Segmentación de Imágenes Médicas

La segmentación es la división de una imagen en un conjunto de regiones homogéneas y significativas, de tal manera que los píxeles en cada región particionada poseen un conjunto similar de propiedades o atributos. Estos conjuntos de propiedades de la imagen pueden incluir los niveles de grises, el contraste o propiedades texturales. Los métodos de segmentación a emplear están determinados por el tipo de imagen, la estructura anatómica u objeto a identificar y el objetivo específico que se quiere lograr con el proceso. Elementos como el ruido, volúmenes parciales y movimientos en la imagen, también pueden tener consecuencias significativas en el desempeño de los algoritmos de segmentación, porque cada imagen y tipo de tejido tiene un conjunto de características propias. Existen diversos métodos de segmentación y no es factible la utilización de una técnica genérica que se aplique a todas las situaciones que requieren de procesamiento de la imagen médica. Se utiliza una combinación de las técnicas de segmentación existentes, en función de la imagen y lo que se quiera alcanzar como resultado. ¹²

La correcta segmentación de imágenes del riñón en TAC abdominal es crucial para la toma de decisiones en procedimientos clínicos. ¹³ No obstante, la segmentación de imágenes del riñón en TAC abdominal es un trabajo desafiante debido a la similitud entre el parénquima del riñón y las estructuras adyacentes. ¹⁴

Para realizar las tareas de segmentación existen algoritmos que aportan diversos resultados, en dependencia de las imágenes con las que trabajen y su funcionamiento particular. Estos métodos se pueden clasificar en dependencia de su nivel de automatización en métodos manuales, semiautomáticos y automáticos.

Segmentación manual: La manera más general y fácil de lograr la segmentación es manualmente dibujando elementos importantes de las estructuras presentes en las imágenes médicas. En este caso, el usuario delinea con alguna herramienta las estructuras relevantes, lo que le da la ventaja de redibujar cualquier porción y corregir algún error introducido. Este método es robusto (siempre aplicable), pero consume mucho tiempo, cuando se trabaja imágenes muy grandes se vuelve impracticable e impreciso debido a que el usuario generalmente se desvía del contorno deseado y si los objetos son difíciles de delinear, pueden ser difíciles de segmentar.

Segmentación semiautomática: En este tipo de modalidad el ordenador realiza el proceso, pero el usuario interviene en determinados momentos sobre el mismo, como por ejemplo para definir las regiones de interés mediante dispositivos de entrada u otros parámetros, así como para corregir resultados.

Segmentación automática: La segmentación automática, como su nombre lo indica es el tipo de segmentación donde el ordenador realiza todo el proceso de manera automática sobre la imagen objetivo. Es improbable que los métodos de segmentación automática reemplacen alguna vez a los métodos manuales, pero si es probable que se conviertan en elementos cruciales para el análisis de imágenes médicas.

En la presente investigación fue seleccionada la segmentación semiautomática, debido a que el riñón constituye un órgano difícil de identificar de manera automático por la proximidad con otros órganos y tejidos Esta condición propicia que el especialista determine de forma manual el área comprendida por el riñón y el sistema se encargue de la segmentación de la imagen.

Casos exitosos en la aplicación de la segmentación semiautomática

La segmentación de imágenes de órganos como el hígado, el páncreas y los riñones en las tomografías computarizadas abdominales son necesarios en la actualidad para los sistemas de diagnóstico asistido por ordenador (CAD) y la asistencia en cirugía laparoscópica. Sin embargo, los tejidos tienen diferentes tamaños y formas dependiendo de los pacientes y la similitud de escala de grises entre el riñón y sus tejidos vecinos, como el hígado y el bazo. La segmentación precisa de los riñones en las secuencias de TAC abdominal es una tarea esencial para la planificación quirúrgica y la cirugía para la extirpación de tumores renales. Sin embargo, la segmentación renal en la TAC es un trabajo sustancialmente desafiante debido a que los valores de intensidad del parénquima renal son similares a los de las estructuras adyacentes. Diferentes métodos han sido estudiados a lo largo de los años para la segmentación de estructuras u órganos de interés.

Los métodos más utilizados incluyen modelo deformable, método basado en agrupamiento, crecimiento regional, modelos estadísticos de forma, segmentaciones basadas en el conocimiento y en el conjunto de niveles. ¹⁵

Moe and Theingi ¹⁶ desarrollaron un algoritmo en Matlab para la segmentación efectiva de los riñones en los exámenes abdominales de TAC. Realizaron el pre procesamiento en secuencias y segmentaron las imágenes de los riñones con las más parecidas estructuras morfológicas. La segmentación fue implementada, especificando las regiones de interés (ROI) para obtener un exacto volumen del riñón, forma y textura. Como resultado, se observaron 250 imágenes de TAC de 20 pacientes, de los cuales se seleccionaron 14 a 73 imágenes por un experto radiólogo. Se aplicaron umbrales al método de CANNi para la detección de bordes y el ROI definiendo los bordes de interés, esto permitió la segmentación de los riñones y mostró un mejor resultado en base al gradiente con el 82% para el riñón izquierdo y 89% para el riñón derecho.

La investigación de ¹⁷ se centró en implementar un método de segmentación semiautomática. Definen que la segmentación de las imágenes de nivel gris se utiliza para proporcionar información como la estructura anatómica y la identificación de la Región de Interés, es decir, localizar tumores, lesiones y otras anomalías. Determinan que los métodos basados exclusivamente en imágenes realizan segmentación basada únicamente en la información disponible en la imagen, entre ellas se incluyen los umbrales, la región de crecimiento, operaciones morfológicas, conjuntos de niveles de contornos activos, conectividad difusa y cortes de gráficos.

