การประมวลผลภาพทางการแพทย์ ( MIC ) คือการใช้ระเบียบวิธีเชิงคำนวณและคณิตศาสตร์เพื่อแก้ปัญหาที่เกี่ยวข้องกับภาพทางการแพทย์และการนำภาพเหล่านั้นไปใช้ในการวิจัยทางชีวการแพทย์และการดูแลรักษาทางคลินิก เป็นสาขาสหวิทยาการที่อยู่ระหว่างสาขาวิทยาการคอมพิวเตอร์วิศวกรรมสารสนเทศวิศวกรรมไฟฟ้าฟิสิกส์คณิตศาสตร์ และการ แพทย์

เป้าหมายหลักของ MIC คือการสกัดข้อมูลหรือความรู้ที่เกี่ยวข้องทางคลินิกจากภาพทางการแพทย์ แม้ว่าจะมีความเกี่ยวข้องอย่างใกล้ชิดกับสาขาการถ่ายภาพทางการแพทย์แต่ MIC มุ่งเน้นไปที่การวิเคราะห์ภาพด้วยคอมพิวเตอร์ ไม่ใช่การได้มาซึ่งภาพ วิธีการต่างๆ สามารถจัดกลุ่มได้เป็นหลายประเภทกว้างๆ ได้แก่การแบ่งส่วนภาพการลงทะเบียนภาพ การสร้างแบบจำลองทางสรีรวิทยาจากภาพ และอื่นๆ^{[ 1 ]}

การประมวลผลภาพทางการแพทย์โดยทั่วไปทำงานกับข้อมูลที่สุ่มตัวอย่างอย่างสม่ำเสมอด้วยระยะห่างเชิงพื้นที่ xyz ที่สม่ำเสมอ (ภาพใน 2 มิติและปริมาตรใน 3 มิติ ซึ่งโดยทั่วไปเรียกว่าภาพ) ณ จุดสุ่มตัวอย่างแต่ละจุด ข้อมูลมักจะแสดงใน รูปแบบ จำนวนเต็มเช่น signed และ unsigned short (16 บิต) แม้ว่ารูปแบบตั้งแต่ unsigned char (8 บิต) ไปจนถึง float 32 บิตก็ไม่ใช่เรื่องแปลก ความหมายเฉพาะของข้อมูล ณ จุดสุ่มตัวอย่างขึ้นอยู่กับวิธีการถ่ายภาพ: ตัวอย่างเช่น การถ่ายภาพ CTจะเก็บค่าความหนาแน่นของรังสี ในขณะที่การถ่ายภาพ MRIอาจเก็บ ภาพ T1หรือT2ที่มีน้ำหนักถ่วง การถ่ายภาพตามแนวยาวที่เปลี่ยนแปลงตามเวลาอาจเก็บภาพด้วยขั้นตอนเวลาที่สม่ำเสมอหรือไม่ก็ได้ ภาพที่มีลักษณะคล้ายพัดเนื่องจากวิธีการถ่ายภาพ เช่นอัลตราซาวนด์แบบอาร์เรย์โค้งก็พบได้ทั่วไปและต้องใช้เทคนิคการแสดงผลและอัลกอริทึมที่แตกต่างกันในการประมวลผล รูปแบบข้อมูลอื่นๆ ได้แก่ ภาพที่บิดเบี้ยวเนื่องจากการเอียงของแท่นวางระหว่างการถ่ายภาพ และโครงสร้างตาข่ายที่ไม่เป็นระเบียบเช่น รูปทรงหกเหลี่ยมและรูปทรงสี่เหลี่ยม ซึ่งใช้ในการวิเคราะห์ทางชีวกลศาสตร์ ขั้นสูง (เช่น การเสียรูปของเนื้อเยื่อ การลำเลียงหลอดเลือด การปลูกถ่ายกระดูก)

การแบ่งส่วนภาพคือกระบวนการแบ่งภาพออกเป็นส่วนต่างๆ ที่มีความหมาย ในภาพทางการแพทย์ ส่วนต่างๆ เหล่านี้มักจะสอดคล้องกับเนื้อเยื่อประเภทต่างๆอวัยวะพยาธิสภาพ หรือโครงสร้างอื่นๆ ที่เกี่ยวข้องทางชีววิทยา^{[ 2 ]}การแบ่งส่วนภาพทางการแพทย์ทำได้ยากเนื่องจากความคมชัดต่ำ สัญญาณรบกวน และความกำกวมอื่นๆ ของภาพ แม้ว่าจะมีเทคนิคการมองเห็นด้วยคอมพิวเตอร์มากมายสำหรับการแบ่งส่วนภาพแต่บางเทคนิคก็ได้รับการดัดแปลงมาโดยเฉพาะสำหรับการประมวลผลภาพทางการแพทย์ ด้านล่างนี้เป็นตัวอย่างของเทคนิคในสาขานี้ การนำไปใช้งานขึ้นอยู่กับความเชี่ยวชาญที่แพทย์สามารถให้ได้

• การแบ่งส่วนตามแอตลาส : สำหรับแอปพลิเคชันจำนวนมาก ผู้เชี่ยวชาญทางคลินิกสามารถติดป้ายกำกับภาพหลายภาพด้วยตนเองได้ การแบ่งส่วนภาพที่ไม่เคยเห็นมาก่อนเป็นเรื่องของการคาดเดาจากภาพฝึกอบรมที่ติดป้ายกำกับด้วยตนเองเหล่านี้ วิธีการในลักษณะนี้มักเรียกว่าวิธีการแบ่งส่วนตามแอตลาส วิธีการแอตลาสแบบพาราเมตริกมักจะรวมภาพฝึกอบรมเหล่านี้เข้าเป็นภาพแอตลาสเดียว^{[ 3 ]}ในขณะที่วิธีการแอตลาสแบบไม่ใช้พาราเมตริกมักจะใช้ภาพฝึกอบรมทั้งหมดแยกกัน^{[ 4 ]}วิธีการตามแอตลาสโดยทั่วไปต้องใช้การลงทะเบียนภาพเพื่อจัดตำแหน่งภาพแอตลาสหรือภาพต่างๆ ให้ตรงกับภาพใหม่ที่ไม่เคยเห็นมาก่อน
• การแบ่งส่วนตามรูปร่าง : วิธีการหลายวิธีจะกำหนดพารามิเตอร์รูปร่างแม่แบบสำหรับโครงสร้างที่กำหนด โดยมักจะอาศัยจุดควบคุมตามขอบเขต จากนั้นรูปร่างทั้งหมดจะถูกเปลี่ยนรูปเพื่อให้ตรงกับภาพใหม่ เทคนิคการแบ่งส่วนตามรูปร่างที่พบได้บ่อยที่สุดสองวิธีคือ โมเดลรูปร่างแบบแอคทีฟ^{[ ​​5 ]}และโมเดลลักษณะแบบแอคทีฟ^{[ ​​6 ]}วิธีการเหล่านี้มีอิทธิพลอย่างมากและก่อให้เกิดโมเดลที่คล้ายกัน^{[ 7 ]}
• การแบ่งส่วนตามรูปภาพ : บางวิธีเริ่มต้นด้วยเทมเพลตและปรับแต่งรูปร่างตามข้อมูลรูปภาพในขณะที่ลดการวัดข้อผิดพลาดโดยรวม เช่นโมเดลเส้นขอบที่ใช้งานอยู่และรูปแบบต่างๆ^{[ 8 ]}
• การแบ่งส่วนแบบโต้ตอบ : วิธีการแบบโต้ตอบมีประโยชน์เมื่อแพทย์สามารถให้ข้อมูลบางอย่าง เช่น บริเวณเริ่มต้นหรือโครงร่างคร่าวๆ ของบริเวณที่จะแบ่งส่วน จากนั้นอัลกอริทึมสามารถปรับปรุงการแบ่งส่วนดังกล่าวได้อย่างต่อเนื่อง โดยมีหรือไม่มีคำแนะนำจากแพทย์ การแบ่งส่วนด้วยตนเองโดยใช้เครื่องมือต่างๆ เช่น แปรงทาสีเพื่อกำหนดประเภทเนื้อเยื่อของแต่ละพิกเซลอย่างชัดเจน ยังคงเป็นมาตรฐานทองคำสำหรับการใช้งานด้านการถ่ายภาพหลายอย่าง เมื่อเร็วๆ นี้ หลักการจากทฤษฎีการควบคุม แบบป้อนกลับ ได้ถูกนำมาใช้ในการแบ่งส่วน ซึ่งทำให้ผู้ใช้มีความยืดหยุ่นมากขึ้นและอนุญาตให้แก้ไขข้อผิดพลาดโดยอัตโนมัติ^{[ 9 ]}
• การแบ่งส่วนพื้นผิวแบบอัตวิสัย:วิธีนี้อิงตามแนวคิดของการวิวัฒนาการของฟังก์ชันการแบ่งส่วนซึ่งควบคุมโดยแบบจำลองการพาและการแพร่กระจาย^{[ 10 ]}ในการแบ่งส่วนวัตถุ จำเป็นต้องมีจุดเริ่มต้นการแบ่งส่วน (นั่นคือจุดเริ่มต้นที่กำหนดตำแหน่งโดยประมาณของวัตถุในภาพ) ดังนั้นจึงมีการสร้างฟังก์ชันการแบ่งส่วนเริ่มต้นขึ้น แนวคิดเบื้องหลังวิธีการพื้นผิวแบบอัตวิสัย^{[ 11 ] [ 12 ] [ 13 ]}คือตำแหน่งของจุดเริ่มต้นเป็นปัจจัยหลักที่กำหนดรูปแบบของฟังก์ชันการแบ่งส่วนนี้
• เครือข่ายประสาทเทียมแบบคอนโวลูชัน (CNNs):ประสิทธิภาพการแบ่งส่วนอัตโนมัติเต็มรูปแบบที่ได้รับความช่วยเหลือจากคอมพิวเตอร์ได้รับการปรับปรุงให้ดีขึ้นเนื่องจากความก้าวหน้าของแบบจำลองการเรียนรู้ของเครื่อง แบบจำลองที่ใช้ CNN เช่น SegNet ^{[ 14 ]} UNet ^{[ 15 ]} ResNet ^{[ 16 ]} AATSN ^{[ 17 ]} Transformers ^{[ 18 ]}และ GANs ^{[ 19 ]}ได้เร่งกระบวนการแบ่งส่วน ในอนาคต แบบจำลองดังกล่าวอาจเข้ามาแทนที่การแบ่งส่วนด้วยตนเองเนื่องจากประสิทธิภาพและความเร็วที่เหนือกว่า

