Técnicas de análisis y cuantificación en imagen médica en el estudio de enfermedades neuronales

Autores
Braggio, Delfina
Año de publicación
2016
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión aceptada
Colaborador/a o director/a de tesis
Larrabide, Ignacio
Descripción
Las técnicas de adquisición de imágenes médicas generan grandes volúmenes de datos. Estos datos requieren de herramientas especializadas para poder ser almacenados, transmitidos y, principalmente, analizados. A partir de su análisis se puede proveer gran cantidad de información respecto de la salud de una persona, así como de riesgos o posibles alternativas de tratar una enfermedad. Es de gran importancia el desarrollo de técnicas informáticas que faciliten el análisis de los datos generados, de forma rápida y eficiente, facilitando el trabajo del personal médico. Gracias a este tipo de herramientas se puede realizar un análisis minucioso y profundo de gran cantidad de imágenes en poco tiempo, destacando aquellos aspectos de importancia a nivel sanitario para un posterior análisis médico. Además, gracias a su eficiencia, estas herramientas consiguen realizar estudios generales, sobre grupos de individuos, logrando así encontrar interrelaciones entre aspectos médicos, biológicos y, por ejemplo, geográficos. Este tipo de interrelaciones son muy complejas, además de lentas, de reconocer sin la ayuda de alguna herramienta que automatice el estudio de las imágenes. En los últimos años, el uso de técnicas avanzadas de imagen médica han permitido explorar con mayor detalle la anatomía y el funcionamiento del cerebro humano. Por ejemplo, el uso de imagen de resonancia magnética (MRI) tanto de anatomía como de función, permite estudiar las conectividad entre diferentes regiones del cerebro, tanto en humanos como en animales. Adicionalmente, otros estudios como Angiografía intervencionista intracraneal (Interventional Angiography), Tomografía Computarizada (CT) y Tomografía Computacional de Perfusión (Perfusion CT) permiten obtener información muy detallada de la composición de los tejidos y su función. La imagen mediante resonancia magnética de difusión (DWMRI) junto con la tractografía han mostrado gran potencial para la investigación invivo de la arquitectura de la materia blanca, especialmente debido a los avances en desarrollo de técnicas para el modelado de datos. Muchas aplicaciones clínicas (desórdenes neurodegenerativos, desórdenes psiquiátricos, planeamiento prequirúrgico, entre otros) emplean imágenes de difusión en conjunto con la convencional resonancia magnética. Hoy en día DWMRI es la única técnica no invasiva capaz de lograr una imágen de la materia blanca del cerebro humano. Su éxito proviene de su capacidad de describir acertadamente la geometría e integridad de la microestructura subyacente. DWMRI logra capturar la difusión promedio de las moléculas de agua, que sondean la estructura biológica de los tejidos a escalas mucho menores que la resolución de la imágen. El uso de este tipo de imágenes es muy amplio, ya sea en la clínica o en la investigación. A través de ellas podemos desde explorar la integridad tisular, hasta inferir las zonas que se activan ante determinado proceso cognitivo, pasando por la posibilidad que brindan para determinar cómo están conectadas anatómica/funcionalmente unas y otras zonas del cerebro . Se podría afirmar que la información que esta técnica nos ofrece es tan rica y variada, que por ahora las limitaciones a su uso no son otras que las que imponga nuestro ingenio en la definición de nuevas metodologías para el análisis e interpretación del enorme caudal de datos que nos ofrece la MRI . Más allá de estas imágenes, se presentan muchos desafíos al momento de analizarlas: los datos “contenidos” en ellas son diversos, y requieren de un análisis profundo para poder obtener información acertada de ellos. Es por eso que es necesario el análisis, desarrollo y evaluación de distintas técnicas que puedan ayudar a analizar e interpretar el enorme caudal de datos que nos ofrece la MRI, lo que permitirá estudiar correlaciones entre la