Publicacions

La formación de imágenes de la micro-estructura de los tejidos a partir de datos de difusión de resonancia magnética (MR) representa una valiosa herramienta para estudiar de forma no invasiva la morfología de los tejidos y para proporcionar una visión biológica de su organización micro-estructural. En los últimos años, se han propuesto una variedad de modelos biofísicos para asociar patrones particulares observados en la señal medida con propiedades micro-estructurales específicas del tejido neuronal, tales como el diámetro del axón y la densidad de la fibra. A pesar de unos resultados muy atractivos que muestran que los índices de micro-estructura estimados concuerdan muy bien con los exámenes histológicos, las técnicas actuales requieren procedimientos no lineales muy costozos computacionalmente que en la práctica, exigen el uso de clusters de ordenadores potentes para aplicaciones a gran escala. En este trabajo, presentamos un marco general para la estimación acelerada de imágenes de la micro-estructura a través de herramientas de optimización convexa (método AMICO) y mostramos cómo re-formular esta clase de técnicas en término de sistemas lineales convenientes que, entonces, pueden ser eficientemente resueltos usando algoritmos muy rápidos. Se demuestra esta linealización para dos modelos específicos: ActiveAx y Noddi, proporcionando una alternativa muy atractiva para la estimación de parámetros en estas técnicas; Sin embargo, el marco AMICO es general y lo suficientemente flexible como para trabajar también para una variedad más amplia de métodos de imagen de la micro-estructura. Los resultados demuestran que AMICO representa un medio eficaz para acelerar drásticamente el ajuste de las técnicas existentes (hasta cuatro órdenes de magnitud más rápido) preservando al mismo tiempo la exactitud y precisión en los parámetros estimados del modelo (correlación por encima de 0,9). Creemos que la disponibilidad de este tipo de algoritmos ultra-rápidos favorecerá la propagación de la la técnica de imagen de la micro-estructura para cohortes más grandes de pacientes y ayudar a estudiar un espectro más amplio de trastornos neurológicos.