Download Algoritmo de Segmentación de Imágenes para Generar Modelos

1
Algoritmo de Segmentación de Imágenes
para Generar Modelos Musculo-Esqueléticos
Marco A. López Ibarra, Ariel A. A. Braidot
Laboratorio de Biomecánica, Facultas de Ingeniería-UNER, Entre Ríos, Argentina,
[email protected]
Resumen— La segmentación de imágenes médicas tiene un
rol crucial en el análisis cualitativo y cuantitativo de las
imágenes, ya que es una condición previa de las técnicas de
análisis y procesamiento de alto nivel. Una aplicación en el
área de la biomecánica es la generación de modelos musculoesqueléticos específicos a partir de imágenes médicas. En el
proceso de creación de estos modelos la segmentación de las
imágenes tiene un rol determinante, considerando que de la
técnica de segmentación utilizada depende la eficiencia del
modelo. La segmentación se realiza tradicionalmente de 2
formas: manualmente ó utilizado programas computacionales
que hacen este proceso de una forma automática o
semiautomática. Estos programas pueden reducir los tiempos
de procesamiento y lograr la reproducibilidad de los
resultados, siendo esta una característica que no puede
obtenerse con la segmentación manual. En este trabajo se
desarrolló un algoritmo semi-automático de imágenes de
Resonancia Magnética (RM) basado en el algoritmo de
caminos mínimos de Dijkstra. Los datos experimentales
obtenidos son promisorios ya que se ha podido observar la
robustez de este algoritmo en identificar estructuras
anatómicas en imágenes de Resonancia Magnética.
Palabras clave— Procesamiento de Imágenes, Algoritmo de
mínimos caminos de Dijkstra, Resonancia Magnética.
I.
E
INTRODUCCIÓN
L objetivo de la segmentación de imágenes médicas es
lograr por medio de distintas operaciones, extraer o
mostrar un objeto de interés en ellas. Este proceso
tiene un rol crucial en el análisis cualitativo y cuantitativo
de las imágenes, ya que es una precondición de técnicas de
análisis y procesamiento de alto nivel [1]. En el campo de la
biomecánica, las diferentes técnicas de segmentación de
imágenes se utilizan ampliamente en distintas aplicaciones.
Una de estas aplicaciones es la generación de modelos
musculo-esqueléticos específicos a partir de imágenes
médicas [2]. Este tipo de modelos se presenta como una
alternativa a los modelos musculo-esqueléticos genéricos
utilizados comúnmente en el ámbito clínico. A pesar de que
estos modelos genéricos han generado conocimientos
clínicos muy importantes, ha sido demostrado que su
aplicabilidad en el tratamiento de pacientes específicos es
muy limitada debido entre otras razones, a que estos
modelos están basados en la anatomía de personas de
estatura y peso promedio, por lo que existe un
desconocimiento de la anatomía específica del paciente [3].
Éste es el caso de las personas que sufren de parálisis
cerebral, las cuales en muchas ocasiones presentan
deformaciones óseas que analizadas por medio de un
modelo genérico pueden no ser tenidas en cuenta y generar
cambios en la estimación de datos biomecánicos del
paciente, lo que puede llevar a inexactitudes en los
resultados obtenidos con la simulación de estos modelos y
por lo tanto en la planificación de los procesos de
rehabilitación. Esta es una de las razones por las que desde
hace unos años atrás se comenzó a sugerir que sean los
modelos específicos los estándares en el análisis de
patologías de la marcha.