conectividad cerebral y procesos cognitivos tanto en salud como en enfermedad. Como se dijo anteriormente, son diversas las enfermedades neurológicas que pueden obtener un beneficio en su tratamiento mediante el análisis de distintos tipos de imágenes. Gracias a un buen análisis de imagen neurológica se pueden detectar enfermedades, hacer un seguimiento durante el tratamiento de la enfermedad, se pueden planear cirugías entre muchas otras aplicaciones. En este trabajo se tomaron dos herramientas especializadas en el análisis de imágenes neurológicas para realizar una comparación entre ellas. Para poder contrastar su desempeño, se tomó un dataset adecuado con imágenes correspondientes a estudios neurológicos realizados en el marco del proyecto de conectoma humano (the human connectome project, h ttp://www.humanconnectome.org/) . Estas imágenes, fueron procesadas por ambas herramientas, siguiendo un flujo de trabajo similar con cada una de ellas. Con esto se logró comparar los resultados obtenidos en cada instancia del procesamiento y, por consiguiente, se pudieron contrastar las herramientas según distintos atributos. Las herramientas elegidas son SPM (http://www.fil.ion.ucl.ac.uk/spm/) y FSL (http://fsl.fmrib.ox.ac.uk/fsl), ambas son paquetes de software para el análisis de neuroimágenes. Presentan una amplia variedad de módulos especializados en las distintas modalidades de imágenes y son ampliamente utilizadas en el ambiente de imágenes neurológicas. Para poder seguir una línea de trabajo clara en el desarrollo de este trabajo, se eligió un trabajo de investigación y se replicaron algunos de sus pasos (“Contribución de las imágenes de resonancia magnética por tensor de difusión al diagnóstico de displasias corticales focales” realizado por Juan P. Princich, et. al.)[28]. De esta forma, los pasos seguidos corresponden a los procesos realizados habitualmente en el ambiente de la neuroimagen y, por consiguiente, las pruebas sobre las herramientas no son aisladas sino que siguen un proceso claro y secuencial. Párrafo extraído de la tesis de grado a modo de resumen
Fil: Braggio, Delfina. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina
Fil: Larrabide, Ignacio. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina
Materia
Salud
Imágenes neurológicas
Procesamiento de imágenes
Software
Arquitectura-computación
Enfermedades neurológicas
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc/2.5/ar/
Repositorio
RIDAA (UNICEN)
Institución
Universidad Nacional del Centro de la Provincia de Buenos Aires
OAI Identificador
oai:ridaa.unicen.edu.ar:123456789/559

id RIDUNICEN_fd226e398d7af0fa7ba5743038e1f747
oai_identifier_str oai:ridaa.unicen.edu.ar:123456789/559
network_acronym_str RIDUNICEN
repository_id_str a
network_name_str RIDAA (UNICEN)
spelling Técnicas de análisis y cuantificación en imagen médica en el estudio de enfermedades neuronalesBraggio, DelfinaSaludImágenes neurológicasProcesamiento de imágenesSoftwareArquitectura-computaciónEnfermedades neurológicasLas técnicas de adquisición de imágenes médicas generan grandes volúmenes de datos. Estos datos requieren de herramientas especializadas para poder ser almacenados, transmitidos y, principalmente, analizados. A partir de su análisis se puede proveer gran cantidad de información respecto de la salud de una persona, así como de riesgos o posibles alternativas de tratar una enfermedad. Es de gran importancia el desarrollo de técnicas informáticas que faciliten el análisis de los datos generados, de forma rápida y eficiente, facilitando el trabajo del personal médico. Gracias a este tipo de herramientas se puede realizar un análisis minucioso y profundo de gran cantidad de imágenes en poco tiempo, destacando aquellos aspectos de importancia a nivel sanitario para un posterior análisis médico. Además, gracias a su eficiencia, estas herramientas consiguen realizar estudios generales, sobre grupos de individuos, logrando así encontrar interrelaciones entre aspectos médicos, biológicos y, por ejemplo, geográficos. Este tipo de interrelaciones son muy complejas, además de lentas, de reconocer sin