Name: Wykrywanie zniekształceń architektonicznych we wcześniejszych mammografiach poprzez analizę zorientowanych wzorców (Wideo) | JoVE Journal
Uploaded: 2013-08-30T12:00:00.000+00:00
Duration: 13 min 44 s
Description: Poznaj metodę wykrywania zniekształceń architektonicznych w mammografii przy użyciu filtrów Gabora i portretów fazowych. Technika ta wspomaga radiologów we wczesnej diagnostyce raka piersi.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Ta praca była wspierana przez granty z Collaborative Research and Training Experience Programme (CREATE) oraz Discovery Grant z Natural Sciences and Engineering Research Council (NSERC) z Kanady.

Autorzy nie mają nic do ujawnienia.

Przedstawiliśmy szereg zaawansowanych technik cyfrowego przetwarzania obrazu i rozpoznawania wzorców, znanych również jako uczenie maszynowe i CAD, do wykrywania zniekształceń architektonicznych we wcześniejszych mammografiach przypadków raka interwałowego. Metody te opierają się na analizie zorientowanych wzorców teksturalnych obecnych w obrazach mammograficznych. Nasze metody, w tym kilka innych funkcji zaproponowanych w naszych powiązanych pracach, są w stanie wykryć wczesne objawy raka piersi na 15 miesięcy przed cza...

