías del cerebro humano, aquellas que son solo detectadas por
máquinas o equipos de resonancia magnética, así como sus posiciones con sus respectivos
tonalidades de colores que permiten visualizar qué zona del cerebro humano resulta
afectada por determinada patología.

Existen trabajos muy parecidos donde su aplicación nos ha servido de motivación y

ayuda:

• Antecedente 1:

– En el siguiente antecedente tomaremos como ejemplo a un simulador

llamado “Neurotrauma Moulage”, el Neurotrauma Moulage es un simulador
de una lesión cerebral traumática, e incorpora un (muy aproximado) modelo
matemático de la fisiología del neurotrauma. Está diseñado para
simular una serie de condiciones que afectan al simulador de la lesión
cerebral, y para fomentar una mayor comprensión de los principios
fundamentales de la simulación de la lesión cerebral traumática - en especial
 la prevención de la lesión secundaria. Las etapas iniciales de este simulador
lo llevará a través del tratamiento agudo, urgencias de la cabeza del paciente
lesionado. Una vez en la unidad de cuidados intensivos se enfrentan a
diversos escenarios y hay que tomar medidas para minimizar la lesión
cerebral. No se le presentará el próximo escenario hasta que haya logrado
llegar al cerebro de nuevo a estado normal, que en este caso es cuando el
cerebro se pinta de color azul.

Figure 1: Imagen representativa del simulador “Neurotrauma Moulage” [6]

Figure 2: Software de visualización del cerebro en resonancia magnética ”Source

Localization”[4]

– Como características tenemos: El monitor del cuadro global de Neur - O –

Visión es un nuevo, patentado y totalmente ficticio que permite la
visualización en tiempo real del grado del cuadro general presente en el
cerebro. Esto pone de relieve a la forma, en periodos críticos en la atención
de los pacientes siempre son representativas del cuadro general severo, a
pesar de alteraciones fisiológicas bastante menores. El monitoreo del
“Neurotrauma Moulage” muestra los diversos signos vitales disponibles en
cada etapa de la atención al paciente, desde el servicio de urgencias a través
de la unidad de cuidados intensivos.

• Antecedente 2:
 – La universidad de Utah lanzó un software, que permite modelar y
visualizar desde cualquier ángulo, las imágenes tomadas por resonancia
magnética del cerebro. Esta versión se llama”Source Localizacion” y tiene
una interfaz gráfica de usuario en la cual podemos usar para representar el
cerebro y cómo funciona la resonancia magnética, permite cargar imágenes
de un formato fif.

Figure 3: Trastornos del mal de Alzheimer en mri [3]

2 Fundamentos

2.1 La resonancia magnética funcional o la resonancia magnética funcional ( fMRI )

Es una neuroimagen funcional procedimiento utilizando MRI tecnología que mide la

actividad cerebral al detectar los cambios asociados en el flujo sanguíneo.  Esta técnica se
basa en el hecho de que el flujo sanguíneo cerebral y la activación neuronal se
acoplan. Cuando un área del cerebro está en uso, el flujo de sangre a esa región también
aumenta.

El objetivo del análisis de los datos de la Fmri es detectar correlaciones entre la actividad
cerebral y una tarea que el sujeto realiza durante la exploración. También tiene como
objetivo descubrir las correlaciones con los estados cognitivos específicos, como la
memoria y el reconocimiento, inducidas en el tema.  La firma de la activación BOLD es
relativamente débil, sin embargo, por lo que otras fuentes de ruido en los datos adquiridos
deben ser controlados cuidadosamente. Esto significa que una serie de pasos de
procesamiento se debe realizar en las imágenes adquiridas antes de la búsqueda estadística
real para la activación relacionada con la tarea puede empezar.  Sin embargo, es posible
predecir, por ejemplo, las emociones una persona está experimentando únicamente a partir
su fMRI, con un alto grado de precisión.
Figura : representación de FMR en las partes del cerebro humano y como responde a las emociones y estimulos [12]

2.2 Técnicas de Pseudocolor

Es frecuente. que imágenes de un solo plano o monocromas se representen en color,

atribuyendo arbitrariamente un color fijo a cada valor de intensidad, mediante una paleta
de colores o look up table. En estos casos se habla de pseudo color, ya que la información
sobre el color de cada píxel sólo puede restablecerse a partir de la paleta de colores pero
nunca a partir de los propios valores de intensidad de la imagen.

