Do chwili obecnej zostało opracowane wiele metod wykorzystywanych do generowania i analizy obrazów dynamicznej perfuzji TK ([115], [5], [15], [87]). Autor tej dysertacji nie znalazł jednak Ŝadnej pozycji w literaturze podejmującej całościowo zagadnienie automatycznej, komputerowej analizy map perfuzji mózgowej TK. W ostatnich latach podejmowane były badania nad metodami automatycznej analizy map perfuzyjnych pozyskanych przy pomocy innych rodzajów badań radiologicznych. W pracy [56] autorzy korzystają z atlasu mózgu w celu analizy map perfuzji uzyskanych przy pomocy SPECT. Inne podejście moŜna spotkać w [71], gdzie autorzy automatycznie odnajdują obszary mózgu potencjalnie objęte udarem, natomiast wykorzystują do tego jedynie zobrazowania 3D RM. Ta luka badawcza zachęciła Autora do poszukiwania innych rozwiązań i w efekcie do zaproponowania nowych i jak wykazały otrzymane rezultaty skutecznych metod. Diagnozowanie map perfuzji jest złoŜonym zagadnieniem, głównie ze względu na następujące trudności:
- DuŜe zróŜnicowanie kształtów map perfuzji mózgowych wynikające z analizowania roŜnych przekrojów aksjalnych jak równieŜ cech osobniczych pacjentów.
- Zaszumienie map perfuzyjnych poprzez artefakty ruchowe [31] powstałe na skutek stosunkowo długiego czasu akwizycji obrazów TK (ok. 40 sekund).
- Naturalna niewielka asymetria przepływu krwi, która moŜe być błędnie interpretowana jako zmiana chorobowa.
- W celu postawieniu diagnozy naleŜy dokonać jednoczesnej analizy map przestawiających wartości róŜnych parametrów perfuzji (CBF i CBV).
W niniejszej pracy zaproponowano nową metodologię automatycznej analizy i interpretacji obrazów, która pozwala – w podobny sposób jak dokonuje tego specjalista – na wyciągnięcie pewnych wniosków dotyczących natury obserwowanego procesu chorobowego.. Cały proces takiej analizy jest połączeniem technik przetwarzania, analizy obrazów, rozpoznawania wzorców oraz znajomości wiedzy medycznej na temat rozwaŜanego zagadnienia, dzięki czemu uwidocznione symptomy choroby zostaną właściwie „zrozumiane”. W skład etapu przetwarzania obrazów wchodzi algorytm wykrywania asymetrii map perfuzji oraz algorytm dopasowania obrazów. Wykrywanie asymetrii dokonywane jest przy pomocy uniwersalnego algorytmu, który w odróŜnieniu od innych
111
popularnych rozwiązań [54], [120] w sposób całkowicie automatyczny wyodrębnia potencjalne obszary chorobowe. NaleŜy równieŜ zaznaczyć, Ŝe zastosowanie przez autora tej pracy dwuwymiarowego atlasu TK do opisu struktur widocznych na mapach perfuzji mózgowej nie było do tej pory opisywane w literaturze.
Na etapie rozpoznawania obrazów zaproponowany algorytm ocenia typ zmiany chorobowej oraz przekazuje informacje, w której półkuli mózgowej została ona wykryta. W celu przeprowadzenia tego procesu konieczne jest jednak zgromadzenie wiedzy medycznej na temat prawidłowych wartości parametrów perfuzji. Ostatecznie algorytm stawia prognozę dotyczącą dalszego rozwoju choroby w wybranych tkankach: czy mogą przetrwać nieuszkodzone stan niedokrwienny, czy zmiany będą dalej postępować lub czy został uruchomiony mechanizm autoregulacji krąŜenia. Identyfikacja zagroŜonych tkanek oraz typu schorzenia ma decydujące znaczenie przy wyborze metody leczenia [101].
