Especialización en Análisis de Imágenes cy Big Data en e-Health

Módulo 1. Técnicas, reconocimiento e intervención a través de Imágenes Biomédicas

1.1. Imágenes médicas

1.1.1. Modalidades de las imágenes médicas
1.1.2. Objetivos de los sistemas de imagen médica
1.1.3. Sistemas de almacenamiento de las imágenes médicas

1.2. Radiología

1.2.1. Método de obtención de imágenes
1.2.2. Interpretación de la radiología
1.2.3. Aplicaciones clínicas

1.3. Tomografía computarizada (TC)

1.3.1. Principio de funcionamiento
1.3.2. Generación y obtención de la imagen
1.3.3. Tomografía computarizada. Tipología
1.3.4. Aplicaciones clínicas

1.4. Resonancia magnética (RM)

1.4.1. Principio de funcionamiento
1.4.2. Generación y obtención de la imagen
1.4.3. Aplicaciones clínicas

1.5. Ultrasonidos: ecografía y ecografía Doppler

1.5.1. Principio de funcionamiento
1.5.2. Generación y obtención de la imagen
1.5.3. Tipología
1.5.4. Aplicaciones clínicas

1.6. Medicina nuclear

1.6.1. Fundamento fisiológico de los estudios nucleares. Radiofármacos y medicina nuclear
1.6.2. Generación y obtención de la imagen
1.6.3. Tipos de pruebas

1.6.3.1. Gammagrafía
1.6.3.2. SPECT
1.6.3.3. PET
1.6.3.4. Aplicaciones clínicas

1.7. Intervencionismo guiado por imagen

1.7.1. La radiología intervencionista
1.7.2. Objetivos de la radiología intervencionista
1.7.3. Procedimientos
1.7.4. Ventajas y desventajas

1.8. La calidad de la imagen

1.8.1. Técnica
1.8.2. Contraste
1.8.3. Resolución
1.8.4. Ruido
1.8.5. Distorsión y artefactos

1.9. Pruebas de imágenes médicas. Biomedicina

1.9.1. Creación de imágenes 3D
1.9.2. Los biomodelos

1.9.2.1. Estándar DICOM
1.9.2.2. Aplicaciones clínicas

1.10. Protección radiológica

1.10.1. Legislación europea aplicable a los servicios de radiología
1.10.2. Seguridad y protocolos de actuación
1.10.3. Gestión de residuos radiológicos
1.10.4. Protección radiológica
1.10.5. Cuidados y características de las salas

Módulo 2. Big Data en Medicina: procesamiento masivo de datos médicos

2.1. Big Data en investigación biomédica

2.1.1. Generación de datos en biomedicina
2.1.2. Alto rendimiento (Tecnología High-throughput)
2.1.3. Utilidad de los datos de alto rendimiento. Hipótesis en la era del Big Data

2.2. Preprocesado de datos en Big Data

2.2.1. Preprocesado de datos
2.2.2. Métodos y aproximaciones
2.2.3. Problemáticas del preprocesado de datos en Big Data

2.3. Genómica estructural

2.3.1. La secuenciación del genoma humano
2.3.2. Secuenciación vs. Chips
2.3.3. Descubrimiento de variantes

2.4. Genómica funcional

2.4.1. Anotación funcional
2.4.2. Predictores de riesgo en mutaciones
2.4.3. Estudios de asociación en genómica

2.5. Transcriptómica

2.5.1. Técnicas de obtención de datos masivos en transcriptómica: RNA-seq
2.5.2. Normalización de datos en transcriptómica
2.5.3. Estudios de expresión diferencial

2.6. Interactómica y epigenómica

2.6.1. El papel de la cromatina en la expresión genética
2.6.2. Estudios de alto rendimiento en interactómica
2.6.3. Estudios de alto rendimiento en epigenética

2.7. Proteómica

2.7.1. Análisis de datos de espectometría de masas
2.7.2. Estudio de modificaciones post-traduccionales
2.7.3. Proteómica cuantitativa

2.8. Técnicas de enriquecimiento y Clustering

2.8.1. Contextualización de los resultados
2.8.2. Algoritmos de Clustering en técnicas óhmicas
2.8.3. Repositorios para el enriquecimiento: Gene Ontology y KEGG

2.9. Aplicaciones del Big Data en salud pública

2.9.1. Descubrimiento de nuevos biomarcadores y dianas terapéuticas
2.9.2. Predictores de riesgo
2.9.3. Medicina personalizada

2.10. Big Data aplicado en medicina

2.10.1. El potencial de la ayuda al diagnóstico y la prevención
2.10.2. Uso de algoritmos de Machine Learning en salud pública
2.10.3. El problema de la privacidad