Grupperapport basal forskning

Radiologisk basalforskning
Bidrag til ”Strategi for radiologisk forskning”
Versjon 18 Mars 2010
Prosjektgruppe: Arvid Lundervold (UiB, leder/sekretær), Atle Bjørnerud (UiO), Ingrid Gribbestad (NTNU),
Antonella Zanna Munthe-Kaas (UiB), Hans-Hermann Gerdes (UiB), Renate Grüner (UiB), Helwig Hauser (UiB)
Bakgrunn
Radiologisk praksis vil de nærmeste årene vise en stor endring grunnet en brei utvikling av ulike biomedisinske bildeteknikker. Økt temporal og spatial oppløselighet har ført til at en rekke fysiologisk prosesser kan avbildes og flere bildeteknikker for visualisering av organfunksjon er utviklet. Behovet for forskning om biomedisinske bildeteknikker er stort. De
fagmiljøene som etablerer forskning om dette temaet vil utvikle faget og få eierskapet. Dette har internasjonal og nasjonale faglige fora tatt tak i og det er laget ulike strategi-dokument for å støtte denne prosessen (e.g. [25, 115]). Nå ønsker
NORAFO å gjøre det samme. NORAFO har gitt oppdraget til RadForsk. Dette del-dokumentet er et forslag til hvordan
denne prosessen kan motiveres og gjennomføres når det gjelder ‘basalfag’ innen biologi og teknologi .
Status i forskningsfeltet (basalfag1 )
Utviklingen innenfor en rekke fagfelt og teknolgier, som tematisk ikke umiddelbart forbindes med dagens klinisk-radiologiske
teknologi og praksis, vil kunne direkte eller indirekte påvirke fremtidens bildediagnostikk.
Vi kan nevne: imaging genetics [60, 71, 102], targeted gene og -cell imaging [28, 31, 54, 55], cell tracking [4, 12, 17,
37, 51, 59, 99, 100], metabolic profiling [91, 92, 95], imaging cell biology [75, 84, 103, 112], tissue engineering [6, 46, 81],
vascular modeling [39,53,82], anatomical structure modelling [5,85,86], computational anatomy [7,38,61,62,78,106],
systems biology [2,56,108,120], personalized medicine [8,19,23,24,33,65,93,104,116], multimodality imaging [57,66,69,
73, 74, 105, 113], image registration [9, 35, 40, 96], therapeutic imaging [3, 45, 89], drug delivery [10, 32, 34, 50, 77, 110],
bio-nanoscience [13, 20, 42–44, 48, 67], image segmentation [72, 97, 98, 107, 111, 118], machine learning og data mining [22, 27, 70, 76, 79, 87, 101, 117], 3-D printing (av anatomiske modeller) [29, 52, 94], imaging informatics [15, 16, 30,
49, 63, 83], computational science og high performance computing [47, 88, 121], grid- og cloud computing [36, 68, 109],
collaborative software [26, 58, 90], og videre begrepet ‘open science’ [1, 41, 64, 119] - som flere hevder vil representere et
paradigmeskifte innen forskning og forskningsformidling.
I det følgende vil vi kort beskrive utvalgte forskningsfelt og teknologiske trender som vi mener vil influere utviklingen
innen klinisk bildediagnostikk og på sikt også påvirke den radiologiske praksis.
Innledningsvis gir vi en visjon (Fig. 1) for utviklingen innen fremtidens radiologi og pasient-orienterte bildediagnostikk
knyttet til spatial skala og romlig oppløsning - “fra nano til makro”:
1 Flere sentrale tekniske begreper og termer er i teksten ikke forsøkt oversatt til norsk, men for noen av disse er en kortfattet beskrivelse gitt. Videre
er mange av temaene både knapt beskrevet og tildels ukjente for den vanlige radiolog så vi har funnet det riktig å supplere teksten med et stort antall
referanser som kan underbygge forstålse og de visjoner vi ønsker å formidle.
1
fra nano til makro
Musculo-skeletal system
Circulatory system
Respiratory system
Digestive system
Nervous system
Urinary system
Reproductive system
Endocrine system
Lymphoidal system
Organisme
Organ
Vev
Muscle tissue
Nerve tissue
Connective tissue
Epithelial tissue
Blood
Celle
Organelle
Mitochondria
Nucleus
Endoplasmic
reticulum
Cell membrane
”Physiomics”
Protein
DNA
Multi-skala, multi-modal,
strukturell og funksjonell
kvantitativ bildediagnostikk …
Figur 1: Trender i medisinske bildediagnostikk - fra nano til makro. Visjon: Radiologiske modaliteter og andre bildedannende undersøkelser vil samordnes og samtolkes innenfor et rammeverk av multi-skala, multimodal strukturell- og
funksjonell, kvantitativ bildediagnostikk ...
Nye bildedannende teknologier og fysiske prinsipper
[R.G. ?]
Signaldeteksjon, signalbehandling og bildedannelse
[R.G. ?]
Cellebiologi & live-cell imaging
[H.-H.G. ?]
Tissue engineering
[H.-H.G. ?]
Bio-nanoscience
[H.-H.G. ?]
2
Molecular imaging
[I.G. ?]
Metabolic profiling
[I.G. ?]
Imaging genetics
Imaging genetics er nytt tverrfaglig felt som forener strukturelle og funksjonell avbildningsteknikker med genetiske analyser for å studere hvordan fenotypiske utrykk (e.g. patologi og kvantitative abnormaliteter) avledet fra bildedata har
sammenheng med genetisk variasjon. Feltet ble først etablert innen psykiatri og funksjonell hjerneavbildning der man
karakteriserer aktiveringsmønstre eller morfometriske mål (biomarkører eller endofenotyper) og studerer statistiske sammenhenger mellom disse og genetisk variasjon (e.g. SNP, GWAS) i klinisk veldefinerte pasientgrupper.
Systembiologi
Systembiologi har fått tiltagende plass i moderen biologisk og biomedisinsk forskning, og avhengig av kontekst har begrepet fått flere tolkninger: Fra den svært smale “anvendelse av teorien for dynamiske systemer på molekylærbiologiske
prosesser” til den langt bredere “et sosiovitenskapelig fenomen karakterisert ved en strategi for å integrere komplekse
data om vekselvirkninger i biologiske systemer fra ulike måleapparater og eksperimentelle kilder ved bruk av tverrfaglige verktøy og personell” (Wikipedia). To artikler om klinisk systembiologi og en redaksjonell kommentar finnes i den
svenske Läkartidningen 2007;104(42) (e.g. [11]).
Mot bilde-basert systembiologi …
Det store spenn i spatial- og temporal skala innenfor kroppens biologiske systemer:
Å
nm
ns
µs
mm
µm
ms
s
min
cm - dm - m
hrs
days
years
Fra: C. Dollery and R. Kitney, Systems biology - A vision for engineering and medicine,
Tech. report, The Academy of Medical Sciences and The Royal Academy of Engineering, London, UK, Feb. 2007.
