ES2425241T3 - Métodos y sistemas de segmentación usando reparametrización de límites - Google Patents

Abstract

Un método implementado por ordenador para mejorar una imagen (100) de una estructuraanatómica (105), comprendiendo el método: a) proporcionar (200), desde un registro a un módulo de mapeo, una estimación de límiteinicial (110) de la estructura anatómica (105); b) determinar (205), mediante el módulo de mapeo, una región de banda de límite (135) queincluye la estimación de límite inicial (110) de la estructura anatómica (105) mediantemuestreo de datos de imagen a lo largo de una serie de líneas normales a la estimación delímite inicial (110); c) convertir la región de banda de límite (135) a una imagen de límite rectangular (140) y laestimación del límite (110) en una curva dentro de la imagen de límite rectangular (140) deforma que la estimación de límite (110) se define en relación con una cuadrícula decoordenadas (x', y') de la imagen de límite rectangular (140); d) segmentar (210) la estimación de límite (110) dentro de la imagen de límite rectangular(140); e) mapear (215) la estimación de límite segmentada (110) de la imagen de límite rectangular(140) a la región de banda de límite (135) para obtener una estimación de límite segmentada; f) calcular una diferencia de tolerancia entre la estimación de límite segmentada y laestimación de límite inicial (110); g) repetir (220) los pasos b) hasta f) usando la estimación de límite segmentada a partir de laimagen de límite rectangular (140) como estimación de límite inicial (110) dentro de unaregión de banda de límite actualizada, hasta que la diferencia de tolerancia se encuentre pordebajo de un umbral; y h) generar una imagen mejorada de la estructura anatómica (105) a partir de la estimación delímite segmentada.

Description

METODOS Y SISTEMAS DE SEGMENTACION USANDO REPARAMETRIZACION DE LiMITES Descripci6n Campo tecnico

[0001] Esta invencion hace referencia a metodos y sistemas para identificar caracteristicas anatomicas en imagenes medicas, y mas especificamente, a usar varias tecnicas de segmentacion y mapeo para identificar de forma precisa limites en las imagenes. Informaci6n de los antecedentes

[0002] Las modalidades de formacion de imagenes como tomografia computarizada (CT, por sus siglas en ingles), formacion de imagenes por resonancia magnetica (MRI, en ingles), ultrasonido, tomografia por emision de positrones (PET, en ingles) y tomografia computarizada por emision de fotones individuales (SPECT, en ingles) proporcionan diversas representaciones de las caracteristicas anatomicas de un sujeto. Los conjuntos de imagenes generados con cualquiera de estas modalidades pueden usarse para el diagnostico o para guiar diversos tratamientos, como cirugia o radioterapia. Las imagenes pueden consistir en representaciones bidimensionales, imagenes voxel tridimensionales o una serie de imagenes tridimensionales temporal. A menudo es preferible definir el contorno o segmentar organos o lesiones en las imagenes, permitiendo asi calcular volumenes, una visualizacion mejorada y una planificacion de tratamiento mas precisa. Tambien facilita la modificacion de tratamientos para radioterapia o cirugia guiada por imagenes. [0003] Sin embargo, debido a la complejidad de estos sistemas y diversas caracteristicas de las imagenes resultantes, para la interpretacion normalmente es necesario un medico altamente experimentado y cualificado. En un enfoque convencional, por ejemplo, las imagenes son segmentadas por un sujeto (como el medico) usando un dispositivo de puntero (p.ej., un raton) para seleccionar diversos puntos sobre la superficie de un organo, o quot;pintandoquot; electronicamente la imagen usando una herramienta de pincel. El contorno de las imagenes tridimensionales puede definirse mediante la repeticion del proceso en diversos cortes bidimensionales a lo largo del organo para crear una superficie tridimensional. Sin embargo, el proceso requiere mucho tiempo y es propenso a la variabilidad segun el usuario. [0004] Se han revelado numerosos algoritmos de segmentacion automatica en la literatura y son conocidos por aquellos que desarrollan la tecnica. Cada uno se adapta normalmente a una modalidad de formacion de imagenes concreta o tipo de organo, con exito variable. WO 99/52074 muestra un metodo de segmentacion de nucleos celulares que utiliza un planteamiento de contornos activos basado en un algoritmo de Viterbi. En concreto, las imagenes medicas por ultrasonido son intrinsecamente dificiles para los algoritmos de segmentacion. Los limites de organos pueden quedar enmascarados por la presencia de ruido o manchas; partes del limite pueden aparecer debiles debido al sombreado por caracteristicas superiores; y los bordes pueden estar formados por dos regiones de niveles de grises diferentes o como el extremo entre dos texturas diferentes, o como un hibrido de ambos. Esta complejidad lleva a un gran indice de fracaso para los algoritmos de segmentacion automatica convencionales. Por tanto, es necesario un algoritmo de segmentacion automatica rapido y solido, que actue sobre imagenes bidimensionales o tridimensionales. Resumen de la invenci6n