En el proceso de creación de modelos musculo-esqueléticos
específicos, la segmentación de imágenes tiene un rol
determinante, ya que de la técnica de segmentación
utilizada depende la eficiencia del modelo. La segmentación
se realizó de 2 formas tradicionalmente: una forma es
delineando manualmente cada una de las estructuras de
interés en cada una de las imágenes del estudio que se ha
realizado. Esto genera que los modelos donde se utiliza este
método de segmentación sean poco eficientes. El otro
procedimiento utilizado es recurrir a programas
computacionales que realicen este proceso de una manera
automática o semiautomática, reduciendo los tiempos de
procesamiento y en consecuencia aumentando la eficiencia
de los modelos. Además estos métodos ofrecen
reproducibilidad, característica que no se puede lograr con
los métodos manuales [4]. Es importante notar que con
excepción de la segmentación manual, todavía no se conoce
una técnica de segmentación universal que pueda utilizarse
en cualquier aplicación, por lo que es necesario adaptar las
diferentes técnicas a cada aplicación específica
En este artículo se plantea un algoritmo de segmentación
semiautomático basado en el algoritmo de caminos mínimos
de Dijkstra. Con este algoritmo se procesa un estudio de
RM de miembro inferior y los resultados obtenidos son
comparados con la segmentación manual realizada por un
experto médico. Los datos experimentales obtenidos son
promisorios ya que se ha podido observar la robustez de
este algoritmo en identificar estructuras anatómicas en
imágenes de Resonancia Magnética a partir de pocos puntos
semilla. En trabajos futuros se debería continuar
investigando distintas optimizaciones del algoritmo que
permitan mejorar la velocidad de ejecución.
II.
MATERIALES Y MÉTODOS
Se obtuvo un estudio de 75 imágenes T2-weigthed-spinecho (TR=400ms ,TE=17ms, 512x512) de miembro
inferior, usando un equipo Siemens MagnetomVision de
1.5 [T]. Estas imágenes fueron procesadas con el algoritmo
desarrollado. Este
consiste de un algoritmo de
segmentación semiautomático, que tiene como interacción
con el usuario la selección de una serie de puntos semilla en
el borde de la región que se desea segmentar, luego estos
puntos son unidos por medio del algoritmo de mínimos
2
Fig. 1 A) Segmentación Manual y Semi-Automática de HF y MS en una imagen de RM. B) Segmentación HF. C)
Segmentación MS.
caminos de Dijkstra. Shu-xi et al [5] definen cada uno de
los pasos a seguir para generar un algoritmo de mínimos.
Este algoritmo ha sido ampliamente utilizado en diversas
aplicaciones [6-7].Para poner a prueba el algoritmo se
realizó la segmentación del Hueso Fémur (HF) y el músculo
Recto Femoral (RF). Para cada estructura se seleccionaron
como máximo 15 puntos semilla. Luego se realizó la
segmentación manual por parte de un experto de las mismas
estructuras y se realizaron comparaciones entre los
resultados obtenidos de ambas técnicas. El número de
píxeles coincidentes, el área de la región segmentada y el
tiempo de segmentación, fueron los factores de
comparación utilizados. Se definió como pixeles
coincidentes aquellos cuyas coordenadas espaciales fueran
iguales en ambas regiones o que entre sí no hubiese una
distancia mayor a 1 pixel.
III RESULTADOS Y DISCUSIONES
La Fig. 1 muestra las regiones obtenidas para una de las
75 imágenes procesadas. Allí se pueden observar tanto los
resultados de la segmentación manual como los obtenidos
con el algoritmo propuesto para las 2 estructuras anatómicas
de prueba. Luego de procesar las 75 imágenes se observó
que en promedio se obtuvieron regiones de 232.9 píxeles
para HF y 161.3 pixeles para MS a partir de los 15 puntos
semilla seleccionados por el usuario. De las regiones
obtenidas para cada imagen se observó que para HF un
76.09% de los píxeles eran coincidentes respecto a las
regiones obtenidas de la segmentación manual. Para MS la
coincidencia fue de 84.79% (Tabla 1). Además es
importante destacar que el algoritmo desarrollado permite
separar estructuras unidas que comparten pixeles con
valores muy cercanos, esto no es posible lograrlo con
algoritmos comúnmente usados como el de crecimiento de
regiones. La Fig. 1C muestra como es separado el MS del
músculo recto femoral sin realizar una sobre segmentación
de la imagen, a pesar de que los píxeles constituyentes de
ambos músculos tienen valores muy cercanos.
