Другая особенность алгоритмов обработки медицинских изображений состоит в том, что некоторые из них должны выполняться в интерактивном режиме:

• для решения проблемы надежности: чтобы гарантировать, что пользователь полностью контролирует результаты выполнения алгоритма путем интерактивного управления;

• для решения вопросов правовой ответственности: автоматическая обработка медицинских данных часто создает проблему правовой ответственности. Если алгоритм выполняется под руководством пользователя, эта проблема снимается.

Чтобы обеспечить работу пользователя в интерактивном режиме, алгоритм должен выполняться за достаточно короткое время, позволяющее пользователю оставаться активным за экраном (обычно при работе с медицинской информацией весь процесс должен занимать не больше нескольких минут). Грид-инфраструктуры способны предоставить вычислительную мощность, необходимую для обеспечения разумного времени выполнения алгоритма, за счет выделения мощных вычислительных ресурсов для интерактивных заданий или путем параллельного запуска приложений. Однако выполнение интерактивных приложений в гриде осложняется из-за необходимости расщепления пользовательского интерфейса (который выдает на экран пользователя информацию о ходе выполнения алгоритма) и самого алгоритма (который выполняется удаленно на ресурсах грида). Поэтому интерактивные приложения, которые предполагается выполнять в гриде, должны быть тщательно спроектированы.

Типичное управляемое пользователем интерактивное медицинское приложение – это алгоритмы сегментации. Сегментация медицинского изображения является сложной задачей, для которой не существует общего решения. Большинство алгоритмов сегментации, такие как деформируемые модели (deformable models) или алгоритмы создания кластеров вокселей1 (voxel clustering) являются итерационными. Поэтому возможно периодическое изменение хода выполнения алгоритма с экрана пользователя, при этом пользователь может вводить данные на каждом этапе, чтобы управлять ходом выполнения алгоритма. Точно так же, взаимодействие с выполняемыми в гриде нестрогими алгоритмами регистрации позволит исправлять ошибки, создаваемые локальными минимумами (особенно при регистрации изображений головного мозга многих пациентов), сохраняя при этом точность автоматической обработки и разумное время вычислений.

Примером практического применения широкомасштабного сбора и обработки медицинских изображений может служить система автоматизированного выявления злокачественных новообразований по маммограммам, разработанная для поддержки программ скрининга рака молочной железы, которые стартуют сегодня в нескольких европейских странах. Программы скрининга в общенациональном масштабе требуют чтения огромного числа изображений (например, по одной маммограмме для каждой женщины старше 40 лет каждые 2 года), значительно увеличивая, таким образом, нагрузку на рентгенологов, анализирующих изображения. Использование грида в проектах анализа маммограмм показало его жизнеспособность и позволило рентгенологам из географически разнесенных больниц совместно работать с стандартизованными маммограммами, сравнивать диагнозы (выявлять новообразования с помощью компьютера или без компьютера) и выполнять усовершенствованные эпидемиологические исследования в национальном масштабе.

В настоящее время проводятся испытания архитектуры рабочих станций, где получают изображения, информационных инфраструктур, которые должны связать рентгенологов через грид, и согласующихся с DICOM'ом объектных моделей, находящихся в многочисленных, распределенных хранилищах данных, а также отрабатывается индексирование маммограмм и т.д. Есть ряд подходящих технологий, которые при их совместном использовании обеспечат распределенную инфраструктуру, призванную помочь рентгенологам в их работе. Сюда относятся алгоритмы анализа маммограмм, промежуточное программное обеспечение грида и программные средства для компьютерного обнаружения заболевания.

Однако все это только первые попытки удовлетворить требования пользователей. Гетерогенность данных – главная проблема хранения и анализа медицинских данных, ведь даже в одном регионе одной страны есть различия в представлении данных. Способность обрабатывать неструктурированные (например, аннотации рентгенологов), полуструктурированные (истории болезни пациентов) и строго структурированные данные пациентов (метаданные, такие как возраст, назначенные лекарства и т.д.) существенна для управляемого проведения эпидемиологических исследований или других анализов, базирующихся на запросах.