INTRODUCCIÓN
La segmentación de imágenes médicas ofrece un análisis cuantificado de las características existentes en un determinado órgano o lesión.
Existe una multitud de métodos de segmentación en la literatura. Su uso depende mucho del objeto a segmentar y la tecnología de adquisición. Muchas referencias presentan un compendio de los métodos y técnicas más usados.(1,2)
Dada la dificultad de la segmentación del hígado, se han propuesto muchos métodos con diversos grados de éxito.(3) Sin embargo, algunos problemas críticos permanecen sin resolver.
En los últimos años, los métodos utilizados más aceptados por la comunidad científica son los que trabajan en términos de la minimización de energía,(4) entre los cuales existe preferencia por el método basado en el conjunto de niveles y el método basado en cortes gráficos.(1,5)
A pesar de que los modernos tomógrafos están provistos de software para procesar la imagen, constantemente se investiga en métodos de procesamiento para mejorar la calidad de la imagen, que a su vez contribuyen a mejorar los diagnósticos. Los métodos de segmentación de estructuras y órganos son parte de estas mejoras progresivas. El presente estudio se enfoca en la segmentación del hígado a partir de imágenes de TC. Este aspecto reviste importancia tanto científica como práctica desde el punto de vista clínico, dada la necesidad de obtener segmentaciones muy precisas de este órgano, tanto para propósitos de trasplante como de radioterapia de tumores en el hígado. Por tales razones esta investigación tuvo como objetivo determinar una variante eficaz y eficiente desde el punto de vista computacional en condiciones de rutina hospitalaria, para la segmentación de imágenes hepáticas con fines clínicos.
MÉTODOS
Se compararon dos métodos modernos de segmentación (Graph Cut y EM/MPM) aplicándolos sobre imágenes de tomografía de hígado. Se realizó un análisis evaluativo y estadístico de los resultados obtenidos en la segmentación de las imágenes a partir de los coeficientes de Dice, Vinet y Jaccard.
El método de segmentación basado en Graph Cut crea un gráfico de la imagen donde cada píxel es un nodo conectado por bordes ponderados. Cuanto mayor sea la probabilidad de que los píxeles estén relacionados, mayor será el peso. El algoritmo corta la imagen de interés, a lo largo de los bordes débiles, logrando la segmentación de objetos en la imagen.(6)
Para el método se define:
El objetivo de Graph Cut es encontrar la segmentación que minimiza globalmente la energía de todas las posibles segmentaciones satisfaciendo algunas restricciones.
El algoritmo expectation maximization / maximization of the posterior marginal (EM/MPM, por sus siglas en inglés) tiene como objetivo minimizar el valor esperado de la cantidad de píxeles mal clasificados. El algoritmo EM/MPM se basa en el algoritmo MPM para la segmentación y el algoritmo EM para la estimación de parámetros.(7)
Las imágenes utilizadas se obtuvieron de la base de datos de tomografía computarizada abdominal CHAOS_Train_Sets, de Combined Healty Abdominal Organ Segmentation (CHAOS, por sus siglas en inglés). Cada conjunto de datos en esta base corresponde a una serie de imágenes DICOM que pertenecen a un solo paciente. Los conjuntos de datos se recopilan de forma retrospectiva y aleatoria del Picture Archiving and Communication System (PACS, por sus siglas en inglés) del DEU Hospital.
La base de datos contiene imágenes de TC de 40 pacientes diferentes. Estos pacientes son potenciales donantes de hígado, ya que tienen hígado sano (sin tumores, lesiones o cualquier otra enfermedad).
Se utilizaron imágenes adquiridas con tres escáneres diferentes: Philips SecuraCT con 16 detectores, un Philips Mx8000 CT con 64 detectores y un Toshiba AquilionOne con 320 detectores (todos equipados con la opción de CT en espiral). La orientación y alineación del paciente es la misma para todos los conjuntos de datos. Cada conjunto de datos consta de imágenes DICOM de 16 bits, con una resolución de 512x512 píxeles, espesor de corte entre 0,7-0,8 mm. y una distancia entre cortes de 3 a 3,2 mm. Esto corresponde a un promedio de 90 cortes por conjunto de datos (es decir, mínimo 77, máximo 105 cortes). En total, se cuenta con 1367 cortes tomográficos (imágenes 2D).