ยังมีการจำแนกประเภทอื่นๆ ของวิธีการแบ่งส่วนภาพที่คล้ายคลึงกับหมวดหมู่ข้างต้น กลุ่มอื่นซึ่งอิงตามการผสมผสานของวิธีการต่างๆ สามารถจัดประเภทเป็น "ไฮบริด" ได้^{[ 20 ]}

การลงทะเบียนภาพเป็นกระบวนการที่ค้นหาการจัดเรียงภาพที่ถูกต้อง^{[ 21 ] [ 22 ] [ 23 ] [ 24 ]}ในกรณีที่ง่ายที่สุด จะมีการจัดเรียงภาพสองภาพ โดยทั่วไป ภาพหนึ่งจะถูกใช้เป็นภาพเป้าหมาย และอีกภาพหนึ่งจะถูกใช้เป็นภาพต้นฉบับ ภาพต้นฉบับจะถูกแปลงให้ตรงกับภาพเป้าหมาย ขั้นตอนการเพิ่มประสิทธิภาพจะอัปเดตการแปลงภาพต้นฉบับโดยอิงจากค่าความคล้ายคลึงที่ประเมินคุณภาพการจัดเรียงในปัจจุบัน กระบวนการวนซ้ำนี้จะทำซ้ำจนกว่าจะพบค่าที่เหมาะสมที่สุด (เฉพาะที่) ตัวอย่างเช่น การลงทะเบียนภาพ CT และPETเพื่อรวมข้อมูลโครงสร้างและเมตาบอลิซึม (ดูรูป)

การลงทะเบียนภาพถูกนำไปใช้ในงานทางการแพทย์หลากหลายด้าน:

• การศึกษาการเปลี่ยนแปลงตามเวลาการศึกษาแบบระยะยาวจะเก็บภาพในช่วงเวลาหลายเดือนหรือหลายปีเพื่อศึกษาการเปลี่ยนแปลงในระยะยาว เช่น ความคืบหน้าของโรคส่วนอนุกรมเวลาจะบันทึกภาพที่ได้มาในช่วงเวลาเดียวกัน (วินาทีหรือนาที) สามารถนำมาใช้ศึกษาการทำงานของสมอง การเปลี่ยนแปลงรูปร่างของหัวใจ และการหายใจได้
• การรวมข้อมูลเสริมจากวิธีการถ่ายภาพ ที่แตกต่างกัน ตัวอย่างเช่น การรวมข้อมูลทางกายวิภาคและการทำงาน เนื่องจากขนาดและรูปร่างของโครงสร้างแตกต่างกันไปตามวิธีการถ่ายภาพ จึงทำให้การประเมินคุณภาพการจัดเรียงทำได้ยากขึ้น ส่งผลให้มีการใช้^มาตรวัดความคล้ายคลึงกันเช่นข้อมูลร่วมกัน^{[ 25} ]
• การกำหนดลักษณะประชากรของกลุ่มตัวอย่าง ในทางตรงกันข้ามกับการลงทะเบียนภายในกลุ่มตัวอย่าง การจับคู่แบบหนึ่งต่อหนึ่งอาจไม่มีอยู่ระหว่างกลุ่มตัวอย่าง ขึ้นอยู่กับความแปรปรวนเชิงโครงสร้างของอวัยวะที่สนใจ การลงทะเบียนระหว่างกลุ่มตัวอย่างเป็นสิ่งจำเป็นสำหรับการสร้างแผนที่กายวิภาคศาสตร์เชิงคำนวณ [ ^{26 ] ใน}ที่นี้ วัตถุประสงค์คือการสร้างแบบจำลองทางสถิติของกายวิภาคศาสตร์ของอวัยวะในกลุ่มตัวอย่าง
• การผ่าตัดโดยใช้คอมพิวเตอร์ช่วยในการผ่าตัดโดยใช้คอมพิวเตอร์ช่วย ภาพก่อนการผ่าตัด เช่น CT หรือ MRI จะถูกลงทะเบียนกับภาพระหว่างการผ่าตัดหรือระบบติดตาม เพื่ออำนวยความสะดวกในการนำทางหรือการควบคุมภาพ

มีข้อควรพิจารณาที่สำคัญหลายประการเมื่อทำการลงทะเบียนภาพ:

• แบบจำลองการแปลงตัวเลือกที่นิยมใช้กันทั่วไป ได้แก่แบบจำลองการแปลงแบบแข็ง แบบจำลองการแปลงแบบ เชิง เส้น และ แบบจำลองการแปลง แบบยืดหยุ่น แบบจำลอง B-splineและthin plate splineมักใช้สำหรับฟิลด์การแปลงแบบพารามิเตอร์ ฟิลด์การเปลี่ยนรูปที่ไม่ใช้พารามิเตอร์หรือแบบหนาแน่น จะมีเวกเตอร์การกระจัดอยู่ที่ตำแหน่งกริดทุกตำแหน่ง ซึ่งจำเป็นต้องมี ข้อจำกัด การปรับให้เรียบ เพิ่มเติม ฟิลด์การเปลี่ยนรูปเฉพาะประเภทหนึ่งคือดิฟฟีโอโมฟิซึมซึ่งเป็นการแปลงที่ผกผันได้และมีตัวผกผันที่เรียบเนียน
• เมตริกความคล้ายคลึง ฟังก์ชันระยะทางหรือความคล้ายคลึงใช้เพื่อวัดคุณภาพการลงทะเบียน ความคล้ายคลึงนี้สามารถคำนวณได้ทั้งจากภาพต้นฉบับหรือจากคุณลักษณะที่สกัดจากภาพ มาตรวัดความคล้ายคลึงที่ใช้กันทั่วไป ได้แก่ ผลรวมของระยะทางกำลังสอง (SSD) สัมประสิทธิ์สหสัมพันธ์และข้อมูลร่วมกัน การเลือกมาตรวัดความคล้ายคลึงขึ้นอยู่กับว่าภาพมาจากโมดาลิตี้เดียวกันหรือไม่ สัญญาณรบกวนจากการได้มาซึ่งภาพก็มีบทบาทในการตัดสินใจนี้เช่นกัน ตัวอย่างเช่น SSD เป็นมาตรวัดความคล้ายคลึงที่เหมาะสมที่สุดสำหรับภาพจากโมดาลิตี้เดียวกันที่มีสัญญาณรบกวนแบบเกาส์เซียน [ ^{27 ] อย่างไรก็ตาม}สถิติภาพในอัลตราซาวนด์แตกต่างจากสัญญาณรบกวนแบบเกาส์เซียนอย่างมาก ทำให้ต้องมีการนำมาตรวัดความคล้ายคลึงเฉพาะสำหรับอัลตราซาวนด์มาใช้^{[ 28 ]}การลงทะเบียนแบบหลายโมดาลต้องใช้มาตรวัดความคล้ายคลึงที่ซับซ้อนกว่า หรืออาจใช้การแสดงภาพแบบอื่น เช่น การแสดงโครงสร้าง^{[ 29 ]}หรือการลงทะเบียนกายวิภาคที่อยู่ติดกัน^{[ 30 ] [ 31 ]}การศึกษาในปี 2020 ^{[ 32 ]}ใช้การเข้ารหัสแบบเปรียบเทียบเพื่อเรียนรู้การแสดงภาพแบบหนาแน่นที่ใช้ร่วมกัน ซึ่งเรียกว่าการแสดงภาพหลายโมดอลแบบเปรียบเทียบ (CoMIRs) ซึ่งทำให้สามารถลงทะเบียนภาพหลายโมดอลได้ ซึ่งวิธีการลงทะเบียนที่มีอยู่มักล้มเหลวเนื่องจากขาดโครงสร้างภาพที่คล้ายคลึงกันเพียงพอ วิธีนี้ช่วยลดปัญหาการลงทะเบียนหลายโมดอลให้เหลือเพียงปัญหาการลงทะเบียนโมดอลเดียว ซึ่งสามารถใช้อัลกอริธึมการลงทะเบียนตามความเข้มทั่วไปและตามคุณลักษณะได้
• กระบวนการหาค่าเหมาะสมที่สุดจะดำเนิน การหาค่าเหมาะสม ที่สุดแบบต่อเนื่องหรือแบบไม่ต่อเนื่อง สำหรับการหาค่าเหมาะสมที่สุดแบบต่อเนื่อง จะใช้เทคนิค การหาค่าเหมาะสมที่สุดแบบอิงตามเกรเดียนต์เพื่อปรับปรุงความเร็วในการบรรลุผลลัพธ์

การแสดงภาพข้อมูลมีบทบาทสำคัญหลายประการในการประมวลผลภาพทางการแพทย์ วิธีการจาก การแสดงภาพ ข้อมูลทางวิทยาศาสตร์ถูกนำมาใช้เพื่อทำความเข้าใจและสื่อสารเกี่ยวกับภาพทางการแพทย์ ซึ่งโดยธรรมชาติแล้วเป็นภาพที่มีมิติเชิงพื้นที่และเวลาการแสดงภาพข้อมูลและ การวิเคราะห์ข้อมูล ถูกนำมาใช้กับข้อมูลที่ไม่มีโครงสร้างเช่น เมื่อประเมินค่าทางสถิติที่ได้จากการประมวลผลด้วยอัลกอริทึมการโต้ตอบโดยตรงกับข้อมูล ซึ่งเป็นคุณลักษณะสำคัญของกระบวนการแสดงภาพข้อมูล ถูกนำมาใช้เพื่อทำการสอบถามข้อมูลด้วยภาพ ใส่คำอธิบายประกอบภาพ ชี้นำกระบวนการแบ่งส่วนและการลงทะเบียน และควบคุมการแสดงภาพข้อมูล (โดยการควบคุมคุณสมบัติการแสดงผลแสงและพารามิเตอร์การดู) การแสดงภาพข้อมูลถูกนำมาใช้ทั้งสำหรับการสำรวจเบื้องต้นและการถ่ายทอดผลลัพธ์ระหว่างกลางและผลลัพธ์สุดท้ายของการวิเคราะห์

ภาพประกอบ "การแสดงภาพทางการแพทย์" แสดงให้เห็นถึงการแสดงภาพหลายประเภท ได้แก่ 1. การแสดงภาพตัดขวางเป็นภาพขาวดำ 2. การจัดรูปแบบใหม่ของภาพขาวดำ (ภาพตัดตามแนวตั้งในตัวอย่างนี้มีทิศทางที่แตกต่างจากทิศทางดั้งเดิมของการถ่ายภาพ) และ 3. การแสดงผลแบบสามมิติของข้อมูลเดียวกัน ก้อนเนื้อที่เห็นได้ชัดเจนนั้นปรากฏให้เห็นในรูปแบบการแสดงผลต่างๆ และมีการทำเครื่องหมายด้วยเส้นสีขาว

ภาพทางการแพทย์อาจแตกต่างกันอย่างมากในแต่ละบุคคล เนื่องจากแต่ละคนมีอวัยวะที่มีรูปร่างและขนาดแตกต่างกัน ดังนั้น การนำเสนอภาพทางการแพทย์โดยคำนึงถึงความแปรปรวนนี้จึงมีความสำคัญอย่างยิ่ง แนวทางที่นิยมใช้ในการนำเสนอภาพทางการแพทย์คือการใช้แอตลาสหนึ่งชุดหรือมากกว่านั้น โดยแอตลาสในที่นี้หมายถึงแบบจำลองเฉพาะสำหรับกลุ่มภาพที่มีพารามิเตอร์ที่เรียนรู้จากชุดข้อมูลฝึกฝน^{[ 33 ] [ 34 ]}

ตัวอย่างที่ง่ายที่สุดของแอตลาสคือภาพความเข้มเฉลี่ย ซึ่งโดยทั่วไปเรียกว่าแม่แบบ อย่างไรก็ตาม แอตลาสยังสามารถรวมข้อมูลที่ละเอียดกว่านั้นได้ เช่น สถิติภาพเฉพาะที่ และความน่าจะเป็นที่ตำแหน่งเชิงพื้นที่เฉพาะนั้นมีป้ายกำกับบางอย่าง ภาพทางการแพทย์ใหม่ๆ ที่ไม่ได้ใช้ในระหว่างการฝึกอบรม สามารถนำมาแมปกับแอตลาสที่ปรับแต่งให้เหมาะสมกับการใช้งานเฉพาะ เช่นการแบ่งส่วนและการวิเคราะห์กลุ่มการแมปภาพกับแอตลาสโดยปกติเกี่ยวข้องกับการลงทะเบียนภาพและแอตลาส การเปลี่ยนแปลงรูปทรงนี้สามารถใช้เพื่อจัดการกับความแปรปรวนในภาพทางการแพทย์ได้

แนวทางที่ง่ายที่สุดคือการสร้างแบบจำลองภาพทางการแพทย์เป็นเวอร์ชันที่ผิดรูปของภาพแม่แบบเดียว ตัวอย่างเช่น ภาพสแกนสมอง MRI ทางกายวิภาคศาสตร์มักจะถูกแมปไปยังแม่แบบ MNI ^{[ 35 ]}เพื่อแสดงภาพสแกนสมองทั้งหมดในพิกัดทั่วไป ข้อเสียหลักของแนวทางแม่แบบเดียวคือ หากมีความแตกต่างอย่างมีนัยสำคัญระหว่างแม่แบบและภาพทดสอบที่กำหนด อาจไม่มีวิธีที่ดีในการแมปภาพหนึ่งไปยังอีกภาพหนึ่ง ตัวอย่างเช่น ภาพสแกนสมอง MRI ทางกายวิภาคศาสตร์ของผู้ป่วยที่มีความผิดปกติของสมองอย่างรุนแรง (เช่น เนื้องอกหรือการผ่าตัด) อาจไม่สามารถแมปไปยังแม่แบบ MNI ได้ง่าย

แทนที่จะพึ่งพาเทมเพลตเดียว สามารถใช้เทมเพลตหลายแบบได้ แนวคิดคือการแสดงภาพเป็นเวอร์ชันที่ผิดรูปของเทมเพลตหนึ่ง ตัวอย่างเช่น อาจมีเทมเพลตหนึ่งสำหรับประชากรที่มีสุขภาพดี และเทมเพลตหนึ่งสำหรับประชากรที่เป็นโรค อย่างไรก็ตาม ในหลายแอปพลิเคชัน ไม่ชัดเจนว่าต้องใช้เทมเพลตจำนวนเท่าใด วิธีที่ง่ายแต่ต้องใช้การคำนวณสูงในการจัดการเรื่องนี้คือการให้ภาพทุกภาพในชุดข้อมูลการฝึกอบรมเป็นภาพเทมเพลต ดังนั้นภาพใหม่ทุกภาพที่พบจะถูกเปรียบเทียบกับภาพทุกภาพในชุดข้อมูลการฝึกอบรม แนวทางที่ใหม่กว่าจะค้นหาจำนวนเทมเพลตที่ต้องการโดยอัตโนมัติ^{[ 36 ]}

