- / -

In this work were studied, implemented and evaluated two algorithms of image registration with two similarity metrics of mutual information. These were Viola-Wells Mutual Information [6],[7] and Mattes Mutual Information[11]. Materials and Methods: Two 3D MRI T1 and Τ2 brain images were used. The T1 image was rotated in all three axes , with the 27 possible triples of angles 0.25, 1.5 and 3 degrees and in the T2 image were added 3 Gaussian Noise Levels (1,3,5%). Thus were formed two experiments. The monomodal experiment which was registering the initial T1 image with its 27 rotated instances and the multimodal experiment which was registering the 4 T2 images (0,1,3,5% Gaussian Noise) with the 27 rotated T1 images. The registration framework had also a Regular Step Gradient Descent Optimizer, affine linear transformation and linear interpolator. After the 5 experimental set were registered with both algorithms, then in order for the results to be evaluated, 5 similarity metrics were used. These were: 1) Mean Square Difference 2) Correlation Coefficient 3) Joint Entropy 4) Normalized Mutual Information και 5) Entropy of the Difference Image. Finally t-test was applied, in order to find statistically significant differences. Results: Both algorithms had similar outcome, although the algorithm with Mattes Μutual Information metric, had a slightly improved performance. Statistically important differences were found in the t-test. Conclusions: The two methods should be tested more, using other kinds of transformation, and more data sets. / Σε αυτήν την εργασία μελετήθηκαν, υλοποιήθηκαν και αξιολογήθηκαν δύο αλγόριθμοι αντιστοίχισης ιατρικών εικόνων με δύο μετρικές ομοιότητας με χρήση κοινού πληροφορίας. Συγκεκριμένα η υλοποίηση Viola-Wells [6],[7] και η υλοποίηση Mattes[11]. Υλικά και Μέθοδος: Χρησιμοποιήθηκαν δύο εικόνες 3D MRI T1 και Τ2 που απεικόνιζαν εγκέφαλου. Η εικόνα Τ1 περιστράφηκε με τους 27 δυνατές συνδυασμούς των γωνιών 0.25,1.5,3 μοιρών , σε όλους τους άξονες και στην εικόνα Τ2 προστέθηκαν 3 επίπεδα Gaussian θορύβου (1,3,5%). Έτσι σχηματίστηκαν δύο πειράματα. Το μονο-απεικονιστικό πείραμα (Monomodal) που αντιστοιχούσε την αρχική Τ1 εικόνα με τα 27 περιστρεμμένα στιγμιότυπα της και το πολύ-απεικονιστικό (multimodal) που αντιστοιχούσε τις 4 Τ2 εικόνες (0,1,3,5% Gaussian Noise) με τα 27 περιστρεμμένα στιγμιότυπα της Τ1. Το σχήμα της αντιστοίχισης αποτελούνταν εκτός από τις δύο μετρικές ομοιότητας, από τον Regular Step Gradient Descent βελτιστοποιητή , συσχετισμένο (affine) γραμμικό μετασχηματισμό και γραμμικό interpolator. Αφού τα 5 σύνολα πειραμάτων ταυτίστηκαν και με τους 2 αλγορίθμους στην συνέχεια και προκειμένου να αξιολογηθεί το αποτέλεσμα της αντιστοίχισης, χρησιμοποιήθηκαν 5 μετρικές ομοιότητας. Αυτές ήταν : 1) Mean Square Difference 2) Correlation Coefficient 3) Joint Entropy 4) Normalized Mutual Information και 5) Entropy of the Difference Image. Τέλος εφαρμόστηκε και t-test προκειμένου να επιβεβαιωθούν στατιστικώς σημαντικές διαφορές. Αποτελέσματα: Και οι δύο αλγόριθμοι βρέθηκαν να έχουν παρόμοια συμπεριφορά, ωστόσο ο αλγόριθμος που χρησιμοποιούσε την Mattes Μutual Information μετρική ομοιότητας είχε καλύτερα αποτελέσματα. Στατιστικώς σημαντικές διαφορές επιβεβαιώθηκαν και από το t-test. Συμπέρασμα: Οι δύο μέθοδοι θα πρέπει να αξιολογηθούν χρησιμοποιώντας και άλλους μετασχηματισμούς, καθώς και διαφορετικά data set.

