Segmentación de Imágenes de Resonancia Magnética cerebral Trabajo Dirigido de la asignatura “Imagen Biomédica” 3º Ing. Salud Laura Arévalo Ávila(lauareavi@alum.us.es) José Alberto Amador Osuna (josamaosu@alum.us.es) Remo Lazazzera (remo.tk@gmail.com)

IMÁGENES DE RM CEREBRAL Análisis señales eléctricas  INFORMACIÓN VÓXELES

PROBLEMÁTICA DE LA SEGMENTACIÓN Volumen parcial. Surge por la mezcla de intensidades correspondientes a dos o más tejidos en un mismo píxel. Inhomogeneidad. Variación lenta de la intensidad a lo largo de la imagen.

PROBLEMÁTICA DE LA SEGMENTACIÓN Inclusión de información a priori. La información sobre la intensidad de los píxeles que forman un objeto no es suficiente para delimitarlo. TÉCNICAS Alteraciones patológicas. Morfología matemática. Campos aleatorios de Markov. Atlas anatómicos.

ALGUNAS SOLUCIONES Inhomogeneidad. -Prospectivas: durante proceso de medida. Hardware y protocolos específicos. -Retrospectivas: basadas en el post-proceso de las imágenes de RM mediante algoritmos matemáticos. Estas técnicas filtran la imagen original. Volumen parcial. - Histograma Ponderado por gradiente.

SEGMENTACIÓN   “la subdivisión de una imagen en sus partes constituyentes” (Gonzalez y Woods, 2002) “la extracción de un objeto de interés de una imagen arbitraria” (Duda y Hart, 1973)    Los radiólogos  análisis cualitativo y se realiza basándose en el aprendizaje, la experiencia y su sistema de visión. Lac segmentación  análisis cuantitativo morfométrico

Los métodos de adquisición de la imagen se puedon dividir en: métodos monoespectrales y multiespectrales  

Metodo de Laplace

Metodo del gradiente

Contornos activos o SNAKES

CRECIMIENTO DE REGIONES

EXPERIMENTACIÓN: Segmentación de Lesiones Isquémicas Cerebrales a partir de Imagenología de Difusión por Resonancia Magnética Secuencias de imágenes RM DWI Implementación del algoritmo Mean-Shift en MATLAB versión 6.5. Remover voxeles contaminados de las secuencias DWI, obtener una máscara sobre las secuencias DWI delimitando las regiones cerebrales a segmentar.

¿Por qué Mean-Shift y no un filtro de media común? EXPERIMENTO: ¿Por qué Mean-Shift y no un filtro de media común? 20 sujetos (edad M=57±11 años, rango [26, 78] Presentaron un infarto hemisférico agudo y fueron escaneados con DWI dentro de las 6 primeras horas subsiguientes al inicio de los síntomas.

MÉTODO DE SEGMENTACIÓN 3D a. Corte axial original de la RM DWI de un paciente que presenta un accidente isquémico cerebral. b. El mapa de confianza de bordes. c. La imagen filtrada por CM. d. La imagen segmentada con las modas resultantes.

RESULTADOS CT = 0.618±0.15 FN= 0.248±0.14 FP= 0.133±0.12

CONCLUSIONES La segmentación automática de lesiones isquémicas a partir de secuencias DWI es algo difícil debido al ruido inherente, el efecto de volumen parcial, el traslape de intensidades… Método semi-automático mediante un algoritmo de umbralización adaptiva (Martel, Allder, Delay, Morgan, y Moody 1999). Técnicas de segmentación basadas en atlas. No requiere de ninguna consideración estadística a priori, ni de ningún tipo de inicialización o pre-procesamiento de la imagen. Los parámetros requeridos por el método deben ser fijados una sola vez de manera inicial. VENTAJAS No es sensible para lesiones isquémicas cuyo volumen es menor de 3 cm3 DESVENTAJAS

BIBLIOGRAFÍA Revista Neuropsicología, Neuropsiquiatría y Neurociencias, Octubre 2008, Vol.8, Nº2 http://neurociencias.udea.edu.co/revista/PDF/REVNEURO_vol8_nu m2_11.pdf Tesis de Diseño de un segmentador por corrimiento de media (Mean- Shift) por Aarón Jiménez Ramos (2004). http://148.206.53.84/tesiuami/UAMI11766.pdf Hallazgo en difusión por resonancia magnética. http://www.villavicencio.org.ar/pdf08/063.pdf Tesis: Segmentación Robusta de Imágenes de RM cerebral, por José Vicente Manjón Herrera (2006).

Segmentación de Imágenes de Resonancia Magnética cerebral ¡ MUCHAS GRACIAS POR VUESTRA ATENCIÓN! Laura Arévalo Ávila(lauareavi@alum.us.es) José Alberto Amador Osuna (josamaosu@alum.us.es) Remo Lazazzera (remo.tk@gmail.com)