चिकित्सा छवि कंप्यूटिंग

मेडिकल इमेजिंग कंप्यूटिंग (एमआईसी) कंप्यूटर विज्ञान, सूचना इंजीनियरिंग (क्षेत्र), विद्युत अभियन्त्रण, भौतिकी, गणित और चिकित्सा के चौराहे पर एक अंतःविषय क्षेत्र है। यह क्षेत्र चिकित्सा छवियों से संबंधित समस्याओं को हल करने और जैव चिकित्सा अनुसंधान और नैदानिक ​​​​देखभाल के लिए उनके उपयोग के लिए कम्प्यूटेशनल और गणितीय तरीके विकसित करता है।

एमआईसी का मुख्य लक्ष्य चिकित्सकीय छवियों से नैदानिक ​​रूप से प्रासंगिक जानकारी या ज्ञान निकालना है। जबकि चिकित्सा इमेजिंग के क्षेत्र से निकटता से संबंधित है, एमआईसी छवियों के कम्प्यूटेशनल विश्लेषण पर ध्यान केंद्रित करता है, उनके अधिग्रहण पर नहीं। विधियों को कई व्यापक श्रेणियों में बांटा जा सकता है: छवि विभाजन, छवि पंजीकरण, छवि-आधारित शारीरिक मॉडलिंग, और अन्य।

डेटा फॉर्म
मेडिकल इमेज कंप्यूटिंग सामान्यतः नियमित एक्स-वाई-जेड स्थानिक रिक्ति (2डी में छवियां और 3डी में वॉल्यूम, सामान्य रूप से छवियों के रूप में संदर्भित) के साथ समान रूप से सैंपल किए गए डेटा पर संचालित होती है। प्रत्येक नमूना बिंदु पर, डेटा को सामान्यतः  पूर्णांक (कंप्यूटर विज्ञान) रूप में दर्शाया जाता है जैसे हस्ताक्षरित और अहस्ताक्षरित लघु (16-बिट), चूंकि  अहस्ताक्षरित चार (8-बिट) से 32-बिट फ्लोट असामान्य नहीं हैं। नमूना बिंदु पर डेटा का विशेष अर्थ साधन पर निर्भर करता है: उदाहरण के लिए एक एक्स-रे कंप्यूटेड टोमोग्राफी रेडियोडेंसिटी मान एकत्र करती है, जबकि एक चुंबकीय अनुनाद इमेजिंग टी1 विश्राम या स्पिन-स्पिन विश्राम समय-भारित छवियां एकत्र कर सकती है। अनुदैर्ध्य, समय-भिन्न अधिग्रहण नियमित समय चरणों के साथ छवियां प्राप्त कर सकते हैं या नहीं भी कर सकते हैं। उच्च-तीव्रता केंद्रित अल्ट्रासाउंड|घुमावदार-सरणी अल्ट्रासाउंड जैसे तौर-तरीकों के कारण पंखे जैसी छवियां भी आम हैं और प्रक्रिया के लिए विभिन्न प्रतिनिधित्वात्मक और एल्गोरिथम तकनीकों की आवश्यकता होती है। अन्य डेटा रूपों में अधिग्रहण के दौरान गैन्ट्री झुकाव के कारण कतरी गई छवियां सम्मलित  हैं; और असंरचित ग्रिड, जैसे हेक्साहेड्रल और टेट्राहेड्रल रूप, जिनका उपयोग उन्नत  जैवयांत्रिकी  (जैसे, ऊतक विरूपण, संवहनी परिवहन, हड्डी प्रत्यारोपण) में किया जाता है।

विभाजन
विभाजन एक छवि को विभिन्न अर्थपूर्ण खंडों में विभाजित करने की प्रक्रिया है। चिकित्सा इमेजिंग में, ये खंड अधिकांशतः विभिन्न ऊतक वर्गों, अंग (शरीर रचना), पैथोलॉजी या अन्य जैविक रूप से प्रासंगिक संरचनाओं के अनुरूप होते हैं। कम कंट्रास्ट, शोर और अन्य इमेजिंग अस्पष्टताओं के कारण चिकित्सा छवि विभाजन को मुश्किल बना दिया गया है। चूंकि  कई  विभाजन (इमेज प्रोसेसिंग)  हैं, कुछ को विशेष रूप से मेडिकल इमेज कंप्यूटिंग के लिए अनुकूलित किया गया है। नीचे इस क्षेत्र के भीतर तकनीकों का एक नमूना है; कार्यान्वयन विशेषज्ञता पर निर्भर करता है जो चिकित्सक प्रदान कर सकते हैं।


 * एटलस-आधारित विभाजन: कई अनुप्रयोगों के लिए, एक नैदानिक ​​विशेषज्ञ मैन्युअल रूप से कई छवियों को लेबल कर सकता है; अनदेखी छवियों को खंडित करना इन मैन्युअल रूप से लेबल की गई प्रशिक्षण छवियों से एक्सट्रपलेशन का स्थिति ा है। इस शैली के तरीकों को सामान्यतः एटलस-आधारित विभाजन विधियों के रूप में जाना जाता है। पैरामीट्रिक एटलस विधियाँ सामान्यतः  इन प्रशिक्षण छवियों को एक एकल एटलस छवि में जोड़ती हैं, जबकि गैर पैरामीट्रिक एटलस विधियां सामान्यतः  सभी प्रशिक्षण छवियों का अलग-अलग उपयोग करती हैं। एटलस-आधारित विधियों में सामान्यतः  #Registration के उपयोग की आवश्यकता होती है जिससे कि  एटलस छवि या छवियों को एक नई, अनदेखी छवि के साथ संरेखित किया जा सके।
 * आकार-आधारित विभाजन: कई विधियाँ किसी दिए गए ढांचे के लिए एक टेम्पलेट आकार को पैरामीट्रिज करती हैं, जो अधिकांशतः सीमा के साथ नियंत्रण बिंदुओं पर निर्भर करती हैं। फिर एक नई छवि से मेल खाने के लिए पूरी आकृति को विकृत कर दिया जाता है। सबसे आम आकार-आधारित तकनीकों में से दो एक्टिव शेप मॉडल हैं और सक्रिय उपस्थिति मॉडल। ये तरीके बहुत प्रभावशाली रहे हैं, और इसी तरह के मॉडल को जन्म दिया है।
 * छवि-आधारित विभाजन: कुछ विधियाँ एक टेम्पलेट आरंभ करती हैं और अभिन्न त्रुटि उपायों को कम करते हुए छवि डेटा के अनुसार इसके आकार को परिष्कृत करती हैं, जैसे सक्रिय समोच्च मॉडल और इसकी विविधताएँ।
 * इंटरएक्टिव सेगमेंटेशन: इंटरएक्टिव तरीके तब उपयोगी होते हैं जब चिकित्सक कुछ जानकारी प्रदान कर सकते हैं, जैसे कि बीज क्षेत्र या क्षेत्र से खंड तक की रूपरेखा। एक एल्गोरिथम चिकित्सक के मार्गदर्शन के साथ या उसके बिना इस तरह के विभाजन को पुनरावृत्त रूप से परिष्कृत कर सकता है। मैनुअल विभाजन, प्रत्येक पिक्सेल के ऊतक वर्ग को स्पष्ट रूप से परिभाषित करने के लिए पेंट ब्रश जैसे उपकरणों का उपयोग करना, कई इमेजिंग अनुप्रयोगों के लिए स्वर्ण मानक बना हुआ है। हाल ही में, प्रतिक्रिया नियंत्रण सिद्धांत के सिद्धांतों को विभाजन में सम्मलित किया गया है, जो उपयोगकर्ता को बहुत अधिक लचीलापन देता है और त्रुटियों के स्वत: सुधार की अनुमति देता है। *सब्जेक्टिव सरफेस सेगमेंटेशन: यह विधि सेगमेंटेशन फ़ंक्शन के विकास के विचार पर आधारित है जो एक एडवेक्शन-डिफ्यूजन मॉडल द्वारा शासित है। किसी वस्तु को खंडित करने के लिए, एक विभाजन बीज की आवश्यकता होती है (जो प्रारंभिक बिंदु है जो छवि में वस्तु की अनुमानित स्थिति निर्धारित करता है)। परिणामस्वरुप, एक प्रारंभिक विभाजन समारोह का निर्माण किया जाता है। व्यक्तिपरक सतह विधि के पीछे का विचार   यह है कि बीज की स्थिति इस विभाजन कार्य के रूप का निर्धारण करने वाला मुख्य कारक है।
 * संवादात्मक तंत्रिका नेटवर्क (सीएनएन): मशीन सीखने के मॉडल की प्रगति के कारण कंप्यूटर-सहायता पूर्ण स्वचालित विभाजन प्रदर्शन में सुधार हुआ है। CNN आधारित मॉडल जैसे SegNet, यूनेट, रेसनेट, एएटीएसएन, ट्रान्सफ़ॉर्मर और GANs विभाजन प्रक्रिया को तेज कर दिया है। भविष्य में, ऐसे मॉडल अपने बेहतर प्रदर्शन और गति के कारण मैन्युअल सेगमेंटेशन को बदल सकते हैं।