Figur 2: Avbildning av biologiske strukturer og prosesser på ulik skala i rom og tid, og utvikling mot bilde-basert systembiologi. Visjon: Makroskopiske radiologiske undersøkelser vil kombineres med patologisk-anatomiske og molekylærbiologiske bildedannende undersøkelser samt beregnbare modeller for kvantitative diagnostikk, prognostikk og multi-skala
“personalized medicine” ...
3
Multimodalitets-avbildning
Ved å undersøke et organ eller vevsavsnitt med flere fysiske målemetoder eller ved å variere opptaksparametre innen
samme fysiske bildemodalitet (e.g. ulike pulssekvenser i MR) vil man oppnå bredspektret informasjon fra vevet, i.e.
multimodalitets-avbildning. For å fullt utnytte denne informasjon matematisk, statistisk, eller visualiseringsmessig i diagnostisk sammenheng må man som regel også innlemme metoder for bilderegistrering (se beskrivelse nedenfor). Figur 3
illustrer multimodalitet MR avbildning av hjerne og de muligheter dette gir når avansert bildeanalyse også tas i bruk.
a)
Venstre gyrus precentralis
3D anatomi
Fordeling av FA verdier i ve.
tractus corticospinalis
Subcortical segmentering
Cortical parsellering
d)
PWI
Multimodal
MR avbildning
Venstre gyrus precentralis
b)
e) ICA analysis
DTI
c)
TOF-MRA
Ischemisk region:
f)
rCBF
rCBV
MTT
TTP
Figur 3: Illustrasjon av multimodalitet MR avbildning av hjerne (andre fysiske modaliteter som CT, PET og ultralyd
kunne også vært innlemmet i dette bilde; likeledes kunne andre organsystemer vært benyttet som eksempel, e.g. hjerte,
nyrer, mamma, prostata). a) Strukturell 3D avbildning med høy romlig oppløsning av det aktuelle organ samt semiautomatisk segmentering av anatomiske regioner og strukturer som muligjør kvantitative målinger av arealer, volumer og
form (morfometri). b) Visualisering av fibersystemer (her corticospinale baner) etter postprosessering og segmentering
av de originale DTI bildeopptak. Man kan også trekke ut kvantitative mål på “vevs-integritet”, e.g. fraksjonell anisotropi
(FA). c) Fremstilling av vaskulære systemer ved bruk av time-of-flight MR angiografi. d) Perfusjons-vektet avbildning
(PWI) med injeksjon av kontrastmiddel (tracer)og voxel-vis visualisering av signalvariasjon (bolus-tracking) over tid.
e) Data-drevet segmentering, basert på bruk av independent component analysis (ICA), av områder med hhv. “normal”
vevsperfusjon og områder med tegn på ischemi. f) Modellbasert estimering av fysiologiske perfusjonsparametre: regional (voxelvis) cerebral blodflow (rCBF), regionalt cerebralt blodvolum (rCBV), midlere transitt-tid for kontrastpassasje i
kappilærsengen (MTT), og time-to-peak av kontrast (TTP). Hvert av disse voxel-vise estimater fremstilles som parametriske bilder (“maps”). Visjon: Multi-modalitetsavbildning kombindert med avanserte bilderegistrering og multivariat
(multispektral) analyse vil i økende grad bli tatt i bruk innen flere organsystemer og gi betydlige gevinster når det gjelder
diagnostisk sensitivitet og spesifisitet og patofysiologisk forståelse, og videre gi et kvantitativt rammeverk for evaluering
og monitorering av terapi ...
Kontrastmidler & drug delivery
[A.B. ?]
Når det gjelder bruk av kontrastmidler for vaskulære undersøkelser og kartlegging av vevsperfusjon og karpermeabi4
litet illustrerer Fig. 4 prinsipper og forskningsaktiviteter og på svært ulik skala og med forskjellig fokus.
Kar – Flow – Perfusjon – Permeabilitet
Karsegmentering
(vessel tracking)
The 3D vascular model
3D MRI data
Modellering og simulering av drug delivery (M. Kocinski)
Simulering av vaskulær kontrast-lekkasje i lukket vevskompartment
under antagelse om diffusiv og konvektiv transport over kapillærvegg
Konsentrasjon
Kapillærlumen
Ekstravaskulært
væske-rom
COMSOL®
Multiphysics
Kapillærvegg
Bolus-injeksjon av kontrastmiddel
with Marek Kocinski, Technical University of Lodz, PL
Figur 4: Bruk av MR kontrastmiddel for fremstilling av vaskulære trær; karsegmentering (“vessel tracking”), og modellering og simulering av “drug delivery” i realistisk geometri; modellering av biofysiske mekanismer knyttet til transport
av kontrastmiddel over permeable kapillær-vegger ved bruk av avansert simulerings-programvare for multifysikk fenomener basert på numerisk løsning av partielle differensiallikninger (PDEer) og endelig elementmetoder (FEM). Visjon:
Strukturelle bildedata vil bli brukt ikke bare i visuell morfologisk diagnostikk, men også for fremskaffe realistisk geometri
som vil inngå i matematisk modellering og simulering av normale og sykelig forandrede prosesser i den enkelte pasient
- det kan gjelde risikovurdering av aneurismer, vaskulær tumorkarakterisering, og for løsning av invers-problemer der
estimering av funksjonelle parametere, f.eks. knyttet til mekaniske- eller bioelektriske egenskaper (i hjerne og hjerte), er
sterkt influert av geometri og anatomiske forhold hos pasienten (e.g. “the forward model”) ...
Imaging informatics
[A..B. ?]
Bilde-segmentering
Bildesegmentering er en av nøkkelkomponentene i de fleste rutiner som krever kvantifisering av informasjon fra medisinske bilder. Som for de fleste teknikker innenfor bildebehandling, har det blitt en eksplosjon av nye metoder baserte
på avanserte matematiske og statistiske teknikker. Her kan vi nevne metoder basert på clustering, deformerbare modeller, shape priors og atlaser (kfr. oversiktartikkelen [72]). Blant de nyeste metoder er såkalte “graph cuts” teknikker, som
har visst seg å være spesielt interessante fordi de er kjappere enn metoder basert f.eks. på differensiallikninger [14]. Utfordringen er som oftest å finne den beste bildeopptaks-metode for organet eller vevet som er av interesse, for å oppnå
tilfredstillende SNR, anatomisk dekning, tidsoppløsning etc., for så å kunne (full)automatisere segmenteringsprosessen og
få tilfredstillende resultater kort tid etter bildeopptakene. Mange segmenteringsmetoder er i sitt vesen også generiske i den
forstand at de har anvendleser også utenfor det medisinsk domenet. Et godt eksemple på dette er objekt-føling metodene
(aktive konturer og “snake” modeller) illustrert i Fig. 5.
