Compression of images of dermatological manifestations of paucisymptomatic COVID-19 patients through periodic principal components / Compresión de imágenes de manifestaciones dermatológicas de pacientes paucisintomáticos de COVID-19 mediante componentes principales periódicos

Introduction: The management of medical images has been gaining followers based on the advantages it offers for the diagnosis of diseases, which, like COVID-19, present with clinical manifestations that can be captured in the form of images. Objective: Take advantage of the quasi-periodicity of the principal components (PCs) in the decomposition into PCs of medical images, which represent dermatological manifestations in paucisymptomatic patients of COVID-19. Methods: Here, a set of photos was taken of one of the most frequent patterns in COVID-19, the maculopapular pattern, characterized by an erythmatopapular rash, and compression of one of the medical images was performed. Said compression was carried out in different ways: (1) using two PCs, (2) using both a periodic PC and a non-periodic PC, (3) using two periodic PCs, (4) using a single PC, and (5) using a single periodic PC. Result: The results of this research proved that it is possible to work with acceptable reconstructions of compressed images in the field of dermatology, without losing the quality and characteristics that allow to reach a correct diagnosis. In addition, this achievement permits to correctly classify many diseases without fear of being wrong. Conclusion: With the method presented, the use of a robust medical image compression technique that could be very useful in the field of health is proposed. The images allow the diagnosis of diseases such as COVID-19 in paucisymptomatic patients, understanding them allows minimizing their weight without losing quality, which facilitates their use and storage.

Introducción: El empleo de imágenes médicas en el diagnóstico de enfermedades ha ido ganando adeptos. Un ejemplo es la COVID-19 que cursa con manifestaciones clínicas dermatológicas. Objetivo: Aprovechar la cuasi-periodicidad de los componentes principales de la descomposición en imágenes médicas, que representan manifestaciones dermatológicas en pacientes paucisintomáticos de COVID-19. Métodos: Se tomó un conjunto de fotografías de uno de los patrones más frecuentes en la COVID-19 (el patrón maculopapular), caracterizado por un exantema eritematopapular, y se realizó la compresión de una de las imágenes médicas. Dicha compresión se realizó de diferentes formas: (1) usando dos componentes principales, (2) usando tanto un componente principal periódico como no periódico, (3) dos componentes principales periódicos, (4) un único componente principal, y (5) un solo componente principal periódico. Resultados: Es posible trabajar con reconstrucciones aceptables de imágenes comprimidas en el campo de la dermatología, sin perder la calidad y características que permitan llegar a un diagnóstico correcto. Además, este logro permite clasificar correctamente muchas enfermedades sin miedo a equivocarse. Conclusiones: Con el método presentado se propone el uso de una técnica robusta de compresión de imágenes médicas que podría ser de gran utilidad en el campo de la salud. Las imágenes permiten el diagnóstico de enfermedades como la COVID-19 en pacientes paucisintomáticos, con cuya compresión se minimiza su peso sin perder la calidad, lo que facilita su uso y almacenamiento.

Deep Learning aplicado en imágenes fotoacústicas para la Identificación del cáncer de seno / Deep Learning Applied in Photoacoustic Images for the Identification of Breast Cancer

La Imagen Fotoacústica (PAI por sus siglas en inglés), es una modalidad de imagen híbrida que fusiona la iluminación óptica y la detección por ultrasonido. Debido a que los métodos de imágenes ópticas puras no pueden mantener una alta resolución, la capacidad de lograr imágenes de contraste óptico de alta resolución en tejidos biológicos hace que la fotoacústica (PA por sus siglas en inglés) sea una técnica prometedora para varias aplicaciones de imágenes clínicas. En la actualidad el Aprendizaje Profundo (Deep Learning) tiene el enfoque más reciente en métodos basados en la PAI, donde existe una gran cantidad de aplicaciones en análisis de imágenes, en especial en el área del campo biomédico, como lo es la adquisición, segmentación y reconstrucciones de imágenes de tomografía computarizada. Esta revisión describe las últimas investigaciones en PAI y un análisis sobre las técnicas y métodos basados en Deep Learning, aplicado en diferentes modalidades para el diagnóstico de cáncer de seno(AU)

Photoacoustic Imaging (PAI) is a hybrid imaging modality that combines optical illumination and ultrasound detection. Because pure optical imaging methods cannot maintain high resolution, the ability to achieve high resolution optical contrast images in biological tissues makes Photoacoustic (PA) a promising technique for various clinical imaging applications. At present, Deep Learning has the most recent approach of methods based on PAI where there are a large number of applications in image analysis especially in the area of ​​the biomedical field, such as acquisition, segmentation and reconstructions of computed tomography imaging. This review describes the latest research in PAI and an analysis of the techniques and methods based on Deep Learning applied in different modalities for the diagnosis of breast cancer(AU)

TOMOGRAFÍA COMPUTARIZADA POR RAYOS X: FUNDAMENTOS Y ACTUALIDAD

Este artículo presenta una revisión de los fundamentos de la tomografía computarizada, empezando por un recuento de los inicios y progresos de esta técnica a través del tiempo, y continuando con una descripción de los principios físicos que rigen la producción de los rayos X. El artículo también discute las bases matemáticas para la reconstrucción de las imágenes a partir de proyecciones utilizando métodos analíticos o iterativos. En una sección independiente, se revisan los conceptos más importantes relacionados con los riesgos de la radiación ionizante y se discuten investigaciones recientes, algunas polémicas, acerca de los beneficios y riesgos asociados con la tomografía computarizada y cómo estos afectan los protocolos de adquisición de las imágenes. Finalmente, con base en los avances científicos y tendencias más recientes, el artículo propone las áreas que, presumiblemente, continuarán siendo el centro de atención de la tomografía computarizada de rayos X en los próximos años.

This paper reviews the fundamentals of x-ray computed tomography. It starts by summarizing the early days of the technique and its evolution through time, as well as the physical principles of x-ray production. Subsequently, the mathematical principles of image reconstruction are discussed with emphasis in both analytical and iterative reconstruction methods. A complete section is dedicated to review the main concepts related with the risks of ionizing radiation, and discuss some of the most recent controversies about CT radiation and how those risks affect scanning protocols. Finally, based on the most recent advances and trends in CT, the paper discuss about those areas, which, presumably, will be the research focus of CT in the near future.