Ένα εκπαιδευτικό λογισμικό κατασκευάζεται, προκειμένου με τη χρήση του να εκπληρωθούν συγκεκριμένοι μαθησιακοί στόχοι. Μπορεί να χρησιμοποιηθεί ως συμπληρωματικό μέσο διδασκαλίας από τον εκπαιδευτή ή ως υποστηρικτικό μέσο αυτοδιδασκαλίας από τον εκπαιδευόμενο. Αποτελεί μέσο αξιολόγησης ή αυτοαξιολόγησης του εκπαιδευόμενου, χωρίς βέβαια αυτό να αποτελεί κύριο σκοπό για την κατασκευή του. Οι σύγχρονες τεχνολογίες εκπαιδευτικού λογισμικού, που βασίζονται στις τεχνολογίες δικτύων υπολογιστών και των συστημάτων υπερμέσων, προσφέρουν την δυνατότητα να εξηγούνται, με παραστατικό τρόπο και πολλαπλά μέσα παρουσίασης, τα γνωστικά αντικείμενα, να διευκολύνεται η επικοινωνία και η συνεργασία μεταξύ εκπαιδευόμενων και εκπαιδευτών, να καταργείται η αποκλειστική χρήση μιας πηγής μαθησιακού υλικού, η οποία πολλές φορές περιέχει ξεπερασμένες πληροφορίες και, ως συνεπακόλουθο όλων αυτών, να μπορεί να αναπτύσσεται η κριτική σκέψη του υποκειμένου στην εκπαίδευση. Στην εργασία αυτή παρουσιάζουμε την συμβολή ενός τέτοιου προηγμένου συστήματος στην δημιουργία ενός μαθήματος για την Ακτινοπροστασία στους χώρους Υγείας. Για το σκοπό αυτό χρησιμοποιήσαμε μια εκπαιδευτική πλατφόρμα ικανή να παρουσιάζει προσαρμοστικά το περιεχόμενο, να προτείνει μαθησιακές δραστηριότητες ανάλογα με τον εκπαιδευόμενο, να προσφέρει διαφορετικούς τρόπους επικοινωνίας και συνεργασίας ανάλογα με το επίπεδο και τη διάθεση του μαθητή. Περιγράφουμε τους λόγους για τους οποίους τέτοια συστήματα μπορούν να προσφέρουν στην Ιατρική εκπαίδευση, καθώς και το πόσο απαραίτητο είναι το μάθημα της ακτινοπροστασίας για τα επαγγέλματα Υγείας. Παραθέτουμε την λειτουργικότητα των εργαλείων, τα οποία έχουν στη διάθεση εκπαιδευτές και εκπαιδευόμενοι, και τέλος αναφέρουμε τις τροποποιήσεις που κάναμε προκειμένου το σύστημα να διαθέτει ένα προσαρμοστικό τρόπο αξιολόγησης. Δίνουμε τα αποτελέσματα μιας πρώιμης αξιολόγησης του συστήματος-μαθήματος, από φοιτητές της Νοσηλευτικής του Τεχνολογικού Ινστιτούτου της Πάτρας. Τέλος αναφέρουμε μια συνοπτική περιγραφή της αρχιτεκτονικής και του τρόπου υλοποίησης του συστήματος. Η παρούσα εργασία αποτελεί ένα πρότυπο τόσο του πώς μια εκπαιδευτική πλατφόρμα μπορεί να χρησιμοποιηθεί για εκπαίδευση στους χώρους Υγείας, όσο και του πώς μια προϋπάρχουσα τέτοια εκπαιδευτική πλατφόρμα μπορεί να βελτιωθεί χρησιμοποιώντας τεχνολογίες τεχνητής νοημοσύνης. / -

