Detección Automática de Nódulos Pulmonares Trabajo realizado por: Pablo Jiménez Casado José Antonio Andreu Guzmán GRUPO 19

Indice 1. Introducción 2. Planteamiento Teórico 2.1 Preprocesado 2.2 Binarización 2.3 Segmentación 2.4 Top-Hat 2.5 Filtro Gabor 2.6 Nódulos Detectados 3. Conclusiones 4. Referencias

1. Introducción El cáncer de pulmón es la causa más frecuente de mortalidad por cáncer en el mundo. La detección precoz, cuando aún está en la fase de nódulo pulmonar, permitiría una intervención terapéutica más temprana, lo que traería consigo un pronóstico más favorable para el paciente. Nódulo Pulmonar

1. Introducción IMÁGENES TAC La tomografía computarizada permite detectar un alto porcentaje de nódulos pulmonares (posibles cánceres), más que la radiografía simple de tórax. Sin embargo, la gran cantidad de imágenes resultantes que origina el TAC genera un problema de información excesiva, y fatiga para el médico. IMÁGENES TAC

Planteamiento Teórico Un nódulo pulmonar es una opacidad redondeada detectada en imágenes radiológicas de pulmones, cuyo diámetro es inferior a 3 cm ¿Qué es un nódulo pulmonar? Nódulo Pulmonar

2. Planteamiento Teórico Imagen Tac Preprocesado Binarización Filtro Gabor Top-Hat Segmentación Nódulos Detectados

Preprocesado 2. Planteamiento Teórico Modificar el brillo Brillo = 2 Imagen TC Brillo = -0.5

Preprocesado 2. Planteamiento Teórico Modificar el contraste Imagen TC Contraste = 0.01

Binarizaremos la imagen a partir de un valor umbral: 2. Planteamiento Teórico Binarización Binarizaremos la imagen a partir de un valor umbral: 𝑔(𝑥,𝑦) 255 𝑠𝑖 𝑓 𝑥,𝑦 >𝑢𝑚𝑏𝑟𝑎𝑙 0 𝑠𝑖 𝑓 𝑥,𝑦 <𝑢𝑚𝑏𝑟𝑎𝑙

Binarización 2. Planteamiento Teórico Calculamos un valor umbral adaptativo: Computar 𝝁 𝟏 , el nivel medio de gris de los píxeles de las esquinas Computar 𝝁 𝟐 , el nivel medio de gris de los demás píxeles 𝑻 𝒐𝒍𝒅 =𝟎 𝑻 𝒏𝒆𝒘 =( 𝝁 𝟏 + 𝝁 𝟐 )/𝟐 Mientras 𝑻 𝒏𝒆𝒘 ≠ 𝑻 𝒐𝒍𝒅 hacer 𝝁 𝟏 =𝒎𝒆𝒅𝒊𝒂 𝒅𝒆 𝒍𝒐𝒔 𝒏𝒊𝒗𝒆𝒍𝒆𝒔 𝒅𝒆 𝒈𝒓𝒊𝒔 𝒅𝒆 𝒍𝒐𝒔 𝒑í𝒙𝒆𝒍𝒆𝒔 𝒇 𝒙,𝒚 < 𝑻 𝒏𝒆𝒘 𝝁 𝟐 =𝒎𝒆𝒅𝒊𝒂 𝒅𝒆 𝒍𝒐𝒔 𝒏𝒊𝒗𝒆𝒍𝒆𝒔 𝒅𝒆 𝒈𝒓𝒊𝒔 𝒅𝒆 𝒍𝒐𝒔 𝒑í𝒙𝒆𝒍𝒆𝒔 𝒇 𝒙,𝒚 ≥ 𝑻 𝒏𝒆𝒘 𝑻 𝒏𝒆𝒘 = 𝑻 𝒐𝒍𝒅 Fin mientras

Binarización 2. Planteamiento Teórico Aplicamos y obtenemos: Imagen Original Imagen Binarizada usando umbral adaptativo

Segmentación 2. Planteamiento Teórico Vamos a aplicar la segmentación para separar los pulmones del resto de componentes

Segmentación 2. Planteamiento Teórico Para ello vamos a convolucionar la imagen pixel a pixel con una matriz 8-conexa, siendo el pixel central la etiqueta resultante 8-conectividad