Las paletas de colores suelen utilizarse  para simular el color real de una imagen pero
codificado en 8 o menos bits, como en el ejemplo siguiente.

La necesidad de tener las imágenes anteriores en colores aparece porque es más sencillo
encontrar ciertas zonas con información importante si hay un cambio brusco de color que si
simplementa hay algún cambio de intensidad. No se debe confundir el pseudocolor con el
falso color. Este último se utiliza para dar color a imágenes en escala de grises pero con una
relación directa con la vida real. Por ejemplo colorear fotos o películas antiguas. Se deduce
por tanto que las técnicas de falso color contienen una componente más artística que
científica por lo cual nos vamos a centrar en las técnicas de pseudocolor.
 Figura : aplicación de pseudocolor en imagen por capas

a) Density Slicing (D-S)

Esta técnica es la más sencilla. Vemos la imagen en grises como una función
bidimensional en la que los ejes X e Y son la anchura y altura de la imagen en pixels y el
eje Z la intensidad de gris (entre 0 y 255 si usamos un byte por pixel). El método consiste
en dividir con una serie de planos paralelos al XY distintos niveles de intensidad de gris
(grey Density) y a cada nivel de gris que queda entre los espacios interplanos (capas o
Slices) se le asigna un color arbitrario.

Por ejemplo si cogemos 3 planos tendríamos que asignar 4 colores. El primero a las
intensidades entre 0 y 63, el segundo a las intensidades entre 64 y 127, otro entre 128 y 191
y el último color a las intensidades entre 192 y 255.

No conviene, sin embargo, usar un número de planos excesivo (en la práctica posterior
permitimos hasta 15) debido a que la imagen puede terminar haciéndose confusa y no ver
aquello que estemos buscando en la misma.

El pseudocódigo de esta técnica quedaría así :

n_iguales=256/(n_capas+1); //1 capa->2 regiones de 128 posiciones del

mismo color

sobrantes=256%(n_capas+1); //El resto de la división que queda sin

asignar

for (i=0;i<(n_capas+1);i++)

for (j=1;j<=n_iguales;j++) m_color[i*n_iguales+j-1]= paleta[i];

if (sobrantes>0)

for (i=1;i<=sobrantes;i++)
m_color[n_capas*n_iguales+i]=paleta[n_capas]; //A los sobrantes le
asignamos por ejemplo el color de la última capa

for (i=0; i<ancho;i++)

for (j=0;j<alto;j++)
 imagen_salida[j][i]= m_color[imagen_entrada[j][i]];

Tenemos una matriz de imagen imagen_entrada que cada posición es la intensidad de gris

de ese pixel. Primero generamos una matriz de 256 posiciones m_color que vamos a dividir
en n_capas+1 pues n_capas es el nº de planos y a cada zona de m_color le damos un color
de paleta. Así la imagen_salida es el color que se asigne a imagen_entrada. Se
usa sobrantes para cuando no hay una división entera entre 256 y n_capas+1.

b) Density Slicing Normalizada

Esta es una mejora inmediata de la técnica anterior. Consiste simplemente en realizar un

preprocesado antes de aplicar D-S.

Lo que se hace es coger en la imágen el gris más y menos intenso (más cercanos al blanco y
al negro respectivamente) y la división de planos se hace tomando a estas intensidades
como máxima y mínima en vez de usar el blanco y el negro.

