Mérida, Marzo de 2011

1. Posgrado en Ingeniería Biomédica de la Universidad de Los Andes Seminario de Tesis I SEGMENTACIÓN DE IMÁGENES CARDÍACAS ADQUIRIDAS MEDIANTE TOMOGRAFÍA COMPUTARIZADA MULTI-CORTE Miguel Vera, Rubén Medina. Grupo de Investigación en Ingeniería Biomédica (GIBULA), ULA, Mérida. Antonio Bravo. Grupo de Bioingeniería, Universidad Nacional Experimental del Táchira. Mérida, Marzo de 2011

2. Posgrado en Ingeniería Biomédica de la Universidad de Los Andes A G E N D A

3. Posgrado en Ingeniería Biomédica de la Universidad de Los Andes A G E N D A

4. I N T R O D U C C I Ó N • La segmentación del corazón constituye un problema de gran interés, para la comunidad médica internacional, ya que: • La referida segmentación es un prerrequisito para la cuantificación global de la función cardiaca. • El daño cardiovascular es considerado como una de las primeras causas de muerte a nivel mundial.

5. I N T R O D U C C I Ó N • Proponemos abordar este problema creando un algoritmo de segmentación de imágenes cardíacas de tomografía computarizada, basado en tres fases. Ellas son: • Pre-Procesamiento: a.- Incorporación de conocimiento a priori b.- Filtraje 3-D • Segmentación 3-D: Basada en Region Growing. Debe ser a.- Eficiente b.- Robusta c.- Multi-plataforma y Multi-resolución • Pos-Procesamiento: Suavizado y visualización 3-D

6. Posgrado en Ingeniería Biomédica de la Universidad de Los Andes A G E N D A

7. O B J E T I V O S • Segmentar el Ventrículo Izquierdo. • Segmentar el Ventrículo Derecho.

8. Posgrado en Ingeniería Biomédica de la Universidad de Los Andes

9. Modalidades de Imagenología (US) (MRI) (MSCT) (PET) (SPECT) Imagenología Médica

10. Modalidades de Imagenología (US) (MRI) (MSCT) (MSCT) (PET) (SPECT) Imagenología Médica

11. Imagenología Médica ojo cambiar imagen Tomografía Computarizada Multicapa (MSCT)

12. Imagenología Médica Imagenología Cardíaca Anatomía del Corazón • El corazón humano está conformado por: • Dos Ventrículos. • Dos Aurículas. • Cuatro Válvulas • Dos Arterias

13. Imagenología Cardíaca Tomografía Computarizada Multicapa (MSCT)

14. Posgrado en Ingeniería Biomédica de la Universidad de Los Andes

15. A N T E C E D E N T E S • Zhang y otros, combinan Modelos de Forma Activa y Modelos de Apariencia Activa para segmentar los ventrículos izquierdo y derecho en MRI[1]. • Zhuang y otros, emplean técnicas de registro de imágenes para segmentar automáticamente las 4 cavidades y las arterias en MRI cardiacas [2]. • [1] Zhang H., Wahle A., Johnson R., Scholz T., Sonka M., “4-D Cardiac MR Image Analysis: Left and Right Ventricular Morphology and Function”, IEEE Transactions on Medical Imaging , vol. 29, No. 2, pp. 350-364, 2010. • [2] Zhuang, X., Rhode, K.S., Razavi, R., Hawkes, D.J., Ourselin, S., “A registration based propagation framework for automatic whole heart segmentation of cardiac MRI”. IEEE Trans. Med. Imag. 29(9), pp. 1612-1625, 2010.

16. Posgrado en Ingeniería Biomédica de la Universidad de Los Andes

17. METODOLOGÍA

18. METODOLOGÍA

19. METODOLOGÍA: Descripción de la Base de Datos • La base de datos utilizada es de imágenes cardiacas, fue obtenida por MSCT y viene en formato DICOM. Luego son convertidas al formato Raw.Algunas de sus características numéricas son las siguientes:

20. METODOLOGÍA

21. METODOLOGÍA: Preprocesamiento • Incorporación de Conocimiento a priori (a) Imagen Original (b) Imagen Cortada (c) Corazón + Plano Normal

22. METODOLOGÍA: Preprocesamiento Filtrado 3-D Criterio para el Filtro Promediador (FP): (a) Imagen Original (b) Imagen procesada con FP

23. METODOLOGÍA: Preprocesamiento Filtrado 3-D Kernel Gausiano: Imagen Original Imagen procesada con Filtro Gausiano

24. g g g g METODOLOGÍA: Preprocesamiento Filtrado 3-D Formulación del Filtro Top-Hat: Imagen Original Imagen procesada con Filtro Top-Hat

25. METODOLOGÍA: Preprocesamiento Realce por Similaridad 3-D (a) Voxeles en el Volumen Top-Hat (b) Voxeles en el Volumen Promediado Formulación Matemática: Donde N es el número de voxeles vecinos a considerar

26. METODOLOGÍA: Preprocesamiento Realce por Similaridad 3-D Imagen Original Imagen realzada por Similaridad 3-D

27. METODOLOGÍA

28. METODOLOGÍA: Transformada generalizada de Hough • La Semilla para segmentar el Ventrículo Derecho, por Crecimiento de Regiones, se obtuvo usando la Transformada Generalizada de Hough (TGH). La TGH puede sintetizarse así: Es un algoritmo de segmentación supervisado, se usa en imágenes para detectar objetos con formas arbitrarias y consta de dos etapas: Entrenamiento y Detección. • Nota: Las imágenes deben ser pre-procesadas antes de aplicar la TGH. • Para ello se debe: • Generar un mapa de contornos binario (mcb), usando el Operador Canny. • Etiquetar las estructuras presentes en el referido mcb (Imagen Etiquetada).

