Naczelną hipotezą badawczą była możliwość optymalizacji procesu rozumienia obrazów według realnych kryteriów użytkowych (konkretne problemy kliniczne) poprzez  integrację:
a) wszystkich etapów tworzenia i wykorzystania obrazów na bazie wiarygodnych dziedzinowych modeli wiedzy,
b) obiektywizacji wybranych form użytkowych i sposobów aktywności klinicznej (opis tzw. ścieżek klinicznych),
c) metod inteligencji komputerowej na bazie koncepcji oszczędnego próbkowania (compressed sensing – CS, tj. teoria znacznej redukcji liczby pomiarów, problemy relaksacji i regularyzacji aż do algorytmiki i form implementacyjnych dających szanse redukcji złożoności obliczeniowej do akceptowalnych pragmatycznie wymiarów) jako platformy możliwej integracji wszystkich etapów pozyskania i użytkowania obrazów.

Analizowano czynniki kształtujące zdolność rozumienia obrazów konstruując szereg numerycznych deskryptorów i wprowadzając pojęcie seonów (semantycznych atomów wysoce specyficznych dla określonych problemów diagnostycznych). Seon jest bardziej koncepcją, opisem cechy, właściwości, szczegółu czy tendencji, która różnicuje stany normalne i anormalne (etap detekcji) oraz symptom patologii od normy (etap interpretacji). Seon jest głęboko zakorzeniony w wiedzy dziedzinowej czy pragmatycznej umiejętności rozpoznania (odkrycia), sięgającej niekiedy bardzo nieformalnych reakcji intuicyjnych o badawczo weryfikowanej powtarzalności i stopniowo odkrywanych korelacjach. Z drugiej strony seon jest uproszczeniem złożonych form reprezentacji obrazowej, która nawiązuje do formalnego modelu reprezentacji rzadkiej (poszukiwanie możliwie rzadkiej formy reprezentacji różnicującej). Seon jest sam w sobie próbą realizacji rezonansu poznawczego, integrującego efekty poznania eksperckiego z numeryczną formą reprezentacji ich bazujących na obrazie interpretacji. Deskryptor jest numerycznym opisem seonu (seonów) realizującym informatycznie realia kliniczne. Przyglądano się także samemu procesowi poznawczemu, relacjom pomiędzy percepcją-postrzeganiem a samym poznaniem, interpretacją i rozumieniem w kontekście złożonych problemów weryfikacji przypadków referencyjnych. Starano się wpisać koncepcję seonów w realne zadania kliniczne, koncentrując się przede wszystkim na zagadnieniu wsparcia ścieżki diagnostycznej nagłych udarów mózgu od momentu incydentu po decyzji dot. efektywnej formy terapii (trombolizy, trombektomii). Dodatkowo analizowano możliwość poprawy skuteczności opisu mammogramów w kontekście niejednoznacznej reprezentacji symptomów raka sutka, gdzie wobec szeroko stosowanych badań przesiewowych i prostych procedur diagnostycznych koncentrowano się na możliwości zwiększenia walorów poznawczych klasycznej mammografii poprzez  wykorzystanie modeli wiedzy w doskonaleniu deskryptorów semantycznych na bazie poszukiwań skutecznych seonów (zaproponowano model zmian spikularnych w mammogramach różnicujący lokalną tkankę złośliwa i łagodną), niezmienniczych względem niestabilnych  uwarunkowań realnych procedur diagnostycznych.

Konstrukcja modeli wiedzy i umiejętności przybrała formę ontologii DStrokeOnto oraz formalnych schematów blokowych opisujących ścieżki kliniczne. Wykorzystano także reguły wnioskowania zawarte w strukturze ontologii (3 ortogonalne moduły główne i 10 podmodułów; ontologię DStrokeOnto wyspecyfikowano w języku angielskim, sformalizowano przy użyciu edytora Protégé-2000 ver. 3.5, użyto dialektu OWL-DL języka OWL; poprawność syntaktyczną potwierdzono przez motor wnioskowania Pellet ver 1.5.2) oraz konstruowane w technologiach wspierających (excel, drools) i odnoszących się do dynamicznych baz danych i faktów (ADF Oracle).