हालाँकि, छवि विभाजन विधियों के कुछ अन्य वर्गीकरण हैं जो उपरोक्त श्रेणियों के समान हैं। इसके अतिरिक्त, हम दूसरे समूह को हाइब्रिड के रूप में वर्गीकृत कर सकते हैं जो है विधियों के संयोजन पर आधारित है।

पंजीकरण
छवि पंजीकरण एक प्रक्रिया है जो छवियों के सही संरेखण की खोज करती है।   सरलतम स्थिति े में, दो छवियों को संरेखित किया जाता है। विशिष्ट रूप से, एक छवि को लक्ष्य छवि के रूप में और दूसरे को स्रोत छवि के रूप में माना जाता है; लक्ष्य छवि से मिलान करने के लिए स्रोत छवि को रूपांतरित किया जाता है। गणितीय अनुकूलन एक समानता मूल्य के आधार पर स्रोत छवि के परिवर्तन को अद्यतन करता है जो संरेखण की वर्तमान गुणवत्ता का मूल्यांकन करता है। यह पुनरावृत्ति प्रक्रिया तब तक दोहराई जाती है जब तक कि एक (स्थानीय) इष्टतम नहीं मिल जाता। एक उदाहरण संरचनात्मक और चयापचय जानकारी (आंकड़ा देखें) को संयोजित करने के लिए सीटी और पोजीट्रान एमिशन टोमोग्राफी छवियों का पंजीकरण है।

विभिन्न चिकित्सा अनुप्रयोगों में छवि पंजीकरण का उपयोग किया जाता है:
 * लौकिक परिवर्तनों का अध्ययन। अनुदैर्ध्य अध्ययन लंबी अवधि की प्रक्रियाओं, जैसे रोग की प्रगति का अध्ययन करने के लिए कई महीनों या वर्षों में छवियां प्राप्त करते हैं। समय श्रृंखला एक ही सत्र (सेकंड या मिनट) के भीतर प्राप्त छवियों के अनुरूप होती है। उनका उपयोग संज्ञानात्मक प्रक्रियाओं, हृदय विकृति और श्वसन का अध्ययन करने के लिए किया जा सकता है।
 * विभिन्न मेडिकल इमेजिंग से पूरक जानकारी का संयोजन। एक उदाहरण शारीरिक और कार्यात्मक जानकारी का संलयन है। चूंकि संरचनाओं का आकार और आकार तौर-तरीकों में भिन्न होता है, इसलिए संरेखण गुणवत्ता का मूल्यांकन करना अधिक चुनौतीपूर्ण होता है। इसने आपसी जानकारी जैसे समानता के उपायों का उपयोग किया है। * विषयों की आबादी की विशेषता। अंतर-विषय पंजीकरण के विपरीत, रुचि के अंग की संरचनात्मक परिवर्तनशीलता के आधार पर, विषयों के बीच एक-से-एक मानचित्रण उपस्थित नहीं हो सकता है। कम्प्यूटेशनल एनाटॉमी में एटलस निर्माण के लिए इंटर-विषय पंजीकरण आवश्यक है। यहाँ, उद्देश्य सांख्यिकीय रूप से विषयों में अंगों की शारीरिक रचना का मॉडल बनाना है।
 * कंप्यूटर की मदद से सर्जरी। कंप्यूटर-सहायता प्राप्त सर्जरी में छवि मार्गदर्शन या नेविगेशन की सुविधा के लिए सीटी या एमआरआई जैसी पूर्व-संचालन छवियों को इंट्रा-ऑपरेटिव छवियों या ट्रैकिंग सिस्टम में पंजीकृत किया जाता है।

छवि पंजीकरण करते समय कई महत्वपूर्ण विचार हैं:
 * परिवर्तन ज्यामिति। सामान्य विकल्प हैं कठोर परिवर्तन,  एफ़िन परिवर्तन  और  विरूपण (इंजीनियरिंग)  ट्रांसफॉर्मेशन मॉडल। बी-पट्टी और पतली प्लेट पट्टी मॉडल सामान्यतः  पैरामीटरयुक्त परिवर्तन क्षेत्रों के लिए उपयोग किए जाते हैं। गैर-पैरामीट्रिक या घने विरूपण क्षेत्र प्रत्येक ग्रिड स्थान पर विस्थापन वेक्टर ले जाते हैं; यह अतिरिक्त नियमितीकरण (गणित) बाधाओं की आवश्यकता है। विरूपण क्षेत्रों का एक विशिष्ट वर्ग भिन्नता है, जो एक चिकनी व्युत्क्रम के साथ उलटा परिवर्तन है।
 * समानता मीट्रिक। पंजीकरण गुणवत्ता को मापने के लिए दूरी या समानता फ़ंक्शन का उपयोग किया जाता है। इस समानता की गणना या तो मूल छवियों पर या छवियों से निकाली गई विशेषताओं पर की जा सकती है। सामान्य समानता उपाय वर्ग दूरी (SSD), दृढ़ संकल्प के गुणांक और पारस्परिक जानकारी का योग हैं। समानता माप का चुनाव इस बात पर निर्भर करता है कि क्या छवियां समान रूप से हैं; अधिग्रहण शोर भी इस निर्णय में भूमिका निभा सकता है। उदाहरण के लिए, एसएसडी गाऊसी शोर के साथ समान मोडैलिटी की छवियों के लिए इष्टतम समानता माप है। चूंकि, अल्ट्रासाउंड में छवि आंकड़े गाऊसी शोर से काफी भिन्न होते हैं, जिससे अल्ट्रासाउंड विशिष्ट समानता उपायों की प्रारंभिक आत होती है। मल्टी-मोडल पंजीकरण के लिए अधिक परिष्कृत समानता माप की आवश्यकता होती है; वैकल्पिक रूप से, एक अलग छवि प्रतिनिधित्व का उपयोग किया जा सकता है, जैसे कि संरचनात्मक प्रतिनिधित्व या आसन्न शरीर रचना को पंजीकृत करना। हाल का अध्ययन CoMIRs (कंट्रास्टिव मल्टी-मोडल इमेज रिप्रेजेंटेशन) के रूप में संदर्भित साझा, सघन छवि प्रतिनिधित्व सीखने के लिए नियोजित विपरीत कोडिंग, जिसने मल्टी-मोडल छवियों के पंजीकरण को सक्षम किया, जहां पर्याप्त समान छवि संरचनाओं की कमी के कारण उपस्थित ा पंजीकरण विधियां अधिकांशतः  विफल हो जाती हैं। इसने बहु-मोडल पंजीकरण समस्या को एक मोनो-मोडल समस्या तक कम कर दिया, जिसमें सामान्य तीव्रता आधारित, साथ ही फीचर-आधारित, पंजीकरण एल्गोरिदम लागू किए जा सकते हैं।
 * गणितीय अनुकूलन। या तो निरंतर अनुकूलन या असतत अनुकूलन किया जाता है। निरंतर अनुकूलन के लिए, अभिसरण गति में सुधार के लिए ग्रेडिएंट विधि | ग्रेडिएंट-आधारित अनुकूलन तकनीकों को लागू किया जाता है।