Rak piersi jest główną chorobą dotykającą kobiety i jest drugą najczęstszą przyczyną zgonów związanych z rakiem wśród kobiet 1,2. Aby zwiększyć szansę na przeżycie i rokowanie chorych pacjentek poprzez skuteczne leczenie we wczesnych stadiach raka piersi, choroba musi zostać wykryta tak wcześnie, jak to możliwe. W retrospektywnej analizie przypadków raka piersi zaobserwowano subtelne oznaki nieprawidłowości na wcześniej nabytych mammografiach przesiewowych 3,4. Zniekształcenie architektoniczne jest jednym z takich zlokalizowanych objawów mammograficznych prawdopodobnie wczesnych stadiów raka piersi, który jest trudny do wykrycia 5,6. Związane z tym wzorce są niejasno opisane jako zniekształcenie normalnej architektury piersi bez widocznej określonej masy. Zniekształcenia architektoniczne mogą pojawić się na początkowych etapach tworzenia się masy piersi lub guza. Stawiamy hipotezę, że mammografia przesiewowa uzyskana przed wykryciem raka piersi może zawierać subtelne oznaki wczesnych stadiów raka piersi, w szczególności zniekształcenia architektoniczne.
Rysunek 1a pokazuje wcześniejszy obraz mammograficzny przypadku raka wykrytego na ekranie. Obszar nieprawidłowości zidentyfikowany przez radiologa (J.E.L.D.) jest zaznaczony czerwonym prostokątem. Poprzednia mammografia została wykonana 24 miesiące przed mammografią detekcyjną pokazaną na rycinie 1b. Poprzednia mammografia została uznana za wolną od objawów raka podczas pierwotnego badania przesiewowego. W analizie retrospektywnej i w porównaniu z mammografią wykrywającą, podejrzany obszar związany z miejscem wykrycia raka został oznaczony przez radiologa i jest zaznaczony na czerwono na poprzedniej mammografii. W podejrzanym regionie znajdują się ślady zniekształceń architektonicznych, w tym kolce.
Techniki i systemy diagnostyki wspomaganej komputerowo (CAD) oferują potencjał do osiągnięcia zwiększonej czułości w wykrywaniu raka piersi 2,7-9. Jednak w porównaniu z liczbą publikacji, które istnieją w literaturze na temat wykrywania innych objawów raka piersi, takich jak masy i zwapnienia, tylko niewielka liczba badań została zgłoszona na temat wykrywania zniekształceń architektonicznych przy braku centralnej masy 10-17. Stwierdzono, że dostępne na rynku systemy CAD słabo radzą sobie z wykrywaniem zniekształceń architektonicznych 18. Badania nad wykrywaniem zniekształceń architektonicznych we wcześniejszych mammografiach u przypadków raka wykrytych w badaniach przesiewowych lub w odstępach międzynowotworowych 3,4,19-22 mogą pomóc w opracowaniu strategii wykrywania i leczenia chorób piersi we wczesnych stadiach i prowadzić do poprawy rokowania dla pacjentki 23.
Przygotowanie obrazów do eksperymentu
Eksperymenty przeprowadzono na 158 obrazach mammograficznych, w tym 106 wcześniejszych mammografiach 56 osób, u których zdiagnozowano raka piersi i 52 zdjęciach 13 normalnych osób. Zgodę na badanie uzyskano od Rady Etyki Badań nad Zdrowiem Conjoint, Biura Bioetyki Medycznej Uniwersytetu w Calgary oraz Regionalnego Urzędu ds. Zdrowia w Calgary. Obrazy uzyskano z Screen Test: Alberta Program for the Early Detection of Breast Cancer 21,24,25.
Mammografia uzyskana podczas ostatniej zaplanowanej wizyty w programie badań przesiewowych przed diagnozą raka poza programem badań przesiewowych została oznaczona jako wcześniejsze mammografie przypadków raka interwałowego. Odpowiednie mammografie diagnostyczne nie były dostępne. Wszystkie ze 106 wcześniejszych mammografii, z wyjątkiem dwóch, zostały uznane za wolne od jakichkolwiek objawów raka piersi w momencie ich nabycia i analizy w programie badań przesiewowych; Osoby, które otrzymały pozostałe dwie mammografie, zostały skierowane na biopsję. Odstęp czasu między rozpoznaniem raka a wcześniejszą mammografią wynosił od 1,5 miesiąca do 24,5 miesiąca, przy średniej 15 miesięcy i odchyleniu standardowym wynoszącym 7 miesięcy. Wszystkie wcześniejsze mammografie przypadków raka interwałowego dostępne w bazie danych zostały włączone do niniejszego badania, z wyjątkiem sześciu obrazów, na których nie można było zidentyfikować żadnych podejrzanych części.
Mammografia ekranowo-filmowa została zdigitalizowana w rozdzielczości przestrzennej 50 μm i rozdzielczości w skali szarości 12 bitów na piksel przy użyciu skanera laserowego Lumiscan 85 (Lumisys, Sunnyvale, CA). Biegły radiolog specjalizujący się w mammografii (J.E.L.D.) dokonał przeglądu wszystkich 106 wcześniejszych mammografii przypadków raka interwałowego i oznaczył podejrzane obszary zniekształceń architektonicznych prostokątnymi pudełkami na podstawie dostępnych raportów z późniejszego obrazowania lub biopsji lub szczegółowej kontroli mammografii. Spośród 106 wcześniejszych obrazów mammograficznych w zbiorze danych wykorzystanym w niniejszym badaniu, 38 obrazów ma widoczne zniekształcenia architektoniczne, a pozostałe 68 obrazów zawiera wątpliwe lub nie zawiera wyraźnie widocznych zniekształceń architektonicznych. Każda wcześniejsza mammografia zawiera pojedyncze miejsce zniekształcenia architektonicznego, które zostało zidentyfikowane przez prostokątną ramkę narysowaną przez radiologa. Średnia szerokość, wysokość i obszar 106 podejrzanych części obrazów oznaczonych przez radiologa to 56 mm, 39 mm i 2274 mm2, z odchyleniem standardowym wynoszącym odpowiednio 11,8 mm, 11,6 mm i 1073,9 mm2.

wykrywanie zniekształceń architektonicznych we wcześniejszych mammografiach poprzez analizę zorientowanych wzorców

Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns

Demonstrujemy metody wykrywania zniekształceń architektonicznych w poprzednich mammografiach przypadków raka interwałowego na podstawie analizy orientacji wzorów tkanki piersi w mammografii. Stawiamy hipotezę, że zniekształcenia architektoniczne modyfikują normalną orientację wzorów tkanki piersi na obrazach mammograficznych przed powstaniem mas lub guzów. W początkowych krokach naszych metod zorientowane struktury w danej mammografii są analizowane za pomocą filtrów Gabora i portretów fazowych w celu wykrycia węzłopodobnych miejsc promieniujących lub przecinających się wzorów tkankowych. Każde wykryte miejsce jest następnie charakteryzowane za pomocą wartości węzła, wymiaru fraktalnego i miary dyspersji kątowej specjalnie zaprojektowanej do reprezentowania pikantnych wzorców związanych ze zniekształceniami architektonicznymi.
Nasze metody zostały przetestowane z bazą danych zawierającą 106 wcześniejszych mammografii 56 przypadków raka interwałowego i 52 mammografów 13 normalnych przypadków, korzystając z funkcji opracowanych do charakterystyki zniekształceń architektonicznych, klasyfikacji wzorców za pomocą kwadratowej analizy dyskryminacyjnej i walidacji z procedurą pominięcia jednego pacjenta. Zgodnie z wynikami analizy charakterystyki operacyjnej odbiornika swobodnej odpowiedzi, nasze metody wykazały zdolność do wykrywania zniekształceń architektonicznych we wcześniejszych mammografiach, wykonanych średnio 15 miesięcy przed klinicznym rozpoznaniem raka piersi, z czułością 80% przy około pięciu fałszywie dodatnich wynikach na pacjentkę.

Trzy cechy, a mianowicie wartość węzła, FD i HF, dostarczały wartości AUC odpowiednio 0,61, 0,59 i 0,64, gdy każda funkcja była używana osobno. Połączone użycie tych trzech funkcji zapewniło lepszą wydajność przy AUC = 0,70. Krzywa FROC uzyskana w wyniku połączenia tych trzech cech pokazano na rysunku 11, który wskazuje czułość 80% przy 5,6 FPs/pacjenta i 89% przy 7,5 FPs/pacjenta. Użycie tylko wartości węzła zapewniło czułość 80% przy 8,1 FPs/pacjenta i 89% przy 13,8 FPs/pacjenta.</p...

Demonstrujemy metody wykrywania zniekształceń architektonicznych w poprzednich mammografach. Zorientowane struktury są analizowane za pomocą filtrów Gabora i portretów fazowych w celu wykrycia miejsc promieniowania wzorców tkankowych. Każde miejsce jest scharakteryzowane i sklasyfikowane za pomocą miar reprezentujących wzory spikulacyjne. Metody te powinny pomóc w wykrywaniu raka piersi.

Wykrywanie zniekształceń architektonicznych we wcześniejszych mammografiach poprzez analizę zorientowanych wzorców

We demonstrate methods for the detection of architectural distortion in prior mammograms of interval-cancer cases based on analysis of the orientation of ...