5
Objekt-tracking
og tracing
Generiske metoder …
Motorvei
Hjerte
Figur 5: Tracking og tracing av objekter eller bevegelige konturer. Visjon: Radiologiske modaliteter og diagnostiske
problemstillinger knyttet til medisinske bildedata vil kunne tiltrekke seg (og raskt gjøre seg nytte av) bildebehandlingskompetanse med applikasjons-bakgrunn fra helt andre fagområder enn biologi og medisin ...
Bilde-registrering
Mye har blitt oppnådd innen registrering (alignment) av medisinske bilder gjennom de siste ti årene. Om man skulle velge
to hovedmomenter, er det ene fremskrittet innen ikke-rigid (elastisk) bilderegistrering [21],, og det andre fremskritt innen
multimodal registrering [96]. Selv om rigid registrering kan gi tilfredstillende resultater for en del radiologiske bildeteknikker og for organer som hjerne og skjelett, kan det være helt nødvendig at metodene skal kunne deformere det avbildete
objekt for å få best mulig match. Fortstatt mange utfordringer gjenstår, blant annet full-automatisering av registrering, behandling av store mengder data innen rimelig prosesseringstid, samt gode evalueringsmetoder. Trender peker på metoder
som kan behandle kompliserte dataset fortløpende. Når det gjelder multimodal registrering, er det stor forskningsaktivitet
som muliggjør voxel-for-voxel sammenlikning av forskjellige opptak, e.g. MRI, CT, PET, US; og videre kombinere denne
bildeinformasjon med avanserte visualiserings-teknikker og multispektral analysis og klassifikasjon for å kunne stille bedre diagnose eller prognose. Et viktig moment er at registreringsprosessen ikke må endre den (kvantiterbare) informasjon
som bildene hver for seg innholder.
Beregningsvitenskap
Beregningsvitenskap og modellering av biologiske prosesser har kommet for full fart inn i moderne utvikling av medisin og biologi. Dette gjøres i stor grad gjennom å formulere og løse såkalte inverse problemer, der en parameterisert
modell blir laget for å beskrive en fysiologisk prosess, og der relevante bildeopptak brukes til kvantifisere parameterene
i prosessen. Resultatene vil være avhenging av (i) hvor god modellen er, (ii) av bildekvalitet, samt (iii) feilforplanting
fra tidligere prosesseringstrinn som f.eks. segmentering og registrering. Nye trender peker mot teknikker innenfor e.g.
“compress sensing” [80], som viser at signaler / bildedata som er glissne i noen representasjoner kan bli rekonstruert fra
et fåtall random projeksjoner. Det er også stor utvikling innen selve data-teknologien som tas i bruk i beregningene, e.g.
multi-kjerne prosessorer og bruk av selve grafikk- prosessorene (GPU-ene) til parallelle numeriske beregninger.
Nylig har Norges forskningsråd nedsatt et fagutvalg, e-Infrastructure Scientific Opportunities Panel (eSOP)
https://ow.feide.no/esop:start, som skal kartlegge behov og foreslå retningslinjer fra 2015 og fremover for
investering og bruk av tungregneressurser (High Performance Computing) og beregningsvitenskap innen ulike vitenskapelige disipliner, deriblant biologi og klinisk medisin i Norge.
6
Figur 6 illustrerer modell-basert beregning av nyrefunksjonsparametere estimert fra dynamisk kontrastforsterket (DCE)
MRI, og er en typisk anvendelse av beregningsvitenskap innen radiologi.
Farmakokinetisk modellering i den bevegelige nyre
Modifiser fra Lee et al. (2003) Dynamic 3D MR renography for measurement of single kidney function: initial experience.
Figur 6: Beregning av nyrefunksjonsparametere (e.g. GFR) fra dynamisk kontrastforsterket MRI opptak (3D+tid) ved bruk
av multi-kompartment modell som beskriver nyrens behandling av kontrastmiddelet i ulike avsnitt. Merk at slik parameterestimering først er mulig (gyldig) etter at adekvat bilderegistrering (“motion correction”) av den romlige tidsserien er
utført. Visjon: Stadig flere diagnostiske spørsmål i radiologien vil være karakterisert ved kvantitative løsninger og bli
formulert som invers-problemer innenfor et matematisk / statistisk rammeverk, i.e. vi ønsker å estimere verdier av (skjulte)
biologiske parametre fra (observerte) bildedata ved bruk av matematiske- og statistiske modeller og optimeringsteori ...
Avansert visualisering
[H.H. ?]
Maskinlæring & data mining
Maskinlæring er en vitenskapelig og teknologisk disiplin som konstruerer og studerer algoritmer som gjør datamaskiner
i stand til utnytte empiriske data fra sensorer/måleinstrumenter eller databaser i den hensikt å gjenkjenne komplekse
mønstre i disse data samt gjøre intelligente (be)slutninger basert på slike data. Maskinlæring er metodisk og tematisk nær
knyttet til felter som teoretisk datavitenskap, kunstig intelligens (AI), statistisk mønstergjenkjenning, adaptiv kontroll, og
“data mining”. Anvendelser av maskinlæring finner vi innen kunstig datasyn (computer vision), bildeanalyse, naturlig
språkprosessering (talegjenkjenning, automatisk oversettelse), (hånd)skriftgjenkjenning, søkemotorer, kunnskapsbaserte
systemer (KBS), beslutningsstøttesystemer, brain-machine interfaces (BCI), og robotkontroll. I lys av disse anvendelsesområdene, mange relatert til avanserte medisinsk diagnostiske eller -administrative oppgaver, vil maskinlæring få økende
betydning - direkte eller indirekte - i fremtidens radiologi.
“Data mining” betegner metoder for å ekstrahere potensielt nyttige og statistisk meningsfulle mønstre og sammenhenger i (store) datasett. Det er utviklet en rekke statistiske teknikker og algoritmer til dette formål (se f.eks.
www.autonlab.org/tutorials) og anvendelsene av data mining er økende innen flere biologiske og medisinske forskningsfelt som bioinformatikk og epidemiologi, samt kommersielle områder som markedsføring og overvåking (e.g. bruk
av internett og elektrisitetsnett). Underliggende data kan være spatiale (e.g. bildedata eller geografiske data) og/eller temporale (e.g. biologiske signaler, økonometriske tidsserier).
7
Open science og reproducible research
“Open science” bevegelsen (e.g. www.openscience.org) går i stor grad ut på å dele data og ikke minst programvare
med åpen kildekode for analyse av eksperimentelle (og kliniske) data. Et eksempel på deling av data innenfor (nevro)radiologi er OASIS databasen, Open Access Structural Imaging Series (www.oasis-brains.org), som er en serie
fritt tilgjengelige dataset bestående av cerebrale MRI opptak fra 416 individer i aldersgruppen 18-96 år hvorav noen med
klinisk diagnostisert Alzheimers sykdom. I tillegg finnes longitudinelle data fra 150 eldre individer samt utvalgte måledata (metadata) som alder, utdanning, MMSE, mm. Gruppen som står bak har bred offentlig finansiering og formålet med
prosjektet er: “... by compiling and freely distributing MRI data sets, we hope to facilitate future discoveries in basic and
clinical neuroscience”. Denne type initiativ bør også vurderes i våre nasjonale radiologiske og kliniske miljøer, gjerne
også for andre organsystemer og modaliteter, og da sees i sammenheng med lange og fruktbare tradisjoner innen norsk
registerepidemiologi.
