Abstract: Optical flow is a valuable tool for motion analysis in medical imaging sequences. A reliable application requires determining the accuracy of the computed optical flow. This is a main challenge given the absence of ground truth in medical sequences. This paper presents an error analysis of Lucas-Kanade schemes in terms of intrinsic design errors and numerical stability of the algorithm. Our analysis provides a confidence measure that is naturally correlated to the accuracy of the flow field. Our experiments show the higher predictive value of our confidence measure compared to existing measures.

Abstract: La valoració de la integritat de la microcirculació coronària aporta informació pronòstica en pacients amb infart agut de miocardi en els que es realitza angioplastia primària. Aquesta valoració és subjectiva i presenta una important variabilitat si no es duta a terme per personal experimentat. Presentem una eina d’anàlisi d’imatge que permet fer una valoració de la microcirculació coronària a partir de seqüències d’angiografia. Hem analitzat les variacions locals en el nivell de gris de la imatge durant la seqüència angiogràfica. Hem identificat els principals fenòmens observats (respiració, batec cardíac, tinció arterial, tinció miocàrdica i soroll radiològic) mitjançant un anàlisi estadístic de l’espectre de Fourier de l’evolució al llarg del temps de la mitja local. Aquest mateix anàlisis permet determinat la influència de cadascun d’ells en la extracció del patró de tinció i selecciona la respiració com el fenomen que més distorsiona el patró de tinció original. Els descriptors proposats s’obtenen fora del rang espectral respiratori. Hem testat la seva capacitat per a detectar els tres fenòmens principals (tinció miocàrdica (MS), tinció arterial (AS) i soroll (NS)) independentment de la respiració. La capacitat de discriminació dels descriptors ha estat valorada mitjançant un mètode de crossvalidation en 30 seqüències d’angiografia. Els descriptors emprats permeten caracteritzar la tinció miocàrdica amb una alta eficiència i fiabilitat. A més no hi ha diferències significatives en l’anàlisi de les seqüències obtingudes amb el pacient respirant amb normalitat o en apnea

Abstract: Dimensionality reduction is key to alleviate machine learning artifacts in clinical applications with Small Sample Size (SSS) unbalanced datasets. Existing methods rely on either the probabilistic distribution of training data or the discriminant power of the reduced space, disregarding the impact of repeatability and uncertainty in features.In the present study is proposed the use of reproducibility of radiomics features to select features with high inter-class correlation coefficient (ICC). The reproducibility includes the variability introduced in the image acquisition, like medical scans acquisition parameters and convolution kernels, that affects intensity-based features and tumor annotations made by physicians, that influences morphological descriptors of the lesion.For the reproducibility of radiomics features three studies were conducted on cases collected at Vall Hebron Oncology Institute (VHIO) on responders to oncology treatment. The studies focused on the variability due to the convolution kernel, image acquisition parameters, and the inter-observer lesion identification. The features selected were those features with a ICC higher than 0.7 in the three studies.The selected features based on reproducibility were evaluated for lesion malignancy classification using a different database. Results show better performance compared to several state-of-the-art methods including Principal Component Analysis (PCA), Kernel Discriminant Analysis via QR decomposition (KDAQR), LASSO, and an own built Convolutional Neural Network.