Da resultados muy buenos, sobre todo si la imagen está poco contrastada

El código quedaría:
gris_max=0;

gris_min=255;

for (i=0;i<ancho;i++)

for (j=0;j<alto;j++) {

if (gris_max<(imagen_entrada[j][i]))
gris_max=(imagen_entrada[j][i]);

if (gris_min>(imagen_entrada[j][i]))
gris_min=(imagen_entrada[j][i]); }

gris_dif=gris_max-gris_min;

2.3 K- space

La Resonancia Magnética (RM) se diferencia de otras modalidades de imagen por su

versatilidad. La razón más importante por la que se realiza esta afirmación es el manejo de
los datos crudos en una matriz de datos llamada espacio-k, donde los datos esperan a ser
descifrados. Este espacio está formado por los datos crudos que se han recibido y
almacenado durante la adquisición de la imagen pero que aún no se han convertido en la
imagen anatómica final.
El espacio-k es un concepto mental. No existe estrictamente ningún hardware en un equipo
de RM que se corresponda con el espacio-k. Es una plataforma para recoger, almacenar y
procesar datos complejos. Estos datos representan miles de ondas sinusoidales que forman
la imagen de RM.

El término espacio-k es matemático. La letra 'k' se usa por los matemáticos y físicos para
describir frecuencias espaciales, por ejemplo, en la propagación del sonido, la luz u ondas
electromagnéticas en general.

Figura 4: representación de el espacio k pintado según la frecucncia [16]

2.4 Transformada de Fourier

En matemática, la transformada de Fourier, denominada así por Joseph Fourier, es

una aplicación que hace corresponder a una función f, con valores complejos y definidos en
la recta, con otra función g definida de la manera siguiente:

La transformada de Fourier es básicamente el espectro de frecuencias de una función. Un

buen ejemplo de eso es lo que hace el oído humano, ya que recibe una onda auditiva y la
transforma en una descomposición en distintas frecuencias (que es lo que finalmente se
escucha). El oído humano va percibiendo distintas frecuencias a medida que pasa el tiempo,
sin embargo, la transformada de Fourier contiene todas las frecuencias contenidas en todos
los tiempos en que existió la señal; es decir, en la transformada de Fourier se obtiene un
sólo espectro de frecuencias para toda la función.
La transformada de Fourier se utiliza para pasar al dominio de la frecuencia una señal para
así obtener información que no es evidente en el dominio temporal. Por ejemplo, es más
fácil saber sobre qué ancho de banda se concentra la energía de una señal analizándola en el
dominio de la frecuencia.

También sirve para resolver ecuaciones diferenciales con mayor facilidad y, por
consiguiente, se usa para el diseño de controladores clásicos de sistemas realimentados si
conocemos la densidad espectral de un sistema y la entrada podemos conocer la densidad
espectral de la salida. Esto es muy útil para el diseño de filtros de radiotransistores.

La transformada de Fourier también se utiliza en el ámbito del tratamiento digital de

imágenes, como por ejemplo para mejorar o definir más ciertas zonas de una imagen
fotográfica o tomada con una computadora.

La transformada Discreta de Fourier, únicamente evalúa suficientes componentes

frecuenciales para reconstruir el segmento finito que se analiza. Utilizar la DFT implica que
el segmento que se analiza es un único período de una señal periódica que se extiende de
forma infinita; si esto no se cumple, se debe utilizar una ventana para reducir los espurios
del espectro. 

 Un factor muy importante para este tipo de aplicaciones es que la DFT puede ser calculada
de forma eficiente en la práctica utilizando el algoritmo de la transformada rápida de
Fouriero FFT (Fast Fourier Transform). Los algoritmos FFT se utilizan tan habitualmente
para calcular DFTs que el término "FFT" muchas veces se utiliza en lugar de "DFT" en
lenguaje coloquial. Formalmente, hay una diferencia clara: "DFT" hace alusión a una
transformación o función matemática, independientemente de cómo se calcule, mientras
que "FFT" se refiere a una familia específica de algoritmos para calcular DFTs.

3.Anexos

3.1 Cerebro

3.1.1 Definición

El cerebro es el centro de control del cuerpo. Controla los pensamientos, la memoria, el

habla y los movimientos. Regula la función de muchos órganos. Cuando el cerebro está
sano, funciona de forma rápida y automática. Sin embargo, cuando ocurren problemas, los
resultados pueden ser devastadores.