“Reproducible research” (RR) uttrykker en ideologi og praksis blant forskere som fremmer åpenhet og tilgjengelighet av all underliggende informasjon når det gjelder rapportering av forskningsresultater og vitenskapelig publisering (se
www.reproducibleresearch.net og www.rrplanet.com). Spesielt gjelder dette der forfatteren(e) har benyttet algoritmer og programvare for produksjon av resultater (e.g. figurer og tabeller) og der (viktige) detaljer i prosessen som f.eks.
parameterverdier eller underliggende data ikke kommer eksplisitt frem i selve hovedpublikasjonen, men som supplerende
informasjon. Selv om fagfeltene der RR har fått innflytelse typisk har vært geofysikk, anvendt statistikk, signalbehandling
og bioinformatikk, vil radiologi og postprosessering være svært nærliggende felt der RR kan ha sin forskningsmessige betydning i fremtiden. Motivasjonen bak RR er økt forskningskvalitet og høyere hastighet i kunnskapsproduksjonen
gjennom at uklarheter og feiltrinn lettere oppdages og at man mer direkte kan bygge på hverandres forskningsresultater.
Det fjerde paradigme og eScience
“Det fjerde paradigme” (the Fourth Paradigm) og eScience betegner en nye fase innen vitenskap og forskning (kfr. Fig. 7).
... Bodies like CERN and astronomers [we could add bioinformatics and medical imaging] spew out enormous
amounts of data. Science has gone through the experimental, the theoretical and the computational. It is now
in the midst of the fourth stage: the Fourth Paradigm, characterised by the analysis of massive data sets
(in which, increasingly, new discoveries are made, not by hypothesis, but by data-driven computing). Its
the only way to even begin managing the Tsunami of data deluge. More importantly, if its free, open and
utterly transparent it will be less likely to be burdened or corrupted even by big corporations, laboratories
or governments. Equally importantly, it can speed the pace of research by facilitating the faster exchange of
data between researchers, both inside and outside formal scientific structures. (Gary Richmond, March 2010
http://fsmsh.com/3290).
En mer utdypende fremstilling av dette spennende og utfordrende tema finnes i boken: Hey T, Tansley S, Tolle K (eds.)
“The Fourth Paradigm: Data-Intensive Scientific Discovery”, Microsoft Research, 2009
(http://research.microsoft.com/en-us/collaboration/fourthparadigm). Av spesiell interesse for radiologi og biomedisinsk basalforskning er Part 2: “Health and wellbeing”.
8
www.fourthparadigm.org
Figur 7: Det Fjerde paradigme i vitenskapen. Visjon: Radiologisk forskning med akkvisisjon, registrering og lagring av
store (petabyte) mengder bildedata og metadata ifra ulike sykdomstilstander og -prosesser, ifra ulike kliniske pasientgrupper, og fra ulike modaliteter, laboratorier og institusjoner vil bli samordnet og organisert gjennom bruk av avansert dataog kommunikasjonsteknologi (= eInfrastruktur) og gjenstand for en ny type forskningstrategi basert på vekselvis utvikling
av sykdomsteori og -modeller, simuleringer, og dataintensiv eksplorasjon (= eVitenskap) ...
Utfordringer
• Tverrfaglig miljøbygging
• Rekruttering av medisinerstudenter og leger til forskning
• Tid, motivasjon, og insitamenter til faglig fordyping / videre- og etterutdanning
• Tilgang på ny, og oppdatering av “gammel” teknologi (e.g. modaliteter, pulssekvenser, postprosesseringsverktøy)
• Tilgang på kompetanse (e.g. samarbeidende kliniker, forskningsradiograf, fysiker, biolog, bildebehandler)
• Avsette tid og ressureser, og etablere konkuransedyktige ferdigheter i søknad-skriving / funding (e.g. [115])
Mål
(evaluerbare)
• Antall og type prosjekt-etableringer (med basis i radiologisk avdeling)
• Publikasjoner (nivå, antall, flerfaglig, utenlandske medforfattere)
• Uteksaminerte master- og PhD-kandidater
• Etablering av nye prosedyrer (avanserte teknologiske / biologiske / diagnostiske metoder)
9
Tiltak
• Krav om gjennomføring av publiserbart forskningsprosjekt, med adekvat veiledning under spesialistutdanningen
• Tverrfaglige forskerskoler og utdanningstilbud (cellebiologi, bildebehandling, eksperimentelle design, farmakokinetikk, statistikk, medisinsk fysikk e.g. [114])
Vi har nå fått Nasjonal forskerskole i medisinsk avbildning (www.medicalimaging.ntnu.no), finansiert av
NFR.
• Samarbeidsprosjekter mellom fagfeltene (e.g. “tandem-PhD”)
• Felles møteplasser (seminarer, workshops, konferanser)
• Internasjonal kontakt / forskerutveksling / studentutveksling (Norden, EU, Erasmus, COST, EIBIR, ESR, RSNA,
ACR)
• Etablering og skolering i felles verktøy og åpne standarder: (i) kollaborative verktøy (e.g. WIKI, SVN, Google
Wave); (ii) deling av bildedata og metadata (e.g. SQL, Grid, NOTUR, NORSTORE); (iii) “nye” skriveverktøy (e.g.
Latex / Bibtex, OpenOffice, JabRef); (iv) “nye” (åpne) regneverktøy og bildebehandlingsverktøy [18, 63] (e.g. R,
Matlab, Mipav, ImageJ, Sage)
• Forskningspriser / stimuleringsmidler
Nasjonale og internasjonale partnere
• MI Lab - Senter for forskningsdrevet innovasjon (NTNU)
• MedViz (Bergen / Helse-Vest)
• Intervensjonssenteret (Oslo)
• RadForsk (Nasjonalt)
• Nasjonal forskerskole i medisinsk avbildning
• NorForsk, EU / ESF / COST / EIBIR, ESR, RSNA, ACR
10
Referanser
[1] Michael J Ackerman. Open science: the
coming paradigm shift. J Med Pract Manage, 22(4):212–213, 2007.
[2] Kirkwood Adams. Systems biology and
heart failure: concepts, methods, and potential research applications. Heart Fail
Rev, Apr 2009.
[3] Wafa’ T Al-Jamal and Kostas Kostarelos.
Liposome-nanoparticle hybrids for multimodal diagnostic and therapeutic applications. Nanomed, 2(1):85–98, Feb 2007.
[4] Ali S Arbab and Joseph A Frank. Cellular mri and its role in stem cell therapy.