Medical imaging is the main tool to extract a 3D modelling of the human body or specific organs within it. In order to accomplish this, various imaging modalities have been developed over the years, such as X-Ray Computed Tomography (CT), Magnetic Resonance Imaging (MRI) and Positron Emission Tomography (PET). Each one is based on a particular energy source that passes through the body and on specific physical laws, which define the meaning of noise and the sensitivity of the imaging process. In all medical imaging systems the main goal is to increase resolution since higher resolution is a key factor in increased information content, which is critical for increased accuracy in the understanding of the anatomy and in the assessment of size and morphological structure of organs, for early detection of abnormalities, suspected pathologies and more. In order to overcome the resolution limitations, one promising idea is to use signal processing techniques to enhance the spatial resolution. This approach proposes the acquisition of a high-resolution (HR) image from observed multiple low-resolution (LR) images. This image restoration approach is called super resolution (SR) image reconstruction (or restoration). It is the process of combining multiple low resolution images to form a high resolution image. The basic requirement in order to apply SR restoration techniques is the availability of multiple LR images captured from the same scene, which are sub-sampled (aliased) as well as shifted with subpixel precision. Each observed LR image is expressed as the result of a sequence of operators on the original HR image source, consisting of a geometrical warp, blurring and down-sampling. The SR image reconstruction method consists of three stages, registration, interpolation and restoration (i.e., inverse procedure). In the registration stage, the relative shifts between LR images, with reference to a certain LR image, are estimated with fractional pixel accuracy. Accurate sub-pixel motion estimation is a very important factor in the success of the SR image reconstruction algorithm. Since the shifts between LR images are arbitrary, the registered HR image will not always match up to a uniformly spaced HR grid. Thus, non-uniform interpolation is necessary, to obtain a uniformly spaced HR image from a non-uniformly spaced composite of LR images. Finally, image restoration is applied to the up-sampled image to remove blurring and noise. In order to evaluate the performance of SR reconstruction, a ‘simulate and correct’ approach to reconstruction is selected. First, simulated images of a computer generated phantom are formed and processed in order to comply with the observation model for the LR images. These are used as the images from which the HR image is constructed through the SR method. The iterative back-projection (IBP) algorithm suggested by Irani and Peleg has been chosen to be utilized, which belongs in the spatial domain methods and it is an easily and intuitively understood method. The results of the SR reconstruction are presented separately for the axial and the transaxial case. The evaluation relies on qualitative measures of image enhancement and on objective quantitative measures, such as the resolution (FWHM), the signal-to-noise ratio, the contrast ratio and the contrast-to-noise ratio. The performed trials demonstrated improvement in both the axial and transaxial resolution. The super-resolution images also provide a significantly improved contrast ratio, which is important for improving sensitivity for detection of small details and features. The improvement in resolution can be achieved without using any hardware changes or any increase in the patient radiation procedure. An important contribution of super-resolution is also the reduction of partial volume effects in the reconstructed image. The loss in SNR, which is a typical characteristic of all resolution enhancement algorithms, was not that considerable to preclude the clinical application of super-resolution. The overall evaluation demonstrated that the SR reconstruction is a post-processing method, which can provide medical images of higher resolution and better contrast ratio, without increasing the amount of radiation or the duration of the scan. / Η ιατρική απεικόνιση είναι το κύριο εργαλείο για την τρισδιάστατη μοντελοποίηση του ανθρώπινου σώματος και συγκεκριμένων οργάνων. Για να επιτευχθεί αυτό, διάφορες μέθοδοι απεικόνισης έχουν αναπτυχθεί, όπως η Υπολογιστική Τομογραφία, η Μαγνητική Τομογραφία και η Τομογραφία Εκπομπής Ποζιτρονίου. Η κάθε μία βασίζεται σε μια συγκεκριμένη πηγή ενέργειας η οποία διαπερνά το ανθρώπινο σώμα και έχει συγκεκριμένες φυσικές ιδιότητες. Σε όλα τα συστήματα ιατρικής απεικόνισης, ο βασικός στόχος είναι η βελτίωση της διακριτικής ικανότητας και κατα συνέπεια της παρεχόμενης πληροφορίας, η οποία είναι σημαντική για την ακρίβεια στην κατανόηση της ανατομίας και στην εκτίμηση του μεγέθους και της μορφολογίας των οργάνων, για την έγκαιρη διάγνωση ανωμαλιών κλπ. Μια από τις μεθόδους που έχουν προταθεί για τη βελτίωση της διακριτικής ικανότητας είναι η χρήση τεχνικών επεξεργασίας εικόνας. Σύμφωνα με αυτή τη μέθοδο, η οποία λέγεται Super Resolution, μια εικόνα υψηλής διακριτικής ικανότητας προκύπτει από πολλαπλές εικόνες χαμηλής διακριτικής ικανότητας. Η βασική προϋπόθεση για την εφαρμογή της μεθόδου είναι η ύπαρξη πολλαπλών εικόνων χαμηλής διακριτικής ικανότητας από την ίδια σκηνή, οι οποίες είναι μετατοπισμένες με ακρίβεια ενός κλάσματος píxel. Κάθε εικόνα χαμηλής διακριτικής ικανότητας εκφράζεται σαν το αποτέλεσμα ενός γεωμετρικού μετασχηματισμού, παραμόρφωσης και υπο-δειγματοληψίας της εικόνας υψηλής διακριτικής ικανότητας. Η ανακατασκευή μιας εικόνας με τη μέθοδο Super Resolution περιλαμβάνει τρία στάδια. Στο πρώτο στάδιο, υπολογίζονται οι σχετικές μετατοπίσεις μεταξύ των εικόνων. Η ακριβής εκτίμηση αυτής της σχετικής κίνησης είναι κρίσιμος παράγοντας για την απόδοση του αλγορίθμου ανακατασκευής. Για την εκτίμηση της απόδοσης της ανακατασκευής χρησιμοποιείται ένας αλγόριθμος ‘προσομοίωσης και διόρθωσης’. Αρχικά παράγονται οι εικόνες που θα χρησιμοποιηθούν σαν βάση για την ανακατασκευή της εικόνας υψηλής διακριτικής ικανότητας. Ο αλγόριθμος που χρησιμοποιείται είναι ο IBP (iterative back-projection), όπως προτάθηκε από τους Irani, Peleg. Η εκτίμηση της απόδοσης της μεθόδου βασίζεται σε ποιοτικά και ποσοτικά κριτήρια, όπως η διακριτική ικανότητα (FWHM), το SNR και η διακριτική ικανότητα αντίθεσης. Οι δοκιμές έδειξαν βελτίωση στην διακριτική ικανότητα και στην διακριτική ικανότητα αντίθεσης, η οποία είναι σημαντική για τη βελτίωση της ικανότητας ανίχνευσης λεπτομερειών. Οι βελτιώσεις αυτές επιτυγχάνονται χωρίς αλλαγές στο επίπεδο του υλικού και χωρίς αύξηση του χρόνου έκθεσης του ασθενούς στην ακτινοβολία. Η απώλεια σε SNR, η οποία είναι τυπική συνέπεια όλων των αλγορίθμων ανακατασκευής, δεν είναι απαγορευτική για τη χρήση της μεθόδου. Η συνολική εκτίμηση της μεθόδου, δείχνει ότι είναι μια μέθοδος επεξεργασίας, μέσω της οποίας μπορούν να προκύψουν ιατρικές εικόνες υψηλής διακριτικής ικανότητας, χωρίς την αύξηση της ποσότητας της ακτινοβολίας και του χρόνου έκθεσης του ασθενούς.