[0005] La presente invencion proporciona sistemas y metodos para obtener un organo o lesion de contorno definido y segmentado a partir de imagenes bidimensionales o tridimensionales. Los siguientes modos de realizacion se describen en relacion con imagenes bidimensionales, entendiendose que el planteamiento de la presente invencion puede extenderse a imagenes tridimensionales como se analiza a continuacion. [0006] En general, se identifica un contorno en la imagen de una lesion u organo de interes y se define entonces una region o quot;bandaquot; alrededor del contorno inicial. La banda se transforma en una imagen de limite en forma de una matriz rectangular. La imagen de limite comprende lineas de muestreo, como columnas en la imagen. Por ejemplo, cada linea de muestreo puede comenzar en el interior del organo y acabar en el exterior del organo, en cuyo caso cada linea contiene al menos un punto (un punto de extremo) del limite del organo. Se encuentran caracteristicas de la imagen de limite y estas caracteristicas se transforman entonces de nuevo a la imagen original, resultando asi en la segmentacion mejorada de la imagen.

[0007] Cada linea de muestreo puede analizarse de forma independiente o concurrente y pueden usarse umbrales locales (p.ej., umbrales calculados a partir de estadisticas de pixeles de cada linea) para construir un limite completo de la lesion u organo en la imagen. Puede aplicarse, por ejemplo, una operacion de extension del contraste o correccion gamma linea por linea. Ademas, la imagen del limite puede analizarse como un todo usando cualquier numero de tecnicas de analisis de imagen convencionales. En determinados modos de realizacion, el proceso de deteccion de bordes incluye reducir un ajuste de curvas bidimensional sobre la imagen a una aproximacion de linea unidimensional iterativa. Ademas, puesto que los datos se consideran quot;direccionalesquot; (es decir, los puntos de borde se encuentran mediante el desplazamiento desde el interior del contorno al exterior del contorno a lo largo de las linea de muestreo), la matriz de datos se convierte en anisotropa y puede determinarse un borde cruzando los datos en la direccion apropiada. [0008] Los metodos descritos aqui pueden incluir usar un enfoque de umbral local constante (CLT, en ingles), que emplea una estimacion de umbral basada en la combinacion de estadisticas globales y locales para binarizar la imagen del limite y facilita en mayor medida la limpieza de estas imagenes binarias para encontrar la curva del borde en el espacio del limite. [0009] Por lo tanto, en un aspecto la invencion proporciona un metodo para segmentar imagenes (imagenes bidimensionales o tridimensionales obtenidas usando una modalidad de formacion de imagenes como, por ejemplo, un escaner para CT, un dispositivo de ultrasonido, escaner para PET, un escaner para SPECT o una MRI) de estructuras anatomicas (p.ej., lesiones, tumores y/u organos) que incluye proporcionar una estimacion del limite inicial de la estructura (bien definiendo arbitrariamente la estimacion, usando una estimacion proporcionada por el usuario o un conjunto de puntos o bien determinando automaticamente la estimacion), determinar una banda de limite que abarque la estimacion de limite, segmentar la banda de limite y mapear la banda de limite segmentada en la imagen para producir una estimacion del limite segmentada.

