El documento describe un proyecto para caracterizar las estructuras cerebrales de la población de la Comunidad Valenciana utilizando imágenes de resonancia magnética de 10,000 personas. El proyecto recopila imágenes cerebrales de hospitales de la región, las almacena en una plataforma llamada XNAT, segmenta las estructuras cerebrales con FreeSurfer, crea modelos poblacionales con R, y permite la visualización y cuantificación referencial a través de un sistema de información geográfica cerebral.

1. Caracterización de Estructuras
Cerebrales de la Población de la
Comunidad Valenciana
10K - BDBI 4 CV
Jorge Isnardo Altamirano, MSc.
María de la Iglesia Vayá, PhD.
Ángel Fernández-Cañada Vilata, MSc.

2. The 10K Big Data in Brain Imaging of
Valencia Region

3. ● Caso de uso dentro del Banco digital de Imagen Médica de la Comunidad
Valenciana (BIMCV).
● BIMCV: repositorio orientado a favorecer avances tecnológicos en imagen
médica que proporciona servicios de cobertura tecnológica para proyectos
I+D.
El proyecto 10K y BIMCV

4. basado en cbrain

5. Objetivos del Banco digital de Imagen
Médica de la Comunidad Valenciana
● Desarrollar e implementar estrategias para prevenir y/o tratar
efectivamente las enfermedades mediante una infraestructura de
investigación en imagen asociada a grandes estudios poblacionales (Big
Data).
● Proporcionar recursos, datos, y herramientas para realizar estudios
epidemiológicos avanzados en imagen.

6. Big Data en imagen cerebral poblacional
● Big Data: conjuntos de datos muy
grandes y complejos, los cuales son
inviables de procesar con las
herramientas TIC habituales.
● Cada estudio de investigación publicado
genera en término medio 20 GB de
información sin incluir los datos
generados durante el procesamiento y el
análisis estadístico.

7. Arquitectura de BIMCV
● Se trata de una instancia de XNAT.

8. ¿Qué es XNAT?
● XNAT es una plataforma software de código abierto cuya finalidad es la de
ayudar a llevar a cabo la investigación basada en imágenes.
● Permite importar, archivar, procesar y distribuir de forma segura las
imágenes y los datos de sus estudios y/o proyectos de investigación.

9. ¿Por qué XNAT?
● Plataforma software de código abierto.
● Funcionalidades básicas esenciales
implementadas.
● Comunidad involucrada.

12. Ventajas de XNAT
● Al publicarse en abierto su código es posible introducir modificaciones
particulares.
● Ofrece las herramientas básicas que cualquier proyecto de investigación
basado en análisis de imagen puede necesitar inicialmente.
● Cuenta con documentación actualizada.
● Su curva de aprendizaje es media-baja.
● La comunidad que lo sustenta es activa.

13. Desventajas de XNAT
● Para su correcto uso y/o
funcionamiento precisa de un
equipo mixto (informático /
investigador).
● Parte de la documentación
orientada al desarrollo de nuevas
funcionalidades no es muy
precisa.

14. The 10K Big Data in Brain Imaging of
Valencia Region
● Caso de uso basado en las imágenes neurológicas del Biobanco del
Sistema de Salud Pública de Valencia.
● Objetivos:
o Mejorar la infraestructura, datos, metodologías y algoritmos para
analizar y controlar la evolución de diferentes enfermedades
neurológicas.
o Realizar avances en el procesamiento posterior de las imágenes
neurológicas.

15. The 10K Big Data in Brain Imaging of
Valencia Region
● Comparación del grosor cortical y estructura del volumen con sus valores
de referencia.

16. The 10K Big Data in Brain Imaging of
Valencia Region
● Fase 1: Recepción de las imágenes en bruto.
● Fase 2: Almacenamiento de las imágenes.
● Fase 3: Parcelación y segmentación de
estructuras cerebrales.
● Fase 4: Modelado poblacional (Obtención de
parámetros de normalidad)
● Fase 5: Visualización y cuantificación
referencial (Brain Imaging Geographic
Information System of Valencia Region)

18. Fase 1: Recepción de las imágenes en bruto
● Departamentos de Salud de la
Comunitat Valenciana:
o Dpto. 17: H. Universitario
San Juan de Alicante.