The intensive research aiming at matching the needs of creating more improved gaseous detectors helped in the emergence of more than a dozen of new ones. About in the beginning of the 1990 decade MICROMEGAS detector had been developed by Y. Giomataris and G. Charpak. MICROMEGAS is a gaseous detector based on amplification of electron avalanches in short gaps of the order of 100 μm at atmospheric pressure. It has specific properties of stability with respect to the gap length or gas pressure connected with the region of electric field at which it operates. It combines a good energy resolution, 5.4% FWHM at 22 keV X-rays, excellent position resolution that can reach 12 μm; high rate capability well adapted to particle physics experiments. A simple pre-amplification opens the way for orders of magnitude improvement in rate, and, in some cases, in accuracy in beta ray detection. The ease of construction is illustrated by the availability, for some experiments, of large detectors. The properties of MICROMEGAS open the way for promising applications in radiology, X-ray imaging with intense sources, imaging of neutrons, beta- and gamma-rays. / Η διεξοδική έρευνα προκειμένου να δημιουργηθούν ανιχνευτές αερίου πιο βελτιωμένοι βοήθησε στη δημιουργία χιλιάδων νέων ανιχνευτών. Περίπου στις αρχές της δεκαετίας του ‘90 αναπτύχθηκε από τον Ι. Γιοματάρη και G. Charpak ο MICROMEGAS ανιχνευτής. Ο MICROMEGAS είναι λοιπόν ένας ανιχνευτής αερίου, του οποίου η λειτουργία βασίζεται στην ενίσχυση της χιονοστιβάδας των ηλεκτρονίων σε μικρό κενό της τάξεως των 100 μm σε ατμοσφαιρική πίεση. Έχει συγκεκριμένες ιδιότητες ως προς την ομοιομορφία όσον αφορά το μήκος του κενού ή της πίεσης του αερίου που συνδέεται με τη περιοχή του ηλεκτρικού πεδίου στο οποίο και λειτουργεί. Επιπλέον έχει καλή ενεργειακή διακριτική ικανότητα, 5.4% FWHM σε ακτίνες Χ των 22 keV, υψηλή χωρική διακριτική ικανότητα η οποία μπορεί να φτάσει τα 12 μm• ικανότητα υψηλού ρυθμού μπορεί να αποκτηθεί για πειράματα σωματιδιακής φυσικής. Μια απλή προενίσχυση μπορεί να βελτίωση κατά ένα μέγεθος το ρυθμό και, σε μερικές περιπτώσεις, την ακρίβεια ανίχνευσης της β-ακτινοβολίας. Η απλή δομή του δίνει την ευκολία στη δημιουργία ανιχνευτών μεγάλων διαστάσεων και αυτό βοηθάει σε μερικά πειράματα καθώς επίσης στη βιομηχανία και στην ιατρική. Οι ιδιότητες του MICROMEGAS ανιχνευτή ανοίγει το δρόμο για πολλές εφαρμογές του στην ακτινολογία, την ανίχνευση ακτινών Χ σκληρής δέσμης, καθώς και την ανίχνευση νετρονίων, β- και γ- ακτινοβολιών.