Badano potencjał CS w kontekście zadań integracyjnych modeli wiedzy oraz realnych technologii pomiaru sygnałów, aż po stosowane formy użytkowe informacji obrazowej. Za szczególnie korzystne uznano poszukiwanie różnych form adaptacji schematu akwizycji (problem minimalizacji dawki w CT przy maksymalizacji korzyści użytkowych w diagnostyce wczesnych udarów mózgu). Dodatkowo badano zależność procesów regularyzacji i relaksacji wymagających obliczeniowo norm oraz procedur optymalizacyjnych od semantycznych modeli wiedzy klinicznej. Kryteriów obrazowe odnoszono z jednej strony do zintegrowanych procedur technologicznych dobieranych adaptacyjnie, zaś z drugiej do zobiektywizowanych modeli warunkowań klinicznych. Efekt wzajemnego dopasowania uzyskano wykorzystując integrujące możliwości optymalizacji CS, koncepcji reprezentacji rzadkich i metryk semantycznych.

Wynikiem końcowym jest koncepcja zintegrowanego modelu obrazu jako prostej formy przestrzennej wizualizacji rzeczywistości mierzonej, maksymalizującej efekt poznawczy w kontekście ściśle zdefiniowanej ścieżki klinicznej.
Przesunięto więc akcenty diagnostyki obrazowej: trudny, obarczony znaczącym poziomem błędów etap interpretacji rejestrowanych obrazów diagnostycznych można sprowadzić do prostszego efektu poznania obrazów będących
dobranym do aktualnych modeli wiedzy przekazem jedynie esencji informacji diagnostycznej. Integracja całej obiektywizowanej i uaktualnianej wiedzy odbywa się na etapie komputerowej analizy pomiarów obrazowych i dostępnych danych klinicznych, a interpretacja radiologa dotyczy syntetycznego obrazu specyfiki przypadku, charakteryzującego możliwie jednoznacznie pacjenta w kontekście ustalonego zadania diagnostycznego. Scementował się interdyscyplinarny zespół modelowania istotnych zadań klinicznych. Metodą jest integracja pojęć, procedur i kryteriów na synergicznym poziomie wspólnym, dającym nową jakość poprzez:
a) uproszczenie reprezentacji wiedzy i działań,
b) obiektywizację komponentów kluczowych działań ekspertów,
c) weryfikację na poziomie decyzyjnym (pragmatycznym) w procedurze numerycznej optymalizacji.

Podstawą jest: zrozumienie 
a) przesłanek działań ekspertów, b) specyfiki mierzonych danych,
c) optymalnych kryteriów użyteczności.

Opublikowano bądź przygotowano do publikacji ponad 20 prac (oprócz opublikowanych i zgłoszonych, dwie pracy w przygotowaniu: A. Przelaskowski, W.Smolik, R. Cierniak:A compressed-sensing-based method of adaptive reconstruction for sparse-region CT oraz A.Przelaskowski: Cognitive seons for medical image understanding: proof of concept-aktualny stan na adimed.pl), w tym oryginalne, odważne koncepcje  seonów,  Stroke Bricks i systemu wsparcie szybkiej ścieżki udarowej. Obroniony został jeden doktorat, a dwa inne zostały istotnie zaawansowane (stan około 90%). Przygotowanie monografii można ocenić na 70%. Rozszerzono istotnie bazę danych, szczególnie w zakresie informacji klinicznej (epikryzy) towarzyszącej badaniom obrazowym (razem ze starą bazą daje to blisko 330 badań pacjentów, w tym około 80% z uzupełniającymi danymi klinicznymi; grupę kontrolną zwiększono do blisko 100 przypadków). Opracowano ontologię, szereg algorytmów, modeli i implementacji służących realizacji narzędzi CAD wspierających diagnostykę i terapię udarów mózgu oraz diagnostykę raka sutka. Zbiór dodatkowych opracowań (wyniki analiz, opisy, zestawienia itd.) zebrano na stronie aidmed.pl.