W prowadzonych badaniach naukowych Autor postawił następującą tezę:
MoŜliwe jest opracowanie nowych efektywnych algorytmów i metod analizy, pozwalających na dokonanie w sposób automatyczny:
- Detekcji potencjalnych zmian o charakterze morfologicznym lub strukturalnym, mogących świadczyć o stanach chorobowych, uwidacznianych na dynamicznych mapach perfuzji mózgowej tomografii komputerowej;
- Klasyfikacji znaczeniowej pojedynczych lub wielokrotnych zmian patologicznych o charakterze ogniskowym uwidacznianych na mapach przepływu krwi mózgowia, a takŜe określenie ich semantycznego znaczenia, w celu wspomagania procesów diagnostycznych stanu pacjenta.
Realizacja tak postawionej tezy oraz związanych z nią celów badawczych, pozwoliła na opracowanie nowych algorytmów pozwalających na automatyczną ocenę prawidłowości przepływu krwi w zobrazowaniach perfuzyjnych, a takŜe detekcję potencjalnych ognisk choroby oraz sporządzenie opisu znaczeniowego zaobserwowanej patologii.
Badania prowadzone w celu wykazania tezy rozprawy prowadzone były dwuetapowo. W obu etapach wykorzystano materiał badawczy opisany w paragrafie 2.5. Pierwszy etap skoncentrowany był na opracowaniu metod wykrywania potencjalnych zmian chorobowych na mapach CBF [34], rozszerzeniu ich na inne typy [29], [32] oraz identyfikacji tkanek mózgowych objętych zmianami chorobowymi [31], [37]. W rozdziale 3 zaprezentowano algorytm automatycznego wykrywania potencjalnych zmian chorobowych na mapach perfuzji
112
mózgowej. Rezultaty przeprowadzonych testów przedstawione w paragrafie 3.4 potwierdziły skuteczność zaproponowanych metod szacowaną na poziomie 77.0%. W rozdziale 4 szczegółowo przedstawiono i porównano trzy popularne techniki dopasowania obrazów, spośród których w rozdziale 5 wybrano algorytm najlepiej dopasowujący obrazy TK. Algorytm ten został uŜyty w celu konstrukcji deformowalnego atlasu mózgu.
W drugim etapie zrealizowano klasyfikację typu, miejsca występowania zmiany chorobowej [36] a takŜe określenie ich semantycznego znaczenia [35], [33] w celu wspomagania procesów diagnostycznych stanu pacjenta. Metody te zostały przedstawione w rozdziale 6. Otrzymane wyniki testów potwierdzają przydatność metody do klasyfikacji wzorców pTK oraz diagnostyki zmian chorobowych charakteryzujących się zaburzeniami przepływu krwi w tkance mózgowej. Zestaw algorytmów powstałych w wyniku powyŜszych badań pozwolił na stworzenie systemu, który dokonuje kompleksowej i automatycznej analizy map pTK. Struktura systemu została zaprezentowana w rozdziale 7.
MoŜna zatem jednoznacznie stwierdzić, Ŝe postawiona na wstępie tej dysertacji teza o moŜliwości opracowania skutecznych metod automatycznego wspomagania procesów diagnostycznych stanu pacjenta w oparciu o dynamiczne mapy perfuzji mózgowej została całkowicie wykazana.
PoniewaŜ realizacja zadań prowadzących do wykazania tezy nie wyczerpuje wszystkich ciekawych z naukowego punktu widzenia problemów, moŜna wskazać dalsze istotne kierunki prowadzonych badań:
- MoŜliwość zestawienia patologicznych zmian występujących na zobrazowaniach TK/RM ze zmianami wykrytymi na mapach dpCT (jest to waŜny czynnik brany pod uwagę podczas prognozowania ewolucji zmian chorobowych) [101].
- Rozszerzenie moŜliwości zastosowania opracowanych algorytmów dla map perfuzyjnych otrzymanych przy pomocy medycyny nuklearnej (PET / SPECT) [106]. - Rozszerzenie moŜliwości diagnostycznych systemu poprzez dodanie dodatkowego
atlasu mózgu, który pozwoli na zróŜnicowanie tkanek w zaleŜności od tętnicy, która dostarcza do nich krew (ang. bloody supply territories atlas (BST) [23]).
- Zastosowanie alternatywnych metod dopasowania obrazów (np. [68]), które mogą okazać się skuteczniejsze przy dopasowaniu zaszumionych dwuwymiarowych zobrazowań tomografii komputerowej.