วิธีการทางสถิติเป็นการผสมผสานสาขาการถ่ายภาพทางการแพทย์เข้ากับวิทยาการคอมพิวเตอร์ สมัยใหม่ การเรียนรู้ของเครื่องและการรู้จำรูปแบบ ในช่วงทศวรรษ ที่ผ่านมา มีชุดข้อมูลขนาดใหญ่หลายชุดที่เปิดเผยต่อสาธารณะ (เช่น ADNI, โครงการ 1000 functional Connectomes) ซึ่งส่วนหนึ่งเป็นผลมาจากการทำงานร่วมกันระหว่างสถาบันและศูนย์วิจัยต่างๆ การเพิ่มขึ้นของขนาดข้อมูลนี้ทำให้เกิดความต้องการอัลกอริทึมใหม่ๆ ที่สามารถวิเคราะห์และตรวจจับการเปลี่ยนแปลงเล็กน้อยในภาพเพื่อตอบคำถามทางคลินิก คำถามทางคลินิกเหล่านี้มีความหลากหลายมาก รวมถึงการวิเคราะห์กลุ่ม ตัวบ่งชี้ทางชีวภาพจากการถ่ายภาพ การจำแนกประเภทของโรค และการศึกษาแบบระยะยาว

ในการวิเคราะห์กลุ่ม เป้าหมายคือการตรวจจับและวัดปริมาณความผิดปกติที่เกิดจากโรค โดยการเปรียบเทียบภาพของกลุ่มตัวอย่างสองกลุ่มขึ้นไป โดยปกติแล้ว กลุ่มหนึ่งจะประกอบด้วยบุคคลปกติ (กลุ่มควบคุม) และอีกกลุ่มหนึ่งประกอบด้วยผู้ป่วยที่มีความผิดปกติ การเปลี่ยนแปลงที่เกิดจากโรคอาจแสดงออกมาในรูปของการผิดรูปทางกายวิภาคที่ผิดปกติ (ดูการวัดรูปร่างตามพิกเซล ) ตัวอย่างเช่น การหดตัวของเนื้อเยื่อใต้เปลือกสมอง เช่นฮิปโปแคมปัสอาจเชื่อมโยงกับโรคอัลไซเมอร์นอกจากนี้ ยังสามารถสังเกตการเปลี่ยนแปลงในกิจกรรมทางชีวเคมี (การทำงาน) ได้โดยใช้เทคนิคการถ่ายภาพ เช่นการตรวจเอกซเรย์คอมพิวเตอร์แบบโพซิตรอน

การเปรียบเทียบระหว่างกลุ่มมักจะดำเนินการใน ระดับ ว็อกเซลดังนั้น ขั้นตอนการประมวลผลล่วงหน้าที่เป็นที่นิยมมากที่สุด โดยเฉพาะอย่างยิ่งในด้านการถ่ายภาพทางประสาทวิทยาจะแปลงภาพทั้งหมดในชุดข้อมูลให้เป็นเฟรมพิกัดทั่วไปผ่านการลงทะเบียนภาพทางการแพทย์ เพื่อรักษาความสอดคล้องกันระหว่างว็อกเซล เมื่อพิจารณาความสอดคล้องกันแบบว็อกเซลนี้ วิธี การทางสถิติแบบความถี่ที่ พบได้บ่อยที่สุด คือการดึงค่าสถิติสำหรับแต่ละว็อกเซล (เช่น ความเข้มของว็อกเซลเฉลี่ยสำหรับแต่ละกลุ่ม) และทำการทดสอบสมมติฐานทางสถิติเพื่อประเมินว่าสมมติฐานว่างได้รับการสนับสนุนหรือไม่ สมมติฐานว่างโดยทั่วไปจะถือว่ากลุ่มตัวอย่างทั้งสองกลุ่มมาจากการแจกแจงเดียวกัน ดังนั้นจึงควรมีคุณสมบัติทางสถิติเหมือนกัน (เช่น ค่าเฉลี่ยของสองกลุ่มเท่ากันสำหรับว็อกเซลเฉพาะ) เนื่องจากภาพทางการแพทย์มีจำนวนว็อกเซลมาก ปัญหาของการเปรียบเทียบหลายรายการจึงจำเป็นต้องได้รับการแก้ไข^{[ 37 ] [ 38 ]}นอกจากนี้ยังมี วิธีการ แบบเบย์เซียนเพื่อจัดการกับปัญหาการวิเคราะห์กลุ่ม^{[ 39 ]}

แม้ว่าการวิเคราะห์กลุ่มจะสามารถวัดผลกระทบโดยทั่วไปของพยาธิสภาพต่อกายวิภาคและหน้าที่การทำงานได้ แต่ก็ไม่ได้ให้การวัดในระดับบุคคล ดังนั้นจึงไม่สามารถใช้เป็นตัวบ่งชี้ทางชีวภาพสำหรับการวินิจฉัยได้ ( ดูตัวบ่งชี้ทางชีวภาพจากการถ่ายภาพ ) ในทางกลับกัน แพทย์มักสนใจการวินิจฉัยพยาธิสภาพในระยะเริ่มต้น (เช่น การจำแนกประเภท^{[ 40 ] [ 41 ]} ) และการเรียนรู้ความคืบหน้าของโรค (เช่น การถดถอย^{[ 42 ]} ) จากมุมมองทางระเบียบวิธี เทคนิคปัจจุบันมีความหลากหลาย ตั้งแต่การใช้อัลกอริธึมการเรียนรู้ของเครื่องมาตรฐานกับชุดข้อมูลภาพทางการแพทย์ (เช่นเครื่องสนับสนุนเวกเตอร์^{[ 43 ]} ) ไปจนถึงการพัฒนาแนวทางใหม่ที่ปรับให้เข้ากับความต้องการของสาขา^{[ 44 ]}ความยากลำบากหลักมีดังต่อไปนี้:

• ขนาดตัวอย่างเล็ก ( คำสาปของมิติ ): ชุดข้อมูลภาพทางการแพทย์ขนาดใหญ่มีภาพหลายร้อยถึงหลายพันภาพ ในขณะที่จำนวนว็อกเซลในภาพปริมาตรทั่วไปอาจมีมากกว่าล้านได้อย่างง่ายดาย วิธีแก้ปัญหานี้คือการลดจำนวนคุณลักษณะในเชิงข้อมูล (ดูการลดมิติ ) มีการเสนอแนวทางที่ไม่ต้องมีการกำกับดูแลและกึ่งกำกับดูแล^{[ 44 ] [ 45 ] [ 46 ] [ 47 ] หลายวิธีเพื่อแก้ไขปัญหานี้}
• ความสามารถในการตีความ: ความแม่นยำในการสรุปผลที่ดีไม่ใช่เป้าหมายหลักเสมอไป เนื่องจากแพทย์ต้องการเข้าใจว่าส่วนใดของกายวิภาคได้รับผลกระทบจากโรค ดังนั้นความสามารถในการตีความผลลัพธ์จึงมีความสำคัญมาก วิธีการที่ละเลยโครงสร้างของภาพจึงไม่เป็นที่นิยมมีการเสนอ วิธีการทางเลือกโดยอิงจาก การเลือกคุณลักษณะ^{[ 45 ] [ 46 ] [ 47 ] [ 48 ]}