la ayuda de alguna herramienta que automatice el estudio de las imágenes. En los últimos años, el uso de técnicas avanzadas de imagen médica han permitido explorar con mayor detalle la anatomía y el funcionamiento del cerebro humano. Por ejemplo, el uso de imagen de resonancia magnética (MRI) tanto de anatomía como de función, permite estudiar las conectividad entre diferentes regiones del cerebro, tanto en humanos como en animales. Adicionalmente, otros estudios como Angiografía intervencionista intracraneal (Interventional Angiography), Tomografía Computarizada (CT) y Tomografía Computacional de Perfusión (Perfusion CT) permiten obtener información muy detallada de la composición de los tejidos y su función. La imagen mediante resonancia magnética de difusión (DWMRI) junto con la tractografía han mostrado gran potencial para la investigación invivo de la arquitectura de la materia blanca, especialmente debido a los avances en desarrollo de técnicas para el modelado de datos. Muchas aplicaciones clínicas (desórdenes neurodegenerativos, desórdenes psiquiátricos, planeamiento prequirúrgico, entre otros) emplean imágenes de difusión en conjunto con la convencional resonancia magnética. Hoy en día DWMRI es la única técnica no invasiva capaz de lograr una imágen de la materia blanca del cerebro humano. Su éxito proviene de su capacidad de describir acertadamente la geometría e integridad de la microestructura subyacente. DWMRI logra capturar la difusión promedio de las moléculas de agua, que sondean la estructura biológica de los tejidos a escalas mucho menores que la resolución de la imágen. El uso de este tipo de imágenes es muy amplio, ya sea en la clínica o en la investigación. A través de ellas podemos desde explorar la integridad tisular, hasta inferir las zonas que se activan ante determinado proceso cognitivo, pasando por la posibilidad que brindan para determinar cómo están conectadas anatómica/funcionalmente unas y otras zonas del cerebro . Se podría afirmar que la información que esta técnica nos ofrece es tan rica y variada, que por ahora las limitaciones a su uso no son otras que las que imponga nuestro ingenio en la definición de nuevas metodologías para el análisis e interpretación del enorme caudal de datos que nos ofrece la MRI . Más allá de estas imágenes, se presentan muchos desafíos al momento de analizarlas: los datos “contenidos” en ellas son diversos, y requieren de un análisis profundo para poder obtener información acertada de ellos. Es por eso que es necesario el análisis, desarrollo y evaluación de distintas técnicas que puedan ayudar a analizar e interpretar el enorme caudal de datos que nos ofrece la MRI, lo que permitirá estudiar correlaciones entre la conectividad cerebral y procesos cognitivos tanto en salud como en enfermedad. Como se dijo anteriormente, son diversas las enfermedades neurológicas que pueden obtener un beneficio en su tratamiento mediante el análisis de distintos tipos de imágenes. Gracias a un buen análisis de imagen neurológica se pueden detectar enfermedades, hacer un seguimiento durante el tratamiento de la enfermedad, se pueden planear cirugías entre muchas otras aplicaciones. En este trabajo se tomaron dos herramientas especializadas en el análisis de imágenes neurológicas para realizar una comparación entre ellas. Para poder contrastar su desempeño, se tomó un dataset adecuado con imágenes correspondientes a estudios neurológicos realizados en el marco del proyecto de conectoma humano (the human connectome project, h ttp://www.humanconnectome.org/) . Estas imágenes, fueron procesadas por ambas herramientas, siguiendo un flujo de trabajo similar con cada una de ellas. Con esto se logró comparar los resultados obtenidos en cada instancia del procesamiento y, por consiguiente, se pudieron contrastar las herramientas según distintos atributos. Las herramientas elegidas son SPM (http://www.fil.ion.ucl.ac.uk/spm/) y FSL (http://fsl.fmrib.ox.ac.uk/fsl), ambas son paquetes de software para el análisis de neuroimágenes. Presentan una amplia variedad de módulos especializados en las distintas modalidades de imágenes y son ampliamente utilizadas en el ambiente de imágenes neurológicas. Para poder seguir una línea de trabajo clara en el desarrollo de este trabajo, se eligió un trabajo de investigación y se replicaron algunos de sus pasos (“Contribución de las imágenes de resonancia magnética por tensor de difusión al diagnóstico de displasias corticales focales” realizado por Juan P. Princich, et. al.)