En ¹⁸ afirman que los procesamientos morfológicos de imágenes son importantes en la extracción y filtrado de imágenes. Las imágenes usadas en su investigación fueron pre procesadas utilizando las técnicas de escala de grises, ecualización de histogramas y filtrado, donde las características del procesamiento de imágenes ayudaron a generar una plantilla que conduce a un menor número de iteraciones que se realizan en la imagen. Luego se realiza la segmentación de umbrales en la plantilla para extraer la región deseada, y finalmente la sustracción de imágenes se usó para obtener la región que contiene el riñón extraído de la imagen de la tomografía.

Métodos y algoritmos para segmentación semiautomática

La Transformada Watersheds es un método de segmentación que se basa en el análisis de una representación tridimensional de la superficie de intensidad en una imagen. La palabra Watersheds designa las crestas que dividen las áreas de drenaje en un sistema hidrográfico, asociando el concepto de cuenca, o área geográfica que drena hacia un río o embalse. ^19-20 El algoritmo se define en un proceso morfológico combinado con una segmentación basada en bordes, para producir una técnica híbrida. Watersheds se aplica cuando se desea segmentar una imagen, pero no se puede determinar el fondo de la misma. Convierte las líneas de una imagen en montañas y las regiones uniformes en valles que pueden ser usados para segmentar objetos.

Por otra parte, K-MEANS es uno de los algoritmos de aprendizaje sin supervisión más simples. Este algoritmo resuelve el conocido problema de agrupación, sigue una manera fácil de clasificar un conjunto de datos, a partir de un número diferente de agrupaciones. Después de leer y mostrar la imagen original, especifica la dirección del elemento estructural con su diámetro y reconstruye la imagen. Luego reconstruye la salida y complementa el resultado. Después, determina el número de grupos, se remodela la imagen y se crea un segmento de imagen, los últimos pasos se encargan de especificar el tumor.

El algoritmo Fuzzy C-MEANS plantea técnicas analíticas de clustering “difuso”, se basa en la optimización de la función objetivo o alguna modificación de la misma. Este método solo tiene en cuenta la intensidad de la imagen con la salvedad de que las imágenes con ruido presentan problemas. Existen varias modificaciones para aumentar la inmunidad al ruido, pero aún ninguna funciona bien en todos los casos. La clasificación probabilística es sensible a la estimación precisa de la función de densidad de probabilidad. ²¹

En el caso del método de los k vecinos más cercanos KNN (k-nearest neighbors), como todos los métodos de clasificación supervisados, precisa de acceso a parejas de ejemplo y clase conocidas y de otra serie de imágenes para prueba y clasificación, en otras palabras, son necesarios datos de entrenamiento para su clasificador. ²²

En la fase de entrenamiento se proporcionan una serie de ejemplos pertenecientes a diferentes clases, de manera que se pueden visualizar los agrupamientos de clases en el espacio de características n-dimensional, siendo n el número de elementos del vector, de características descriptoras. Ante una nueva entrada de la que se extraen dichas características, el clasificador le asigna la clase más común a la que pertenecen sus k vecinos más cercanos, siendo k un valor típicamente pequeño. Los vecinos más cercanos se estiman mediante el cálculo de una distancia, habitualmente la distancia Euclídea. Estos vecinos más cercanos son aquellos con los que se presenta menor distancia. ²²

De los algoritmos investigados, K-MEANS y Watersheds son los dos más utilizados para tratar la problemática de esta investigación, y en general, en lo que a detección por imagen se refiere. Constituyen algoritmos probados en sistemas de procesamiento de imágenes de primer nivel. ^22-23

La investigación proporcionada por ²⁴ compara los algoritmos Watersheds y K-MEANS, específicamente para la detección de tumores cerebrales, la misma permite dar una aproximación de cual algoritmo permite obtener un mejor resultado, reluciendo en este caso Watersheds como más adecuado.

Presentación de la Transformada Watersheds

La técnica de Watersheds constituye una de las más poderosas herramientas de segmentación aportada por la morfología matemática. Análogamente a otras técnicas de segmentación, el objetivo de la técnica del Watersheds es dividir en regiones la imagen de nivel de grises analizada.

En el algoritmo de watersheds se usan fuentes simuladas de agua en cada uno de los mínimos locales de luminancia o gradiente en la imagen (a mayor luminancia de los píxeles o mayor gradiente mayor elevación para el terreno simulado, generando mayor separación entre regiones contiguas), que representan cuencas. Cada cuenca es llenada con agua hasta que ésta alcanza el punto más alto del relieve, formando represas (watersheds) en los puntos donde el agua de diversas cuencas se encuentra Generalmente una de ellas se corresponde con el fondo de la imagen y el resto con los objetos o regiones que se pretende extraer. El objetivo último de esta técnica es determinar los contornos que definen dichos objetos. En este punto el problema es definir qué es contorno y que no lo es. La fig. 1 constituye un ejemplo de lo anterior.

[Figure ID: f1] Fig. 1-.

Líneas divisorias de agua, cuencas y mínimos. Fuente: adaptado de ²⁵.

Luego de analizar diferentes procedimientos que desarrollaron varios autores de la literatura para realizar un Sistema de Diagnóstico Asistido por Computador (CAD), se recomienda la utilización de la Transformada Watersheds para la detección y segmentación de carcinomas renales.