3.1.2 Trastornos y patologías

La resonancia magnética o MRI por sus siglas en inglés, como se le conoce comúnmente,
es ampliamente utilizada para detectar trastornos cerebrales. Debido a la calidad de la
imagen y la sensibilidad, la MRI es actualmente la mejor prueba para evaluar las
anormalidades o trastornos en el cerebro. El número de trastornos cerebrales puede ser
bastante extenso y/o complejo y debe ser visualizado bien para que el radiólogo haga un
diagnóstico preciso y definitivo. El diagnóstico puede ser correlacionado con los síntomas
del paciente para determinar el tratamiento.

a) Tumores cerebrales

La resonancia magnética puede detectar los tumores cerebrales de cualquier parte

del cerebro. Es útil incluso para la detección de tumores muy pequeños, tales como los
tumores de la pituitaria. La detección temprana de los tumores cerebrales por resonancia
magnética pueden ayudar al médico a planificar el tratamiento adecuado para el paciente.

b) Accidente cerebrovascular

Un accidente cerebrovascular puede ser fácilmente identificado por una resonancia

magnética. Un accidente cerebrovascular hemorrágico se caracteriza por el sangrado en el
cerebro causado por un vaso sanguíneo roto. Un accidente cerebrovascularisquémico ocurre
cuando un vaso sanguíneo está obstruido o tapado y corta el suministro de sangre al
cerebro. Ambos son potencialmente mortales y pueden ser fácilmente evaluados por
resonancia magnética debido a los cambios en el contraste de los tejidos circundantes del
cerebro.

c) Esclerosis múltiple

La esclerosis múltiple es una enfermedad autoinmune que afecta a la médula espinal y al

cerebro, y que puede ser definitivamente diagnosticada con MRI. La MRI es la prueba de 3
elección, no sólo para diagnosticar, sino para seguir la progresión de la esclerosis múltiple.
La esclerosis múltiple es vista como ”lesiones” en el cerebro y la progresión de la
enfermedad o el tratamiento eficaz del trastorno puede ser determinada por un aumento o
disminución en el tamaño y/o cantidad de estas ”lesiones”.

2.1.6 Convulsiones

La MRI puede mostrar las causas de las convulsiones. Las personas que tienen un historial
de convulsiones o epilepsia pueden tener cambios estructurales en el cerebro que pueden
detectarse en una resonancia magnética. Algunos de estos cambios estructurales incluyen
un tumor cerebral o una anormalidad de los vasos sanguíneos en el cerebro.

2.1.7 Demencia

La demencia se define como una pérdida de la función cerebral que puede afectar el
lenguaje, la memoria, la coherencia, el juicio y el pensamiento. Aunque ciertos trastornos
en el cerebro pueden contribuir a un diagnóstico general de demencia, la MRI puede ayudar
a diferenciar las formas de esta enfermedad. Esta información puede ser usada no sólo
como una herramienta para aplicar el mejor plan de tratamiento para el paciente, sino
también ayudar a la familia del paciente a prepararse y adaptarse mejor a las nuevas
circunstancias.

3.2 QT4

3.2.1 Definición

Qt es una amplia plataforma de desarrollo que incluye clases, librerías y herramientas para
la producción de aplicaciones de interfaz gráfica en C++ de forma nativa pero pueden
operar en varias plataformas, adicionalmente puede ser utilizado en varios otros lenguajes
de programación a través de bindings. Con Qt se pueden desarrollar ricas aplicaciones
gráficas, incluye soporte de nuevas tecnologías como OpenGL, Bases de Datos,
programación para redes, internacionalización y mucho más. También dispone de una
amplia gama de herramientas que facilitan la creación de formularios, botones y ventanas
de dialogo con el uso del ratón. Las aplicaciones creadas con Qt son muy elegantes, se ven
y se operan mejor que las aplicaciones nativas.

3.3 Blender

3.3.1 Definición

Es un programa informático multiplataforma, dedicado especialmente al modelado,

animación y creación de gráficos tridimensionales. El programa fue inicialmente
distribuido de forma gratuita pero sin el código fuente, con un manual disponible para la
venta, aunque posteriormente pasó a ser software libre. Actualmente es compatible con
todas las versiones de Windows, Mac OS X, GNU/Linux, etc.

