Herramientas matemáticas para mejorar la captación de imágenes del cerebro
El proyecto SOSIP (Stochastic optimisation and simulation in image processing) tenía como finalidad examinar nuevos métodos computacionales para solucionar los problemas que plantea el procesamiento de imágenes. Se desarrollaron nuevas técnicas de simulación y optimización estocásticas para aplicar la inferencia bayesiana a problemas inversos de captación de imágenes de altas dimensiones. Los investigadores se centraron en problemas ciegos, semiciegos o no supervisados y más allá del ámbito de las técnicas de captación de imágenes matemáticas actuales. Se prestó especial atención a los métodos que sirven como apoyo a las estimaciones de puntos y la cuantificación de la incertidumbre, y ayudan a obtener información para tomar decisiones. La intención fue crear nuevas herramientas para solucionar problemas complejos que no se habían abordado mediante las técnicas actuales, como la segmentación no supervisada de imágenes y la mejora de resolución sin supervisión. Este tipo de problemas pueden plantearse en muchos campos importantes, como la captación de imágenes médicas y la teledetección. El desarrollo de algoritmos de Monte Carlo de cadena de Markov proximal representa una innovación importante en los enfoques de captación de imágenes mediante simulación estocástica de alta dimensionalidad y optimización. Combinan la simulación estocástica de alta dimensionalidad con herramientas matemáticas de análisis convexo y optimización. El resultado es una nueva metodología computacional especialmente adecuada para los problemas inversos de captación de imágenes, que son convexos y, potencialmente, de muy alta dimensionalidad. Esto permitió realizar análisis en niveles anteriormente más allá del alcance del procesamiento estadístico de imágenes, como la selección de modelos y la cuantificación de la incertidumbre mediante el cálculo de regiones de credibilidad. También se desarrolló un enfoque nuevo que vincula la optimización convexa con la teoría de la probabilidad para aproximar regiones de confianza bayesianas en cualquier problema inverso convexo, con el fin de permitir la cuantificación de la incertidumbre de las imágenes. También se propuso un nuevo enfoque de alta dimensionalidad para realizar una estimación bayesiana jerárquica en problemas inversos no supervisados de larga escala para la segmentación de imágenes y los problemas inversos lineales. El trabajo de SOSIP representa un avance importante en el procesamiento de imágenes avanzado y ayudará a solucionar dos problemas importantes en la captación de imágenes médicas que han desafiado a las técnicas actuales. En primer lugar, la reconstrucción de imágenes de electroencefalografía dinámica ciega no supervisada tal como se utiliza en la captación de imágenes funcionales del cerebro de bajo coste. Para la monitorización de planes de tratamiento mediante radioterapia en línea, otra aplicación de la tecnología de SOSIP es un dispositivo de captación de imágenes portales electrónicas multimodal no rígido más una fusión por ordenador de imágenes de tomografía.
Palabras clave
Procesamiento de imágenes, SOSIP, optimización estocástica, simulación estocástica, problemas inversos