Segmentación 2. Planteamiento Teórico Para el etiquetado de regiones se han utilizado diferentes matrices para así recorrer la imagen entera incluyendo bordes recorriendo los vecinos en el orden que se indica: 6 7 8 5   1 4 3 2 5   1 4 3 2 2 3 4 1   5   1 3 2 3   2 1 4 5 3   2 1 1 2   3 5 4 1 2   3 2 3 1  

Segmentación 2. Planteamiento Teórico Una vez etiquetadas todas las regiones escogemos aquella región que tiene un mayor número de píxeles etiquetados:

Segmentación 2. Planteamiento Teórico Invertimos la imagen:

Eliminamos fondo exterior: Segmentación 2. Planteamiento Teórico Eliminamos fondo exterior:

Top-hat 2. Planteamiento Teórico Se trata de realizar una apertura y una clausura con un elemento estructural (5x5 o 7x7) y así eliminar las imperfecciones.

Top-hat 2. Planteamiento Teórico Imagen segmentada Top-hat elemento estructural 5x5 Top-hat elemento estructural 7x7

Intersección 2. Planteamiento Teórico Una vez obtenida la máscara haremos la intersección con la imagen original obteniendo solo los pulmones.

Filtro Gabor 2. Planteamiento Teórico Es un filtro lineal cuya respuesta es una función sinusoidal multiplicada por una función gaussiana. Dicha función es calculada en el dominio de los números complejos Parte imaginaria Parte real

Filtro Gabor 2. Planteamiento Teórico x : Ancho máximo de la máscara de Gabor y : Altura máxima de la máscara de Gabor x ′ = x*cosӨ + y*sinӨ y ′ = -x*sinӨ + y*cosӨ σ: varianza de la función gaussiana. λ: ancho de banda de la función sinusoidal θ:orientación de la normal. 𝛾: elipcidad de lafunción de Gabor. 𝛹:el desfase Filtro gabor aplicando x = 9 ; y = 9; σ = 1; λ = 1; θ = 90; 𝛾 = 1; 𝛹 = 0

2. Planteamiento Teórico Nódulos detectados 2. Planteamiento Teórico Para encontrar finalmente los nódulos, binarizamos la imagen calculando de nuevo el valor del umbral adaptativo obteniendo una máscara de nódulos. Para poder señalar los nódulos creamos una copia de la máscara anterior y la dilatamos dos veces. Seguidamente, le restamos a la imagen dilatada la máscara original. Por último, hacemos la intersección entre la máscara y la imagen original.

2. Planteamiento Teórico Nódulos detectados 2. Planteamiento Teórico Máscaras de los nódulos detectados Imagen original con los nódulos detectados

Conclusiones Nuestro sistema nos muestra la ubicación de aquellos nódulos pulmonares contenidos dentro de la región pulmonar. Una mejora de optimizar nuestro programa sería utilizar un algoritmo de bordes activos para detectar nódulos que esten pegados a la pared pulmoral (nódulo subpleural) Imagen Original Nódulo subpleural en máscara Resultado de aplicar Bordes Activos

Conclusiones Otra técnica muy avanzada sería coger la batería de imágenes pertenecientes a cortes de pulmones de una sola persona y recrear un modelo 3D y así poder visualizar a la perfección los nódulos. Por último, podemos crear una red neuronal y hacer que esta aprenda a detectar imágenes de nódulos con cáncer y así una vez detectado el nódulo, clasificarlo.

Referencias [1] Lungs Nodule Detection by using Fuzzy Morphology from CT scan Images.M.Arfar Jaffar.Ayyaz Hussain. Anwar M.Mirza. 2009 International Association of Computer Science and Information Technology - Spring Conference [2] Desarrollo de un sistema de diagnóstico asistido por computador para detección de nódulos pulmonares en tomografía computarizada multicorte. JORGE JUAN SUÁREZ CUENCA. UNIVERSIDADE DE SANTIAGO DE COMPOSTELA FACULTADE DE FÍSICA [3] Applied research on the automatic detection of lung nodules ROI based on Top-hat and Gabor filter. FAN Li-nan. SUN Shen-shen. Third International Symposium on Information Processing [4] Digital Image Processind a practical introducion using Java.Nick Efford. Pearson