Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

La plataforma en línea de fuente abierta ofrece un mejor discernimiento en imágenes biomédicas

Los últimos años han considerado mejoras espectaculares en tecnologías de la imagen que dan lugar a resoluciones más altas y a tiempos más rápidos de la adquisición.

Las imágenes de células, del tejido y de órganos proveen de médicos especialistas en todo el mundo una miríada de la información sobre el estado de la salud de sus pacientes en un momento dado. ¿Pero cómo ganan la comprensión de lo que ven en estas imágenes biomédicas?

El status quo: desvíos que toma tiempo y propensos

Para hacer que estas imágenes volumétricas grandes revelan su potencial verdadero de la información, la segmentación manual - por el que una imagen digital esté dividida en diversos segmentos para habilitar o para facilitar análisis - se requiere a menudo.

Las escrituras de la etiqueta, como por ejemplo “fondo” o “objeto”, se destinan a las diversas estructuras del interés con diversos intervalos dentro del volumen 3D.

Esto es seguida por una interpolación de las escrituras de la etiqueta entre las rebanadas pre-divididas en segmentos, donde los valores en los puntos desconocidos se estiman usando datos sabidos.

En este proceso, los datos de imagen subyacentes no se tienen en cuenta generalmente, y la interpolación por lo tanto se basa exclusivamente en las rebanadas divididas en segmentos.

Por lo tanto, solamente una parte de la información experimental real se utiliza para derivar la segmentación.

La “segmentación manual de grupos de datos biomédicos grandes de la composición desconocida es a menudo desvíos muy que toma tiempo y propensos.

Para analizar datos de imagen tridimensionales, la segmentación manual sigue siendo una aproximación muy común. De hecho, los institutos emplean a los ejércitos de estudiantes entrenados apenas para esta misma tarea,” dice a Philipp Lösel del grupo de investigación “cuantificación de la minería de datos y de la incertidumbre” (DMQ) en los GOLPES, que desarrollaron Biomedisa.

Biomedisa: más rápidamente, convivial y y más exacto

Y aquí es adonde viene la segmentación biomédica App Biomedisa de la imagen hacia adentro, - y - una plataforma en línea de fuente abierta fácil de usar libre desarrollada especialmente para la segmentación semiautomática.

La segmentación se basa en una interpolación elegante de las rebanadas escaso pre-divididas en segmentos que tienen en cuenta los datos de imagen subyacentes completos. Esto hace Biomedisa determinado valioso cuando poco conocimiento a priori está disponible.

“Biomedisa puede acelerar el proceso de la segmentación enormemente, mientras que al mismo tiempo ofrece resultados más exactos que la segmentación manual,” dice a Thomas van de Kamp (ESTUCHE), biólogo con experiencia dolorosa en la segmentación manual de la imagen que ofreció los datos micro-CT y Biomedisa evaluado durante su revelado.

La plataforma es accesible con un web browser y requiere la configuración no compleja y aburrida de los parámetros del software y del modelo. La solución del uno-botón se puede utilizar para diversas modalidades de la proyección de imagen 3D y los diversos usos biomédicos.

Nuestro objetivo explícito era crear una herramienta ancho-aplicable y convivial para acelerar la segmentación de muestras de la morfología desconocida mientras que también perfecciona los resultados.”

Vincent Heuveline, director, centro de cómputo y líder del grupo de DMQ, instituto de Heidelberg para los estudios teóricos

“Biomedisa es un ejemplo para un software ese las ventajas directamente de los últimos progresos de la tecnología de GPU (unidad central de los gráficos). El diseño hardware-enterado utiliza aceleradores de gráficos para manejar los datos de imagen cada vez mayores,” agrega a Philipp Lösel.

En la manera a la segmentación completamente automática

Además, Biomedisa ofrece un alcance de otras funciones, tales como el retiro de afloramientos o la carga química de orificios, las superficies pueden ser alisadas y la incertidumbre con la cual el resultado fue obtenido puede ser cuantificada. Además, los datos se pueden visualizar con software de la representación 3D y compartir con otros utilizadores.
Por último, Biomedisa habilita técnicas de aprendizaje de máquina con el entrenamiento de una red neuronal profunda.

Esta técnica permite una segmentación completamente automática cuando un gran número de estructuras similares, tales como el corazón humano, se dividen en segmentos. Como consecuencia, permite las simulaciones numéricas basadas en un modelo paciente-específico del corazón y ayuda así a clínicos con su formulación de planes y toma de decisión quirúrgicas.

Todas estas características combinadas hacen Biomedisa una plataforma ideal para todo el ésos para quién un retrato vale más que mil palabras.

Source:
Journal reference:

Lösel, P. D., et al. (2020) Introducing Biomedisa as an open-source online platform for biomedical image segmentation. Nature Communications. doi.org/10.1038/s41467-020-19303-w.