[28]. De esta forma, los pasos seguidos corresponden a los procesos realizados habitualmente en el ambiente de la neuroimagen y, por consiguiente, las pruebas sobre las herramientas no son aisladas sino que siguen un proceso claro y secuencial. Párrafo extraído de la tesis de grado a modo de resumenFil: Braggio, Delfina. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; ArgentinaFil: Larrabide, Ignacio. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; ArgentinaUniversidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias ExactasLarrabide, Ignacio2016-032016-05-06T17:47:31Z2016-05-06T17:47:31Zinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfapplication/pdfhttp://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/559https://www.ridaa.unicen.edu.ar/handle/123456789/559spahttp://creativecommons.org/licenses/by-nc/2.5/ar/info:eu-repo/semantics/openAccessreponame:RIDAA (UNICEN)instname:Universidad Nacional del Centro de la Provincia de Buenos Aires2025-09-29T13:41:26Zoai:ridaa.unicen.edu.ar:123456789/559instacron:UNICENInstitucionalhttps://www.ridaa.unicen.edu.ar/Universidad públicaNo correspondehttps://www.ridaa.unicen.edu.ar/oailleiboff@rec.unicen.edu.ar;gimeroni@rec.unicen.edu.ar;lvarela@rec.unicen.edu.ar ;ArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2025-09-29 13:41:26.365RIDAA (UNICEN) - Universidad Nacional del Centro de la Provincia de Buenos Airesfalse
dc.title.none.fl_str_mv Técnicas de análisis y cuantificación en imagen médica en el estudio de enfermedades neuronales
title Técnicas de análisis y cuantificación en imagen médica en el estudio de enfermedades neuronales
spellingShingle Técnicas de análisis y cuantificación en imagen médica en el estudio de enfermedades neuronales
Braggio, Delfina
Salud
Imágenes neurológicas
Procesamiento de imágenes
Software
Arquitectura-computación
Enfermedades neurológicas
title_short Técnicas de análisis y cuantificación en imagen médica en el estudio de enfermedades neuronales
title_full Técnicas de análisis y cuantificación en imagen médica en el estudio de enfermedades neuronales
title_fullStr Técnicas de análisis y cuantificación en imagen médica en el estudio de enfermedades neuronales
title_full_unstemmed Técnicas de análisis y cuantificación en imagen médica en el estudio de enfermedades neuronales
title_sort Técnicas de análisis y cuantificación en imagen médica en el estudio de enfermedades neuronales
dc.creator.none.fl_str_mv Braggio, Delfina
author Braggio, Delfina
author_facet Braggio, Delfina
author_role author
dc.contributor.none.fl_str_mv Larrabide, Ignacio
dc.subject.none.fl_str_mv Salud
Imágenes neurológicas
Procesamiento de imágenes
Software
Arquitectura-computación
Enfermedades neurológicas
topic Salud
Imágenes neurológicas
Procesamiento de imágenes
Software
Arquitectura-computación
Enfermedades neurológicas
dc.description.none.fl_txt_mv Las técnicas de adquisición de imágenes médicas generan grandes volúmenes de datos. Estos datos requieren de herramientas especializadas para poder ser almacenados, transmitidos y, principalmente, analizados. A partir de su análisis se puede proveer gran cantidad de información respecto de la salud de una persona, así como de riesgos o posibles alternativas de tratar una enfermedad. Es de gran importancia el desarrollo de técnicas informáticas que faciliten el análisis de los datos generados, de forma rápida y eficiente, facilitando el trabajo del personal médico. Gracias a este tipo de herramientas se puede realizar un análisis minucioso y profundo de gran cantidad de imágenes en poco tiempo, destacando aquellos aspectos de importancia a nivel sanitario para un posterior análisis médico. Además, gracias a su