Segmentación de imágenes médicas

1. TEMPLATE DESIGN © 2009
www.PosterPresentations.com
SEGMENTACIÓN DE IMÁGENES MÉDICAS
Algoritmos de regiones y bordes aplicados a imágenes de ultrasonido
Gloria Isabel Bautista Lasprilla
Sonia Helena Contreras Ortíz
Introducción
El desarrollo de tecnologías de adquisición de imágenes médicas está
revolucionando la medicina. Estas imágenes ayudan en el diagnóstico y
tratamiento de enfermedades, debido a que permiten obtener información
vital observando el interior del cuerpo humano de una forma no invasiva.
El propósito es extraer, con ayuda del computador, información clínica útil
acerca de estructuras anatómicas a partir de imágenes de ultrasonido. Los
algoritmos que realizan extracción de información a partir de imágenes son
conocidos como algoritmos de segmentación de imágenes.
En este trabajo se van a revisarse dos técnicas de segmentación de imágenes
aplicadas a ultrasonido: Crecimiento de regiones y modelos de contornos
activos.
Estado del arte
Contornos activos o deformables
Los ASM se basan en un conjunto de imágenes de entrenamiento. De éstas
imágenes se captura la variabilidad en las formas.
El modelo generado junto con el método de deformación constituyen un
algoritmo robusto y eficiente para la detección de contornos.
Se describe un método para la construcción de modelos de aprendizaje de
patrones de variabilidad de un conjunto de formación de imágenes
correctamente anotados.
Se empleó el método ASM para modelar el contorno de próstatas en imágenes
de ultrasonido
La figura muestra los diferentes contornos del conjunto de datos de
entrenamiento, a la izquierda contornos alineados en escala, rotación y
desplazamiento. A la derecha contornos alineados en rotación y
desplazamiento.
Conclusiones
La segmentación de imágenes médicas se realiza para identificar formas y
tomar mediciones biométricas.
Los métodos de segmentación en general pueden clasificarse en aquellos que se
basan en la detección de bordes y en los que realizan identificación de regiones.
En el caso de imágenes de ultrasonido, los métodos más utilizados se basan en
modelos deformables que parten de una primera aproximación del contorno que
se ajusta de acuerdo a ciertos criterios y medidas. Entre estos métodos están
los contornos activos (ACM), los contornos activos geodésicos (GAC) y los
modelos de formas activas (ASM).
Los ACM o snakes deforman el contorno para ajustarlo a los bordes del objeto
de interés de acuerdo con los valores de energía interna y externa, los GAC
evolucionan el contorno a partir de mediciones geométricas en la imagen, y los
ASM se deforman de acuerdo con las variaciones que se presentan en un
conjunto de datos de entrenamiento.
En los últimos años se han propuesto modificaciones a los métodos básicos de
modelos deformables para aplicarlos a la segmentación de imágenes de
ultrasonido. Entre estas modificaciones pueden mencionarse: la aplicación de un
enfoque multiescala para lograr una mayor eficiencia, el uso de clustering difuso
para la inicialización del modelo, el uso de la transformada wavelet para filtrar la
imagen y deformar el contorno, el uso de la estadística de la forma y textura
para evolucionar el contorno y los ASM parciales.
Otros métodos de segmentación de imágenes de ultrasonido incluyen los atlas y
los métodos de conjunto de nivel.
El crecimiento de regiones es una técnica para extraer regiones de la imagen
que están conectadas según cierto criterio predefinido que puede estar basado
en información de intensidades y/o bordes de la imagen.
Este método requiere de un punto semilla (seed point) que es seleccionado
manualmente por el usuario, y extrae todos los pixeles conectados a la semilla,
que cumplan el criterio para la integración a la región.
Este proceso finaliza cuando no hay elementos que cumplan tal condición.
Crecimiento de regiones
El algoritmo de crecimiento de región fue desarrollado teniendo en cuenta el
píxel en evaluación 𝑔" el cual es aceptado en la región, si cumple con el siguiente
criterio:
𝑔" − 𝑔"$%
𝑀
< 𝐾
En donde 𝑔"$% es el píxel previamente aceptado, K es una variable que indica el
nivel de ruido en la imagen y M es una constante de normalización. El algoritmo
compara el gradiente de intensidad contra el nivel de ruido dentro de la región
para tomar una decisión acerca de la inclusión de píxeles. Si el gradiente es
menor que el nivel de ruido, el píxel es aceptado en la región. Después de la
segmentación, los límites de la región están suavizadas utilizando dilatación
morfológica seguido por la erosión.
Se está trabajando en un enfoque de segmentación de imágenes digitales
mediante la integración de algoritmos basados en regiones y contornos
deformables.
En una primera etapa se extrae un contorno inicial a partir de datos de
entrenamiento que se ajustan a la región buscada, sin embargo este contorno
puede diferir del que corresponde realmente al objeto.
Los resultados preliminares obtenidos han mostrado su aplicabilidad al lograr
contornos en algunas imágenes. Se continuará con la experimentación de los
algoritmos hasta obtener contornos segmentados de calidad para su utilización
en renderización (3D).
Recomendaciones
Teniendo en cuenta que las imágenes de ultrasonido se forman a partir de los
ecos generados por trenes de pulsos de señales acústicas que se propagan al
interior de los tejidos. Durante su propagación, las señales se refractan, atenúan
y dispersan, lo cual genera artefactos que afectan la calidad de la imagen
producida.
Por lo tanto se debe tener en cuenta el ruido granular (speckle), este es
propagado por toda la imagen produciendo ambigüedad en la delimitación de
los bordes.
Por eso se recomienda el uso de filtros previo a la segmentación para la
eliminación del ruido y los artefactos.