2. El contorneado de la anatomía entra en una categoria de métodos
para procesamiento de imágenes que se denominan como
segmentación de imágenes (image segmentation).
¿Qué es la segmentación de imágenes? Una definición informal
puede ser: La segmentación es la separación de objetos presentes
en la imagen del fondo que los rodea.
Imagen de: P. Arbelaez and L. Cohen. Constrained Image Segmentation from Hierarchical Boundaries. In CVPR 2008.
3. Una definición matemática formal de la segmentación no será presentada, pero
los interessados pueden encontrarla en: “Image Segmentation in the Last 40
Years”, Yu-Jin Zhang, Encyclopedia of Information Science and Technology (2nd
Edition). Information Resources Management Association, USA.
Número de records en “EI
Compendex” de 1965 a
2004 con el tema “image
segmentation”.
Buscando en mayo de
2015 localicé 322
publicaciones recientes
¿ Por qué esa proliferación de algoritmos sobre segmentación de
imágenes ? Además de la importancia del tema está el hecho de
que no exista una teoria general de la segmentación y lo más
importante: ningún algoritmo automático de segmentación creado
hasta hoy es universalmente válido.
4. La segmentación en radioterapia es fundamental en todas las modalidades de
tratamiento modernas, desde la 3D-CRT hasta la IGRT, IMRT, etc.
La anatomía segmentada es necesaria para conformar los haces, para posicionar
al paciente, para evaluar el impacto radiobiológico de la dosis administrada sobre
los PTVs y sobre los OARs, para optimizar en todas las modalidades de
planificación inversa, localizar estructuras ocultas con base en atlas, etc.
5. El nivel de detalle de contorneado o segmentación que
exige la radioterapia actual torna esta actividad como una
de las más consumidoras de tiempo en el proceso de
planificación. Por eso, diversos proyectos e investigadores
trabajan en el desarrollo de algoritmos que permitan la
segmentación automática.
Según algunos autores, la segmentación automática tendría
potencial para economizar entre 23 y 41% del tiempo total
de planificación en radioterapia.
6. Por otra parte, el contorneado manual depende de la subjetividade
del operador y diversos estúdios muestran que un mismo caso
puede ser segmentado de formas significativamente diferentes por
distintos expertos humanos.
La segmentación automática nos libra de la influencia subjetiva.
Esta hipótesis es defendida por diversos autores. Pero esta
suposición no es inmune a críticas, pues la segmentación
automática varia si se emplean diferentes algoritmos o si dentro del
mismo algoritmo variamos sus parámetros de control.
7. Métodos de segmentación automática frecuentes en Radioterapia.
Sin conocimiento
previo
Con conocimiento
previo
Umbral adaptativo (adaptative thresholding)
Detección de bordes.
Divisor de aguas (watershed)
Basados en atlas
Basado en multi-atlas.
Métodos híbridos
8. Ejemplo de segmentación, sin conocimiento prévio, por umbral
adaptativo (adaptative thresholding). Satisfactorio para fronteras de alto
contraste.
9. Dependencia de la segmentación por umbral (threshold) en relación
a los parámetros iniciales.
10. Segmentación con la ayuda de registro multimodal de imágenes.
En radioterapia tenemos una razón fuerte para depender de la
imagen de tomografía (TC): la relación entre unidades Houndsfield
y densidad electrónica nos permite corregir heterogeneidades.
Infelizmente, la TC presenta poco contraste entre tejidos blandos y
esto dificulta mucho la segmentación automática.
Tenemos el recurso de registrar modalidades como la TC y la
resonancia magnética (RM) y utilizar esta última en la
segmentación. Además, podemos emplear varias secuencias de
RM, cada una destacando las fronteras de determinada estructura.
11. El registro multimodal y la fusión de imágenes pueden
resolver fronteras de bajo contraste en la tomografía
12. Variabilidad de las fronteras y otros factores que afectan la
autosegmentación. Ejemplos clínicos de próstata.
• Bajo contraste en fronteras.
• Artefactos de la CT.
• Implantes previos.
• Llenado variable de órganos
vecinos que deforman la
próstata.
Tomado de Yan Zhou y Xio Han, Elekta Inc.
Maryland Heights, 2014. online :
http://stmi2014.ece.cornell.edu/papers/STMI-P-3.pdf
13. Resultados del método
propuesto por los
autores anteriores.
Tres pacientes
diferentes, axial,
sagital y coronal.
Frontera roja
corresponde al
método automático
con multi-atlas.
Frontera amarilla es un
experto humano
considerado el
resultado ideal.
14. “Vision 20/20: Perspectives on automated image segmentation for Radiotherapy”, Sharp G.,
et.al., Med. Phys. 2014 May; 41(5).
15. Resultado de una evaluación clínica de segmentación basada en atlas para
radioterapia de próstata. Autor: Christoffer Granberg, Supervisores: Anders
Montelius, Anders Ahnesjö y otros. 2011. Sistema comercial : VelocityAI.
10 pacientes delineados 3 veces: manual, atlas y multi-atlas.
Reducción de tiempo media de 26%, caso de multi-atlas, mejor resultado.
Disponible online : http://umu.diva-portal.org/smash/get/diva2:422758/FULLTEXT01.pdf
16. En el mismo estudio anterior se evaluó el grado de satisfacción de los
oncólogos-radioterapeutas con el empleo de la segmentación
automática. (siempre necesita verificación y edición antes de tratar)
Disponible online : http://umu.diva-portal.org/smash/get/diva2:422758/FULLTEXT01.pdf
17. Esta imagen sorprendente nos aleja de la segmentación en radioterapia,
al menos en los dias actuales. Dada la importancia y elegancia de esta
modalidad de segmentación en la medicina, no puedo pasarla por alto.
Imagen de Tensor de Difusión
“Diffusion Tensor Imaging” (DTI)
Muestra la dirección
preferencial de difusión de las
moléculas de agua
(anisotropía). Por ello forman
un mapa de fibras neurales,
usualmente llamado de
tractografía. Ya se extendió su
empleo a fibras y músculo
cardíaco.
Para obtener el tensor de
difusión de cada voxel
necesitamos al menos 6
adquisiciones com direcciones
diferentes del gradiente
18. Conclusiones:
1. Los métodos de contorneo automático pueden disminuir
significativamente el tiempo total de planificación en RT.
2. Los métodos automáticos actuales necesitan revisión y edición del
experto (radioterapeuta).
3. Las técnicas de segmentación automática aún están en pleno
desarrollo y debemos esperar mejoras significativas en un futuro
próximo.
4. En este momento los métodos basados en registro de multi-atlas
seguido por optimizaciones son los más satisfactorios para fronteras
de bajo contraste.
5. En fonteras de alto contraste diversos métodos, sin atlas, resultan en
buenas soluciones (umbral, watershed, etc.).
6. El registro multimodal de imágenes puede mejorar el contraste de
algunas fronteras anatómicas y facilitar la segmentación automática.