- Wykorzystanie stworzonych rozwiązań przy tworzeniu inteligentnych systemów kognitywnej analizy zobrazowań diagnostycznych typu UBIAS i E-UBIAS [75], [76].
113
- PoniewaŜ zaprezentowane w pracy osiągnięcia wpisują się w waŜny nurt informatyki związany z tworzeniem zaawansowanych systemów rozpoznawania zmian patologicznych oraz wspomagania procesów diagnostycznych w medycynie, autor planuje w oparciu o współpracę z ośrodkami medycznymi rozwijać zaproponowane algorytmy w kierunku moŜliwości ich aplikacji do szerzej rozumianych zadań diagnostycznych, bazujących na obszernych rekordach informacyjnych w tym danych pochodzących z badań obrazowych perfuzji mózgowej lub badań innych narządów i struktur poddawanych procesom diagnostycznym.
114
Literatura
[1] Audette M. A., Tsukuba N., Siddiqi K., Ferrie F. P., Peters T. M., Ontario W., An integrated range-sensing, segmentation and registration framework for the characterization of intra-surgical brain deformations in image-guided surgery, Source Computer Vision and Image Understanding archive, Volume 89 , Issue 2-3 (February 2003), Pages: 226 - 251
[2] Adriane Parraga A., et all., Non-rigid registration methods assessment of 3D CT images for head-neck radiotherapy, Proceedings of SPIE Medical Imaging, February, 2007
[3] Aksoy F., Lev M., Dynamic Contrast-Enhanced Brain Perfusion Imaging: Technique and Clinical Applications, Seminars in Ultrasound, CT, and MRI, Volume 21, Issue 6, Pages 462-477
[4] Allchin, D. 2001. Error Types, Perspectives on Science 9:38-59.
[5] Axel L., Cerebral blood flow determination by rapid-sequence computed tomography: a theoretical analysis, Radiology 1980; 137:679-686
[6] Bańowski J. Encyklopedia fizyki, PWN, Warszawa 1972
[7] Bardera A., Boada I., Feixas M., A Framework to Assist Acute Stroke Diagnosis, Vision, Modeling, and Visualization (VMV 2005), Erlangen, 2005
[8] Bardinet E., Cohen L. D., Ayache N., Tracking and motion analysis of the left ventricle with deformable superquadrics, Med. Image Anal.,vol. 1, no. 2, pp. 129-149, 1996
[9] Baron J., Gruszczyńska K., Kompleksowa diagnostyka naczyń domózgowych - DSA, angiografia TK i angiografia MR, Oświata UN-O, Warszawa 2007
[10] Bro-Nielsen M., Gramkow C., Fast Fluid Registration of Medical Images, Lecture Notes In Computer Science; Vol. 1131, 199
[11] Bro-Nielsen M., Medical Image Registration and Surgery Simulation, Informatics and Mathematical Modelling, Technical University of Denmark, Ph.D. thesis, 1996
[12] Brzewski M., Diagnostyka ultrasonograficzna OUN w pediatrii, Postępy neuroradiologii, Oświata UN-O, Warszawa 2007
[13] Cała J., Czekierda Ł., TeleDICOM - the environment for Collaborative medical consultations, International Conference on e-Health in Common Europe, Kraków 5-6/06/2003.