La evaluación de los resultados se realizó mediante la comparación con imágenes de referencia o groundtruth. Dentro de las distintas medidas para la evaluación supervisada se seleccionaron, para aplicar en este trabajo, el coeficiente de Jaccard, el coeficiente de Dice y la distancia de Vinet.
RESULTADOS
Los métodos de segmentación utilizados arrojan diferentes resultados a partir de cuyo análisis se determinará cuál método de segmentación resultó ser el más eficaz en los experimentos realizados.
En la figura 1, se aprecia visualmente la efectividad del método Graph Cut para una de las imágenes de la base de datos. Los resultados obtenidos del proceso de segmentación pueden considerarse satisfactorios para las imágenes de TC utilizadas, ya que en todos los casos se segmentó la región deseada, incluso cuando la calidad de las imágenes es baja, se observa gran similitud entre la imagen segmentada y la máscara de referencia, como se aprecia en la figura. El nivel de detalles visuales es bueno y la reproducción de bordes permanece fiel a la máscara de referencia. (Fig. 1).
Los resultados obtenidos en la segmentación de las imágenes de TC por el método de EM/MPM, no siempre fueron satisfactorios. Gran parte de las imágenes seleccionadas son correctamente segmentadas como se muestra en la figura 2, donde se puede apreciar una buena similitud entre la imagen segmentada y la máscara de referencia, la reproducción de bordes es buena, al igual que el nivel de detalles. Pero varias imágenes no fueron segmentadas correctamente como se presenta en la figura 3, esto ocurrió principalmente cuando el hígado presente en las imágenes a segmentar tiene una morfología más compleja o cuando existe una diferencia de contraste muy baja en la imagen. Este resultado cuestiona la eficacia del método para esta tarea en particular. (Fig. 2 y Fig. 3).
En la figura 4 se puede observar la evaluación de la calidad de la segmentación con Graph Cut y EM/MPM a partir del coeficiente de Dice para las 36 imágenes seleccionadas para la prueba. (En la figura las imágenes son nombradas de la forma ia_00b, donde a es el número del paciente y b es el corte seleccionado). Se aprecia que existe una mayor fluctuación entre pacientes para el método EM/MPM que para Graph Cut. Es decir, el método Graph Cut es más preciso al obtener el contorno del hígado de cada paciente y por tanto más eficaz para la tarea planteada. (Fig. 4).
En las tablas 1 y 2 se observan las medias por paciente del cálculo del coeficiente de Dice para los métodos Graph Cut y EM/MPM respectivamente. La media del coeficiente de Dice revela que en el método Graph Cut la segmentación fue buena, pues en todos los pacientes supera el valor de 0,90. En el caso del método de EM/MPM se puede observar un valor bajo en el paciente 5. En este caso fue donde se segmentaron estructuras no deseadas junto con el hígado. Realizando una valoración visual de los datos obtenidos, con el cálculo de los coeficientes de Dice, (sin haber realizado el análisis estadístico), se puede decir que el método de segmentación que mejores resultados ofreció en este experimento fue Graph Cut. En cada uno de los pacientes la media del coeficiente de Dice para este método fue superior que en el método EM/MPM. (Tabla 1 y Tabla 2).
La figura 5 muestra la evaluación de la calidad de la segmentación con Graph Cut y EM/MPM a partir del coeficiente de Jaccard por cada imagen. Se aprecia igualmente, que existe una mayor fluctuación por paciente para el método EM/MPM que para Graph Cut y que en general este último muestra mayor precisión y por ende eficacia para la tarea prevista. (Fig. 5).
