segmentación automática de tejidos cerebrales en mri ... fresno - segmentacion.pdf ·...
Post on 21-Sep-2020
10 Views
Preview:
TRANSCRIPT
SEGMENTACIÓN AUTOMÁTICA DE TEJIDOS CEREBRALES
EN MRI MULTIESPECTRALES MEDIANTE CLASIFICACIÓN
POR MÍNIMA DISTANCIA EUCLÍDEA
José Ignacio Orlando – Mariana del Fresno
Universidad Nacional del Centro de la Provincia de Buenos Aires Tandil, Argentina
42 Jornadas Argentinas de Informática 4 Congreso Argentino de Informática y Salud
Facultad de Matemática, Astronomía y Física Universidad Nacional de Córdoba
Córdoba, Argentina
AGENDA
Imágenes Médicas
Segmentación en MRI de cerebros con tumor
Algoritmo propuesto: Clasificación por mínima distancia
Postprocesamiento por filtro de mayoría
Generación de mallas de superficie
Resultados
Conclusiones y trabajos futuros
IMÁGENES MÉDICAS
Permiten estudiar el cuerpo humano con un grado mínimo (o nulo) de invasividad
Imprescindibles en la actualidad para el diagnóstico de enfermedades y la planificación de tratamientos médicos
IMÁGENES DE RESONANCIA MAGNÉTICA (MRI)
Imágenes tridimensionales (3D)
Permiten visualizar con gran calidad los tejidos blandos del organismo
Ampliamente utilizadas en oncología
SEGMENTACIÓN
Problema fundamental en el desarrollo de aplicaciones de asistencia al diagnóstico, seguimiento de enfermedades, planificación de tratamientos, cirugía asistida por computadora, …
Detección de regiones de interés en el interior de una imagen digital
SEGMENTACIÓN DE TEJIDOS EN MRI DE CEREBROS CON TUMOR
El objetivo es obtener una representación precisa de cada tejido que compone el cerebro:
Materia blanca (WM)
Materia gris (GM)
Líquido cefalorraquídeo (CSF)
Tumor
Edema
Vasos sanguíneos
SEGMENTACIÓN DE TEJIDOS EN MRI DE CEREBROS CON TUMOR
Las MRIs cerebrales son útiles para la detección temprana de tumores
La segmentación del tumor, edema y demás tejidos cerebrales resultan de utilidad para: Planificación de sesiones de radioterapia
Planificación de cirugías
Seguimiento de la evolución del paciente ante un tratamiento
MRI CEREBRALES MULTIESPECTRALES
Cada banda espectral corresponde a una misma MRI de un paciente, capturada con diferentes parámetros
Modalidades más utilizadas para el estudio de tumores cerebrales:
FLAIR T1 T1 con contraste de Gadolinio
T2
ALGORITMO PROPUESTO
Se propone un algoritmo automático para la segmentación de tejidos cerebrales en MRIs
A partir de un conjunto de imágenes multiespectrales (o multimodales) y de sus segmentaciones de referencia, se entrena un clasificador por minima distancia euclídea
Dada una nueva imagen, el algoritmo permite obtener una clasificación inicial
Un filtro de mayoría permite refinar los resultados obtenidos
Finalmente, se extraen las mallas de superficie de cada uno de los tejidos
CLASIFICACIÓN POR MÍNIMA DISTANCIA EUCLÍDEA IMÁGENES MULTIESPECTRALES
Imagen multiespectral
Firma espectral
: intensidad del voxel
en la -ésima modalidad
Vóxel
CLASIFICACIÓN POR MÍNIMA DISTANCIA EUCLÍDEA CLASIFICACIÓN
Un clasificador por mínima distancia permite separar los vóxeles de una imagen en diferentes clases, teniendo en cuenta que:
ENTRENAMIENTO : a partir de un conjunto de imágenes ya clasificadas, se estiman las firmas espectrales características de cada clase (centroides)
CLASIFICACIÓN : dados los centroides de cada clase los puntos de una nueva imagen a segmentar se clasifican de acuerdo al criterio anterior
Un punto pertenece a la clase sí y solo sí la distancia euclídea entre su firma espectral y el centroide de la clase es menor a la distancia euclídea entre su firma espectral y los centroides de toda otra clase .