Regen Med, 3(2):199–215, Mar 2008.
[5] Neculai Archip, Robert Rohling, Vincent Dessenne, Pierre-Jean Erard, and
Lutz Peter Nolte. Anatomical structure
modeling from medical images. Comput
Methods Programs Biomed, 82(3):203–
215, Jun 2006.
[6] Jeffrey J Ballyns and Lawrence J Bonassar. Image-guided tissue engineering. J
Cell Mol Med, Jul 2009.
[7] Sajjad Baloch and Christos Davatzikos.
Morphological appearance manifolds in
computational anatomy: groupwise registration and morphological analysis.
Neuroimage, 45(1 Suppl):S73–S85, Mar
2009.
[8] Jacques Barbet, Franoise Kraeber-Bodr,
and Jean-Franois Chatal.
What can
be expected from nuclear medicine tomorrow? Cancer Biother Radiopharm,
23(4):483–504, Aug 2008.
[9] Dean C Barratt, Carolyn S K Chan, Philip J Edwards, Graeme P Penney, Mike
Slomczykowski, Timothy J Carter, and
David J Hawkes. Instantiation and registration of statistical shape models of
the femur and pelvis using 3d ultrasound
imaging. Med Image Anal, 12(3):358–
374, Jun 2008.
[10] Mattias Belting and Anders Wittrup.
Macromolecular drug delivery: Basic
principles and therapeutic applications.
Mol Biotechnol, May 2009.
[11] Mikael Benson, Lars Olaf Cardell, Stefan
Hohmann, Mats Jirstrand, Michael Langston, Reza Mobini, and Olle Nerman.
[systems biology can radically change
health care. basis for individualized prediction, prevention and treatment]. Lakartidningen, 104(42):3037–3041, 2007.
[12] Monique Bernsen, Amber Moelker, Piotr
Wielopolski, Sandra van Tiel, and Gabriel Krestin. Labelling of mammalian cells
for visualisation by mri. Eur Radiol, Aug
2009.
[13] Elodie Boisselier and Didier Astruc. Gold
nanoparticles in nanomedicine: preparations, imaging, diagnostics, therapies and
toxicity. Chem Soc Rev, 38(6):1759–
1782, Jun 2009.
[14] Yuri Y. Boykov and Marie P. Jolly. Interactive graph cuts for optimal boundary region segmentation of objects in n-d
images. Computer Vision, IEEE International Conference on, 1, 2001.
[15] Barton F Branstetter. Basics of imaging informatics. part 1. Radiology,
243(3):656–667, Jun 2007.
[16] Barton F Branstetter. Basics of imaging informatics: part 2. Radiology,
244(1):78–84, Jul 2007.
[17] Jeff W M Bulte. In vivo mri cell tracking:
clinical studies. AJR Am J Roentgenol,
193(2):314–325, Aug 2009.
[18] Jesus J Caban, Alark Joshi, and Paul Nagy. Rapid development of medical imaging tools with open-source libraries. J
Digit Imaging, 20 Suppl 1:83–93, Nov
2007.
[30]
[31]
[32]
[19] Weibo Cai and Xiaoyuan Chen. Nanoplatforms for targeted molecular imaging
in living subjects. Small, 3(11):1840–
1854, Nov 2007.
[20] Shelton D Caruthers, Samuel A Wickline,
and Gregory M Lanza. Nanotechnological applications in medicine. Curr Opin
Biotechnol, 18(1):26–30, Feb 2007.
[21] W. R. Crum, T. Hartkens, and D. L. Hill.
Non-rigid image registration: theory and
practice. The British journal of radiology, 77 Spec No 2, 2004.
[22] Pragya A Dang, Mannudeep K Kalra,
Michael A Blake, Thomas J Schultz,
Markus Stout, Paul R Lemay, David J
Freshman, Elkan F Halpern, and Keith J
Dreyer. Natural language processing
using online analytic processing for assessing recommendations in radiology reports. J Am Coll Radiol, 5(3):197–204,
Mar 2008.
[23] Dominique Delbeke, Heiko Schder, William H Martin, and Richard L Wahl. Hybrid imaging (spect/ct and pet/ct): improving therapeutic decisions. Semin Nucl
Med, 39(5):308–340, Sep 2009.
[33]
[34]
[35]
[36]
[24] William C Eckelman, Richard C Reba,
and Gary J Kelloff. Targeted imaging:
an important biomarker for understanding
disease progression in the era of personalized medicine. Drug Discov Today,
13(17-18):748–759, Sep 2008.
[25] Richard L Ehman, William R Hendee,
Michael J Welch, N. Reed Dunnick, Linda B Bresolin, Ronald L Arenson, Stanley Baum, Hedvig Hricak, and James H
Thrall. Blueprint for imaging in biomedical research. Radiology, 244(1):12–27,
Jul 2007.
[26] Stephan G Erberich, Jonathan C Silverstein, Ann Chervenak, Robert Schuler,
Marvin D Nelson, and Carl Kesselman.
Globus medicus - federation of dicom
medical imaging devices into healthcare grids. Stud Health Technol Inform,
126:269–278, 2007.
[27] Joseph P Erinjeri, Daniel Picus, Fred W
Prior, David A Rubin, and Paul Koppel. Development of a google-based search engine for data mining radiology reports. J Digit Imaging, 22(4):348–356,
Aug 2009.
[28] Leonard Fass. Imaging and cancer: a
review. Mol Oncol, 2(2):115–152, Aug
2008.
[29] Zigang Ge, Xianfeng Tian, Boon Chin
Heng, Victor Fan, Jin Fei Yeo, and Tong
11
[37]
[38]
[39]
[40]
[41]
Cao.
Histological evaluation of osteogenesis of 3d-printed poly-lactic-coglycolic acid (plga) scaffolds in a rabbit
model. Biomed Mater, 4(2):21001, Apr
2009.
J. Raymond Geis. Medical imaging informatics: how it improves radiology practice today. J Digit Imaging, 20(2):99–
104, Jun 2007.
Carlos F G C Geraldes and Sophie Laurent. Classification and basic properties
of contrast agents for magnetic resonance
imaging. Contrast Media Mol Imaging,
4(1):1–23, 2009.
Jerry D Glickson, Sissel Lund-Katz,
Rong Zhou, Hoon Choi, I-Wei Chen,
Hui Li, Ian Corbin, Anatoliy V Popov, Weiguo Cao, Liping Song, Chenze Qi, Diane Marotta, David S Nelson,
Juan Chen, Britton Chance, and Gang
Zheng. Lipoprotein nanoplatform for
targeted delivery of diagnostic and therapeutic agents. Adv Exp Med Biol,
645:227–239, 2009.
R. Grassi, R. Lagalla, and A. Rotondo.
Genomics, proteomics, mems and saif:
which role for diagnostic imaging? Radiol Med, 113(6):775–778, Sep 2008.