विज़ुअलाइज़ेशन
मेडिकल इमेज कंप्यूटिंग में विज़ुअलाइज़ेशन कई महत्वपूर्ण भूमिकाएँ निभाता है। चिकित्सा छवियों के बारे में समझने और संवाद करने के लिए वैज्ञानिक विज़ुअलाइज़ेशन के तरीकों का उपयोग किया जाता है, जो स्वाभाविक रूप से स्थानिक-लौकिक हैं। डेटा विज़ुअलाइज़ेशन और डेटा विश्लेषण का उपयोग असंरचित डेटा रूपों पर किया जाता है, उदाहरण के लिए एल्गोरिथम प्रसंस्करण के दौरान प्राप्त सांख्यिकीय उपायों का मूल्यांकन करते समय। डेटा के साथ इंटरएक्टिव विज़ुअलाइज़ेशन, विज़ुअलाइज़ेशन प्रक्रिया की एक प्रमुख विशेषता, डेटा के बारे में दृश्य क्वेरी करने, छवियों को एनोटेट करने, विभाजन और पंजीकरण प्रक्रियाओं को निर्देशित करने और डेटा के दृश्य प्रतिनिधित्व को नियंत्रित करने के लिए उपयोग किया जाता है (प्रकाश रेंडरिंग गुणों और देखने के मापदंडों को नियंत्रित करके)। विज़ुअलाइज़ेशन का उपयोग प्रारंभिक अन्वेषण और विश्लेषण के मध्यवर्ती और अंतिम परिणाम दोनों के लिए किया जाता है।

मेडिकल इमेजिंग का चित्र विज़ुअलाइज़ेशन कई प्रकार के विज़ुअलाइज़ेशन दिखाता है: 1. ग्रे स्केल छवियों के रूप में क्रॉस-सेक्शन का प्रदर्शन; 2. ग्रे स्केल छवियों के सुधारित दृश्य (इस उदाहरण में धनु दृश्य में छवि अधिग्रहण की मूल दिशा की तुलना में एक अलग अभिविन्यास है; और 3. समान डेटा का एक वॉल्यूम प्रतिपादन। विभिन्न प्रस्तुतियों में गांठदार घाव स्पष्ट रूप से दिखाई देता है और एक सफेद रेखा के साथ टिप्पणी की गई है।

एटलस
अलग-अलग आकार और आकार के अंगों वाले लोगों के कारण चिकित्सा छवियां व्यक्तियों में महत्वपूर्ण रूप से भिन्न हो सकती हैं। इसलिए, इस परिवर्तनशीलता को ध्यान में रखते हुए चिकित्सा छवियों का प्रतिनिधित्व करना महत्वपूर्ण है। चिकित्सा छवियों का प्रतिनिधित्व करने के लिए एक लोकप्रिय दृष्टिकोण एक या एक से अधिक एटलस के उपयोग के माध्यम से होता है। यहां, एक एटलस उन छवियों की आबादी के लिए एक विशिष्ट मॉडल को संदर्भित करता है, जो एक प्रशिक्षण डेटासेट से सीखे गए मापदंडों के साथ हैं।

एटलस का सबसे सरल उदाहरण एक औसत तीव्रता वाली छवि है, जिसे सामान्यतः टेम्पलेट के रूप में संदर्भित किया जाता है। हालाँकि, एक एटलस में समृद्ध जानकारी भी सम्मलित  हो सकती है, जैसे कि स्थानीय छवि आँकड़े और संभावना है कि किसी विशेष स्थानिक स्थान का एक निश्चित लेबल है। नई चिकित्सा छवियों, जो प्रशिक्षण के दौरान उपयोग नहीं की जाती हैं, को एक एटलस में मैप किया जा सकता है, जिसे #Segmentation और #Group विश्लेषण जैसे विशिष्ट एप्लिकेशन के अनुरूप बनाया गया है। किसी छवि को एटलस से मैप करने में सामान्यतः  छवि और एटलस का #पंजीकरण सम्मलित  होता है। इस विकृति का उपयोग चिकित्सा छवियों में परिवर्तनशीलता को संबोधित करने के लिए किया जा सकता है।

एकल टेम्पलेट
सबसे सरल तरीका चिकित्सा छवियों को एकल टेम्पलेट छवि के विकृत संस्करणों के रूप में मॉडल करना है। उदाहरण के लिए, एनाटोमिकल एमआरआई ब्रेन स्कैन को अधिकांशतः एमएनआई टेम्पलेट में मैप किया जाता है सामान्य निर्देशांक में सभी मस्तिष्क स्कैन का प्रतिनिधित्व करने के लिए। एकल-टेम्प्लेट दृष्टिकोण का मुख्य दोष यह है कि यदि टेम्प्लेट और किसी दी गई परीक्षण छवि के बीच महत्वपूर्ण अंतर हैं, तो एक को दूसरे पर मैप करने का एक अच्छा तरीका नहीं हो सकता है। उदाहरण के लिए, गंभीर मस्तिष्क असामान्यताओं (अर्थात, एक ट्यूमर या सर्जिकल प्रक्रिया) वाले रोगी का एनाटोमिकल एमआरआई ब्रेन स्कैन आसानी से एमएनआई टेम्पलेट में मैप नहीं हो सकता है।

एकाधिक टेम्पलेट्स
एक ही टेम्प्लेट पर निर्भर रहने के अतिरिक्त, कई टेम्प्लेट का उपयोग किया जा सकता है। विचार यह है कि एक छवि को किसी एक टेम्पलेट के विकृत संस्करण के रूप में प्रस्तुत किया जाए। उदाहरण के लिए, एक स्वस्थ आबादी के लिए एक टेम्प्लेट और बीमार आबादी के लिए एक टेम्प्लेट हो सकता है। हालाँकि, कई अनुप्रयोगों में, यह स्पष्ट नहीं है कि कितने टेम्प्लेट की आवश्यकता है। इससे निपटने का एक सरल यद्यपि कम्प्यूटेशनल रूप से महंगा तरीका है कि प्रशिक्षण डेटासेट में प्रत्येक छवि एक टेम्प्लेट छवि हो और इस प्रकार प्रत्येक नई छवि का सामना प्रशिक्षण डेटासेट में प्रत्येक छवि के विरुद्ध किया जाता है। एक और हालिया दृष्टिकोण स्वचालित रूप से आवश्यक टेम्पलेट्स की संख्या पाता है।