- / -

- / -

- / -

Η χειρουργική δια μέσου φυσικών οπών ή NOTES (Natural Orifice Transluminal Endocopic Surgery) αποτελεί σήμερα ίσως το πιο ενδιαφέρον επίτευγμα της χειρουργικής από πλευράς τεχνικής. Η ανάπτυξη της τεχνολογία των υπολογιστών και της ρομποτικής αποτελεί ένα δυνατό εργαλείο για το σύγχρονο χειρουργό. Η πρόοδος της μικρο-ρομποτικής στις μέρες μας είναι αλματώδης. Συνεχώς κατασκευάζονται από ομάδες επιστημόνων όλο και μικρότερα σε μέγεθος ρομπότ με όλο και περισσότερες δυνατότητες κίνησης και επεξεργασίας σήματος ικανά να εισέλθουν στο ανθρώπινο σώμα δια μέσου των φυσικών οπών του, στην περιτοναϊκή κοιλότητα. Η τεχνική NOTES είναι ίσως η ιδανική για χρήση μικρο-ρομποτικής. Ο συνδυασμός αυτός ίσως φέρει επανάσταση και στην τηλεχειρουργική. Σκοπός τις εργασίας μας είναι να αναδείξουμε το ρόλο της ιατρικής πληροφορικής κατά τη χρήση μικρο-ρομποτ στη χειρουργική δια μέσου φυσικών οπών. Σχεδιάσαμε και εξομοιώσαμε ένα μοντέλο αρθρωτού μικρο-ρομποτ αποτελούμενου από υπομονάδες (modular robot) που θα μπορεί να εισέλθει δια μέσω των φυσικών οπών στο γαστρεντερικό σωλήνα ή και στην περιτοναϊκή κοιλότητα και θα έχει δυνατότητα κίνησης και χειρουργικών χειρισμών εξ αποστάσεως καθώς και παροχή πληροφοριών στο χρήστη από αισθητήρες. / Natural Orifice Transluminal Endocopic Surgery (NOTES) is perhaps the most interesting achievement of today’s surgery in terms of technique. The development of computer technology and robotics is a powerful tool for the modern surgeon. The progress of micro-robotics today is remarkable. Robotic working teams continuously produce smaller in size robots with more potential motion and signal processing that can enter into the peritoneal cavity through the body’s natural orifices. NOTES surgery is perhaps ideal for use of micro-robots. This combination could be a revolution for the Telesurgery. The aim of our work is to highlight the role of medical informatics in the use of micro-robots in NOTES surgery. We designed and simulated a model of an articulated micro-robot composed of subunits (modular robot) that can enter the gastrointestinal tract or the peritoneal cavity through the body’s natural orifices. It is capable of motion and surgical manipulations and can also provide sensor information to the user.-

- / -