eficiencia, estas herramientas consiguen realizar estudios generales, sobre grupos de individuos, logrando así encontrar interrelaciones entre aspectos médicos, biológicos y, por ejemplo, geográficos. Este tipo de interrelaciones son muy complejas, además de lentas, de reconocer sin la ayuda de alguna herramienta que automatice el estudio de las imágenes. En los últimos años, el uso de técnicas avanzadas de imagen médica han permitido explorar con mayor detalle la anatomía y el funcionamiento del cerebro humano. Por ejemplo, el uso de imagen de resonancia magnética (MRI) tanto de anatomía como de función, permite estudiar las conectividad entre diferentes regiones del cerebro, tanto en humanos como en animales. Adicionalmente, otros estudios como Angiografía intervencionista intracraneal (Interventional Angiography), Tomografía Computarizada (CT) y Tomografía Computacional de Perfusión (Perfusion CT) permiten obtener información muy detallada de la composición de los tejidos y su función. La imagen mediante resonancia magnética de difusión (DWMRI) junto con la tractografía han mostrado gran potencial para la investigación invivo de la arquitectura de la materia blanca, especialmente debido a los avances en desarrollo de técnicas para el modelado de datos. Muchas aplicaciones clínicas (desórdenes neurodegenerativos, desórdenes psiquiátricos, planeamiento prequirúrgico, entre otros) emplean imágenes de difusión en conjunto con la convencional resonancia magnética. Hoy en día DWMRI es la única técnica no invasiva capaz de lograr una imágen de la materia blanca del cerebro humano. Su éxito proviene de su capacidad de describir acertadamente la geometría e integridad de la microestructura subyacente. DWMRI logra capturar la difusión promedio de las moléculas de agua, que sondean la estructura biológica de los tejidos a escalas mucho menores que la resolución de la imágen. El uso de este tipo de imágenes es muy amplio, ya sea en la clínica o en la investigación. A través de ellas podemos desde explorar la integridad tisular, hasta inferir las zonas que se activan ante determinado proceso cognitivo, pasando por la posibilidad que brindan para determinar cómo están conectadas anatómica/funcionalmente unas y otras zonas del cerebro . Se podría afirmar que la información que esta técnica nos ofrece es tan rica y variada, que por ahora las limitaciones a su uso no son otras que las que imponga nuestro ingenio en la definición de nuevas metodologías para el análisis e interpretación del enorme caudal de datos que nos ofrece la MRI . Más allá de estas imágenes, se presentan muchos desafíos al momento de analizarlas: los datos “contenidos” en ellas son diversos, y requieren de un análisis profundo para poder obtener información acertada de ellos. Es por eso que es necesario el análisis, desarrollo y evaluación de distintas técnicas que puedan ayudar a analizar e interpretar el enorme caudal de datos que nos ofrece la MRI, lo que permitirá estudiar correlaciones entre la conectividad cerebral y procesos cognitivos tanto en salud como en enfermedad. Como se dijo anteriormente, son diversas las enfermedades neurológicas que pueden obtener un beneficio en su tratamiento mediante el análisis de distintos tipos de imágenes. Gracias a un buen análisis de imagen neurológica se pueden detectar enfermedades, hacer un seguimiento durante el tratamiento de la enfermedad, se pueden planear cirugías entre muchas otras aplicaciones. En este trabajo se tomaron dos herramientas especializadas en el análisis de imágenes neurológicas para realizar una comparación entre ellas. Para poder contrastar su desempeño, se tomó un dataset adecuado con imágenes correspondientes a estudios neurológicos realizados en el marco del proyecto de conectoma humano (the human connectome project, h ttp://www.humanconnectome.org/) . Estas imágenes, fueron procesadas por ambas herramientas, siguiendo un flujo de trabajo similar con cada una de ellas. Con esto se logró comparar los resultados obtenidos en cada instancia del procesamiento y, por consiguiente, se pudieron contrastar las herramientas