[14] Carroll T. J., Rowley H. A., Haughton V. A., Automatic Calculation of the Arterial Input Function for Cerebral Perfusion Imaging with MR Imaging, Radiology 2003; 227:593-600
[15] Cenic A., Nabavi D. G., Craen R. A., Gelb A. W., Lee T. Y., Dynamic CT Measurement of Cerebral Blood Flow: A Validation Study, January 1999
[16] Chou Y.C., Teng M.M., Guo W.Y., Hsieh J.C., Wu Y.T., Classification of hemodynamics from dynamic-susceptibility-contrast magnetic resonance (DSC-MR) brain images using noiseless independent factor analysis, Medical Image Analysis 11 (2007), 242-253
[17] Cytowski J., Gielecki J., Gola A., Cyfrowe przetwarzanie obrazów medycznych. Algorytmy. Technologie. Zastosowania, Akademicka oficyna wydawnicza EXIT, Warszawa 2008
[18] D'Agostino E., Maes F., Vandermeulen D., Suetens P., A viscous fluid model for multimodal non-rigid image registration using mutual information, Medical Image Analysis 7, 2003
[19] De Bruijne M., Niessen W. J., Maintz J. B. A., Viergever M. A., Localization and segmentation of aortic endografts using marker detection, IEEE Transactions on Medical Imaging (2003)C
[20] Dehmeshki J., Barker G. J., Tofts P. S., Classification of disease subgroup and correlation with disease severity using magnetic resonance imaging whole-brain histograms: application to magnetization transfer ratios and multiple sclerosis, Medical Imaging, IEEE Transactions, Volume 21, Issue 4, April 2002 Page(s):320 - 331
115
[21] Dey D., Gobbi D. G., Slomka P. J., Surry K. J. M., Peters T. M., Automatic fusion of freehand endoscopic brain images to three-dimensional surfaces: creating stereoscopic panoramas, Medical Imaging, IEEE Transactions, Volume 21, Issue 1, Jan. 2002 Page(s):23 - 30
[22] Diener H. C., Forsting M., Udar mózgu. Podręczny atlas, Wydawnictwo Medyczne, Wrocław 2004 [23] Duvernoy H. M., Bourgouin P., Vannson J. L., The Human Brain: Surface, Three- dimensional
Sectional Anatomy with MRI, and Blood Supply, Springer, 1999
[24] Eastwood J. D. et al., CT Perfusion Scanning with Deconvolution Analysis: Pilot Study in Patients with Acute Middle Cerebral Artery Stroke, Radiology 2002; 222:227-236
[25] Eastwood J. D., Lev M. H., Wintermark M., Fitzek C., Barboriak D. P., Delong D. M., Lee T. Y., Azhari T., Herzau M., Chilukuri V. R., Provenzale J. M., Correlation of early dynamic CT perfusion imaging with whole-brain MR diffusion and perfusion imaging in acute hemispheric stroke, AJNR 24 (2003) 1869-1875.
[26] Fitzpatrick J. M., Hill D. L. G., Maurer C. R., Image Registration, Handbook of Medical Imaging chapter 17. Pages 447 - 513, SPIE. 2000.
[27] Gramkow C., Bro-Nielsen M., Comparison of three filters in the solution of the Navier-Stokes equation in registration, Proc. Scandinavian Conference on Image Analysis (SCIA'97), 1997
[28] Guorong W., Feihu Q., Dinggang S., Learning-based deformable registration of MR brain images, Medical Imaging, IEEE Transactions on Volume 25, Issue 9, Sept. 2006 Page(s):1145 - 115
[29] Hachaj T., An algorithm for detecting lesions in CBF and CBV perfusion maps, Bio-Algorithms and Med-Systems, t. 7, 2008, pp. 35 - 41
[30] Hachaj T., Komputerowe generowanie dynamicznych map perfuzji mózgu, ich analiza i znaczenie w neuroradiologii, Elektrotechnika i Elektronika, t. 27, z.1, 2008, pp. 26 - 36
[31] Hachaj T., The registration and atlas construction of noisy brain computer tomography images based on free form deformation technique, Bio-Algorithms and Med-Systems, t. 7, 2008
[32] Hachaj T., The unified algorithm for detection potential lesions in dynamic perfusion maps CBF, CBV and TTP, Journal of MIT, 2008, pp. 117 - 122