Debido a que también se tomaron como puntos
coincidentes aquellos que estuvieron a una distancia no
mayor a un pixel, se analizó si esta restricción generaba
diferencias significativas entre las áreas obtenidas por
ambas técnicas. Se observó una diferencia promedio de
3.2% para HF y 4.1% para MS (Tabla 2) entre ambas áreas,
lo que creemos no es una diferencia significativa. Estos
valores obtenidos muestran la robustez del algoritmo para
segmentar las distintas estructuras.
Tabla1. Promedio de Píxeles Coincidentes de las regiones
obtenidas de la segmentación con ambas técnicas para HF y
MS.
El algoritmo de mínimos caminos de Dijkstra usado para
encontrar los píxeles ubicados entre los puntos semilla,
tiene una complejidad de cálculo de n al cuadrado, siendo n
el número de píxeles [5], por lo tanto el desempeño de éste
en una imagen de 512x512 píxeles como las utilizadas en
este trabajo es muy pobre. Esto se pudo confirmar en las
primeras versiones del algoritmo desarrollado donde el
tiempo promedio de segmentación por imagen era mayor a
10 minutos. Es por esta razón que en la ultima versión del
algoritmo se realiza un sub-muestreo analizando solo la
porción de la imagen que contiene cada pareja de puntos
semilla. Aun así los tiempos obtenidos con el algoritmo son
para el caso de HF un 0.25% menores con respecto a la
segmentación manual y un 2.67% en el caso de MS (Tabla
3).
Tabla2. Promedio de Áreas de las regiones obtenidas de la
segmentación con ambas técnicas para HF y MS.
IV CONCLUSIONES
En este trabajo se desarrolló un algoritmo semiautomático de imágenes de RM basado en el algoritmo de
caminos mínimos de Dijkstra. Los datos experimentales
obtenidos son promisorios considerando que se ha podido
3
observar la robustez de este algoritmo en identificar
estructuras anatómicas en imágenes de Resonancia
Magnética a partir de muy pocos puntos semilla. En
trabajos futuros se debería continuar investigando distintas
optimizaciones del algoritmo que permitan mejorar la
velocidad de ejecución.
Tabla3. Promedio de tiempos de segmentación obtenidas
de la segmentación con ambas técnicas para HF y MS.
REFERENCIAS
[1]
[2]
[3]
[4]
[5]
[6]
[7]
Junfeng, D. and Yunyang, Y (2012). The Fast Medical Image
Segmentation of Target Region Based on Improved FM
Algorithm.Procedia Engineering. 29(1), páginas_48-52.
Oberhofer, K., Stott, N., Mithraratne, K., and Anderson, I, (2010).
Subject-specific modelling of lower limb muscles in children with
cerebral palsy. Clinical biomechanics (Bristol, Avon).25(1),
páginas_88-94.
[Arnold, A., Salinas, S., Asakawa, D., &Delp, S. (2000). Accuracy
of muscle moment arms estimated from MRI-based musculoskeletal
models of the lower extremity. Computer aided surgery : official
journal of the International Society for Computer Aided Surgery,
5(2), páginas108-19.
Withey, D., and Koles, Z. (2007). Three Generations of Medical
Image Segmentation¬: Methods and Available Software.
International Journal of Bioelectromagnetism, 9(2), páginas_67-68.
Wang, S.-xi, and Zhao, X.-qiu. (2011). The improved Dijkstra’s
shortest path algorithm. In proceeding of the Seventh International
Conference on Natural Computation.páginas_2313-2316.
Verscheure, L., Peyrodie, L., Makni, N., Betrouni, N., Maouche, S.,
and Vermandel, M. (2010). Dijkstra’s algorithm applied to 3D
skeletonization of the brain vascular tree: evaluation and application
to symbolic. In proceeding of the Annual International Conference
of the IEEE Engineering in Medicine and Biology Society,
páginas_3081-3084.
Fan, D., and Shi, P. (2010). Improvement of Dijkstra’s Algorithm
and Its Application in Route Planning. In proceeding of the Seventh
International Conference on Fuzzy Systems and Knowledge
Discovery, páginas_1901-1904.