según distintos atributos. Las herramientas elegidas son SPM (http://www.fil.ion.ucl.ac.uk/spm/) y FSL (http://fsl.fmrib.ox.ac.uk/fsl), ambas son paquetes de software para el análisis de neuroimágenes. Presentan una amplia variedad de módulos especializados en las distintas modalidades de imágenes y son ampliamente utilizadas en el ambiente de imágenes neurológicas. Para poder seguir una línea de trabajo clara en el desarrollo de este trabajo, se eligió un trabajo de investigación y se replicaron algunos de sus pasos (“Contribución de las imágenes de resonancia magnética por tensor de difusión al diagnóstico de displasias corticales focales” realizado por Juan P. Princich, et. al.)[28]. De esta forma, los pasos seguidos corresponden a los procesos realizados habitualmente en el ambiente de la neuroimagen y, por consiguiente, las pruebas sobre las herramientas no son aisladas sino que siguen un proceso claro y secuencial. Párrafo extraído de la tesis de grado a modo de resumen
Fil: Braggio, Delfina. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina
Fil: Larrabide, Ignacio. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina
description Las técnicas de adquisición de imágenes médicas generan grandes volúmenes de datos. Estos datos requieren de herramientas especializadas para poder ser almacenados, transmitidos y, principalmente, analizados. A partir de su análisis se puede proveer gran cantidad de información respecto de la salud de una persona, así como de riesgos o posibles alternativas de tratar una enfermedad. Es de gran importancia el desarrollo de técnicas informáticas que faciliten el análisis de los datos generados, de forma rápida y eficiente, facilitando el trabajo del personal médico. Gracias a este tipo de herramientas se puede realizar un análisis minucioso y profundo de gran cantidad de imágenes en poco tiempo, destacando aquellos aspectos de importancia a nivel sanitario para un posterior análisis médico. Además, gracias a su eficiencia, estas herramientas consiguen realizar estudios generales, sobre grupos de individuos, logrando así encontrar interrelaciones entre aspectos médicos, biológicos y, por ejemplo, geográficos. Este tipo de interrelaciones son muy complejas, además de lentas, de reconocer sin la ayuda de alguna herramienta que automatice el estudio de las imágenes. En los últimos años, el uso de técnicas avanzadas de imagen médica han permitido explorar con mayor detalle la anatomía y el funcionamiento del cerebro humano. Por ejemplo, el uso de imagen de resonancia magnética (MRI) tanto de anatomía como de función, permite estudiar las conectividad entre diferentes regiones del cerebro, tanto en humanos como en animales. Adicionalmente, otros estudios como Angiografía intervencionista intracraneal (Interventional Angiography), Tomografía Computarizada (CT) y Tomografía Computacional de Perfusión (Perfusion CT) permiten obtener información muy detallada de la composición de los tejidos y su función. La imagen mediante resonancia magnética de difusión (DWMRI) junto con la tractografía han mostrado gran potencial para la investigación invivo de la arquitectura de la materia blanca, especialmente debido a los avances en desarrollo de técnicas para el modelado de datos. Muchas aplicaciones clínicas (desórdenes neurodegenerativos, desórdenes psiquiátricos, planeamiento prequirúrgico, entre otros) emplean imágenes de difusión en conjunto con la convencional resonancia magnética. Hoy en día DWMRI es la única técnica no invasiva capaz de lograr una imágen de la materia blanca del cerebro humano. Su éxito proviene de su capacidad de describir acertadamente la geometría e integridad de la microestructura subyacente. DWMRI logra capturar la difusión promedio de las moléculas de agua, que sondean la estructura biológica de los tejidos a escalas mucho menores que la resolución de la imágen. El uso de este tipo de imágenes es muy amplio, ya sea en la clínica o en la investigación. A través de ellas podemos desde explorar la integridad tisular, hasta inferir las zonas que se activan ante determinado proceso cognitivo, pasando