Ogólnym celem tej procedury jest wykrycie subtelnych objawów raka piersi, w szczególności zniekształceń architektonicznych w mammografii. Osiąga się to poprzez wstępne przetworzenie danej mammografii w celu wykrycia części piersi i usunięcia artefaktów z danego obrazu mammograficznego. Drugim krokiem jest wykrycie zorientowanych struktur na obrazie poprzez zastosowanie banku filtrów Gabora.Następnie pole orientacji jest analizowane za pomocą portretów fazowych w celu wykrycia wzorców przypominających węzły, które mogą wskazywać na obecność zniekształceń architektonicznych. Ostatnim krokiem jest analiza wszystkich wykrytych regionów poprzez wyodrębnienie atrybutów lub miar, które charakteryzują zniekształcenia architektoniczne i pomagają w odrzucaniu fałszywych alarmów. Ostatecznie potwierdzone podejrzane obszary są przedstawiane radiologowi w celu dalszej analizy, a skuteczność procedury jest oceniana w porównaniu z wynikami badań klinicznych, takich jak biopsja.Główną przewagą naszej techniki nad istniejącymi metodami, takimi jak komputerowe wykrywanie mas, jest to, że jesteśmy w stanie wykryć subtelne oznaki zniekształceń architektonicznych bez widocznego centralnego guza lub masy. Implikacje tej techniki rozciągają się na diagnostykę i leczenie raka piersi. Ułatwia diagnostykę wczesnych stadiów raka piersi, a tym samym poprawia rokowanie w leczeniu.Wizualna demonstracja tej metody ma kluczowe znaczenie. Etapy przetwarzania obrazu są trudne. Istnieje kilka skomplikowanych kroków, które są matematycznie złożone.Kroki tego protokołu są wykonywane przy użyciu kombinacji oprogramowania niestandardowego i w pakiecie. Rozpocznij procedurę od zdigitalizowanej mammografii, z której pobrano próbkę z filtrem Gaussa. Podziel obszar piersi na segmenty na obrazie za pomocą metody adaptacyjnego progowania tzu i określ przybliżoną granicę piersi.Następnie wyodrębnij zorientowane wzorce za pomocą filtrów Gabora. Filtr Gabora to anizotropowy filtr pasmowo-przepustowy o preferowanej orientacji. Ta prawdziwa funkcja filtra Gabora jest zorientowana pod kątem minus 90 stopni.Sigmy to odchylenia standardowe wzdłuż odpowiednich osi, a węzeł F to częstotliwość modulacji. Filtry sinusoidalne pod innymi kątami uzyskuje się za pomocą transformacji współrzędnych. Ta animacja pokazuje odpowiedź impulsową filtra Gabora po lewej stronie i odpowiedź spektralną lub częstotliwościową po prawej nucie, zmiany zmieniają się, gdy kąt orientacji zaczyna się od minus 90 stopni i przechodzi przez 180 stopni prawy węzeł Sigma X i F pod względem tau, pełna szerokość w połowie maksimum członu Gaussa.Napisz również sigma Y jako wielokrotność L sigma X.Teraz tau i L kontrolują częstotliwość środkową i szerokość pasma filtra oraz szerokość i długość zorientowanych komponentów, które mają być filtrowane w tej animacji. Wartość tau w filtrze Gabora jest zmieniana przy zachowaniu wszystkich innych parametrów na stałym poziomie. Wraz ze wzrostem tau zwiększa się szerokość funkcji Gabora w domenie przestrzeni, a częstotliwość środkowa odpowiedzi częstotliwościowej maleje.Animacja ta pokazuje wpływ parametru L na odpowiedź impulsową i odpowiedź spektralną filtra Gabora. Do zastosowań praktycznych należy wybrać odpowiednie wartości tau i L oraz zastosować wiele filtrów. Ten film pokazuje zastosowanie filtrów 180 Gabor do testowego obrazu instalacji z częściami zorientowanymi pod kilkoma kątami.Oczywiste jest, że odpowiedź filtra Gabora wychwytuje zorientowane komponenty obecne na obrazie pod różnymi kątami. Maksymalna odpowiedź na każdy piksel we wszystkich użytych kątach filtra jest zapisywana w pojedynczym obrazie, co