Nicolas Grenier, Francesco Sardanelli,
Christoph D Becker, Jerzy Walecki, Guy
Sebag, David John Lomas, and Gabriel P
Krestin. Development of molecular imaging in the european radiological community. Eur Radiol, 19(3):533–536, Mar
2009.
Yujun Guo, Radhika Sivaramakrishna,
Cheng-Chang Lu, Jasjit S Suri, and Swamy Laxminarayan. Breast image registration techniques: a survey. Med Biol Eng
Comput, 44(1-2):15–26, Mar 2006.
Metin N Gurcan, Tony Pan, Ashish Sharma, Tahsin Kurc, Scott Oster, Stephen
Langella, Shannon Hastings, Khan M
Siddiqui, Eliot L Siegel, and Joel Saltz.
Gridimage: a novel use of grid computing to support interactive human and
computer-assisted detection decision support. J Digit Imaging, 20(2):160–171, Jun
2007.
Robert M Hoffman. Imaging cancer dynamics in vivo at the tumor and cellular
level with fluorescent proteins. Clin Exp
Metastasis, 26(4):345–355, 2009.
Darryl D Holm, J. Tilak Ratnanather,
Alain Trouv, and Laurent Younes. Soliton dynamics in computational anatomy. Neuroimage, 23 Suppl 1:S170–S178,
2004.
Su Huang, Rafail Baimouratov, Ihar Volkau, and Wieslaw L Nowinski. Ivme:
a tool for editing, manipulation, quantification, and labeling of cerebrovascular
models. Comput Med Imaging Graph,
30(3):187–195, Apr 2006.
Brian F Hutton, Michael Braun, Lennart
Thurfjell, and Dennys Y H Lau. Image
registration: an essential tool for nuclear
medicine. Eur J Nucl Med Mol Imaging,
29(4):559–577, Apr 2002.
Paul Hynek. The hyper-commons: how
open science prizes can expand and level the medical research playing field.
Rejuvenation Res, 11(6):1065–1072, Dec
2008.
[42] Atsushi Ikai. A review on: Atomic force
microscopy applied to nano-mechanics of
the cell. Adv Biochem Eng Biotechnol,
Mar 2009.
[43] Esmaiel Jabbari.
Targeted delivery
with peptidomimetic conjugated selfassembled nanoparticles. Pharm Res,
26(3):612–630, Mar 2009.
[44] K. K. Jain. Role of nanobiotechnology in developing personalized medicine
for cancer. Technol Cancer Res Treat,
4(6):645–650, Dec 2005.
[45] Ferenc A Jolesz. Mri-guided focused ultrasound surgery. Annu Rev Med, 60:417–
430, 2009.
[46] Julian R Jones, Robert C Atwood, Gowsihan Poologasundarampillai, Sheng Yue,
and Peter D Lee. Quantifying the 3d
macrostructure of tissue scaffolds. J Mater Sci Mater Med, 20(2):463–471, Feb
2009.
[47] R. S. Kalawsky, J. O’Brien, and P. V.
Coveney.
Improving scientists’ interaction with complex computationalvisualization
environments
based
on a distributed grid infrastructure.
Philos Transact A Math Phys Eng Sci,
363(1833):1867–1884, Aug 2005.
[48] Kianoush Khosravi-Darani, Abbas Pardakhty, Hamid Honarpisheh, V. S N Malleswara Rao, and M. Reza Mozafari. The
role of high-resolution imaging in the
evaluation of nanosystems for bioactive
encapsulation and targeted nanotherapy.
Micron, 38(8):804–818, 2007.
[49] Maria Y Y Law, Brent Liu, and Lawrence W Chan. Informatics in radiology:
Dicom-rt-based electronic patient record
information system for radiation therapy.
Radiographics, 29(4):961–972, 2009.
[50] Thomas Leitha. Nuclear medicine: proof
of principle for targeted drugs in diagnosis and therapy. Curr Pharm Des,
15(2):173–187, 2009.
[51] Christoper M Long and Jeff W M Bulte. In vivo tracking of cellular therapeutics using magnetic resonance imaging. Expert Opin Biol Ther, 9(3):293–
306, Mar 2009.
[52] Mathias Markert, Stefan Weber, and
Tim C Lueth. A beating heart model 3d printed from specific patient data.
Conf Proc IEEE Eng Med Biol Soc,
2007:4472–4475, 2007.
[53] Michael Markl, Ralf Schumacher, Jrg Kffer, Thorsten A Bley, and Jrgen Hennig.
Rapid vessel prototyping: vascular modeling using 3t magnetic resonance angiography and rapid prototyping technology.
MAGMA, 18(6):288–292, Dec 2005.
[54] T. F. Massoud, A. Singh, and S. S.
Gambhir. Noninvasive molecular neuroimaging using reporter genes: part i,
principles revisited. AJNR Am J Neuroradiol, 29(2):229–234, Feb 2008.
[55] T. F. Massoud, A. Singh, and S. S.
Gambhir. Noninvasive molecular neuroimaging using reporter genes: part ii,
experimental, current, and future applications. AJNR Am J Neuroradiol,
29(3):409–418, Mar 2008.
[56] Tarik F Massoud and Sanjiv S Gambhir.
Integrating noninvasive molecular imaging into molecular medicine: an evolving paradigm.
Trends Mol Med,
13(5):183–191, May 2007.
multimodality imaging in oncology. Crit
Rev Oncol Hematol, 68(1):60–65, Oct
2008.
[57] Osama Mawlawi and David W Townsend. Multimodality imaging: an update
on pet/ct technology. Eur J Nucl Med Mol
Imaging, 36 Suppl 1:S15–S29, Mar 2009.
[70] Sang Cheol Park, Jiantao Pu, and
Bin Zheng.
Improving performance
of computer-aided detection scheme by
combining results from two machine learning classifiers. Acad Radiol, 16(3):266–
274, Mar 2009.
[58] Christopher Meenan, Antoinette King,
Christopher Toland, Mark Daly, and Paul
Nagy. Use of a wiki as a radiology departmental knowledge management system. J
Digit Imaging, Jan 2009.
[71] Jeffrey R Petrella, Venkata S Mattay, and
P. Murali Doraiswamy. Imaging genetics
of brain longevity and mental wellness:
the next frontier? Radiology, 246(1):20–
32, Jan 2008.
[59] Erik Meijering, Oleh Dzyubachyk, Ihor
Smal, and Wiggert A van Cappellen. Tracking in cell and developmental biology.
Semin Cell Dev Biol, Aug 2009.
[72] D. L. Pham, C. Xu, and J. L. Prince. Current methods in medical image segmentation. Annu Rev Biomed Eng, 2:315–337,
2000.
[60] Andreas Meyer-Lindenberg and Daniel R
Weinberger. Intermediate phenotypes and
genetic mechanisms of psychiatric disorders. Nat Rev Neurosci, 7(10):818–827,
Oct 2006.