3.3.2 Características

 Multiplataforma, libre, gratuito y con un tamaño de origen realmente pequeño

comparado con otros paquetes de 3D, dependiendo del sistema operativo en el
que se ejecuta.
 Capacidad para una gran variedad de primitivas geométricas, incluyendo curvas,
mallas poligonales, vacíos, NURBS, metaballs.
 Junto a las herramientas de animación se incluyen cinemática inversa,
deformaciones por armadura o cuadrícula, vértices de carga y partículas estáticas
y dinámicas.
 Edición de audio y sincronización de video.
 Figure 4: interfaz gráfica de una aplicación de MRI cerebral [8]

• Características interactivas para juegos como detección de colisiones,

recreaciones dinámicas y lógica.
• Posibilidades de renderizado interno versátil e integración externa con potentes
trazadores de rayos o ”raytracer” libres como kerkythea, YafRay o Yafrid.
• Lenguaje Python para automatizar o controlar varias tareas.
• Blender acepta formatos gráficos como TGA, JPG, Iris, SGI, o TIFF. También
puede leer ficheros Inventor. Motor de juegos 3D integrado, con un sistema de
ladrillos lógicos. Para más control se usa programación en lenguaje Python.
• Simulaciones dinámicas para softbodies, partículas y fluidos.
• Modificadores apilables, para la aplicación de transformación no destructiva
sobre mal- las.
• Sistema de partículas estáticas para simular cabellos y pelajes, al que se han
agregado nuevas propiedades entre las opciones de shaders para lograr texturas
realistas.
• Capacidad para hacer Match moving.

3.4 OpenGL

3.4.1 Definición
OpenGL (Open Graphics Library) es una especificación estándar que define una API
multilenguaje y multiplataforma para escribir aplicaciones que produzcan gráficos 2D y
3D. La interfaz consiste en más de 250 funciones diferentes que pueden usarse para dibujar
escenas tridimensionales complejas a partir de primitivas geométricas simples, tales como
puntos, líneas y triángulos. Fue desarrollada originalmente por Silicon Graphics Inc. (SGI)
en 1992 y se usa ampliamente en CAD, realidad virtual, representación científica,
visualización de información y simulación de vuelo. También se usa en desarrollo de
videojuegos, donde compite con Direct3D en plataformas Microsoft Windows.

Figure 5: Modelado de cerebro 3D con blender [11]

3.5 Efectos del Aprendizaje apoyado por los Multimedia

El aprendizaje apoyado por los multimedia es efectivo, y es especialmente importante. En

vez de unas simples reglas didácticas dominantes, necesitamos saber cómo las personas
aprenden con los multimedia. Las principales ventajas son:

• formas de representación múltiples

• animación

• múltiples modalidades sensoriales

• no-linealidad

• interactividad

3.6 Animación

Una característica importante de los multimedia es la posibilidad de animación. La

animación puede servir para varios propósitos: estos pueden utilizarse como soporte de la
percepción en tres dimensiones de un objeto, una representación en dos dimensiones de un
objeto rotando dicho objeto. Pueden usarse para dirigir la atención de los aprendices hacia
los aspectos importantes del contenido (pero también hacia la decoración animada sin
importancia) La animación puede utilizarse para la adquisición de conocimiento
procedimental como, por ejemplo, en el área del aprendizaje de software, cuando los pasos
de la interacción son modelados por medio de la animación. Finalmente, la animación
puede cumplir una función de suplantación, cuando un aprendiz consigue realizar un
procesamiento, que no habría podido conseguir sin este soporte externo. Existen, de hecho,
varios hallazgos que muestran que el aprendizaje con animación puede ser más efectivo
para el aprendizaje que las imágenes estáticas. Esto se ha visto en el caso del aprendizaje de
software (para el que la animación proporciona, al menos, ventajas a corto plazo), y se ha
comprobado también en el ámbito de la adquisición de conocimiento sobre procesos
naturales (simulados por animación) en la educación de ciencias – a condición de que los
aprendices realicen un procesamiento dirigido a un objetivo de dichas animaciones. En
ciertos estudios, sin embargo, por medio de la animación se consiguieron también peo- res
resultados que con imágenes estáticas. Las animaciones sólo se procesaron a un nivel
superficial, y los aprendices adquirieron ideas equivocadas sobre el tema en cuestión. Los
aprendices con unos conocimientos previos bajos necesitaban las animaciones como
suplemento. Sin embargo, estas animaciones fueron menos necesarias para los aprendices
con unos conocimientos previos amplios, que fueron capaces de alcanzar unas simulaciones
mentales e internas también basadas en imágenes estáticas. Estos aprendices, que tenían un
conocimiento previo suficiente para realizar una simulación mental independientemente de
la animación, usaron la animación simplemente por convicción, de un modo pasivo, en
lugar de alcanzar una simulación mental por ellos mismos de manera activa. La animación
se convierte en un obstáculo para dichos aprendices ya que ´ estos reciben una ayuda que en
realidad no necesitan.