सांख्यिकीय विश्लेषण
सांख्यिकीय विधियां आधुनिक कंप्यूटर दृष्टि,  यंत्र अधिगम  और पैटर्न पहचान के साथ चिकित्सा इमेजिंग क्षेत्र को जोड़ती हैं। पिछले एक दशक में, कई बड़े डेटासेट सार्वजनिक रूप से उपलब्ध कराए गए हैं (उदाहरण के लिए ADNI, 1000 कार्यात्मक कनेक्टोम प्रोजेक्ट देखें), विभिन्न संस्थानों और अनुसंधान केंद्रों के बीच सहयोग के कारण। डेटा आकार में यह वृद्धि नए एल्गोरिदम के लिए कॉल करती है जो नैदानिक ​​​​प्रश्नों को संबोधित करने के लिए छवियों में सूक्ष्म परिवर्तनों का पता लगा सकती है और उनका पता लगा सकती है। इस तरह के नैदानिक ​​प्रश्न बहुत विविध हैं और इसमें समूह विश्लेषण, इमेजिंग बायोमार्कर, रोग फेनोटाइपिंग और अनुदैर्ध्य अध्ययन सम्मलित  हैं।

समूह विश्लेषण
समूह विश्लेषण में, उद्देश्य दो या दो से अधिक साथियों की छवियों की तुलना करके किसी बीमारी से प्रेरित असामान्यताओं का पता लगाना और उनकी मात्रा निर्धारित करना है। सामान्यतः इनमें से एक समूह में सामान्य (नियंत्रण) विषय होते हैं, और दूसरे में असामान्य रोगी होते हैं। रोग के कारण होने वाली भिन्नता शरीर रचना के असामान्य विरूपण के रूप में प्रकट हो सकती है ( वॉक्सेल -आधारित मॉर्फोमेट्री देखें)। उदाहरण के लिए, मस्तिष्क में  समुद्री घोड़ा  जैसे उप-कॉर्टिकल ऊतकों का सिकुड़ना अल्जाइमर रोग से जुड़ा हो सकता है। इसके अतिरिक्त, पोजीट्रान एमिशन टोमोग्राफी जैसे इमेजिंग तौर-तरीकों का उपयोग करके जैव रासायनिक (कार्यात्मक) गतिविधि में परिवर्तन देखे जा सकते हैं।

समूहों के बीच तुलना सामान्यतः स्वर स्तर पर की जाती है। इसलिए, सबसे लोकप्रिय प्री-प्रोसेसिंग पाइपलाइन, विशेष रूप से न्यूरोइमेजिंग में, वोक्सल्स के बीच पत्राचार बनाए रखने के लिए (#Registration) के माध्यम से डेटासेट में सभी छवियों को एक सामान्य समन्वय फ्रेम में बदल देती है। इस स्वर-वार पत्राचार को देखते हुए, सबसे आम फ़्रीक्वेंटिस्ट विधि प्रत्येक स्वर के लिए एक आँकड़ा निकालना है (उदाहरण के लिए, प्रत्येक समूह के लिए औसत स्वर तीव्रता) और यह मूल्यांकन करने के लिए सांख्यिकीय परिकल्पना परीक्षण करना है कि शून्य परिकल्पना समर्थित है या नहीं। अशक्त परिकल्पना सामान्यतः  मानती है कि दो सहगण एक ही वितरण से तैयार किए गए हैं, और इसलिए, समान सांख्यिकीय गुण होने चाहिए (उदाहरण के लिए, दो समूहों के माध्य मान एक विशेष स्वर के लिए समान हैं)। चूंकि चिकित्सा छवियों में बड़ी संख्या में स्वर होते हैं, इसलिए कई तुलनाओं के मुद्दे को संबोधित करने की आवश्यकता होती है।  समूह विश्लेषण समस्या से निपटने के लिए बायेसियन अनुमान दृष्टिकोण भी हैं।

वर्गीकरण
चूंकि समूह विश्लेषण एक शरीर रचना और कार्य पर विकृति के सामान्य प्रभावों की मात्रा निर्धारित कर सकता है, यह विषय स्तर के उपायों को प्रदान नहीं करता है, और इसलिए निदान के लिए बायोमार्कर के रूप में उपयोग नहीं किया जा सकता है (इमेजिंग बायोमार्कर देखें)। दूसरी ओर, चिकित्सक, अधिकांशतः  पैथोलॉजी के शीघ्र निदान में रुचि रखते हैं (अर्थात वर्गीकरण,  और एक बीमारी की प्रगति सीखने में (अर्थात  प्रतिगमन ). पद्धतिगत दृष्टिकोण से, वर्तमान तकनीकें मानक मशीन लर्निंग एल्गोरिदम को मेडिकल इमेजिंग डेटासेट (जैसे  समर्थन वेक्टर यंत्र ) पर लागू करने से भिन्न होती हैं ), क्षेत्र की जरूरतों के लिए अनुकूलित नए दृष्टिकोण विकसित करने के लिए। मुख्य कठिनाइयाँ इस प्रकार हैं:


 * छोटा नमूना आकार (आयाम का अभिशाप): एक बड़े मेडिकल इमेजिंग डेटासेट में सैकड़ों से हजारों छवियां होती हैं, जबकि एक विशिष्ट वॉल्यूमेट्रिक छवि में स्वरों की संख्या आसानी से लाखों से अधिक हो सकती है। इस समस्या का एक उपाय सूचनात्मक अर्थों में सुविधाओं की संख्या को कम करना है (आयामीता में कमी देखें)। कई अनुपयोगी और अर्ध-/पर्यवेक्षित,   इस मुद्दे को हल करने के लिए दृष्टिकोण प्रस्तावित किए गए हैं।
 * व्याख्यात्मकता: एक अच्छा सामान्यीकरण सटीकता हमेशा प्राथमिक उद्देश्य नहीं होता है, क्योंकि चिकित्सक यह समझना चाहेंगे कि शरीर रचना के कौन से हिस्से रोग से प्रभावित हैं। इसलिए, परिणामों की व्याख्या बहुत महत्वपूर्ण है; छवि संरचना को अनदेखा करने वाले तरीके इष्ट नहीं हैं। फीचर चयन के आधार पर वैकल्पिक तरीके प्रस्तावित किए गए हैं।

क्लस्टरिंग
छवि-आधारित पैटर्न वर्गीकरण विधियां सामान्यतः यह मानती हैं कि किसी बीमारी के न्यूरोलॉजिकल प्रभाव अलग और अच्छी तरह से परिभाषित हैं। ऐसा हमेशा नहीं हो सकता है। कई चिकित्सा स्थितियों के लिए, रोगी आबादी अत्यधिक विषम है, और उप-स्थितियों में और वर्गीकरण स्थापित नहीं किया गया है। इसके अतिरिक्त, कुछ बीमारियों (जैसे,  ऑटिज्म स्पेक्ट्रम डिस्ऑर्डर  (एएसडी), एक प्रकार का मानसिक विकार, हल्के संज्ञानात्मक हानि (एमसीआई)) को हल्के संज्ञानात्मक हानि से लेकर बहुत स्पष्ट रोग परिवर्तनों तक निरंतर या लगभग-निरंतर स्पेक्ट्रा द्वारा चित्रित किया जा सकता है। विषम विकारों के छवि-आधारित विश्लेषण की सुविधा के लिए, पैटर्न वर्गीकरण के लिए पद्धतिगत विकल्प विकसित किए गए हैं। ये तकनीकें उच्च-आयामी क्लस्टरिंग से विचार उधार लेती हैं और सजातीय उप-आबादी में दी गई आबादी को क्लस्टर करने के लिए उच्च-आयामी पैटर्न-प्रतिगमन। लक्ष्य प्रत्येक उप-जनसंख्या के भीतर रोग की बेहतर मात्रात्मक समझ प्रदान करना है।