POSTPROCESAMIENTO POR FILTRO DE MAYORÍA
El clasificador no integra información espacial algunos vóxeles pueden ser considerados como parte de una clase que no guarda relación con la de los vecinos
Solución propuesta: filtro de mayoría
POSTPROCESAMIENTO POR FILTRO DE MAYORÍA MEJORAS
Segmentación original r=1 r=2 r=3
RESULTADOS
El esquema de clasificación fue evaluado utilizando un conjunto de 50 MRI sintéticas de acceso público (BraTS 20121)
25 imágenes con tumores de alto grado y 25 con tumores de bajo grado
Obtenidas utilizando el simulador TumorSIM
Modalidades T1, T1 con gadolinio, T2 y FLAIR, previamente registradas
1 mm de resolución isotrópica
Se siguió la técnica de evaluación k-fold cross validation
Tumores de bajo grado Tumores de alto grado
1- MICCAI 2012 Challenge on Multimodal Brain Tumor Segmentation
RESULTADOS
Imagen Líquido cefalorraquideo (CSF) Edema Tumor
Reconstrucción 3D Vasos sanguíneos (BV) Materia blanca (WM) Materia gris (GM)
RESULTADOS CALIDAD DE SEGMENTACIÓN
Tumores de alto grado WM GM CSF Edema Tumor BV
Clasificador Promedio 0.83631 0.82246 0.85287 0.58542 0.55119 0.48018
Desvío Estándar 0.07328 0.09766 0.07711 0.33414 0.14462 0.05621
Filtro (r =1) Promedio 0.84970 0.86691 0.81962 0.58576 0.59911 0.56243
Desvío Estándar 0.04008 0.03849 0.02196 0.34189 0.11438 0.04607
Tumores de bajo grado WM GM CSF Edema Tumor BV
Clasificador Promedio 0.84970 0.86691 0.81962 0.58576 0.59911 0.56243
Desvío Estándar 0.04008 0.03849 0.02196 0.34189 0.11438 0.04607
Filtro (r =1) Promedio 0.86282 0.86546 0.82600 0.42673 0.53009 0.60517
Desvío Estándar 0.02493 0.02315 0.02274 0.21491 0.12899 0.04078
RESULTADOS INFLUENCIA DEL FILTRO MAYORÍA
Tumores de bajo grado Tumores de alto grado
COMPARACIÓN CON OTROS TRABAJOS
Referencia Tumores de alto grado Tumores de bajo grado
Edema Tumor Edema Tumor
D. Zicik et al 0.65 0.90 0.55 0.71
Bauer et al 0.68 0.90 0.57 0.74
Riklin Raviv et al 0.367 0.451 0.281 0.0359
Hamamci et al 0.43 0.8 0.14 0.55
Algoritmo propuesto 0.593 0.590 0.436 0.517
CONCLUSIONES
Se presentó un algoritmo automático para la clasificación de tejidos en MRI multiespectrales, aplicado a la segmentación 3D de cerebros con tumores de alto y bajo grado, mediante un clasificador por minima distancia con posprocesamiento
Los resultados preliminares sugieren un buen desempeño del algoritmo para la detección de tejidos cerebrales, compatible con otros resultados de propuestas similares
Las mallas tridimensionales resultantes pueden servir como entrada a un nuevo algoritmo de segmentación (por ejemplo, por superficies activas)
DISCUSIÓN Y TRABAJOS FUTUROS
En un futuro se prevé
Utilizar estrategias de ecualización para ajustar el histograma de las imágenes reales a un histograma estándar que permita salvar las diferencias entre imágenes
Implementar el algoritmo sobre placas gráficas GPU para mejorar su desempeño en términos de costo computacional
Utilizar clasificadores más sofisticados
Emplear estrategias de selección de características que permitan elegir las modalidades que mejor discriminan cada tipo de tejido
¿ PREGUNTAS ?
top related