29. METODOLOGÍA: Transformada generalizada de Hough Imagen Etiquetada r Obtención del Contorno de Referencia (CR) Para cada punto (x , y) del CR, calcular: Ángulo (q) de la tangente a la horizontal Ángulo (a) del radio (r) a la horizontal El Radio (r) al Centroide del CR Construir la Tabla-R usando los parámetros: [q, a, r] (x ,y) 1.- Etapa de Entrenamiento

30. METODOLOGÍA: Transformada generalizada de Hough Imagen Etiquetada Obtener una Imagen mediante la preselección de contornos en base al área circunscrita por el CR Calcular en cada punto (x,y), de la Imagen anterior, el ángulo (qv) de la tangente respecto a la horizontal En la Tabla-R, localizar a y r, de acuerdo a la condición: qv = q. Calcular los centroides candidatos de acuerdo a: xc = x + r.cos(a) yc = y + r.sen(a) Construir e incrementar el Acumulador: A= [xc, yc, etiqueta] Calcular el máximo de A y extraer el Ventrículo Izquierdo 2.- Etapa de Detección:

31. METODOLOGÍA: Transformada generalizada de Hough Imagen Original Contorno detectado por TGH

32. METODOLOGÍA: Region Growing Esta técnica requiere de un voxel semilla para particionar un volumen (I) en regiones (Ri), conectadas según ciertos criterios (PRj), basados en la similitud de los elementos (p) de I. En teoría se debe cumplir que: La formulación del criterio utilizado es: .K Donde: f (x, y, z): Nivel de gris (Ng) de los voxeles de I. µ: Ng promedio de una vecindad del voxel semilla. σ: Desviación estandar de I k: Escalar arbitrario

33. METODOLOGÍA: Region Growing • La segmentación de las cavidades ventriculares fue realizada por Crecimiento de Regiones. Para localizar un voxel semilla en cada cavidad se procedió de la siguiente manera: • Para el Ventrículo Derecho: La posición del voxel semilla viene dada por el centroide de la región contenida dentro del contorno detectado mediante la TGH. • Para el Ventrículo Izquierdo: El voxel semilla se ubicó en el punto medio del eje trazado entre el punto de unión de las válvulas (mitral y aortica) y el ápex.

34. METODOLOGÍA: Region Growing Semillas en ambas cavidades Cavidades segmentadas: Ventrículo Izquierdo (Rojo) Ventrículo Derecho (Verde)

35. METODOLOGÍA

36. METODOLOGÍA: Posprocesamiento • Una vez segmentadas las cavidades ventriculares, se procedió a realizar los siguientes procesos: • Suavizamiento: Cada Volumen segmentado fue suavizado utilizando un filtro gausiano que utiliza como parámetro la desviación estandar de cada Volumen. • Visualización 3-D: Se utilizó la técnica denominada Marching Cubes para renderizar las cavidades segmentadas en el dominio tridimensional.

37. METODOLOGÍA: Posprocesamiento Visualización 3-D de las cavidades segmentadas y suavizadas Ventrículo IzquierdoVentrículo Derecho

38. Posgrado en Ingeniería Biomédica de la Universidad de Los Andes

39. Entorno de Programación • Los programas que permitieron segmentar las cavidades cardiacas fueron desarrollados, en el dominio 3-D, usando Lenguaje C++ y algunas librerias de la aplicación denominada Visualization Toolkit (VTK ). • Las Películas, que permitieron la visualización dinámica de las estructuras segmentadas, fueron realizadas usando la aplicación VolView 3.2.

40. Posgrado en Ingeniería Biomédica de la Universidad de Los Andes

41. RESULTADOS: Qualitativos Secuencia completa de los volúmenes de la base de datos 1: Ventrículo Izquierdo (en Rojo) - Ventrículo Derecho (en Gris)

42. RESULTADOS: Qualitativos Secuencia completa de los volúmenes de la base de datos 2: Ventrículo Izquierdo (en Rojo) - Ventrículo Derecho (en Gris)

43. METODOLOGÍA: Posprocesamiento Visualización 3-D del Ventrículo Izquierdo Latiendo Latidos Ventrículo Izquierdo: Vista Uno Latidos Ventrículo Izquierdo: Vista Dos

44. RESULTADOS: Quantitativos Errores obtenidos al comparar segmentaciones manuales y las generadas automáticamente por el método propuesto

45. Posgrado en Ingeniería Biomédica de la Universidad de Los Andes

46. Conclusiones • El preprocesamiento de las bases de datos permitió elevar la calidad de la segmentación usando Crecimiento de Regiones. • Un algoritmo híbrido, basado en técnicas de realce de • contornos y Crecimiento de Regiones, ha sido desarrollado, • en el dominio tridimensional, para la segmentación de los ventrículos presentes en volúmenes de MSCT. • Las estructuras cardíacas segmentadas muestran aspectos fisiológicos importantes como los músculos papilares y la forma real de las paredes internas de los ventrículos.

47. Trabajos Futuros Un proceso de validación más exhaustivo, del algoritmo • propuesto, debe ser implementado. • Para ello se debería: • Segmentar un número importante de bases de datos. • Incorporar otras métricas. • Calcular parámetros funcionales de los ventrículos. • Comparar los resultados con los generados usando otras modalidades