[61] Michael I Miller. Computational anatomy: shape, growth, and atrophy comparison via diffeomorphisms. Neuroimage,
23 Suppl 1:S19–S33, 2004.
[62] Michael I Miller, Carey E Priebe, Anqi Qiu, Bruce Fischl, Anthony Kolasny,
Timothy Brown, Youngser Park, J. Tilak
Ratnanather, Evelina Busa, Jorge Jovicich, Peng Yu, Bradford C Dickerson,
Randy L Buckner, and Morphometry
BIRN. Collaborative computational anatomy: an mri morphometry study of the
human brain via diffeomorphic metric
mapping. Hum Brain Mapp, 30(7):2132–
2141, Jul 2009.
[63] Paul Nagy. Open source in imaging informatics. J Digit Imaging, 20 Suppl 1:1–10,
Nov 2007.
[64] Cameron Neylon and Shirley Wu. Open
science: tools, approaches, and implications. Pac Symp Biocomput, pages 540–
544, 2009.
[65] Adrian D Nunn. Molecular imaging
and personalized medicine: an uncertain
future. Cancer Biother Radiopharm,
22(6):722–739, Dec 2007.
[66] James P B O’Connor, Alan Jackson,
Marie-Claude Asselin, David L Buckley,
Geoff J M Parker, and Gordon C Jayson. Quantitative imaging biomarkers in
the clinical development of targeted therapeutics: current and future perspectives.
Lancet Oncol, 9(8):766–776, Aug 2008.
[67] Dipanjan Pan, Gregory M Lanza, Samuel A Wickline, and Shelton D Caruthers.
Nanomedicine: perspective and promises
with ligand-directed molecular imaging.
Eur J Radiol, 70(2):274–285, May 2009.
[68] Tony C Pan, Metin N Gurcan, Stephen A
Langella, Scott W Oster, Shannon L Hastings, Ashish Sharma, Benjamin G Rutt,
David W Ervin, Tahsin M Kurc, Khan M
Siddiqui, Joel H Saltz, and Eliot L Siegel.
Informatics in radiology: Gridcad: gridbased computer-aided detection system.
Radiographics, 27(3):889–897, 2007.
[69] Dimitri Papathanassiou and Jean-Claude
Liehn. The growing development of
12
[73] Bernd J Pichler, Martin S Judenhofer,
and Christina Pfannenberg. Multimodal
imaging approaches: Pet/ct and pet/mri.
Handb Exp Pharmacol, 185/1(185 Pt
1):109–132, 2008.
[74] Bernd J Pichler, Hans F Wehrl, and Martin S Judenhofer. Latest advances in molecular imaging instrumentation. J Nucl
Med, 49 Suppl 2:5S–23S, Jun 2008.
[75] Jason Pierson, Musa Sani, Cveta Tomova,
Susan Godsave, and Peter Peters. Toward
visualization of nanomachines in their native cellular environment. Histochem Cell
Biol, Aug 2009.
[76] Stephanie Powell, Vincent A Magnotta,
Hans Johnson, Vamsi K Jammalamadaka, Ronald Pierson, and Nancy C Andreasen. Registration and machine learningbased automated segmentation of subcortical and cerebellar brain structures. Neuroimage, 39(1):238–247, Jan 2008.
[77] J. M. Provenzale and G. A. Silva. Uses of
nanoparticles for central nervous system
imaging and therapy. AJNR Am J Neuroradiol, 30(7):1293–1301, Aug 2009.
[78] Anqi Qiu, Laurent Younes, and Michael I
Miller. Intrinsic and extrinsic analysis
in computational anatomy. Neuroimage,
39(4):1803–1814, Feb 2008.
[79] Md Mahmudur Rahman, Prabir Bhattacharya, and Bipin C Desai. A framework for medical image retrieval using
machine learning and statistical similarity
matching techniques with relevance feedback. IEEE Trans Inf Technol Biomed,
11(1):58–69, Jan 2007.
[80] Dikpal Reddy, Aswin C. Sankaranarayanan, Volkan Cevher, and Rama Chellappa. Compressed sensing for multi-view
tracking and 3-d voxel reconstruction. In
Image Processing, 2008. ICIP 2008. 15th
IEEE International Conference on, pages
221–224, 2008.
[81] Johannes C Reichert, Siamak Saifzadeh,
Martin E Wullschleger, Devakara R
Epari, Michael A Schtz, Georg N Duda, Hanna Schell, Martijn van Griensven,
Heinz Redl, and Dietmar W Hutmacher.
The challenge of establishing preclinical
models for segmental bone defect research. Biomaterials, 30(12):2149–2163,
Apr 2009.
[82] Johannes Reichold, Marco Stampanoni,
Anna Lena Keller, Alfred Buck, Patrick
Jenny, and Bruno Weber. Vascular graph
model to simulate the cerebral blood flow
in realistic vascular networks. J Cereb Blood Flow Metab, 29(8):1429–1443,
Aug 2009.
[83] Bruce I Reiner and Eliot L Siegel. The
clinical imperative of medical imaging informatics. J Digit Imaging, 22(4):345–
347, Aug 2009.
[84] Erika Rosivatz. Imaging the boundariesinnovative tools for microscopy of living
cells and real-time imaging. J Chem Biol,
1(1-4):3–15, Nov 2008.
[85] Daniel L Rubin. Creating and curating a
terminology for radiology: ontology modeling and analysis. J Digit Imaging,
21(4):355–362, Dec 2008.
[86] Daniel L Rubin, Ion-Florin Talos,
Michael Halle, Mark A Musen, and Ron
Kikinis. Computational neuroanatomy:
ontology-based representation of neural
components and connectivity.
BMC
Bioinformatics, 10 Suppl 2:S3, 2009.
[87] M. Sabuncu, S. Balci, M. Shenton, and
P. Golland. Image-driven population analysis through mixture modeling. IEEE
Trans Med Imaging, Mar 2009.
[88] Radhika S Saksena, Bruce Boghosian,
Luis Fazendeiro, Owain A Kenway, Steven Manos, Marco D Mazzeo, S. Kashif
Sadiq, James L Suter, David Wright, and
Peter V Coveney. Real science at the petascale. Philos Transact A Math Phys Eng
Sci, 367(1897):2557–2571, Jun 2009.
[89] Santimukul Santra, Charalambos Kaittanis, Jan Grimm, and J. Manuel Perez. Drug/dye-loaded, multifunctional
iron oxide nanoparticles for combined
targeted cancer therapy and dual optical/magnetic resonance imaging. Small,
5(16):1862–1868, Aug 2009.
[90] Igor M Sauer, Dominik Bialek, Ekaterina Efimova, Ruth Schwartlander, Gesine Pless, and Peter Neuhaus. blogs”and
”wikis”are valuable software tools for
communication within research groups.
Artif Organs, 29(1):82–83, Jan 2005.
[91] Natalie J Serkova and Kristine Glunde.