En las tablas 3 y 4 se observan las medias por paciente del cálculo del coeficente de Jaccard para los métodos Graph Cut y EM/MPM respectivamente. Realizando una valoración visual de los datos obtenidos con el cálculo de los coeficientes de Jaccard, al igual que con el coeficiente de Dice, se pueden observar valores bajos para el paciente 5 en el método EM/MPM, mientras que los valores para el método Graph Cut superan siempre la media de 0,85. (Tabla 3 y Tabla 4).
La figura 6 muestra la evaluación de la calidad de la segmentación con Graph Cut y EM/MPM a partir del coeficiente de Vinet. En general, este coeficiente fue más sensible a la variabilidad de los hígados de la muestra estudiada que los coeficientes de Dice y Jaccard. No obstante a eso, la fluctuación es menor para Graph Cut que para EM/MPM. (Fig. 6).
En las tablas 5 y 6 se observan las medias por paciente del cálculo de la distancia de Vinet para los métodos Graph Cut y EM/MPM respectivamente. Los resultados obtenidos en el cálculo de la distancia de Vinet se interpretan de forma diferente a los obtenidos con los coeficientes de Dice y Jaccard. Aquí mientras más pequeña es la distancia más precisa será la segmentación de las imágenes, por existir menos diferencias entre referencia y segmentación. Por consiguiente, realizando una valoración visual de los datos, se puede decir que el método de segmentación Graph Cut proporciona distancias más pequeñas y ratifica su mayor eficacia para segmentar hígado. (Tabla 5 y Tabla 6).
Para realizar el análisis estadístico de los resultados se empleó el software SPSS-22, el método que presentó los mejores rangos para todos los coeficientes es Graph Cut (mayor para Dice y Jaccard y menor para Vinet) respectivamente.
DISCUSIÓN
De los métodos de segmentación seleccionados e implementados con MATLAB en el presente estudio, Graph Cut y EM/MPM, el que mostró mayor precisión en la segmentación de imágenes de TC de hígado fue Graph Cut.
Según los coeficientes de Dice y Jaccard y la distancia de Vinet, se encontraron diferencias significativas en la calidad de la segmentación con ambos métodos, siendo superior en Graph Cut.
Los métodos de corte gráfico demuestran un gran potencial por la ventaja de obtener óptimos globales y por su eficiencia práctica (utilizando buenos procesadores). Cuando se trata de segmentación hepática, otros autores(8,9,10) han apreciado que a veces el modelo de corte de gráfico estándar falla, bajo la circunstancia de ataduras seriamente borrosas e intensidades similares entre el hígado y sus órganos vecinos. Además, el modelo es sensible a los parámetros de la función de energía que son solo de información interactiva o estimación empírica. El tipo de imprecisiones que se ha mencionado no fue observado durante la implementación del Graph Cut en la presente investigación, a partir de la variante descrita, que supera el método estándar.
Masuda y cols.(11) proponen el método basado en la mejora del contraste adaptativo y EM / MPM para detectar tumores en imágenes de TC. El método propuesto resultó adecuado para imágenes de bajo contraste. Los resultados obtenidos fueron buenos, lo que coincide con los resultados obtenidos en esta investigación.
Conflicto de intereses
Los autores declaran que no existe conflicto de intereses.
Contribuciones de los autores
Conceptualización: Melanie Yusta Gómez, Marlen Pérez Díaz, Rubén Orozco Morales, Xiomara Plasencia Hernández.
Curación de datos: Melanie Yusta Gómez.
Análisis formal: Melanie Yusta Gómez, Marlen Pérez Díaz.
Investigación: Melanie Yusta Gómez.
Metodología: Marlen Pérez Díaz.
Software: Rubén Orozco Morales.
Supervisión, Marlen Pérez Díaz, Rubén Orozco Morales.
Validación: Marlen Pérez Díaz, Rubén Orozco Morales.
Visualización: Melanie Yusta Gómez.
Redacción – borrador original: Melanie Yusta Gómez, Xiomara Plasencia Hernández.
Redacción, revisión y edición: Marlen Pérez Díaz, Melanie Yusta Gómez.
Financiación
Universidad Central Marta Abreu de las Villas. Villa Clara. Cuba.