[33] Hachaj T., Artificial intelligence methods for understanding dynamic computer tomography perfusion maps, in : CISIS 2010 : The Fourth International Conference on Complex, Intelligent and Software Intensive Systems, Krakow, Poland 15-18 February 2010 / ed. by Leonard Barolli, The Institute of Electrical and Electronics Engineers, 2010, pp. 866-871
[34] Hachaj T., Automatyczna detekcja elementów asymetrii w dynamicznych mapach CBF perfuzji mózgowej, Elektrotechnika i Elektronika , praca przyjęta w druku
[35] Hachaj T., Ogiela M. R., Automatic detection and lesion description in cerebral blood flow and cerebral blood volume perfusion maps, Journal of Signal Processing Systems for Signal, Image, and Video Technology, 2010, DOI: 10.1007/s11265-010-0454-0
[36] Hachaj T., Ogiela M. R., Computer - assisted diagnosis system for detection, measure and description of dynamic computer tomography perfusion maps, in Ryszard S. Choraś, Antoni Zabłudowski (eds), Image Processing and Communication Challenges, Academy Publishing House EXIT, Warsaw 2009, pp. 350-357
[37] Hachaj T., Ogiela M. R., Validation of image registration algorithms for a brain perfusion CAD system, Recent Developments in Artificial Intelligence Methods, T. Burczyński, W. Cholewa, W. Moczulski, AI-METH Series, Gliwice, 2009, pp. 121-128
[38] Hirata M., Sugawara Y., Murase, Miki H., Mochizuki T., Evaluation of Optimal Scan Duration and End Time in Cerebral CT Perfusion Study, Radiation Medicine: Vol. 23 No. 5, 351-363 p.p, 2005
[39] Hoeffner E. G., Case I., Jain R., Gujar S. K., Shah G. V., Deveikis J. P., Carlos R. C., Thompson B. G., Harrigan M. R., Mukherji S. K., Cerebral perfusion CT: technique and clinical applications, Radiology 231 (2004) 632- 644.
[40] Hongliang Y., Automatic Rigid and Deformable Medical Image Registration, A Dissertation Submitted to the Faculty of the Worcester Polytechnic Institute in Mechanical Engineering, May 2005
116
[42] Ino F., Ooyama K., Hagihara K., A data distributed parallel algorithm for nonrigid image registration, Parallel Computing, 2005
[43] J. Cała, Ł. Czekierda, Teleconsultations - Synergy of Medicine and IT Technology TASK Quarterly, Scientific Bulletin of Academic Computer Centre in Gdansk, October 2004, vol. 8, no. 4, TASK Publishing, pp. 471-486. ACC Gdansk 2004.
[44] Jagiełło T., Diagnostyka ultrasonograficzna tętnic domózgowych, Postępy neuroradiologii, Oświata UN-O, Warszawa 2007
[45] K. Zieliński, J. Cała, Ł. Czekierda, Migration Aspects of Telemedical Software Architectures 2nd International Conference on e-Health in Common Europe, Kraków 11-12/03/2004 also in Transformation of Healthcare with Information Technologies. Technology and Informatics vol. 105, IOS Press 2004 pp. 80--91.
[46] Kakimoto M., Morita C., Tsukimoto H., Data Mining from Functional Brain Images, Proceedings of the International Workshop on Multimedia Data Mining (MDM/KDD'2000), in conjunction with ACM SIGKDD conference. Boston, USA, August 20, 2000
[47] Kang Y., Engelke K., Kalender W. A., A new accurate and precise 3-D segmentation method for skeletal structures in volumetric CT data, Medical Imaging, IEEE Transactions on Volume 22, Issue 5, May 2003 Page(s):586 - 598
[48] Kety, S. S., Schmidt C. F., The determination of cerebral blood flow in man by the use of nitrous oxide in low concentrations, Am. J. Physiol. 143, 53-66, 1945
[49] Koenig M., Klotz E., Heuser L., Perfusion CT in acute stroke: characterization of cerebral ischemia using parameter images of cerebral blood flow and their therapeutic relevance. Clinical experiences., Electromedica 1998;66:61-67
[50] Koenig M., Kraus M., Theek C., Klotz E., Gehlen W., Heuser L., Quantitative assessment of the ischemic brain by means of perfusion-related parameters derived from perfusion CT, Stroke 32 (2001) 431- 437.