nazywa się reakcją Gabora. Odpowiedni kąt filtra Gabora jest zapisywany dla każdego piksela na innym obrazie, co jest określane jako odpowiedź kąta Gabora.Dobrać odpowiednie wartości tau i L do mammografii. Następnie nałóż na obraz bank 180 prawdziwych filtrów Gabora równomiernie rozmieszczonych w zakresie od minus 90 stopni do plus 90 stopni. Każdy filtr wyodrębnia zorientowane składniki mammografii w odpowiadającej jej przestrzeni.Kierunek domeny dla każdej mammografii generuje obraz odpowiedzi gab lub magnitudo, używając odpowiedzi o najwyższej wielkości w każdym pikselu. Końcowy obraz odpowiedzi gab lub wielkości pokazuje wysokie wartości pikseli związanych z zorientowanymi wzorcami, a tym samym uwydatnia struktury tkankowe o preferowanych cechach kierunkowych. Regiony o prawie takich samych poziomach szarości i bez zorientowanej tekstury nie są zachowywane w wyniku.Ponadto dla każdej mammografii wygeneruj obraz odpowiedzi gab lub kątowej, ponownie używając najwyższej odpowiedzi w każdym pikselu. Ten obraz przedstawia kąt wzoru zorientowanego dominująco w każdym pikselu. Kąty na tym obrazie zgadzają się z kątami leżących pod spodem struktur tkankowych.Tutaj odpowiedź Gabora na wielkość i odpowiedź na kąt Gabora są pokazane obok siebie. Prostokąty pokazują obszar zainteresowania zidentyfikowany przez radiologa. Dalszych szczegółów dostarczają te powiększone widoki interesującego nas obszaru.Następnym krokiem jest wykorzystanie obrazu odpowiedzi wielkości Gabora do zidentyfikowania interesujących struktur liniowych krzywych za pomocą techniki tłumienia niemaksymalnego. Tutaj piksele zaznaczone na biało to wybrane piksele rdzenia, które są potencjalnymi wskaźnikami lub kolcami lub włóknistymi tkankami gruczołowymi. Teraz usuń piksele rdzenia powiązane z silnym gradientem, aby zapobiec błędnej identyfikacji struktur.W ten sposób uzyskuje się interesujące nas struktury liniowe krzywej. Poniżej znajdują się szczegółowe informacje o tym samym regionie przed i po usunięciu pikseli powiązanych z silnym gradientem. Po wykonaniu tej czynności przefiltruj pole orientacji za pomocą filtra Gaussa i próbki w dół, aby zredukować szum i zmniejszyć niezbędne obliczenia.Procedura oddawania głosów w fazie analizy portretowej jest pokazana tutaj. Oryginalna mammografia jest pokazana po lewej stronie, a związana z nią odpowiedź kąta gabora jest pokazana po prawej stronie po lewej stronie. Małe niebieskie okno pokazuje okno analizy przesuwane nad oryginalnym oknem obrazu.Pozycje, które nie skutkują oddaniem głosu na mapie węzłów, są pomijane i nie są wyświetlane w oknie wideo. Pozycje, które skutkują oddaniem głosu na mapie węzłów, są oznaczone zieloną gwiazdką w odpowiedniej pozycji po prawej stronie na końcu procedury, mapa węzłów zawiera mapę punktów lub głosów do oddania, oczekuje się, że stosunkowo duża liczba głosów zostanie oddana w lokalizacjach zawierających rozbieżne lub zbieżne wzorce zorientowane. Filtr wygładzający lub akumulujący jest stosowany w celu uzyskania przefiltrowanej wersji mapy węzłów.Lokalne piki są wykrywane na filtrowanej mapie węzłów, aby ułatwić wycinanie obszarów zainteresowania do dalszej analizy. Teraz uszereguj szczyty na mapie węzłów zgodnie z ich wartościami. Po wykonaniu tej czynności wytnij obszary zainteresowania z oryginalnego obrazu wyśrodkowane na odpowiednich szczytach na mapie węzłów dla węzłów na krawędziach, utwórz obszary zainteresowania, które zawierają tyle danych obrazu, ile jest dostępnych w określonej lokalizacji szczytu.Rozpocznij charakterystykę, wybierając obszar zainteresowania, wstępnie go przetwarzając i wykonując dwuwymiarową