โดยทั่วไปแล้ว วิธีการจำแนกรูปแบบตามภาพจะถือว่าผลกระทบทางระบบประสาทของโรคมีความแตกต่างและชัดเจน ซึ่งอาจไม่ใช่เช่นนั้นเสมอไป สำหรับภาวะทางการแพทย์หลายอย่าง ประชากรผู้ป่วยมีความหลากหลายสูง และยังไม่มีการกำหนดหมวดหมู่ย่อยเพิ่มเติม นอกจากนี้ โรคบางชนิด (เช่นโรคออทิสติกสเปกตรัมโรคจิตเภทความบกพร่องทางสติปัญญาเล็กน้อย ) สามารถจำแนกได้ด้วยสเปกตรัมต่อเนื่องหรือเกือบต่อเนื่องจากความบกพร่องทางสติปัญญาเล็กน้อยไปจนถึงการเปลี่ยนแปลงทางพยาธิวิทยาที่เด่นชัดมาก เพื่ออำนวยความสะดวกในการวิเคราะห์ภาพของโรคที่มีความหลากหลาย จึงได้มีการพัฒนาวิธีการทางเลือกอื่นนอกเหนือจากการจำแนกรูปแบบ เทคนิคเหล่านี้ยืมแนวคิดจากการจัดกลุ่มมิติสูง^{[ 49 ]}และการถดถอยรูปแบบมิติสูงเพื่อจัดกลุ่มประชากรที่กำหนดเป็นประชากรย่อยที่เป็นเนื้อเดียวกัน เป้าหมายคือเพื่อให้เข้าใจโรคในแต่ละประชากรย่อยได้ดียิ่งขึ้นในเชิงปริมาณ

การวิเคราะห์รูปร่างเป็นสาขาหนึ่งของการประมวลผลภาพทางการแพทย์ที่ศึกษาคุณสมบัติทางเรขาคณิต ของโครงสร้างที่ได้จาก วิธีการถ่ายภาพ ที่แตกต่างกัน การวิเคราะห์รูปร่างได้รับความสนใจเพิ่มมากขึ้นในวงการแพทย์ในช่วงไม่กี่ปีมานี้ เนื่องจากมีศักยภาพในการระบุตำแหน่ง การเปลี่ยนแปลง ทางสัณฐานวิทยา ได้อย่างแม่นยำ ระหว่างกลุ่มโครงสร้างที่แตกต่างกัน เช่น สุขภาพดีกับผิดปกติ เพศหญิงกับเพศชาย วัยหนุ่มสาวกับผู้สูงอายุ การวิเคราะห์รูปร่างประกอบด้วยสองขั้นตอนหลัก ได้แก่ การจับคู่รูปร่างและการวิเคราะห์ทางสถิติ

• การจับคู่รูปร่าง (Shape correspondence) คือระเบียบวิธีที่คำนวณตำแหน่งที่สอดคล้องกันระหว่างรูปร่างทางเรขาคณิตที่แสดงโดยตาข่ายสามเหลี่ยม เส้นขอบ ชุดจุด หรือภาพสามมิติ เห็นได้ชัดว่าคำจำกัดความของการจับคู่จะส่งผลโดยตรงต่อการวิเคราะห์ ตัวเลือกต่างๆ สำหรับกรอบการจับคู่ ได้แก่ การจับคู่ทางกายวิภาค จุดสังเกตที่กำหนดเอง การจับคู่เชิงหน้าที่ (เช่น ในการวัดรูปร่างสมอง ตำแหน่งที่รับผิดชอบต่อการทำงานของเซลล์ประสาทเดียวกัน) การจับคู่ทางเรขาคณิต ความคล้ายคลึงของความเข้ม (สำหรับภาพสามมิติ) เป็นต้น บางวิธี เช่น การวิเคราะห์รูปร่างเชิงสเปกตรัม ไม่จำเป็นต้องใช้การจับคู่ แต่เปรียบเทียบตัวบ่งชี้รูปร่างโดยตรง
• การวิเคราะห์ทางสถิติจะให้ค่าการวัดการเปลี่ยนแปลงโครงสร้าง ณ ตำแหน่งที่เกี่ยวข้อง

ในการศึกษาแบบระยะยาว จะมีการถ่ายภาพบุคคลคนเดียวกันซ้ำๆ ข้อมูลนี้สามารถนำมาใช้ทั้งในการวิเคราะห์ภาพและการสร้างแบบจำลองทางสถิติได้

• ในการประมวลผลภาพตามยาว วิธีการแบ่งส่วนและการวิเคราะห์ ณ จุดเวลาแต่ละจุดจะได้รับข้อมูลและปรับให้เรียบด้วยข้อมูลทั่วไป ซึ่งโดยปกติจะมาจากแม่แบบภายในบุคคล การปรับให้เรียบนี้ออกแบบมาเพื่อลดสัญญาณรบกวนในการวัด และช่วยเพิ่มความไวและพลังทางสถิติ ในขณะเดียวกัน ต้องหลีกเลี่ยงการปรับให้เรียบมากเกินไป เพื่อให้ขนาดของผลกระทบคงที่ ตัวอย่างเช่น การปรับให้เรียบอย่างเข้มข้นอาจนำไปสู่ความน่าเชื่อถือในการทดสอบซ้ำที่ดีเยี่ยม แต่จำกัดความสามารถในการตรวจจับการเปลี่ยนแปลงและความแตกต่างที่แท้จริงระหว่างกลุ่ม บ่อยครั้งที่ต้องหาจุดสมดุลที่เหมาะสม เพื่อเพิ่มประสิทธิภาพการลดสัญญาณรบกวนโดยแลกกับการสูญเสียขนาดของผลกระทบเพียงเล็กน้อย ความท้าทายทั่วไปอีกประการหนึ่งในการประมวลผลภาพตามยาวคือการเกิดอคติในการประมวลผล ซึ่งมักเกิดขึ้นโดยไม่ตั้งใจ ตัวอย่างเช่น เมื่อภาพติดตามผลได้รับการลงทะเบียนและสุ่มตัวอย่างใหม่ให้ตรงกับภาพพื้นฐาน สิ่งแปลกปลอมจากการประมาณค่าจะเกิดขึ้นเฉพาะในภาพติดตามผลเท่านั้น ไม่ใช่ในภาพพื้นฐาน สิ่งแปลกปลอมเหล่านี้อาจทำให้เกิดผลกระทบที่ผิดพลาด (โดยปกติจะเป็นอคติที่ทำให้ประเมินการเปลี่ยนแปลงตามยาวสูงเกินไป และทำให้ประเมินขนาดตัวอย่างที่ต้องการต่ำเกินไป) ดังนั้น จึงจำเป็นอย่างยิ่งที่ข้อมูลทุกช่วงเวลาจะต้องได้รับการประมวลผลอย่างเท่าเทียมกัน เพื่อหลีกเลี่ยงความลำเอียงในการประมวลผลใดๆ
• การประมวลผลภายหลังและการวิเคราะห์ทางสถิติของข้อมูลระยะยาวมักต้องใช้เครื่องมือทางสถิติเฉพาะ เช่น การวิเคราะห์ความแปรปรวนแบบวัดซ้ำ (repeated measure ANOVA) หรือแบบจำลองเชิงเส้นแบบผสม (linear mixed effects models) ที่มีประสิทธิภาพมากกว่า นอกจากนี้ การพิจารณาการกระจายตัวเชิงพื้นที่ของสัญญาณก็เป็นประโยชน์ ตัวอย่างเช่น การวัดความหนาของเปลือกสมองจะแสดงความสัมพันธ์ภายในบุคคลตลอดช่วงเวลา และภายในบริเวณใกล้เคียงบนพื้นผิวเปลือกสมอง ซึ่งเป็นข้อเท็จจริงที่สามารถนำมาใช้เพิ่มพลังทางสถิติได้ ยิ่งไปกว่านั้น การวิเคราะห์เวลาถึงเหตุการณ์ (หรือที่เรียกว่าการวิเคราะห์การอยู่รอด) มักถูกนำมาใช้ในการวิเคราะห์ข้อมูลระยะยาวและกำหนดตัวทำนายที่มีนัยสำคัญ

โดยทั่วไปแล้ว การประมวลผลภาพทางการแพทย์มุ่งเน้นไปที่การวัดปริมาณและการผสมผสานข้อมูลโครงสร้างหรือการทำงานที่มีอยู่ ณ จุดและเวลาที่ทำการถ่ายภาพ ในแง่นี้ อาจมองได้ว่าเป็นการตรวจวัดเชิงปริมาณของกระบวนการทางกายวิภาค ทางกายภาพ หรือทางสรีรวิทยาที่เกิดขึ้น อย่างไรก็ตาม ในช่วงไม่กี่ปีที่ผ่านมา มีความสนใจเพิ่มมากขึ้นในการประเมินการทำนายโรคหรือแนวทางการรักษา การสร้างแบบจำลองจากภาพ ไม่ว่าจะเป็นด้านชีวกลศาสตร์หรือทางสรีรวิทยา จึงสามารถขยายขอบเขตความเป็นไปได้ของการประมวลผลภาพจากมุมมองเชิงพรรณนาไปสู่มุมมองเชิงทำนายได้

