Hands-on
Introducción
Este repositorio contiene los materiales desarrollados por Pamela Franco para el laboratorio virtual sobre neurooncología de precisión. El workshop integra nueve fases críticas del análisis de imágenes médicas divididas en tres bloques metodológicos.
Repositorio Principal en GitHub (@pamelaFranco)Actividades del Workshop
Bloque I: Fundamentos de Física de RM y Mapas Paramétricos
Formación de imagen en el espacio K, simulación de contraste y mapeo de relajación tisular.
Hands-on I.A: Espacio K y Formación de Imágenes
Comprender la relación entre el Espacio K y la imagen real mediante la Transformada de Fourier.
Abrir en Colab 
Hands-on I.B: Simulador de Secuencias (Ecuaciones de Bloch)
Experimentar con parámetros de adquisición (TR, TE, α) y su efecto en el contraste del fantoma.
Hands-on II: Mapas Paramétricos (T1 y T2)
Calcular mapas de tiempos de relajación mediante modelos de ajuste no lineal para caracterizar tejidos.
Bloque II: Neuroimagen Avanzada (Microestructura, fMRI y Vasculatura)
Evaluación de conectividad funcional, microestructura tisular y angiografía por resonancia.
Hands-on III: Mapas de Difusión (DTI)
Obtener mapas de FA, MD, RD y AD para caracterizar la microestructura e infiltración tumoral.
Hands-on IV: Mapeo Funcional (fMRI)
Mapear la arquitectura funcional cerebral mediante el análisis de señales de baja frecuencia (rs-fMRI).
Hands-on V: Hemodinámica y Vasculatura (TOF-MRA)
Reconstrucción 3D de la vasculatura cerebral mediante imágenes TOF-MRA y proyecciones MIP.
Bloque III: Radiómica e Inteligencia Artificial Interpretable
Extracción de fenotipos digitales, machine learning y modelos explplicables en neurooncología.
Hands-on VI: Características y Textura (GLCM)
Cuantificar la heterogeneidad del glioma mediante la extracción de métricas radiómicas cuantitativas.
Hands-on VII.A: Pipeline Radiómico (LGG vs. HGG)
Pipeline de Machine Learning para clasificar el grado tumoral a partir de firmas radiómicas.
Hands-on VII.B: Predicción e Interpretabilidad (SHAP)
Modelar la severidad tumoral mediante Machine Learning interpretable (Caja Blanca) con análisis SHAP.
Estructura del Repositorio
Code/: Notebooks.ipynb(Hands-on).Dataset/: Datos multimodales (.mat,.nii.gz,.dcmy.csv).Figuras/: Recursos visuales y diagramas explicativos.Formato Abstract/: Planillas para escribir el resumen (abstract) en formato Word y LaTeX.Template/: Formato editable de la charla (PPTX) e instrucciones del formato póster.Programa/: Cronograma detallado en PDF.
Requisitos Técnicos (Uso Local)
Si prefieres ejecución local, requiere:
- Python 3.10+
- Librerías:
pandas,numpy,scikit-learn,nibabel,dipy,nilearn,shap,matplotlib,scipy,pyradiomics.