Procesado de imágen médica y bioseñales

En las últimas décadas, la neurociencia traslacional ha pasado de los informes de casos cualitativos a los estudios cuantitativos, longitudinales y multivariantes de la población en la búsqueda de definir las pautas de patogénesis de las enfermedades, los indicadores de pronóstico y la respuesta al tratamiento. El análisis masivo de datos y el procesamiento computacional han revelado interacciones anteriormente desconocidas, proporcionando biomarcadores potenciales para el diagnóstico y el pronóstico en la práctica clínica.

El campo del procesamiento de bioseñales e imágenes médicas consiste en utilizar enfoques computacionales y matemáticos basados en la teoría del aprendizaje estadístico con el objetivo final de desarrollar sistemas de diagnóstico asistido por computadora en la neurociencia. En este sentido, se pretende proporcionar a los clínicos herramientas que apoyen el estudio y el diagnóstico de enfermedades neuropatológicas, como las enfermedades de Alzheimer o Parkinson; herramientas que influirán en gran medida en el tratamiento y el manejo de los pacientes. Por otra parte, los métodos avanzados de procesamiento de señales desarrollados para las señales neurofisiológicas permiten medir la respuesta a estímulos específicos y proporcionan el terreno para la construcción de modelos de conectividad funcional complejos.

Desde la perspectiva del análisis de datos, se propone una variedad de estrategias estadísticas de procesamiento de señales, incluida la comparación estadística de los datos de los individuos con imágenes de referencia de los sujetos de control para la evaluación in vivo de los parámetros funcionales/estructurales del cerebro, la modelización conjunta de las imágenes cerebrales para comprender las diferentes fuentes de variabilidad en la función y la estructura del cerebro, y muchos otros enfoques que pueden apoyar una decisión informada en las enfermedades neurodegenerativas. Además, la utilización de modelos basados en el aprendizaje profundo y en el aprendizaje profundo bayesiano para los datos de imágenes y series temporales constituye una poderosa alternativa a los métodos de análisis clásicos, no sólo para el análisis discriminatorio sino también para el análisis exploratorio.

Contacto: Juan Manuel Górriz Sáez

Investigadores relacionados:

Letra:

  Nombre Email Área Cat.
Álvarez Illán, Ignacio illan@N4H6FagptPugr.es Aplicaciones Tecnológicas DaSCI Doctor
Casillas Barranquero, Jorge casillas@decsai.ugr5JarllvHN.es Ciencia de Datos y Big Data DaSCI Doctor
Górriz Sáez, Juan Manuel gorriz@ugogsLjTYGrmmr.es Aplicaciones Tecnológicas DaSCI Doctor
Herrera Triguero, Francisco herrera@decs4IAD@mGzai.ugr.es Aplicaciones Tecnológicas DaSCI, Ciencia de Datos y Big Data DaSCI, Inteligencia Computacional DaSCI Doctor
Martínez Murcia, Francisco Jesús fjesusmartinez@ugT6UjMPQMtr.es Aplicaciones Tecnológicas DaSCI Doctor - Juan de la Cierva
Ortíz García, Andrés aortizvUlfw2I@@ic.uma.es Aplicaciones Tecnológicas DaSCI Doctor
Ramírez Pérez de Inestrosa, Javier javierrp@ugrF_uFu7nrq.es Aplicaciones Tecnológicas DaSCI Doctor
Romero Zaliz, Rocío rocio@7xr9.7P0D9uugr.es Aplicaciones Tecnológicas DaSCI Doctor
Salas González, Diego dsalas@uDesdarAFgr.es Aplicaciones Tecnológicas DaSCI Doctor
Segovia Román, Fermín fsegovia@ugrtkuA3IJ83.es Aplicaciones Tecnológicas DaSCI Doctor
Tabik, Siham siham@ybuhKOISZJb3ugr.es Ciencia de Datos y Big Data DaSCI Doctor - Ramón y Cajal
Ventura Soto, Sebastián sventura@ucDoK4m1pFeG_o.es Ciencia de Datos y Big Data DaSCI Doctor
Scroll Up