4 Bibliografía
[1] MedlinePlus – Información de salud para ustedes. Biblioteca Nacional de Medicina
de EE.UU. 2011 <http://www.nlm.nih.gov/medlineplus/spanish/braindiseases.html>
(2013, 11 de septiembre.)

[2] Blender. Wikipedia – Enciclopedia Libre. Blender. Wikipedia – Enciclopedia Libre.

2012
<http://es.wikipedia.org/wiki/Blender#Blender_en_la_Industria_de_la_computaci.C3>
(2013, 11 de septiembre.)

[3] E. TAGLIAZUCCHI, P. BALENZUELA, D. FRAIMAN, AND D. R. CHIALVO,

Criticality in Large-Scale Brain fMRI Dynamics Unveiled by a Novel Point Process
Analysis, 3era edición, EE.UU, 2000

[4] Universidad de Utah <http://uuhsc.utah.edu/uumsi/source-localization-

tutorial.html#open-mri-image> (2013, 11 de septiembre)

[5] PAUL TOFTS. Quantitative mri of the brain: measuring changes caused by disease.
2da Edición. Inglaterra: West Sussex, 2003

[6] Software development <http://www.quantum-analyzer.com/quantum-resonance-

magnetic-analyzer-reports/998.html > (2013, 30 de noviembre).

[7] El cerebro Humano < http://www.thehumanbrain.info/mri/mr-navigator.php > (2013,

30 de noviembre).
[8] MR- Technology < http://www.mr-tip.com/serv1.php?type=db1&dbs=Brain
%20MRI > (2013, 30 de noviembre).

[9] Universidad Santiago de Compostela<

http://www.usc.es/gl/investigacion/riaidt/rm/software.html > (2013, 30 de noviembre).

[10] Michigan State University <

https://www.msu.edu/~brains/brains/human/index.html > (2013, 30 de noviembre).

[11] Imaios < http://www.imaios.com/en/e-Anatomy/Head-and-Neck/Brain-MRI-3D >

(2013, 30 de noviembre).

[12] H. Benoit-Cattin, G. Collewet, B. Belaroussi, The SIMRI project: a versatile and

interactive MRI simulator, 1era Edicion; Francia, Lyon 2005

[13] The institue for advance clinical imaging,

<http://www.iacionline.net/ScannerDemo/MRISimulator.html> (2013, 1 de diciembre)

[14] Jürgen Kürsch, Konzeption und Realisierung eines skalierbaren Simulators für die
Magnetresonanz-Tomographie, 1era edición, Alemania, 2003

[15] H. Benoit-Cattin, G. Collewet, B. Belaroussi, Magnetic Resonance Imaging (Mri)

Simulation On A Grid Computing Architecture, 1era edición, Francia: Villeurbanne,
2003

[16] Maria Rosa Moyano, El Pseudocolor en la imagen Radiográfica digital. Aportes al

diagnóstico de la Desmineralización de los tejidos Calcificados dentarios, 1era edición,
Colombia: Rosario, 2003.

[17] Resonance magnetic Imaging simulator, <

http://www.eee.metu.edu.tr/~ngencer/CagdasAltin/MriSimulator.html> (2013, 1 de
diciembre)