ตามแผนงานวิจัย STEP ^{[ 50 ] [ 51 ]}มนุษย์สรีรวิทยาเสมือน (Virtual Physiological Human หรือ VPH) เป็นกรอบวิธีการและเทคโนโลยีที่เมื่อสร้างขึ้นแล้ว จะช่วยให้สามารถตรวจสอบร่างกายมนุษย์ในฐานะระบบที่ซับซ้อน เพียงระบบเดียว ได้ ภายใต้แนวคิด VPH สหภาพระหว่างประเทศเพื่อวิทยาศาสตร์สรีรวิทยา (International Union for Physiological Sciences หรือ IUPS) ได้ให้การสนับสนุนโครงการ IUPS Physiomeมานานกว่าทศวรรษ^{[ 52 ] [ 53 ]}นี่คือ ความพยายาม สาธารณะ ทั่วโลก ในการจัดหากรอบการคำนวณเพื่อทำความเข้าใจสรีรวิทยาของมนุษย์ โดยมีเป้าหมายเพื่อพัฒนารูปแบบบูรณาการในทุกระดับขององค์ประกอบทางชีวภาพ ตั้งแต่ยีนไปจนถึงสิ่งมีชีวิตทั้งหมด ผ่านเครือข่ายควบคุมยีน เส้นทางโปรตีน ฟังก์ชันเซลล์แบบบูรณาการ และความสัมพันธ์ของโครงสร้าง/ฟังก์ชันของเนื้อเยื่อและอวัยวะทั้งหมด แนวทางดังกล่าวมีเป้าหมายเพื่อเปลี่ยนแปลงการปฏิบัติทางการแพทย์ในปัจจุบันและเป็นรากฐานของยุคใหม่ของการแพทย์เชิงคำนวณ^{[ 54 ]}

ในบริบทนี้ การถ่ายภาพทางการแพทย์และการประมวลผลภาพมีบทบาทสำคัญมากขึ้นเรื่อยๆ เนื่องจากเป็นระบบและวิธีการในการถ่ายภาพ การวัดปริมาณ และการผสานรวมข้อมูลทั้งเชิงโครงสร้างและเชิงหน้าที่เกี่ยวกับมนุษย์ในร่างกาย การวิจัยในสองด้านกว้างๆ นี้รวมถึงการแปลงแบบจำลองการคำนวณทั่วไปให้เป็นตัวแทนของบุคคลเฉพาะ ซึ่งเป็นการปูทางไปสู่แบบจำลองการคำนวณเฉพาะบุคคล^{[ 55 ]} การทำให้แบบจำลองการคำนวณทั่วไปเป็นรายบุคคลผ่านการถ่ายภาพสามารถทำได้ในสามทิศทางที่เสริมกัน:

• นิยามของโดเมนการคำนวณเฉพาะเรื่อง (กายวิภาคศาสตร์) และโดเมนย่อยที่เกี่ยวข้อง (ประเภทเนื้อเยื่อ)
• การกำหนดขอบเขตและเงื่อนไขเริ่มต้นจากภาพ (แบบไดนามิกและ/หรือเชิงฟังก์ชัน) และ
• การระบุลักษณะสมบัติเชิงโครงสร้างและเชิงหน้าที่ของเนื้อเยื่อ

นอกจากนี้ การถ่ายภาพยังมีบทบาทสำคัญในการประเมินและตรวจสอบความถูกต้องของแบบจำลองดังกล่าวทั้งในมนุษย์และในแบบจำลองสัตว์ และในการนำแบบจำลองไปใช้ในทางคลินิกทั้งในด้านการวินิจฉัยและการรักษา ในบริบทเฉพาะนี้ การถ่ายภาพระดับโมเลกุล ชีวภาพ และก่อนคลินิก ให้ข้อมูลและความเข้าใจเพิ่มเติมเกี่ยวกับโครงสร้างและหน้าที่พื้นฐานของโมเลกุล เซลล์ เนื้อเยื่อ และแบบจำลองสัตว์ ซึ่งอาจนำไปประยุกต์ใช้กับสรีรวิทยาของมนุษย์ได้หากเหมาะสม

การประยุกต์ใช้แบบจำลอง VPH/physiome ที่ใช้ภาพเป็นพื้นฐานในด้านพื้นฐานและทางคลินิกนั้นกว้างขวางมาก โดยทั่วไปแล้ว แบบจำลองเหล่านี้มีแนวโน้มที่จะกลายเป็นเทคนิคการสร้างภาพเสมือนจริงแบบ ใหม่ กล่าว คือ พารามิเตอร์ต่างๆ ที่มักไม่สามารถสังเกตได้โดยตรง จะถูกสร้างขึ้นในคอมพิวเตอร์โดยอาศัยการบูรณาการภาพหลายรูปแบบที่สามารถสังเกตได้ แต่บางครั้งอาจกระจัดกระจายและไม่สอดคล้องกัน รวมถึงการวัดทางสรีรวิทยา แบบจำลองทางคอมพิวเตอร์จะช่วยในการตีความการวัดในลักษณะที่สอดคล้องกับกฎทางชีวฟิสิกส์ ชีวเคมี หรือชีววิทยาพื้นฐานของกระบวนการทางสรีรวิทยาหรือพยาธิสรีรวิทยาที่กำลังศึกษา ท้ายที่สุดแล้ว เครื่องมือและระบบการวิจัยเหล่านี้จะช่วยให้เราเข้าใจกระบวนการของโรค ประวัติความเป็นมาของการวิวัฒนาการของโรค และอิทธิพลของการรักษาด้วยยาและ/หรือการแทรกแซงต่อการดำเนินของโรคได้ดียิ่งขึ้น

การผสมผสานระหว่างการถ่ายภาพและการสร้างแบบจำลองนั้นก้าวไปไกลกว่าการตีความผลการวัดในลักษณะที่สอดคล้องกับสรีรวิทยา การสร้างแบบจำลองเฉพาะบุคคลโดยใช้ภาพถ่ายทางการแพทย์ ร่วมกับแบบจำลองของอุปกรณ์ทางการแพทย์และการรักษาด้วยยา จะเปิดทางไปสู่การถ่ายภาพเพื่อการทำนาย ซึ่งจะช่วยให้สามารถเข้าใจ วางแผน และเพิ่มประสิทธิภาพการรักษาดังกล่าวในระบบคอมพิวเตอร์ได้

วิธีการทางคณิตศาสตร์ที่ซับซ้อนจำนวนมากได้ถูกนำมาใช้ในการสร้างภาพทางการแพทย์ และได้ถูกนำไปใช้ในซอฟต์แวร์แพ็กเกจต่างๆ แล้ว ซึ่งรวมถึงวิธีการที่ใช้สมการเชิงอนุพันธ์ย่อย (PDEs) และการไหลที่ขับเคลื่อนด้วยความโค้งสำหรับการปรับปรุง การแบ่งส่วน และการลงทะเบียน เนื่องจากวิธีการเหล่านี้ใช้ PDEs จึงสามารถประมวลผลแบบขนานและนำไปใช้บน GPGPU ได้ เทคนิคเหล่านี้จำนวนมากได้รับแรงบันดาลใจจากแนวคิดในการควบคุมที่เหมาะสมดังนั้น เมื่อไม่นานมานี้ แนวคิดจากการควบคุมจึงได้ถูกนำมาใช้ในวิธีการแบบโต้ตอบ โดยเฉพาะอย่างยิ่งการแบ่งส่วน นอกจากนี้ เนื่องจากสัญญาณรบกวนและความจำเป็นในการใช้เทคนิคการประมาณค่าทางสถิติสำหรับภาพที่มีการเปลี่ยนแปลงแบบไดนามิกมากขึ้นตัวกรอง Kalman ^{[ 56 ]}และตัวกรองอนุภาคจึงถูกนำมาใช้ การสำรวจวิธีการเหล่านี้พร้อมรายการอ้างอิงที่ครอบคลุมสามารถพบได้ใน^{[ 57 ]}