आकार विश्लेषण
सांख्यिकीय आकार विश्लेषण मेडिकल इमेज कंप्यूटिंग का क्षेत्र है जो विभिन्न मेडिकल इमेजिंग #इमेजिंग तकनीक से प्राप्त संरचनाओं के ज्यामिति गुणों का अध्ययन करता है। आकार विश्लेषण हाल ही में चिकित्सा समुदाय के लिए बढ़ती दिलचस्पी बन गया है क्योंकि संरचनाओं की विभिन्न आबादी, अर्थात स्वस्थ बनाम रोग, महिला बनाम पुरुष, युवा बनाम बुजुर्ग के बीच आकृति विज्ञान (जीव विज्ञान) परिवर्तनों का सटीक पता लगाने की क्षमता है। आकार विश्लेषण में दो मुख्य चरण सम्मलित  हैं: आकृति पत्राचार और सांख्यिकीय विश्लेषण।


 * आकार पत्राचार वह पद्धति है जो त्रिभुज जाल, समोच्च, बिंदु सेट या वॉल्यूमेट्रिक छवियों द्वारा दर्शाए गए ज्यामितीय आकृतियों के बीच संगत स्थानों की गणना करती है। स्पष्ट रूप से पत्राचार की परिभाषा सीधे विश्लेषण को प्रभावित करेगी। पत्राचार ढांचे के लिए विभिन्न विकल्पों में हम पा सकते हैं: शारीरिक पत्राचार, मैनुअल लैंडमार्क, कार्यात्मक पत्राचार (अर्थात समान न्यूरोनल कार्यक्षमता के लिए जिम्मेदार ब्रेन मॉर्फोमेट्री लोकस में), ज्यामिति पत्राचार, (इमेज वॉल्यूम के लिए) तीव्रता समानता, आदि। कुछ दृष्टिकोण, उदा। स्पेक्ट्रल आकार विश्लेषण, पत्राचार की आवश्यकता नहीं है लेकिन सीधे आकार वर्णनकर्ताओं की तुलना करें।
 * सांख्यिकीय विश्लेषण संबंधित स्थानों पर संरचनात्मक परिवर्तन का माप प्रदान करेगा।

अनुदैर्ध्य अध्ययन
अनुदैर्ध्य अध्ययनों में एक ही व्यक्ति की बार-बार छवि बनाई जाती है। इस जानकारी को छवि विश्लेषण और साथ ही सांख्यिकीय मॉडलिंग दोनों में सम्मलित किया जा सकता है।
 * अनुदैर्ध्य छवि प्रसंस्करण में, अलग-अलग समय बिंदुओं के विभाजन और विश्लेषण विधियों को सामान्य जानकारी के साथ सूचित और नियमित किया जाता है, सामान्यतः एक भीतर-विषय टेम्पलेट से। यह नियमितीकरण माप शोर को कम करने के लिए डिज़ाइन किया गया है और इस प्रकार संवेदनशीलता और सांख्यिकीय शक्ति को बढ़ाने में मदद करता है। साथ ही अति-नियमितीकरण से बचने की जरूरत है, जिससे कि  प्रभाव आकार स्थिर रहे। तीव्र नियमितीकरण, उदाहरण के लिए, उत्कृष्ट परीक्षण-पुनः परीक्षण विश्वसनीयता का नेतृत्व कर सकता है, लेकिन समूहों में किसी भी वास्तविक परिवर्तन और अंतर का पता लगाने की क्षमता को सीमित करता है। अधिकांशतः  एक ट्रेड-ऑफ को लक्षित करने की आवश्यकता होती है, जो सीमित प्रभाव आकार के नुकसान की कीमत पर शोर में कमी का अनुकूलन करता है। अनुदैर्ध्य छवि प्रसंस्करण में एक और आम चुनौती है, अधिकांशतः  अनजाने में, प्रसंस्करण पूर्वाग्रह का परिचय। जब, उदाहरण के लिए, अनुवर्ती छवियां पंजीकृत हो जाती हैं और आधार रेखा छवि के लिए पुन: नमूना हो जाती हैं, तो प्रक्षेप कलाकृतियों को केवल अनुवर्ती छवियों से परिचित कराया जाता है, न कि आधार रेखा से। ये विरूपण साक्ष्य नकली प्रभाव पैदा कर सकते हैं (सामान्यतः  अनुदैर्ध्य परिवर्तन को कम करके आंका जाता है और इस प्रकार आवश्यक नमूना आकार को कम करके आंका जाता है)। इसलिए यह आवश्यक है कि किसी भी प्रसंस्करण पूर्वाग्रह से बचने के लिए सभी समय बिंदुओं को बिल्कुल समान माना जाए।
 * अनुदैर्ध्य डेटा के पोस्ट-प्रोसेसिंग और सांख्यिकीय विश्लेषण के लिए सामान्यतः समर्पित सांख्यिकीय उपकरणों की आवश्यकता होती है जैसे बार-बार माप एनोवा या अधिक शक्तिशाली रैखिक मिश्रित प्रभाव मॉडल। इसके अतिरिक्त, सिग्नल के स्थानिक वितरण पर विचार करना लाभप्रद है। उदाहरण के लिए, कॉर्टिकल मोटाई माप समय के भीतर विषय के भीतर और कॉर्टिकल सतह पर एक पड़ोस के भीतर एक सहसंबंध दिखाएगा - एक ऐसा तथ्य जिसका उपयोग सांख्यिकीय शक्ति बढ़ाने के लिए किया जा सकता है। इसके अतिरिक्त, समय-दर-घटना (उर्फ उत्तरजीविता) विश्लेषण अधिकांशतः  अनुदैर्ध्य डेटा का विश्लेषण करने और महत्वपूर्ण भविष्यवक्ताओं को निर्धारित करने के लिए नियोजित किया जाता है।

छवि-आधारित शारीरिक मॉडलिंग
परंपरागत रूप से, चिकित्सा छवि कंप्यूटिंग ने छवि अधिग्रहण के बिंदु और समय पर उपलब्ध संरचनात्मक या कार्यात्मक जानकारी के परिमाणीकरण और संलयन को संबोधित करने के लिए देखा है। इस संबंध में, इसे अंतर्निहित शारीरिक, भौतिक या शारीरिक प्रक्रियाओं की मात्रात्मक संवेदन के रूप में देखा जा सकता है। चूंकि, पिछले कुछ वर्षों में, रोग या चिकित्सा पाठ्यक्रम के भविष्य कहनेवाला मूल्यांकन में रुचि बढ़ रही है। छवि-आधारित मॉडलिंग, चाहे वह बायोमैकेनिकल या शारीरिक प्रकृति की हो, इसलिए छवि कंप्यूटिंग की संभावनाओं को वर्णनात्मक से भविष्य कहनेवाला कोण तक बढ़ा सकती है।