transformację foyer. Pokazano tutaj logarytm widma mocy po przekształceniu go na biegunowe współrzędne częstotliwości i kąta. Kąt pokazany na osi poziomej waha się od zera stopni do 179 stopni.Częstotliwość promieniowa na osi pionowej waha się od 0,02 milimetra do ujemnej do 2,5 milimetra do ujemnej z lewym górnym rogiem, 0,02 milimetra do ujemnej i zerowych stopni. Teraz przekształć widmo dwuwymiarowe w jednowymiarową funkcję częstotliwości przestrzennej. Całkując widmo mocy we współrzędnych biegunowych nad kątami dla każdej wartości częstotliwości przestrzennej.Oto funkcja wykreślona na skali logarytmicznej, wyklucz obszary o niskiej i wysokiej częstotliwości i zastosuj regresję liniową w celu zidentyfikowania nachylenia dopasowanej linii. To nachylenie jest oszacowaniem współczynnika potęgowego beta ułamkowego brownie. Model w ruchu.Użyj tego, aby obliczyć wymiar fraktalny w celu obliczenia entropii. Wróć do widma dwuwymiarowego we współrzędnych biegunowych. Przekształć go w jednowymiarową funkcję kąta, całkując go z wartościami częstotliwości przestrzennej.Dla każdej wartości kąta znormalizuj funkcję tak, aby sumowała się do jednego. Następnie oblicz entropię wyniku. W tym momencie istnieją trzy miary dla każdego z nich.Automatycznie wykrywany obszar zainteresowania, wartość węzła, wymiar fraktalny i entropia. Użyj ich, aby scharakteryzować spekulacyjne wzorce związane ze zniekształceniami architektonicznymi i oddzielić je od normalnych wzorców tkankowych. Opracuj klasyfikator przy użyciu obszarów zainteresowania sklasyfikowanych przez radiologa.W tym miejscu w przestrzeni funkcji przedstawiono klasyfikacje regionów wyciętych z oznaczonych obrazów podczas trenowania, zielone dla wyników fałszywie dodatnich i niebieskie dla wyników prawdziwie dodatnich. Pokazano również dane wyjściowe wytrenowanego klasyfikatora dla analizowanego przypadku testowego. Kolor oznacza wyniki fałszywie dodatnie, a czerwony wyniki prawdziwie dodatnie.Na tym wykresie linia przedstawia charakterystykę pracy odbiornika swobodnej odpowiedzi. Gdy używana jest tylko wartość węzła, ma czułość 80% z 8,1 fałszywie dodatnimi wynikami na pacjenta. Czerwona krzywa reprezentuje wyniki, gdy wartość węzła trzech cech, entropia i wymiar fraktalny są używane razem przy czułości 80%.Daje to 5,6 wyników fałszywie dodatnich na pacjenta. Na tej ilustracji pokazano sześć regionów zainteresowania z najwyższymi rankingami. Liczby poza nawiasami wskazują klasyfikację zgodnie z klasyfikatorem Bayesowskim.Liczby w nawiasach odpowiadają wcześniejszej klasyfikacji mapy węzłów. Zielone prostokąty reprezentują prawdziwie pozytywne obszary zainteresowania. W końcowym etapie analizy żółte prostokąty reprezentują wyniki fałszywie dodatnie.Czerwony prostokąt to obszar ze zniekształceniami architektonicznymi zidentyfikowanymi przez radiologa. Trzy z wysoko sklasyfikowanych regionów pokrywają się z podejrzanym obszarem zniekształcenia architektonicznego zaznaczonym przez radiologa, co wskazuje na pomyślne wykrycie przez procedurę. Po dalszych pracach nad optymalizacją naszych algorytmów i programów, procedury te mogą być stosowane do mammografii w klinice poprzez włączenie komputera z naszym oprogramowaniem i odpowiednimi systemami wyświetlania do pracy radiologa.Podążając za naszymi procedurami, można opracować inne metody, aby odpowiedzieć na dodatkowe pytania, takie jak zniekształcenia architektoniczne i guzy piersi rozwijające się z czasem. Wyniki naszych zabiegów mogłyby zostać włączone do praktyki radiologicznej, co pozwoliłoby na rozpoznanie raka piersi we wczesnym stadium, a tym samym na poprawę wyników leczenia.