Metabolomics of cancer. Methods Mol
Biol, 520:273–295, 2009.
[92] Natalie J Serkova, Kendra M Hasebroock, and Susan L Kraft. Magnetic
resonance spectroscopy of living tissues.
Methods Mol Biol, 520:315–327, 2009.
[93] Eva M Sevick-Muraca and John C Rasmussen. Molecular imaging with optics:
primer and case for near-infrared fluorescence techniques in personalized medicine. J Biomed Opt, 13(4):041303, 2008.
[94] Joshua L Simon, E. Dianne Rekow, Van P
Thompson, Heather Beam, John L Ricci,
and J. Russell Parsons. Microct analysis
of hydroxyapatite bone repair scaffolds
created via three-dimensional printing for
evaluating the effects of scaffold architecture on bone ingrowth. J Biomed Mater
Res A, 85(2):371–377, May 2008.
[95] Torill E Sjbakk, Roar Johansen, Tone F
Bathen, Ursula Sonnewald, Kjell A Kvistad, Steinar Lundgren, and Ingrid S
Gribbestad. Metabolic profiling of human
brain metastases using in vivo proton mr
spectroscopy at 3t. BMC Cancer, 7:141,
2007.
[96] Piotr J Slomka and Richard P Baum.
Multimodality image registration with
software: state-of-the-art. Eur J Nucl Med
Mol Imaging, 36 Suppl 1:S44–S55, Mar
2009.
[97] Martin Spiegel, Dieter A Hahn, Volker Daum, Jakob Wasza, and Joachim
Hornegger. Segmentation of kidneys
using a new active shape model generation technique based on non-rigid image registration. Comput Med Imaging
Graph, 33(1):29–39, Jan 2009.
[98] P. Suetens, E. Bellon, D. Vandermeulen,
M. Smet, G. Marchal, J. Nuyts, and
L. Mortelmans. Image segmentation:
methods and applications in diagnostic
radiology and nuclear medicine. Eur J
Radiol, 17(1):14–21, Jun 1993.
[99] Ning Sun, Andrew Lee, and Joseph C
Wu. Long term non-invasive imaging of
embryonic stem cells using reporter genes. Nat Protoc, 4(8):1192–1201, 2009.
[100] Elizabeth J Sutton, Tobias D Henning,
Bernd J Pichler, Christoph Bremer, and
Heike E Daldrup-Link.
Cell tracking with optical imaging. Eur Radiol,
18(10):2021–2032, Oct 2008.
[101] R. K. Taira, S. G. Soderland, and R. M.
Jakobovits. Automatic structuring of radiology free-text reports. Radiographics,
21(1):237–245, 2001.
[102] Kate Tairyan and Judy Illes. Imaging genetics and the power of combined technologies: A perspective from neuroethics.
Neuroscience, Feb 2009.
[103] Christine Terryn, Arnaud Bonnomet, Jrme Cutrona, Christelle Coraux, JeanMarie Tournier, Batrice Nawrocki-Raby,
Myriam Polette, Philippe Birembaut, and
Jean-Marie Zahm. Video-microscopic
imaging of cell spatio-temporal dispersion and migration. Crit Rev Oncol Hematol, 69(2):144–152, Feb 2009.
[104] James H Thrall. Personalized medicine.
Radiology, 231(3):613–616, Jun 2004.
[105] D. W. Townsend. Multimodality imaging
of structure and function. Phys Med Biol,
53(4):R1–R39, Feb 2008.
[106] Robert B Trelease. Anatomical informatics: Millennial perspectives on a newer
frontier. Anat Rec, 269(5):224–235, Oct
2002.
[107] Jayaram K Udupa, Vicki R Leblanc,
Ying Zhuge, Celina Imielinska, Hilary Schmidt, Leanne M Currie, Bruce E
Hirsch, and James Woodburn. A framework for evaluating image segmentation
algorithms. Comput Med Imaging Graph,
30(2):75–87, Mar 2006.
[108] Pablo Villoslada, Lawrence Steinman,
and Sergio E Baranzini. Systems biology and its application to the understanding of neurological diseases. Ann Neurol, 65(2):124–139, Feb 2009.
13
[109] Michal Vossberg, Thomas Tolxdorff,
and Dagmar Krefting. Dicom image
communication in globus-based medical
grids. IEEE Trans Inf Technol Biomed,
12(2):145–153, Mar 2008.
[110] Hui Wang and Xiaoyuan Chen. Applications for site-directed molecular imaging
agents coupled with drug delivery potential. Expert Opin Drug Deliv, 6(7):745–
768, Jul 2009.
[111] Simon K Warfield, Kelly H Zou, and William M Wells. Validation of image segmentation by estimating rater bias and variance. Philos Transact A Math Phys Eng
Sci, 366(1874):2361–2375, Jul 2008.
[112] Peter Watson. Live cell imaging for target
and drug discovery. Drug News Perspect,
22(2):69–79, Mar 2009.
[113] Hans F Wehrl, Martin S Judenhofer, Stefan Wiehr, and Bernd J Pichler. Preclinical pet/mr: technological advances
and new perspectives in biomedical research. Eur J Nucl Med Mol Imaging, 36
Suppl 1:S56–S68, Mar 2009.
[114] Jens E Wilhjelm, Michael Johannes Pihl, Markus Nowak Lonsdale, and Mikael
Jensen. An active learning approach to
the physics of medical imaging. Med Eng
Phys, 30(5):607–614, Jun 2008.
[115] Anthony B Wolbarst and William R Hendee. The national institute of biomedical imaging and bioengineering and nih
grant process: an overview. Radiology,
242(1):32–55, Jan 2007.
[116] Jack Y Yang, Mary Qu Yang, Hamid R
Arabnia, and Youping Deng. Genomics,
molecular imaging, bioinformatics, and
bio-nano-info integration are synergistic
components of translational medicine and
personalized healthcare research. BMC
Genomics, 9 Suppl 2:I1, 2008.
[117] Yongliang Yang, S. James Adelstein, and
Amin I Kassis. Target discovery from
data mining approaches. Drug Discov Today, 14(3-4):147–154, Feb 2009.
[118] Jianhua Yao and David Chen. Live level
set: a hybrid method of livewire and level
set for medical image segmentation. Med
Phys, 35(9):4112–4120, Sep 2008.
[119] Terry S Yoo and Dimitris N Metaxas.
Open science–combining open data and
open source software: medical image
analysis with the insight toolkit. Med
Image Anal, 9(6):503–506, Dec 2005.
[120] Anthony J Yun, Patrick Y Lee, and
Anthony N Gerber. Integrating systems
biology and medical imaging: understanding disease distribution in the lung model. AJR Am J Roentgenol, 186(4):925–
930, Apr 2006.
[121] Habib Zaidi and Xie George Xu. Computational anthropomorphic models of
the human anatomy: the path to realistic monte carlo modeling in radiological
sciences. Annu Rev Biomed Eng, 9:471–
500, 2007.