STEP रिसर्च रोडमैप के अनुसार, वर्चुअल फिजियोलॉजिकल ह्यूमन (VPH) एक पद्धतिगत और तकनीकी ढांचा है, जो एक बार स्थापित हो जाने पर, मानव शरीर की एक जटिल प्रणाली के रूप में जांच को सक्षम करेगा। वीपीएच अवधारणा के अनुसार, इंटरनेशनल यूनियन फॉर फिजियोलॉजिकल साइंसेज (आईयूपीएस) एक दशक से अधिक समय से फिजियोम को प्रायोजित कर रहा है।  यह मानव शरीर विज्ञान को समझने के लिए एक कम्प्यूटेशनल ढांचा प्रदान करने का एक विश्वव्यापी सार्वजनिक डोमेन प्रयास है। इसका उद्देश्य जैविक संगठन के सभी स्तरों पर जीन नियामक नेटवर्क, प्रोटीन मार्ग, एकीकृत सेल फ़ंक्शंस, और ऊतक और पूरे अंग संरचना / कार्य संबंधों के माध्यम से जीन से पूरे जीवों तक एकीकृत मॉडल विकसित करना है। इस तरह के दृष्टिकोण का उद्देश्य चिकित्सा में वर्तमान अभ्यास को बदलना है और कम्प्यूटेशनल चिकित्सा के एक नए युग का आधार है। इस संदर्भ में, मेडिकल इमेजिंग और इमेज कंप्यूटिंग एक तेजी से महत्वपूर्ण भूमिका निभाते हैं क्योंकि वे विवो में मानव के बारे में संरचनात्मक और कार्यात्मक जानकारी की छवि, मात्रा और फ्यूज दोनों के लिए सिस्टम और तरीके प्रदान करते हैं। इन दो व्यापक अनुसंधान क्षेत्रों में विशिष्ट विषयों का प्रतिनिधित्व करने के लिए सामान्य कम्प्यूटेशनल मॉडल का रूपांतरण सम्मलित है, इस प्रकार व्यक्तिगत कम्प्यूटेशनल मॉडल के लिए मार्ग प्रशस्त होता है। इमेजिंग के माध्यम से सामान्य कम्प्यूटेशनल मॉडल का वैयक्तिकरण तीन पूरक दिशाओं में महसूस किया जा सकता है:
 * विषय-विशिष्ट कम्प्यूटेशनल डोमेन (शरीर रचना) और संबंधित उप डोमेन (ऊतक प्रकार) की परिभाषा;
 * (गतिशील और/या कार्यात्मक) इमेजिंग से सीमा और प्रारंभिक स्थितियों की परिभाषा; और
 * संरचनात्मक और कार्यात्मक ऊतक गुणों का लक्षण वर्णन।

इसके अतिरिक्त, इमेजिंग भी मानव और पशु मॉडल दोनों में ऐसे मॉडलों के मूल्यांकन और सत्यापन में और नैदानिक ​​​​और चिकित्सीय अनुप्रयोगों दोनों के साथ नैदानिक ​​​​सेटिंग में मॉडल के अनुवाद में एक महत्वपूर्ण भूमिका निभाता है। इस विशिष्ट संदर्भ में, आणविक, जैविक, और पूर्व-नैदानिक ​​​​इमेजिंग अतिरिक्त डेटा प्रदान करती है और अणुओं, कोशिकाओं, ऊतकों और पशु मॉडल में बुनियादी संरचना और कार्य की समझ प्रदान करती है जिसे मानव शरीर विज्ञान में स्थानांतरित किया जा सकता है जहां उपयुक्त हो।

बुनियादी और नैदानिक ​​डोमेन में छवि-आधारित वीपीएच/फिजियोम मॉडल के अनुप्रयोग विशाल हैं। मोटे तौर पर, वे नई वर्चुअल इमेजिंग तकनीक बनने का वादा करते हैं। प्रभावी रूप से अधिक, अधिकांशतः गैर-अवलोकन योग्य, मापदंडों को अवलोकन योग्य लेकिन कभी-कभी विरल और असंगत मल्टीमॉडल छवियों और शारीरिक मापों के एकीकरण के आधार पर सिलिको में चित्रित किया जाएगा। कम्प्यूटेशनल मॉडल जांच के अनुसार  शारीरिक या पैथोफिजियोलॉजिकल प्रक्रियाओं के अंतर्निहित बायोफिजिकल, बायोकेमिकल या जैविक कानूनों के अनुरूप एक तरह से माप की व्याख्या करने के लिए काम करेंगे। अंततः, इस तरह के खोजी उपकरण और प्रणालियाँ रोग प्रक्रियाओं, रोग के विकास के प्राकृतिक इतिहास, और औषधीय और / या पारंपरिक चिकित्सीय प्रक्रियाओं के रोग पर प्रभाव के बारे में हमारी समझ में मदद करेंगी।

इमेजिंग और मॉडलिंग के बीच क्रॉस-निषेचन माप की व्याख्या से परे एक तरह से शरीर विज्ञान के अनुरूप है। छवि-आधारित रोगी-विशिष्ट मॉडलिंग, चिकित्सा उपकरणों और औषधीय उपचारों के मॉडल के साथ संयुक्त, भविष्य कहनेवाला इमेजिंग का रास्ता खोलता है जिससे कोई भी सिलिको में इस तरह के हस्तक्षेप को समझने, योजना बनाने और अनुकूलित करने में सक्षम होगा।

मेडिकल इमेजिंग में गणितीय तरीके
कई परिष्कृत गणितीय विधियों ने चिकित्सा इमेजिंग में प्रवेश किया है, और पहले ही कर चुके हैं विभिन्न सॉफ्टवेयर पैकेजों में लागू किया गया। इनमें आंशिक अंतर समीकरणों (पीडीई) पर आधारित दृष्टिकोण और वृद्धि, विभाजन और पंजीकरण के लिए वक्रता संचालित प्रवाह सम्मलित हैं। चूंकि वे पीडीई को नियोजित करते हैं, इसलिए जीपीजीपीयू पर समानांतरकरण और कार्यान्वयन के लिए विधियां उत्तरदायी हैं। इनमें से कई तकनीकों को इष्टतम नियंत्रण में विचारों से प्रेरित किया गया है। तदनुसार, हाल ही में नियंत्रण से विचारों ने हाल ही में इंटरैक्टिव तरीकों, विशेष रूप से विभाजन में अपना रास्ता बना लिया है। इसके अतिरिक्त, शोर और अधिक गतिशील रूप से बदलती इमेजरी के लिए सांख्यिकीय आकलन तकनीकों की आवश्यकता के कारण, कलमन फिल्टर और कण फिल्टर उपयोग में आ गए हैं। संदर्भों की विस्तृत सूची के साथ इन विधियों का एक सर्वेक्षण में पाया जा सकता है।

साधन विशिष्ट कंप्यूटिंग
कुछ इमेजिंग तौर-तरीके बहुत ही विशेष जानकारी प्रदान करते हैं। परिणामी छवियों को नियमित स्केलर छवियों के रूप में नहीं माना जा सकता है और मेडिकल इमेज कंप्यूटिंग के नए उप-क्षेत्रों को जन्म देता है। उदाहरणों में सम्मलित हैं #Diffusion MRI,
 * 1) कार्यात्मक एमआरआई और अन्य।

प्रसार एमआरआई
प्रसार एमआरआई एक संरचनात्मक चुंबकीय अनुनाद इमेजिंग साधन है जो अणुओं की प्रसार प्रक्रिया को मापने की अनुमति देता है। एक विशेष दिशा के साथ एक चुंबकीय क्षेत्र में एक ढाल नाड़ी को लागू करके प्रसार को मापा जाता है। एक विशिष्ट अधिग्रहण में, समान रूप से वितरित ढाल दिशाओं का एक सेट प्रसार भारित मात्राओं का एक सेट बनाने के लिए उपयोग किया जाता है। इसके अतिरिक्त, एक ही चुंबकीय क्षेत्र के अनुसार एक ढाल नाड़ी के आवेदन के बिना एक भारित मात्रा प्राप्त की जाती है। जैसा कि प्रत्येक अधिग्रहण कई संस्करणों से जुड़ा हुआ है, प्रसार एमआरआई ने मेडिकल इमेज कंप्यूटिंग में कई तरह की अनूठी चुनौतियाँ पैदा की हैं।