เทคนิคการถ่ายภาพทางการแพทย์บางวิธีให้ข้อมูลที่เฉพาะเจาะจงมาก ภาพที่ได้ไม่สามารถนำมาประมวลผลเป็นภาพสเกลาร์ทั่วไปได้ และก่อให้เกิดสาขาย่อยใหม่ๆ ในการประมวลผลภาพทางการแพทย์ ตัวอย่างเช่น การถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้าแบบแพร่กระจาย (Diffusion MRI) และการถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้าเชิงฟังก์ชัน (Functional MRI)

การถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้าแบบแพร่กระจาย (Diffusion MRI)เป็นวิธีการถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้าเชิงโครงสร้างที่ช่วยให้สามารถวัดกระบวนการแพร่กระจายของโมเลกุลได้ การแพร่กระจายจะถูกวัดโดยการใช้พัลส์เกรเดียนต์กับสนามแม่เหล็กในทิศทางที่กำหนด ในการเก็บข้อมูลทั่วไป จะใช้ชุดทิศทางเกรเดียนต์ที่กระจายอย่างสม่ำเสมอเพื่อสร้างชุดปริมาตรที่มีน้ำหนักการแพร่กระจาย นอกจากนี้ ยังมีการเก็บข้อมูลปริมาตรที่ไม่มีน้ำหนักภายใต้สนามแม่เหล็กเดียวกันโดยไม่ใช้พัลส์เกรเดียนต์ เนื่องจากแต่ละครั้งที่เก็บข้อมูลเกี่ยวข้องกับปริมาตรหลายชุด การถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้าแบบแพร่กระจายจึงสร้างความท้าทายเฉพาะตัวที่หลากหลายในการประมวลผลภาพทางการแพทย์

ในทางการแพทย์ มีเป้าหมายการคำนวณหลักสองประการในการสร้างภาพ MRI แบบแพร่กระจาย:

• การประเมินคุณสมบัติของเนื้อเยื่อเฉพาะที่ เช่น ค่าการแพร่กระจาย;
• การประมาณทิศทางการแพร่กระจายในระดับท้องถิ่นและเส้นทางการแพร่กระจายในระดับโลก

เทนเซอร์การแพร่กระจาย^{[ 58 ]} ซึ่งเป็น เมทริกซ์สมมาตรบวกแน่นอนขนาด 3 × 3 นำเสนอวิธีแก้ปัญหาที่ตรงไปตรงมาสำหรับเป้าหมายทั้งสองนี้ เทนเซอร์นี้เป็นสัดส่วนกับเมทริกซ์ความแปรปรวนร่วมของโปรไฟล์การแพร่กระจายเฉพาะที่แบบปกติ และด้วยเหตุนี้ เวกเตอร์ลักษณะเฉพาะที่เด่นที่สุดของเมทริกซ์นี้จึงเป็นทิศทางหลักของการแพร่กระจายเฉพาะที่ เนื่องจากความเรียบง่ายของแบบจำลองนี้ การประมาณค่าความน่าจะเป็นสูงสุดของเทนเซอร์การแพร่กระจายสามารถหาได้โดยการแก้ระบบสมการเชิงเส้นที่แต่ละตำแหน่งอย่างอิสระ อย่างไรก็ตาม เนื่องจากปริมาตรนั้นถือว่าประกอบด้วยเส้นใยเนื้อเยื่อที่ต่อเนื่องกัน จึงอาจเป็นที่ต้องการที่จะประมาณปริมาตรของเทนเซอร์การแพร่กระจายทั้งหมดโดยการกำหนดเงื่อนไขความสม่ำเสมอให้กับฟิลด์เทนเซอร์พื้นฐาน^{[ 59 ]}ค่าสเกลาร์สามารถสกัดได้จากเทนเซอร์การแพร่กระจาย เช่นความไม่สมมาตรเชิงเศษส่วน การแพร่กระจายเฉลี่ย การแพร่กระจายตามแนวแกน และการแพร่กระจายตามแนวรัศมี ซึ่ง วัดคุณสมบัติของเนื้อเยื่อ โดยอ้อมเช่น ภาวะไมอีลินผิดปกติของเส้นใยแอกซอน^{[ 60 ]}หรือการมีอาการบวมน้ำ^{[ 61 ]}วิธีการคำนวณภาพสเกลาร์มาตรฐาน เช่น การลงทะเบียนและการแบ่งส่วน สามารถนำไปใช้กับปริมาตรของค่าสเกลาร์ดังกล่าวได้โดยตรง อย่างไรก็ตาม เพื่อใช้ประโยชน์จากข้อมูลในเทนเซอร์การแพร่กระจายอย่างเต็มที่ วิธีการเหล่านี้ได้รับการปรับปรุงเพื่อคำนึงถึงปริมาตรที่มีค่าเป็นเทนเซอร์เมื่อทำการลงทะเบียน^{[ 62 ] [ 63 ]}และการแบ่งส่วน^{[ 64 ] [ 65 ]}

เมื่อพิจารณาทิศทางการแพร่กระจายหลักในแต่ละตำแหน่งในปริมาตรแล้ว จะสามารถประมาณเส้นทางการแพร่กระจายโดยรวมได้ผ่านกระบวนการที่เรียกว่าtractography [ ^{66 ] อย่างไรก็ตาม}เนื่องจากความละเอียดของ MRI การแพร่กระจายค่อนข้างต่ำ เส้นทางเหล่านี้จำนวนมากอาจตัดกัน สัมผัสกัน หรือแผ่กระจายออกไปในตำแหน่งเดียว ในสถานการณ์นี้ ทิศทางหลักเดียวของเทนเซอร์การแพร่กระจายจึงไม่ใช่แบบจำลองที่เหมาะสมสำหรับการกระจายการแพร่กระจายในระดับท้องถิ่น วิธีแก้ปัญหาที่พบบ่อยที่สุดคือการประมาณทิศทางการแพร่กระจายในระดับท้องถิ่นหลายทิศทางโดยใช้แบบจำลองที่ซับซ้อนกว่า ซึ่งรวมถึงส่วนผสมของเทนเซอร์การแพร่กระจาย^{[ 67 ]}การถ่ายภาพ Q-ball ^{[ 68 ]}การถ่ายภาพสเปกตรัมการแพร่กระจาย^{[ 69 ]}และฟังก์ชันการกระจายการวางแนวของเส้นใย^{[ 70 ] [ 71 ]}ซึ่งโดยทั่วไปแล้วต้อง ใช้การได้มาซึ่ง HARDIด้วยทิศทางเกรเดียนต์จำนวนมาก เช่นเดียวกับเทนเซอร์การแพร่กระจาย ปริมาตรที่มีค่าด้วยแบบจำลองที่ซับซ้อนเหล่านี้จำเป็นต้องได้รับการจัดการเป็นพิเศษเมื่อใช้วิธีการคำนวณภาพ เช่นการลงทะเบียน^{[ 72 ] [ 73 ] [ 74 ]}และการแบ่งส่วน^{[ 75 ]}

การถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้าเชิงฟังก์ชัน (fMRI) เป็นวิธีการถ่ายภาพทางการแพทย์ที่วัดกิจกรรมของระบบประสาททางอ้อมโดยการสังเกตการไหลเวียนโลหิต เฉพาะที่ หรือสัญญาณที่ขึ้นอยู่กับระดับออกซิเจนในเลือด (BOLD) ข้อมูล fMRI ให้ข้อมูลเชิงลึกที่หลากหลาย และสามารถแบ่งออกได้เป็นสองประเภทหลักๆ ดังนี้:

• fMRI ที่เกี่ยวข้องกับงานจะถูกบันทึกในขณะที่ผู้ถูกทดลองกำลังทำตามลำดับเงื่อนไขการทดลองที่กำหนดเวลาไว้ ในการทดลองแบบบล็อกดีไซน์ เงื่อนไขต่างๆ จะปรากฏในช่วงเวลาสั้นๆ (เช่น 10 วินาที) และสลับกับช่วงเวลาพัก การทดลองที่เกี่ยวข้องกับเหตุการณ์จะอาศัยลำดับของสิ่งเร้าแบบสุ่มและใช้จุดเวลาเดียวเพื่อระบุแต่ละเงื่อนไข วิธีการมาตรฐานในการวิเคราะห์ fMRI ที่เกี่ยวข้องกับงานคือแบบจำลองเชิงเส้นทั่วไป (GLM) ^{[ 76 ]}
• fMRI ในสภาวะพักจะถูกบันทึกโดยไม่มีภารกิจการทดลองใดๆ โดยทั่วไป วัตถุประสงค์คือการศึกษาโครงสร้างเครือข่ายภายในของสมอง การสังเกตที่เกิดขึ้นระหว่างการพักผ่อนยังเชื่อมโยงกับกระบวนการทางปัญญาเฉพาะ เช่น การเข้ารหัสหรือการไตร่ตรอง การศึกษา fMRI ในสภาวะพักส่วนใหญ่มุ่งเน้นไปที่ความผันผวนความถี่ต่ำของสัญญาณ fMRI (LF-BOLD) การค้นพบที่สำคัญ ได้แก่เครือข่ายเริ่มต้น [ ^{77 ]}การแบ่งส่วนเปลือกสมองที่ครอบคลุม^{[ 78 ]}และการเชื่อมโยงลักษณะของเครือข่ายกับพารามิเตอร์ทาง^{พฤติกรรม}