19. Fase 1: Recepción de las imágenes en bruto
Query/Retrieve, or Q/R for short, is the DICOM service for searching images
on the PACS and getting a copy of them to the workstation where they can be
displayed.

20. Fase 1: Recepción de las imágenes en bruto
22419 imágenes | abril_2014
30532 imágenes | agosto_2014
76496 imágenes |
diciembre_2014_enero_2015
45852 imágenes | julio_2014
36980 imágenes | junio_2014
17385 imágenes | marzo_2014
19692 imágenes | mayo_2014
15558 imágenes | noviembre_2014_parte_1
31469 imágenes | noviembre_2014_parte_2
41470 imágenes | octubre_2014
32570 imágenes | septiembre_2014
Total: 370423 imágenes (127 GB)

21. Fase 2: Almacenamiento de las imágenes
● Lectura de las cabeceras DICOM de las imágenes recibidas (scripts python, librería pydicom)
o Descartar imágenes:
▪ corruptas (no se pueden leer)
▪ no deseadas (modality != MR)
▪ patient_id no accesible y no numérico.
▪ patient_name no accesible.
▪ study_description no accesible.
o De-identificación de las imágenes válidas.
o Eliminación de cualquier símbolo no deseado de las etiquetas protocol_name y/o
series_description (Evita problemas posteriores en XNAT)
* Los scripts permiten la incorporación de nuevos sujetos aun después de haber procesado la primera
tanda de imágenes sin empezar desde cero.

22. Fase 2: Almacenamiento de las imágenes
● Creación de un índice de sujetos (Para saber qué información se tiene realmente)
o 509 Subjects.
o 525 MR Sessions.
o 16 Subjects with 2 MR Sessions.

23. Fase 2: Almacenamiento de las imágenes

24. Fase 2: Almacenamiento de las imágenes
● Organización de las imágenes en directorios por patient_id.

25. Fase 2: Almacenamiento de las imágenes
● Envío de las imágenes a XNAT.
o Anonimización de las tags del estándar DICOM del nivel de aplicación básica del perfil de
confidencialidad:
▪ DICOM PS3.6 2015a - Data Dictionary.
▪ DICOM PS3.15 2015a - Security and System Management Profiles.
● E Attribute Confidentiality Profiles (which attributes should be anonymized)
http://dicom.nema.org/medical/dicom/current/output/

26. Fase 2: Almacenamiento de las imágenes
Anonimización
de metadatos.

27. Fase 2: Almacenamiento de las imágenes
Defacing.

28. Fase 2: Almacenamiento de las imágenes
● Generación de las sentencias para el envío automatizado (DicomRemap, scripts das, DicomEdit
language)

29. Fase 3: Parcelación y segmentación de
estructuras cerebrales
● recon-all: Performs all, or any part of, the FreeSurfer cortical reconstruction process.

30. Fase 3: Parcelación y segmentación de
estructuras cerebrales
La importancia de
cómputo
Operaciones matemáticas
muy complejas que
requieren de hardware
específico.
The faster, the better!
Pero obviamente más caro y
con más inconvenientes
(calor)
chinese bitcoin mining farm

31. Fase 4: Modelado poblacional (Obtención
de parámetros de normalidad)
● Empleando lenguajes de programación
tales como ‘R’.
- Por ejemplo para hallar diferencias
significativas entre grupos entre una o
varias variables de interés.
● En esta etapa se vuelve a justificar la
existencia de un equipo mixto
(investigador / estadístico / informático).

32. Fase 5: Visualización y cuantificación
referencial
● Brain Imaging Geographic Information System of Valencia Region.

38. Gracias por su atención