चिकित्सा में, प्रसार एमआरआई में दो प्रमुख कम्प्यूटेशनल लक्ष्य हैं:
 * स्थानीय ऊतक गुणों का अनुमान, जैसे विसारकता;
 * स्थानीय दिशाओं और प्रसार के वैश्विक मार्गों का अनुमान।

प्रसार टेंसर इमेजिंग, एक 3 × 3 सममित सकारात्मक-निश्चित मैट्रिक्स, इन दोनों लक्ष्यों का सीधा समाधान प्रदान करता है। यह सामान्य रूप से वितरित स्थानीय प्रसार प्रोफ़ाइल के सहप्रसरण मैट्रिक्स के समानुपाती होता है और इस प्रकार, इस मैट्रिक्स का प्रमुख ईजेनवेक्टर स्थानीय प्रसार की प्रमुख दिशा है। इस मॉडल की सादगी के कारण, प्रत्येक स्थान पर स्वतंत्र रूप से रैखिक समीकरणों की एक प्रणाली को हल करके प्रसार टेन्सर का अधिकतम संभावना अनुमान पाया जा सकता है। हालाँकि, जैसा कि माना जाता है कि आयतन में सन्निहित ऊतक तंतु होते हैं, यह टेंसरों के अंतर्निहित क्षेत्र पर नियमितता की स्थिति को लागू करके इसकी संपूर्णता में प्रसार टेंसरों की मात्रा का अनुमान लगाने के लिए बेहतर हो सकता है। स्केलर मानों को प्रसार टेन्सर से निकाला जा सकता है, जैसे कि भिन्नात्मक अनिसोट्रॉपी, माध्य, अक्षीय और रेडियल डिफ्यूसिविटीज, जो अप्रत्यक्ष रूप से ऊतक गुणों को मापते हैं जैसे एक्सोनल फाइबर के डिस्मेलिनेशन या एडिमा की उपस्थिति। मानक स्केलर छवि कंप्यूटिंग विधियों, जैसे पंजीकरण और विभाजन, ऐसे स्केलर मानों के संस्करणों पर सीधे लागू किए जा सकते हैं। हालाँकि, प्रसार टेन्सर में जानकारी का पूरी तरह से दोहन करने के लिए, इन विधियों को पंजीकरण करते समय टेन्सर वैल्यू वॉल्यूम के लिए खाते में अनुकूलित किया गया है। और विभाजन।

वॉल्यूम में प्रत्येक स्थान पर प्रसार की प्रमुख दिशा को देखते हुए, ट्रैक्टोग्राफी नामक प्रक्रिया के माध्यम से प्रसार के वैश्विक मार्गों का अनुमान लगाना संभव है। चूंकि, प्रसार एमआरआई के अपेक्षाकृत कम रिज़ॉल्यूशन के कारण, इनमें से कई रास्ते एक ही स्थान पर पार, चुंबन या प्रशंसक हो सकते हैं। इस स्थिति में, डिफ्यूजन टेन्सर इमेजिंग की एकल प्रमुख दिशा स्थानीय प्रसार वितरण के लिए उपयुक्त मॉडल नहीं है। इस समस्या का सबसे आम समाधान अधिक जटिल मॉडलों का उपयोग करके स्थानीय प्रसार की कई दिशाओं का अनुमान लगाना है। इनमें प्रसार टेन्सर के मिश्रण सम्मलित हैं, क्यू-बॉल इमेजिंग, प्रसार स्पेक्ट्रम इमेजिंग और फाइबर अभिविन्यास वितरण कार्य,  जिसके लिए सामान्यतः  डिफ्यूजन एमआरआई # हार्डी की आवश्यकता होती है: बड़ी संख्या में ढाल दिशाओं के साथ उच्च-कोणीय-रिज़ॉल्यूशन प्रसार इमेजिंग और क्यू-बॉल वेक्टर विश्लेषण अधिग्रहण। प्रसार टेन्सर के साथ, इन जटिल मॉडलों के साथ मूल्यवान वॉल्यूम को छवि कंप्यूटिंग विधियों को लागू करते समय विशेष उपचार की आवश्यकता होती है, जैसे कि छवि पंजीकरण   और विभाजन।

कार्यात्मक एमआरआई
Fmri | कार्यात्मक चुंबकीय अनुनाद इमेजिंग (fMRI) एक चिकित्सा इमेजिंग साधन है जो अप्रत्यक्ष रूप से स्थानीय हेमोडायनामिक प्रतिक्रिया, या रक्त ऑक्सीजन स्तर पर निर्भर संकेत (बोल्ड) को देखकर तंत्रिका गतिविधि को मापता है। fMRI डेटा कई प्रकार की अंतर्दृष्टि प्रदान करता है, और इसे मोटे तौर पर दो श्रेणियों में विभाजित किया जा सकता है:


 * कार्य से संबंधित fMRI का अधिग्रहण किया जाता है क्योंकि विषय समयबद्ध प्रायोगिक स्थितियों का एक क्रम कर रहा है। ब्लॉक-डिज़ाइन प्रयोगों में, स्थितियाँ कम समय (जैसे, 10 सेकंड) के लिए उपस्थित होती हैं और आराम की अवधि के साथ वैकल्पिक होती हैं। घटना-संबंधी प्रयोग उत्तेजनाओं के एक यादृच्छिक अनुक्रम पर निर्भर करते हैं और प्रत्येक स्थिति को निरूपित करने के लिए एकल समय बिंदु का उपयोग करते हैं। कार्य संबंधी  फमरी  का विश्लेषण करने के लिए मानक दृष्टिकोण सामान्य रैखिक मॉडल (जीएलएम) है * रेस्टिंग स्टेट fMRI किसी भी प्रायोगिक कार्य के अभाव में प्राप्त किया जाता है। सामान्यतः, उद्देश्य मस्तिष्क की आंतरिक नेटवर्क संरचना का अध्ययन करना है। आराम के दौरान की गई टिप्पणियों को विशिष्ट संज्ञानात्मक प्रक्रियाओं जैसे एन्कोडिंग या प्रतिबिंब से भी जोड़ा गया है। रेस्टिंग स्टेट fMRI के अधिकांश अध्ययन fMRI सिग्नल (LF-BOLD) की कम आवृत्ति के उतार-चढ़ाव पर ध्यान केंद्रित करते हैं। महत्वपूर्ण खोजों में डिफ़ॉल्ट नेटवर्क सम्मलित  है, एक व्यापक कॉर्टिकल पार्सलेशन, और नेटवर्क विशेषताओं को व्यवहारिक मापदंडों से जोड़ना।

कार्यात्मक न्यूरोइमेजिंग डेटा का विश्लेषण करने के लिए उपयोग की जाने वाली पद्धति का एक समृद्ध सेट है, और सर्वोत्तम विधि के संबंध में अधिकांशतः कोई आम सहमति नहीं होती है। इसके अतिरिक्त, शोधकर्ता प्रत्येक समस्या को स्वतंत्र रूप से देखते हैं और एक उपयुक्त मॉडल/एल्गोरिदम का चयन करते हैं। इस संदर्भ में तंत्रिका विज्ञान, कम्प्यूटेशनल बायोलॉजी विज्ञान, सांख्यिकी और मशीन सीखने वाले समुदायों के बीच अपेक्षाकृत सक्रिय आदान-प्रदान होता है। प्रमुख दृष्टिकोण सम्मलित  हैं


