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 ?