Download Segmentación automática de tejidos cerebrales en MRI

42 Jornadas Argentinas de Informática
4 Congreso Argentino de Informática y Salud
Facultad de Matemática, Astronomía y Física
Universidad Nacional de Córdoba
Córdoba, Argentina
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
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:
T1
T1 con contraste
de Gadolinio
T2
FLAIR
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
Vóxel
: intensidad del voxel
en la -ésima modalidad
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:
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 .
 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
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
Tumores de bajo grado
Tumores de alto grado
 Se siguió la técnica de evaluación k-fold cross validation
1- MICCAI 2012 Challenge on Multimodal Brain Tumor Segmentation
RESULTADOS
Imagen
Materia gris (GM)
Líquido cefalorraquideo (CSF)
Materia blanca (WM)
Edema
Tumor
Vasos sanguíneos (BV)
Reconstrucción 3D
RESULTADOS CALIDAD DE SEGMENTACIÓN
Tumores de alto grado
Clasificador
Filtro (r =1)
Promedio
Desvío Estándar
Promedio
Desvío Estándar
Tumores de bajo grado
Clasificador
Filtro (r =1)
Promedio
Desvío Estándar
Promedio
Desvío Estándar
WM
GM
CSF
Edema
Tumor
BV
0.83631
0.07328
0.84970
0.04008
0.82246
0.09766
0.86691
0.03849
0.85287
0.07711
0.81962
0.02196
0.58542
0.33414
0.58576
0.34189
0.55119
0.14462
0.59911
0.11438
0.48018
0.05621
0.56243
0.04607
WM
GM
CSF
Edema
Tumor
BV
0.84970
0.04008
0.86282
0.02493
0.86691
0.03849
0.86546
0.02315
0.81962
0.02196
0.82600
0.02274
0.58576
0.34189
0.42673
0.21491
0.59911
0.11438
0.53009
0.12899
0.56243
0.04607
0.60517
0.04078
RESULTADOS INFLUENCIA DEL FILTRO MAYORÍA
Tumores de bajo grado
Tumores de alto grado
COMPARACIÓN CON OTROS TRABAJOS
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
Referencia
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 ?