Radiologia e tecnologia da informação.

Começar. É Gratuito
ou inscrever-se com seu endereço de e-mail
Radiologia e tecnologia da informação. por Mind Map: Radiologia e tecnologia da informação.

1. Radiologia e diagnóstico por imagem:

1.1. desenvolvida com objetivo de identificar irregularidades do corpo com maior precisão, além de fornecer informações quantitativas e de gravidade da doença, facilitando assim o diagnóstico.

1.2. Estes são exames solicitados por médicos quando há a necessidade de avaliar a condição de algum órgão ou estrutura interna do organismo.

1.2.1. _____________________________________

1.2.2. TC: utiliza radiação ionizante igual ao Rx digital para produzir imagens capazes de avaliar órgãos internos do nosso corpo ou articulações.

1.2.3. RM: serve para auxiliar o médico no diagnóstico de diversas doenças, funciona com um campo magnético intenso e ondas de rádio para produzir imagens detalhadas.

2. Segmentação:

2.1. O papel básico da segmentação é separar a imagem em partes ou objetos de interesse. Muitas vezes o resultado da segmentação não é adequado. Para corrigir esses defeitos, realiza-se o estágio de pós-processamento.

3. Extração de atributos:

3.1. Extração de atributos: O processo de extração de atributos de uma imagem consiste no cálculo de valores numéricos (descritores) que representem o seu conteúdo visual. Os atributos são obtidos por meio da execução de algoritmos, conhecidos como extratores de características.

3.1.1. A extração de atributos de níveis de cinza é a mais utilizada e pode ser realizada diretamente ou por análise do histograma da imagem. O histograma é a descrição da quantidade de níveis de cinza presentes na imagem, e o seu cálculo envolve apenas a contagem de pixels/voxels com as intensidades na escala de cinza.

4. Classificação por imagem, aprendizado da maquina e aprendizado profundo:

4.1. Classificar a imagem significa, em geral, defini-la dentro de uma categoria pré-estabelecida, como normal versus patológico.

4.2. Aprendizado de máquina: Esta técnica permite a identificação de padrões com base em casos e experimentos anteriores, assim como ocorre com a inteligência humana.

4.3. Aprendizado profundo: desenvolvimento de algoritmos que integrassem os processos de extração de atributos e classificação de imagens dentro da própria rede neural.

4.3.1. O método de aprendizado profundo que mais ganhou notoriedade em medicina é a rede neural convolucional (RNC). Uma RNC é composta basicamente por três tipos de camadas: a primeira camada (convolucional) detecta e extrai os atributos; a segunda camada (pooling) seleciona e reduz a quantidade de atributos; e a terceira camada (totalmente conectada) serve para integrar todas as características extraídas pelas camadas anteriores

5. Radiômica:

5.1. é a extração de dados mensuráveis de imagens radiológicas e sua integração em modelos preditivos multidisciplinares para o gerenciamento de pacientes. Ou seja, usar informações contidas nas imagens para fazer uma análise ampla e complexa para definir quais pacientes devem seguir para um tipo de tratamento específico ou mesmo prever se um doença terá uma evolução favorável ou não.

6. Radiogenômica:

6.1. A radiogenômica vem também sendo empregada em estudos que analisam a heterogeneidade intratumoral, que é a presença de múltiplas sub-regiões teciduais e genéticas em um mesmo tumor, relacionada à recidiva da doença e à resistência terapêutica. A radiogenômica é capaz de quantificar a complexidade espacial do tumor e identificar essas sub-regiões fenotípicas/genotípicas.

7. A radiologia vem passando por importantes atualizações com a revolução tecnológica que acontece no mundo: primeiro, com a digitalização dos ambientes radiológicos; depois, com a evolução das técnicas de visão computacional e inteligência artificial no desenvolvimento de sistemas de auxílio diagnóstico; e mais recentemente, com o amadurecimento dos modelos computacionais de suporte a decisões clínicas e predição prognóstica.

8. Aluna: Camila Eunice de Souza