มีวิธีการวิเคราะห์ข้อมูลภาพการทำงานของระบบประสาทที่หลากหลาย และมักไม่มีข้อสรุปที่แน่ชัดว่า วิธีใด ดีที่สุดนักวิจัยจึงมักแก้ปัญหาแต่ละข้ออย่างอิสระและเลือกแบบจำลอง/อัลกอริทึมที่เหมาะสม ในบริบทนี้ มีการแลกเปลี่ยนความรู้กันอย่างค่อนข้างคึกคักระหว่าง ชุมชน ประสาทวิทยาชีววิทยาเชิงคำนวณ สถิติและการเรียนรู้ของเครื่องจักรวิธีการที่โดดเด่น ได้แก่

• วิธีการแบบเอกตัวแปรขนาดใหญ่ที่ตรวจสอบว็อกเซลแต่ละตัวในข้อมูลภาพเพื่อหาความสัมพันธ์กับเงื่อนไขการทดลอง วิธีการหลักคือแบบจำลองเชิงเส้นทั่วไป^{[ 76 ]}
• แนวทางแบบหลายตัวแปรและแบบจำแนกประเภท ซึ่งมักเรียกว่าการวิเคราะห์รูปแบบหลายโวลเซลหรือการวิเคราะห์รูปแบบหลายตัวแปร จะตรวจสอบข้อมูลเพื่อหาการตอบสนองโดยรวมและอาจกระจายไปตามเงื่อนไขการทดลอง แนวทางในยุคแรกใช้เครื่องเวกเตอร์สนับสนุนเพื่อศึกษาการตอบสนองต่อสิ่งเร้าทางสายตา^{[ 79 ]}เมื่อเร็วๆ นี้ ได้มีการสำรวจอัลกอริธึมการจดจำรูปแบบทางเลือก เช่นความแตกต่างของค่า gini ที่ใช้ป่าสุ่ม^{[ 80 ]}หรือการถดถอยแบบเบาบางและการเรียนรู้พจนานุกรม^{[ 81 ]}
• การวิเคราะห์การเชื่อมต่อการทำงานศึกษาโครงสร้างเครือข่ายภายในของสมอง รวมถึงปฏิสัมพันธ์ระหว่างภูมิภาคต่างๆ การศึกษาส่วนใหญ่มุ่งเน้นไปที่ข้อมูลสถานะพักเพื่อแบ่งส่วนสมอง^{[ 78 ]}หรือเพื่อหาความสัมพันธ์กับการวัดพฤติกรรม^{[ 82 ]}สามารถใช้ข้อมูลเฉพาะงานเพื่อศึกษาความสัมพันธ์เชิงสาเหตุระหว่างภูมิภาคของสมอง (เช่น การทำแผนที่เชิงสาเหตุแบบไดนามิก^{[ 83 ]} )

เมื่อทำงานกับกลุ่มตัวอย่างขนาดใหญ่ การทำให้เป็นมาตรฐาน (การลงทะเบียน) ของแต่ละบุคคลให้อยู่ในกรอบอ้างอิงทั่วไปเป็นสิ่งสำคัญ มีงานวิจัยและเครื่องมือมากมายที่ใช้ในการทำให้เป็นมาตรฐานโดยอิงจากกายวิภาคศาสตร์ ( FSL , FreeSurfer , SPM ) การจัดเรียงโดยคำนึงถึงความแปรปรวนเชิงพื้นที่ในแต่ละบุคคลเป็นแนวทางการทำงานที่ใหม่กว่า ตัวอย่างเช่น การจัดเรียงของเปลือกสมองโดยอิงจากความสัมพันธ์ของสัญญาณ fMRI ^{[ 84 ]}การจัดเรียงโดยอิงจากโครงสร้างการเชื่อมต่อการทำงานโดยรวมทั้งในข้อมูลงานหรือข้อมูลสถานะพัก^{[ 85 ]}และการจัดเรียงโดยอิงจากโปรไฟล์การกระตุ้นเฉพาะสิ่งเร้าของแต่ละว็อกเซล^{[ 86 ]}

ซอฟต์แวร์สำหรับการประมวลผลภาพทางการแพทย์เป็นระบบที่ซับซ้อนซึ่งประกอบด้วยระบบต่างๆ เช่น การรับส่งข้อมูล การแสดงผลและการโต้ตอบ ส่วนติดต่อผู้ใช้ การจัดการข้อมูล และการคำนวณ โดยทั่วไปแล้ว สถาปัตยกรรมของระบบจะแบ่งเป็นชั้นๆ เพื่อรองรับนักพัฒนาอัลกอริทึม นักพัฒนาแอปพลิเคชัน และผู้ใช้ ชั้นล่างสุดมักจะเป็นไลบรารีและ/หรือชุดเครื่องมือที่ให้ความสามารถในการคำนวณพื้นฐาน ในขณะที่ชั้นบนสุดเป็นแอปพลิเคชันเฉพาะทางที่แก้ไขปัญหาทางการแพทย์ โรค หรือระบบต่างๆ ในร่างกายโดยเฉพาะ

การประมวลผลภาพทางการแพทย์ยังเกี่ยวข้องกับสาขาวิทยาการคอมพิวเตอร์ด้วย สมาคมระหว่างประเทศMICCAI Societyเป็นตัวแทนของสาขานี้และจัดงานประชุมประจำปีและการประชุมเชิงปฏิบัติการที่เกี่ยวข้อง เอกสารประกอบการประชุมนี้ได้รับการตีพิมพ์โดย Springer ในชุด Lecture Notes in Computer Science ^{[ 87 ]}ในปี 2000 N. Ayache และ J. Duncan ได้ทบทวนสถานะของสาขานี้^{[ 88 ]}

• เครื่องมือประมาณการการเชื่อมต่อของสมอง
• รายชื่อซอฟต์แวร์การเชื่อมต่อการทำงาน
• สารสนเทศภาพ
• รายชื่อซอฟต์แวร์การสร้างภาพทางประสาทวิทยา

• วารสาร Medical Image Analysis (MedIA)  และวารสารทางการของสมาคม MICCAIซึ่งเป็นผู้จัดงานประชุมประจำปี MICCAI Conferenceซึ่งเป็นงานประชุมชั้นนำด้านการประมวลผลภาพทางการแพทย์
• วารสาร IEEE Transactions on Medical Imaging (IEEE TMI)
• ฟิสิกส์การแพทย์
• วารสาร Journal of Digital Imaging (JDI)  ; วารสารอย่างเป็นทางการของสมาคม Society of Imaging Informatics
• การสร้างภาพและกราฟิกทางการแพทย์ด้วยคอมพิวเตอร์
• วารสารรังสีวิทยาและการผ่าตัดโดยใช้คอมพิวเตอร์ช่วย
• บีเอ็มซี เมดิคอล อิมเมจจิ้ง

นอกจากนี้ วารสารต่อไปนี้ยังตีพิมพ์บทความที่อธิบายวิธีการและการประยุกต์ใช้ทางคลินิกเฉพาะด้านของการประมวลผลภาพทางการแพทย์ หรือการประมวลผลภาพทางการแพทย์เฉพาะรูปแบบเป็นครั้งคราว

• วารสาร Radiologyซึ่งเป็นวารสารทางการของสมาคมรังสีวิทยาแห่งอเมริกาเหนือ
• ภาพประสาทวิทยา
• วารสารการถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้า (JMRI)
• การถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้าในทางการแพทย์ (MRM)
• วารสารการถ่ายภาพด้วยคอมพิวเตอร์ช่วย (JCAT)
• การทำแผนที่สมองมนุษย์