[51] Koh T. S., Hou Z., A numerical method for estimating blood flow by dynamic functional imaging, Medical Engineering & Physics 24 (2002) 151-158
[52] Koh T.S., Tan C. K. M., Cheong L.H. D., Limc C.C. T., Cerebral perfusion mapping using a robust and efficient method for deconvolution analysis of dynamic contrast-enhanced images, NeuroImage 32 (2006) 643 - 653
[53] Królicki L., Ćwikła J., Małkowski B., PET i SPECT w diagnostyce OUN, Oświata UN-O, Warszawa 2007
[54] Kudo K., Perfusion Mismatch Analyzer (PMA), Acute Stroke Imaging Standardization Group, Dostępny w Internecie: http://asist.umin.jp
[55] Lagarias J. C., Reeds J. A., Wright M. H., Wright P. E., Convergence properties of the Nelder - Mead simplex method in low dimensions , SIAM Journal of Optimization, Vol. 9, No. 1, pp. 112 - 147, 1997 [56] Laliberté J. F., Meunier J., Mignotte M., Soucy J. P., Detection of abnormal diffuse perfusion in SPECT
using a normal brain atlas, NeuroImage, 23(2):561-8, October 2004
[57] Lancaster J.L., Rainey L.H., Summerlin J.L., Freitas C.S., Fox P.T., Evans A.C., Toga A.W., Mazziotta J.C., Automated labeling of the human brain: A preliminary report on the development and evaluation of a forward-transform method. Hum Brain Mapp 5, 238-242, 1997.
[58] Lancaster J.L., Woldorff M.G., Parsons L.M., Liotti M., Freitas C.S., Rainey L., Kochunov P.V., Nickerson D., Mikiten S.A., Fox P.T., Automated Talairach Atlas labels for functional brain mapping. Human Brain Mapping 10:120-131, 2000.
[59] Latchaw R. E., Yonas H., Hunter G. J., Yuh W. T. C., Ueda T., Sorensen A. G., Sunshine J. L., Biller J., Wechsler L., Higashida R., Hademenos G., Guidelines and recommendations for perfusion imaging in cerebral ischemia, Stroke 34, (2003) 1084- 1104.
[60] Latchaw R. E., Yonas H., Pentheny S. L., Gur D., Adverse reactions to xenon-enhanced CT cerebral blood flow determination, Radiology 1987;163:251-254
117
[61] Lee T. Y., Functional CT: physiological moels, Trends in Biotechnology Vol. 20 No. 8 (Suppl.), 2002 A TRENDS Guide to Imaging Technologies
[62] Leenders K. L., Perani D., Lammertsma A. A., Heather J. D., Buckingham P., Jones T., Healy M. J. R., Gibbs J. M., Wise R. J. S., Hatazwa J., Herold S., Beaney R. P., Brooks D. J., Spinks T., Rhodes C., Frackowiak R. S. J., Cerebral blood flow, blood volume, and oxygen utilization: normal values and effect of age, Brain 1990; 113:27-47.
[63] Lev M. H et al, Utility of perfusion-weighted CT imaging in acute middle cerebral artery stroke treated with intra-arterial thrombolysis: prediction of final infarct volume and clinical outcome, Stroke 32 (2001), 2021- 2028.
[64] Lia X. F., Tiana J., Lia E. Z., Wanga X. X., Daib J. P., Aib L., Adaptive total linear least square method for quantification of mean transit time in brain perfusion MRI, Medical Image Processing Group, Institute of Automation, Chinese Academy of Sciences, Beijing, China, Department of Radiology, Tian Tan Hospital, Beijing, China Received 27 September 2002; accepted 24 January 2003
[65] Liu Y., Computational Symmetry, Symmetry 2000, Wenner-Gren International Series, vol 80 Part I, pp. 231-245. Portland Press, London. (ISBN I 85578 149 2).