detection-architectural-distortion-prior-mammograms-via-analysis

Research

JoVE Journal

Medicine

Medycyna

Techniki wielowymiarowe, w tym analiza głównych składowych (PCA), zostały wykorzystane do identyfikacji wzorców sygnatur zmian regionalnych w funkcjonalnych obrazach mózgu. Opracowaliśmy algorytm identyfikacji powtarzalnych biomarkerów sieciowych do diagnostyki chorób neurodegeneracyjnych, oceny progresji choroby oraz obiektywnej oceny efektów leczenia w populacjach pacjentów.

Identyfikacja wzorców kowariancji przestrzennej związanych z chorobą przy użyciu danych neuroobrazowych

Prezentujemy podejście do rejestracji obrazów do trójwymiarowej (3D) histologicznej rekonstrukcji objętości, które ułatwia badanie zmian zachodzących w narządzie na poziomie makrostruktur składających się z komórek. Korzystając z tego podejścia, zbadaliśmy zmiany 3D między gruczołami sutkowymi typu dzikiego i Igfbp7-null.

Rekonstrukcja trójwymiarowej objętości histologicznej i jej zastosowanie do badania mysich gruczołów sutkowych

Opisujemy, jak uzyskać mapy parametryczne i wektorowe tensora dyfuzji piersi za pomocą rezonansu magnetycznego. Protokół i końcowe wyniki po przetworzeniu obrazowania są dostosowane do śledzenia cech architektonicznych piersi i wykrywania nowotworu złośliwego piersi.

Śledzenie cech architektonicznych sutka i wykrywanie raka piersi za pomocą obrazowania tensora dyfuzji rezonansu magnetycznego

Ten artykuł opisuje projektowanie i rozwój sterylizowalnego celu kalibracji zniekształceń optycznych kamery do okołooperacyjnej, zanurzonej w płynie kalibracji endoskopów podczas interwencji endoskopowych.

Sterylizowalny cel klasy medycznej do kalibracji zniekształceń optycznych fetoskopu zanurzonego w płynie

Tutaj udostępniamy przepływ pracy, który pozwala na identyfikację zdrowych i patologicznych komórek na podstawie ich 3-wymiarowego kształtu. Opisujemy proces wykorzystania konturów projekcji 2D opartych na powierzchniach 3D do trenowania Mapy Samoorganizującej się, która zapewni obiektywne grupowanie badanych populacji komórek.

Oparte na morfologii rozróżnienie między zdrowymi i patologicznymi komórkami z wykorzystaniem transformaty Fouriera i samoorganizujących się map

Tutaj prezentujemy protokół do pomiaru stopnia zniekształcenia w każdej części cyfrowego wycisku konkurencyjnego łuku uzyskanego ze skanera wewnątrzustnego z wydrukowanym w 3D metalowym fantomem o standardowych geometriach.

Pomiar zniekształcenia pełnego łuku optycznego wycisku dentystycznego

Przedstawiona tutaj metoda wykorzystuje mikrowzorce wraz z obrazowaniem ilościowym, aby ujawnić organizację przestrzenną w kulturach ssaków. Technika ta jest łatwa do wdrożenia w standardowym laboratorium biologii komórki i oferuje elastyczny system do badania wzorców in vitro.

Mapowanie wyłaniającej się organizacji przestrzennej komórek ssaków za pomocą mikrowzorców i obrazowania ilościowego

Celem tego badania jest opracowanie nowatorskiego cyfrowego modelu 3D guzków płucnych, który służy jako pomost komunikacyjny między lekarzami a pacjentami, a także jest najnowocześniejszym narzędziem do wstępnej diagnozy i oceny prognostycznej.

Cyfrowy model 3D do diagnostyki i leczenia guzków płucnych

Tutaj szczegółowo opisujemy metodę, która opiera się na mikrotomografii komputerowej, do segmentacji i pomiaru modeli 3D kości czaszkowo-szczękowo-twarzowych u myszy, dla lepszej oceny rozwoju kości czaszkowo-szczękowo-twarzowej u myszy niż jest to możliwe przy użyciu obecnych metod.

Analiza malformacji czaszkowo-szczękowo-twarzowych u myszy za pomocą trójwymiarowej mikrotomografii komputerowej

Protokół ten opisuje procedurę obrazowania na urządzeniu mikrofalowym do obrazowania piersi.

Obrazowanie kliniczne mammografii mikrofalowej

Poznaj metodę wykrywania zniekształceń architektonicznych w mammografii przy użyciu filtrów Gabora i portretów fazowych. Technika ta wspomaga radiologów we wczesnej diagnostyce raka piersi.

Wykrywanie zniekształceń architektonicznych we wcześniejszych mammografiach poprzez analizę zorientowanych wzorców

Przeglądaj więcej filmów