 * 'बड़े पैमाने पर अविभाज्य दृष्टिकोण' जो प्रयोग की स्थिति के संबंध के लिए इमेजिंग डेटा में अलग-अलग स्वरों की जांच करता है। मुख्य दृष्टिकोण सामान्य रैखिक मॉडल (जीएलएम) है * बहुभिन्नरूपी- और क्लासिफायर आधारित दृष्टिकोण, जिसे अधिकांशतः बहु ​​स्वर पैटर्न विश्लेषण या बहु-चर पैटर्न विश्लेषण के रूप में संदर्भित किया जाता है, एक प्रयोगात्मक स्थिति के लिए वैश्विक और संभावित रूप से वितरित प्रतिक्रियाओं के लिए डेटा की जांच करता है। दृश्य उत्तेजनाओं के प्रति प्रतिक्रियाओं का अध्ययन करने के लिए प्रारंभिक दृष्टिकोणों ने  समर्थन वेक्टर यंत्र  | सपोर्ट वेक्टर मशीन (एसवीएम) का उपयोग किया। हाल ही में, वैकल्पिक पैटर्न पहचान एल्गोरिदम का पता लगाया गया है, जैसे यादृच्छिक वन आधारित गिन्नी कंट्रास्ट या विरल प्रतिगमन और शब्दकोश सीखने * कार्यात्मक कनेक्टिविटी विश्लेषण क्षेत्रों के बीच बातचीत सहित मस्तिष्क की आंतरिक नेटवर्क संरचना का अध्ययन करता है। इस तरह के अधिकांश अध्ययन मस्तिष्क को विभाजित करने के लिए राज्य डेटा को आराम देने पर ध्यान केंद्रित करते हैं या व्यवहारिक उपायों से सहसंबंध खोजने के लिए। कार्य विशिष्ट डेटा का उपयोग मस्तिष्क क्षेत्रों के बीच कारण संबंधों का अध्ययन करने के लिए किया जा सकता है (उदाहरण के लिए, गतिशील कारण मानचित्रण (डीसीएम) ).

विषयों के बड़े समूहों के साथ काम करते समय, एक सामान्य संदर्भ फ्रेम में व्यक्तिगत विषयों का सामान्यीकरण (पंजीकरण) महत्वपूर्ण होता है। एनाटॉमी ( FMRIB सॉफ्टवेयर लाइब्रेरी, फ्रीसर्फर, सांख्यिकीय पैरामीट्रिक मानचित्रण ) के आधार पर सामान्यीकरण करने के लिए काम और उपकरणों का एक समूह उपस्थित  है। विषयों में स्थानिक परिवर्तनशीलता को ध्यान में रखते हुए संरेखण कार्य की एक और हालिया पंक्ति है। उदाहरण एफएमआरआई सिग्नल सहसंबंध के आधार पर प्रांतस्था के संरेखण हैं, वैश्विक कार्यात्मक कनेक्टिविटी संरचना के आधार पर संरेखण कार्य-, या आराम करने वाले राज्य डेटा दोनों में, और व्यक्तिगत स्वरों के प्रोत्साहन विशिष्ट सक्रियण प्रोफाइल के आधार पर संरेखण।

सॉफ्टवेयर
मेडिकल इमेज कंप्यूटिंग के लिए सॉफ्टवेयर आईओ, विज़ुअलाइज़ेशन और इंटरेक्शन, यूजर इंटरफेस, डेटा प्रबंधन और गणना प्रदान करने वाली प्रणालियों का एक जटिल संयोजन है। सामान्यतः सिस्टम आर्किटेक्चर को एल्गोरिथम डेवलपर्स, एप्लिकेशन डेवलपर्स और उपयोगकर्ताओं की सेवा के लिए स्तरित किया जाता है। नीचे की परतें अधिकांशतः  पुस्तकालय और/या टूलकिट होती हैं जो आधार कम्प्यूटेशनल क्षमताएं प्रदान करती हैं; जबकि शीर्ष परतें विशिष्ट अनुप्रयोग हैं जो विशिष्ट चिकित्सा समस्याओं, बीमारियों या शरीर प्रणालियों को संबोधित करती हैं।

अतिरिक्त नोट्स
मेडिकल इमेज कंप्यूटिंग भी कंप्यूटर विजन के क्षेत्र से संबंधित है। एक अंतरराष्ट्रीय समाज, MICCAI सोसायटी क्षेत्र का प्रतिनिधित्व करती है और एक वार्षिक सम्मेलन और संबद्ध कार्यशालाओं का आयोजन करती है। इस सम्मेलन की कार्यवाही स्प्रिंगर द्वारा कंप्यूटर विज्ञान श्रृंखला में व्याख्यान नोट्स में प्रकाशित की जाती है। 2000 में, एन. अयाचे और जे. डंकन ने क्षेत्र की स्थिति की समीक्षा की।

यह भी देखें

 * मस्तिष्क कनेक्टिविटी अनुमानक
 * कार्यात्मक कनेक्टिविटी सॉफ्टवेयर की सूची
 * आराम की अवस्था fMRI
 * इमेजिंग सूचना विज्ञान
 * न्यूरोइमेजिंग सॉफ्टवेयर

चिकित्सा छवि कंप्यूटिंग पर पत्रिकाएँ

 * चिकित्सा छवि विश्लेषण (जर्नल) | मेडिकल इमेज एनालिसिस (मीडिया); द MICCAI सोसाइटी की आधिकारिक पत्रिका भी है, जो द MICCAI सोसाइटी #वार्षिक MICCAI सम्मेलन का आयोजन करती है, जो मेडिकल इमेज कंप्यूटिंग के लिए एक प्रमुख सम्मेलन है।
 * मेडिकल इमेजिंग पर IEEE लेनदेन (IEEE TMI)
 * चिकित्सा भौतिकी
 * जर्नल ऑफ़ डिजिटल इमेजिंग (JDI); सोसायटी ऑफ इमेजिंग इंफॉर्मेटिक्स की आधिकारिक पत्रिका
 * कम्प्यूटरीकृत मेडिकल इमेजिंग और ग्राफिक्स
 * जर्नल ऑफ कंप्यूटर एडेड रेडियोलॉजी एंड सर्जरी
 * BMC मेडिकल इमेजिंग

इसके अतिरिक्त निम्नलिखित पत्रिकाएं कभी-कभी मेडिकल इमेज कंप्यूटिंग या मॉडेलिटी विशिष्ट मेडिकल इमेज कंप्यूटिंग के तरीकों और विशिष्ट नैदानिक ​​अनुप्रयोगों का वर्णन करने वाले लेख प्रकाशित करती हैं
 * रेडियोलॉजी रेडियोलॉजिकल सोसायटी ऑफ नॉर्थ अमेरिका की आधिकारिक पत्रिका
 * NeuroImage
 * जर्नल ऑफ़ मैग्नेटिक रेजोनेंस इमेजिंग (JMRI)
 * चिकित्सा में चुंबकीय अनुनाद (MRM)
 * जर्नल ऑफ़ कंप्यूटर असिस्टेड टोमोग्राफी (JCAT)
 * ह्यूमन ब्रेन मैपिंग

श्रेणी:चिकित्सा इमेजिंग में कम्प्यूटिंग श्रेणी:छवि विभाजन