[66] Lüthi M., Albrecht T., Vetter T., A Curvature Sensitive Demon's Algorithm for Surface Registration, 2007
[67] Malina W., Smiatacz M., Metody Cyfrowego przetwarzania obrazów, Akademicka oficyna wydawnicza EXIT, Warszawa 2005
[68] Modersitzki J., Numerical Methods for Image Registration (Numerical Mathematics and Scientific Computation), Oxford University Press, USA, 2004
[69] Nielsen, L.K., Elastic Registration of Medical MR Images, Cand. Scient. Thesis in Computational
Science. Retrieved April 17, 2007, from Matematisk Institute website:
http://www.mi.uib.no/~tai/thesis/nielsen.pdf
[70] Norman D., Axel L., Berninger W. H., Edwards M. S., Cann H. E., Redington R. W., Lauranne Cox, Dynamic Computed Tomography of the Brain: Techniques, Data Analysis, and Applications, AJR 136:759-770, April 1981
[71] Nowinski W. L. et al., Analysis of Ischemic Stroke MR Images by Means of Brain Atlases of Anatomy and Blood Supply Territories, Acad Radiol 2006; 13:1025-1034
[72] Nowinski W. L. et al., Fast talairach transformation for magnetic resonance neuroimages, Journal of computer assisted tomography, 2006, vol. 30
[73] Ogiela M. R., Strukturalne metody rozpoznawania obrazów w kognitywnej analizie zobrazowań medycznych, UWND AGH, Kraków 2004
[74] Ogiela M. R., Tadeusiewicz R., Modern Computational Intelligence Methods for the Interpretation of Medical Images, Studies in Computational Intelligence, Vol. 84, Springer 2008
[75] Ogiela M. R., Tadeusiewicz R., Nowe klasy inteligentnych systemów interpretacji danych obrazowych. Systemy UBIAS, PAK-Pomiary, Automatyka, Kontrola, Vol. 56, No 2, 2010, pp. 193-196.
[76] Ogiela M. R., Tadeusiewicz R., Towards New Classes of Cognitive Vision Systems, CISIS 2010 : The Fourth International Conference on Complex, Intelligent and Software Intensive Systems, Krakow, Poland 15-18 February 2010 / ed. by Leonard Barolli [et al.], pp. 851 - 855, The Institute of Electrical and Electronics Engineers, 2010
[77] Oppenheim A. V., Signals and Systems, Prentice Hall, 1996
[78] Phillips P.J., Vardi Y., Dunn, S.M., Buchsbaum, M.S., Spiegel-Cohen, J.L., An automatic MR-PET registration algorithm, Pattern Recognition, 1996., Proceedings of the 13th International Conference on Volume 3, 25-29 Aug. 1996 Page(s):533 - 537 vol.3
[79] Press W. H., Flannery B. P., Teukolsky S. A., Vetterling W. T., Downhill Simplex Method in Multidimensions, Numerical Recipes in C, Second Edition (1992), p. 408 - 412
[80] Press W. H., Teukolsky S. A., Vetterling W. T., Flannery B. P, Numerical recipes in C. The art of scientific computing. 2nd ed., Oxford: Cambridge University Press; 1992.
118
[81] Prima S., Ourselin S., Ayache N., Computation of the Mid-Sagittal Plane In 3-D Brain Images, The review of a journal in IEEE transaction on medical imaging, vol. 21, no.2, february 2002
[82] Purwar A., Gupta R., Sarma M. K., Bayu G., Singh A., Rathore D. K., Saksena S., Trivedi R., Mishra A., Haris M., Mohan P., Rathore R., De-scalping of the brain in echo planar DT-MRI, Proceedings of International Society of Magnetic Resonance in Medicine 14, 2006
[83] Rafael C. González, Woods R. E., Digital Image Processing, 3rd edition, Pearson Education, Inc, 2008 [84] Ramirez L., Durdle N. G. , Raso V. J., Medical image registration in computational intelligence
framework: a review, Electrical and Computer Engineering, 2003. IEEE CCECE 2003. Canadian Conference on Volume 2, 4-7 May 2003 Page(s):1021 - 1024 vol.2
[85] Roche A., Guimond A., Ayache N., Meunier J., Multimodal Elastic Matching of Brain Images, 2000 Springer Verlag. Proceedings ECCV'00, volume 1843 of LNCS, 2000
