Video Experimental Relacionado
Updated: Jul 30, 2026
11:06
3D Printing of Preclinical X-ray Computed Tomographic Data Sets
Published on: March 22, 2013
41.0K
Procesamiento escalable, reproducible y rentable de conjuntos de datos de imágenes médicas a gran escala
Michael E Kim1, Karthik Ramadass1,2, Chenyu Gao2
1Vanderbilt University, Department of Computer Science, Nashville, TN, USA.
Proceedings of SPIE--the International Society for Optical Engineering
|December 26, 2025
Resumen
Este estudio presenta un pipeline rentable y compatible con BIDS para procesar grandes conjuntos de datos de RM. El método logra un análisis eficiente y reproducible en sistemas de bajo costo, superando a las soluciones en la nube en velocidad y costo.
Área de la Ciencia:
- Análisis de imágenes médicas
- Procesamiento de datos de neuroimagen
- Neurociencia computacional
Sus antecedentes:
- Los conjuntos de datos de imágenes médicas a gran escala requieren una computación significativa e incurren en altos costos.
- Las plataformas existentes tienen problemas con la rentabilidad y la escalabilidad para el procesamiento de datos de investigación.
- La gestión coherente del procesamiento de datos a gran escala en equipos es un desafío.
Objetivo del estudio:
- Diseñar un pipeline rentable y compatible con BIDS para procesar datos de RM a gran escala.
- Permitir un análisis de datos eficiente, robusto y reproducible utilizando recursos informáticos de bajo costo.
- Mejorar el rendimiento de los datos y reducir el tiempo de procesamiento en comparación con los métodos existentes.
Principales métodos:
- Se desarrolló un pipeline de procesamiento compatible con BIDS para datos de RM ponderados por difusión y ponderados en T1.
- Se implementó la consulta automatizada de datos y la ejecución de procesos en sistemas heterogéneos de bajo costo.
- Se centró en la transferencia eficiente de datos con baja latencia entre los servidores de almacenamiento y computación.
Principales resultados:
- El pipeline es comparable a los métodos basados en la nube en tiempo de procesamiento, pero es 20 veces más rentable.
- Se alcanzaron velocidades promedio de rendimiento de datos de 0,60 Gb/s, significativamente más altas que los métodos en la nube (0,33 Gb/s).
- Se demostró un pipeline semiautomatizado que permite la eficiencia, la reproducibilidad y la estabilidad a largo plazo.
Conclusiones:
- El método propuesto ofrece una relación costo-escala viable para la investigación de neuroimagen a gran escala.
- Este enfoque facilita el procesamiento eficiente y la transferencia de datos utilizando recursos computacionales asequibles.
- El motor de flujo de trabajo flexible admite la adaptación a nuevos datos y garantiza una ejecución rápida del proceso.