por la posibilidad que brindan para determinar cómo están conectadas anatómica/funcionalmente unas y otras zonas del cerebro . Se podría afirmar que la información que esta técnica nos ofrece es tan rica y variada, que por ahora las limitaciones a su uso no son otras que las que imponga nuestro ingenio en la definición de nuevas metodologías para el análisis e interpretación del enorme caudal de datos que nos ofrece la MRI . Más allá de estas imágenes, se presentan muchos desafíos al momento de analizarlas: los datos “contenidos” en ellas son diversos, y requieren de un análisis profundo para poder obtener información acertada de ellos. Es por eso que es necesario el análisis, desarrollo y evaluación de distintas técnicas que puedan ayudar a analizar e interpretar el enorme caudal de datos que nos ofrece la MRI, lo que permitirá estudiar correlaciones entre la conectividad cerebral y procesos cognitivos tanto en salud como en enfermedad. Como se dijo anteriormente, son diversas las enfermedades neurológicas que pueden obtener un beneficio en su tratamiento mediante el análisis de distintos tipos de imágenes. Gracias a un buen análisis de imagen neurológica se pueden detectar enfermedades, hacer un seguimiento durante el tratamiento de la enfermedad, se pueden planear cirugías entre muchas otras aplicaciones. En este trabajo se tomaron dos herramientas especializadas en el análisis de imágenes neurológicas para realizar una comparación entre ellas. Para poder contrastar su desempeño, se tomó un dataset adecuado con imágenes correspondientes a estudios neurológicos realizados en el marco del proyecto de conectoma humano (the human connectome project, h ttp://www.humanconnectome.org/) . Estas imágenes, fueron procesadas por ambas herramientas, siguiendo un flujo de trabajo similar con cada una de ellas. Con esto se logró comparar los resultados obtenidos en cada instancia del procesamiento y, por consiguiente, se pudieron contrastar las herramientas según distintos atributos. Las herramientas elegidas son SPM (http://www.fil.ion.ucl.ac.uk/spm/) y FSL (http://fsl.fmrib.ox.ac.uk/fsl), ambas son paquetes de software para el análisis de neuroimágenes. Presentan una amplia variedad de módulos especializados en las distintas modalidades de imágenes y son ampliamente utilizadas en el ambiente de imágenes neurológicas. Para poder seguir una línea de trabajo clara en el desarrollo de este trabajo, se eligió un trabajo de investigación y se replicaron algunos de sus pasos (“Contribución de las imágenes de resonancia magnética por tensor de difusión al diagnóstico de displasias corticales focales” realizado por Juan P. Princich, et. al.)[28]. De esta forma, los pasos seguidos corresponden a los procesos realizados habitualmente en el ambiente de la neuroimagen y, por consiguiente, las pruebas sobre las herramientas no son aisladas sino que siguen un proceso claro y secuencial. Párrafo extraído de la tesis de grado a modo de resumen
publishDate 2016
dc.date.none.fl_str_mv 2016-03
2016-05-06T17:47:31Z
2016-05-06T17:47:31Z
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/559
https://www.ridaa.unicen.edu.ar/handle/123456789/559
url http://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/559
https://www.ridaa.unicen.edu.ar/handle/123456789/559
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv http://creativecommons.org/licenses/by-nc/2.5/ar/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc/2.5/ar/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas
publisher.none.fl_str_mv Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas
dc.source.none.fl_str_mv reponame:RIDAA (UNICEN)
instname:Universidad Nacional del Centro de la Provincia de Buenos Aires
reponame_str RIDAA (UNICEN)
collection RIDAA (UNICEN)
instname_str Universidad Nacional del Centro de la Provincia de Buenos Aires
repository.name.fl_str_mv RIDAA (UNICEN) - Universidad Nacional del Centro de la Provincia de Buenos Aires
repository.mail.fl_str_mv lleiboff@rec.unicen.edu.ar;gimeroni@rec.unicen.edu.ar;lvarela@rec.unicen.edu.ar ;
_version_ 1844619033569132544
score 12.559606