[86] Romanowski C., Furmanek M., Sklinda K., Zawadzki M., Adamczyk M., Fizyczne podstawy tomografii komputerowej i rezonansu magnetycznego - zagadnienia wybrane. Środki kontrastowe, Postępy neuroradiologii, Warszawa 2007, 12-53
[87] Evelyn Rosta, Ralf Geske, Michael Baake, Signal analysis of impulse response functions in MR and CT measurements of cerebral blood flow, Journal of Theoretical Biology 240 (2006) 451-458
[88] Rueckert D., Sonoda L. I., Hayes C., Hill D. L. G., Leach M. O., Hawkes D. J., Nonrigid Registration Using Free-Form Deformations: Application to Breast MR Images, IEEE Transaction on Medical Imaging, Vol. 18, No. 8, August 1999
[89] Sasaki M. et al., Procedure Guidelines for CT/MR Perfusion Imaging 2006, Joint Committee for the
Procedure Guidelines for CT/MR Perfusion Imaging,
http://mr-proj2.umin.jp/data/guidelineCtpMrp2006-e.pdf
[90] Sasaki M., Kudo K., Oikawa H., CT perfusion for acute stroke: Current concepts on technical aspects and clinical applications, International Congress Series 1290 (2006) 30-36
[91] Semmlow J. L., Biosignal and Biomedical Image Processing. MATLAB - Based Applications , CRC Press 2004
[92] Sędziwy A., Automatyczne wykrywanie i analiza zmian patologicznych w obrazach MR i CT struktur mózgowych, rozprawa doktorska, Kraków 2003
[93] Smith S. M., Zhang Y., Jenkinson M., Chen J., Matthews P. M., Federico A., De Stefano N., Brain Atrophy Analysis Using Single- and Multiple-Time-Point Data, FMRIB Technical Report TR01SMS1, (A related paper has been accepted for publication in NeuroImage)
[94] Statistic for Windows 5.1 - Glosariusz, StatSoft Inc. 1996
[95] Tadeusiewicz R., Ogiela M. R., Medical Image Understanding Technology, Springer Verlag, Berlin-Heidelberg, 2004.
[96] Talairach J., Tournoux P., Co-Planar Stereotaxic Atlas of the Human Brain, New York: Thieme Medical Publishers, Inc (1988).
[97] Tang S., Jiang T., Fast Nonrigid Medical image registration by fluid model, 6th Asian Conference on Computer Vision, 2004
[98] Thirion J. P., Image matching as a diffusion process: an analogy with Maxwell's Demons, Medical Image Analysis, Vol. 2, No. 3. (September 1998), pp. 243-260.
[99] Thompson P., Mega M., Narr K., Sowell E., Blanton R., Toga A., Brain image analysis and atlas construction, Handbook of Medical Imaging chapter 17. Pages 1066 - 1119, SPIE. 2000.
[100] van Vliet L. J., Young I. T., Verbeek P. W., Recursive Gaussian Derivative Filters, IEEE Computer Society Press (Australia), Vol. I, pp. 509-514
[101] Walecki J., Bulski T., Sklinda K., Choroby naczyniopochodne ośrodkowego układu nerwowego, Postępy neuroradiologii, Warszawa 2007, 472 - 512
[102] Walecki J., Romanowski C., Guzy wewnątrzczaszkowe, Postępy neuroradiologii, Warszawa 2007, 271 - 318
119
[103] Walecki J., Tarasów T., Podstawy fizyczne rezonansu magnetycznego, Biocybernetyk i inŜynieria biomedyczna , Tom 9. Fizyka medyczna, Exit 2002
[104] Wang H. et al., Validation of an accelerated 'demons' algorithm for deformable image registration in radiation therapy, Physics in Medicine and Biology, Volume 50, Number 12
[105] Warfield S.K. et al, Advanced Nonrigid Registration Algorithms for Image Fusion, Academic Press, Jun 2002
[106] Wintermark M., et. al., Comparative Overview of Brain Perfusion Imaging Techniques, Stroke. 2005;36:e83,
[107] Wintermarka M., Thirana J. P., Maedera P., Schnydera P., Meuli R., Simultaneous Measurement of Regional Cerebral Blood Flow by Perfusion CT and Stable Xenon CT: A Validation Study, American Journal of Neuroradiology 22:905-914 (5 2001)
[108] Wirestam R., Ryding E., Lindgren A., Geijer B., Holt?s S., St?hlberg F., Absolute cerebral blood flow measured by dynamic susceptibility contrast MRI: a direct comparison with Xe-133 SPECT, Magnetic