[0010] En modos de realizacion en los que la imagen es tridimensional, la imagen puede dividirse en una serie de imagenes bidimensionales que a su vez pueden usarse para crear una serie de estimaciones de limite segmentadas bidimensionales, a partir de la cual puede crearse una malla tridimensional. [0011] En algunos modos de realizacion, puede calcularse una diferencia de tolerancia (basada en mediciones estadisticas de la imagen, por ejemplo) entre la estimacion de limite segmentada y la estimacion inicial para determinar la precision y/o error de la estimacion segmentada. El metodo puede repetirse usando la estimacion de limite segmentada como la estimacion inicial en una iteracion posterior, y este proceso de estimacion iterativo puede continuar hasta que la diferencia de tolerancia se encuentre por debajo de un umbral predeterminado (que puede cambiar de iteracion a iteracion, si se desea). En algunas aplicaciones, la banda de limite puede ajustarse tambien de iteracion a iteracion expandiendo o contrayendo la estimacion de limite inicial en varias direcciones y/o en varias cantidades. La determinacion de la banda de limite puede incluir el muestreo de datos de imagen a lo largo de una serie de lineas normales a la estimacion de limite inicial y el mapeo de los datos muestreados en una matriz rectangular. Las lineas de muestreo pueden ser tambien corradiales o curvas. [0012] En algunos modos de realizacion, la segmentacion de banda de limite puede incluir calcular una imagen de suma ponderada usando estadisticas locales y/o globales de la imagen; aplicar umbrales a la imagen de suma ponderada; formando asi una imagen binaria; detectar una curva de borde en la imagen binaria; y modificar puntos de informacion a lo largo de la curva de borde. Las mediciones estadisticas usadas para calcular los umbrales pueden incluir usar una media de la suma ponderada o la suma real de la imagen, metodos de deteccion de bordes por gradiente, metodos de deteccion de bordes Laplaciana y/o metodos de filtrado basados en gradiente de segunda derivada. Las tecnicas para segmentar la banda de limite pueden incluir usar conjuntos de niveles, contornos activos, informacion de textura, formas activas, plantillas deformables, tecnicas basadas en graficos, agrupacion estadistica (clustering), tecnicas de campos aleatorios de Markov y metodos de apariencias activas, umbralizacion de la banda de limite, deteccion de bordes por gradiente y/o deteccion de bordes laplaciana para detectar un borde en la banda de limite. [0013] La imagen puede modificarse, por ejemplo, eliminando falsas islas binarias, modificando puntos de datos a lo largo de la curva de borde mediante la eliminacion de falsas concavidades, eliminando puntos de borde erroneos y/o ajustando una curva spline a traves de puntos de borde identificados. [0014] En otro aspecto, la invencion proporciona un sistema para segmentar representaciones de una estructura anatomica (p.ej., una lesion, organo y/o tumor) en una imagen. Los modos de realizacion del sistema incluyen un registro para recibir la imagen y una estimacion de limite inicial de la estructura anatomica representada en la imagen, y un modulo de mapeo para determinar una banda de limite que incluye la estimacion de limite inicial de estructura, segmentar la banda de limite y mapear la banda de limite segmentada en la imagen, proporcionando asi una estimacion de limite segmentada. [0015] El sistema puede incluir tambien un procesador para segmentar la banda de limite, y en algunos modos de realizacion, el procesador y modulo de mapeo segmentan y mapean de forma iterativa la banda de limite segmentada usando la nueva estimacion de limite como la estimacion de limite inicial para iteraciones posteriores. [0016] En otro aspecto, la invencion proporciona software en una forma legible por ordenador para

llevar a cabo los metodos aqui descritos. [0017] Lo anterior y otros objetos, caracteristicas y ventajas de la presente invencion aqui descritas, asi como la invencion misma, se comprenderan mejor a partir de la siguiente descripcion de modos de realizacion preferidos y reivindicaciones, cuando se lean junto con los dibujos adjuntos.

Breve descripci6n de los dibujos [0018] En los dibujos, los caracteres de referencia iguales generalmente se refieren a las mismas partes a lo largo de las diferentes vistas. Ademas, los dibujos no se encuentran necesariamente a escala, y se enfatiza en su lugar generalmente la ilustracion de los principios de la invencion. [0019] La FIG. 1 es un diagrama esquematico que ilustra la conversion de un contorno a una imagen de limite segun diversos modos de realizacion de la invencion. [0020] La FIG. 2 es un diagrama de flujo que representa los pasos de la tecnica de redefinicion de parametros segun diversos modos de realizacion de la invencion. [0021] La FIG. 3 es una imagen de una lesion a la que se pueden aplicar las tecnicas de la invencion. [0022] La FIG. 4 es un diagrama esquematico que ilustra un mapeo de un cuadrilatero a un cuadrado segun diversos modos de realizacion de la invencion. [0023] La FIG. 5 es un diagrama de flujo que representa los pasos del metodo de CLT segun diversos modos de realizacion de la invencion. [0024] La FIG. 6 ilustra una imagen de limite ideal segun un modo de realizacion de la invencion. [0025] La FIG. 7 es una imagen que representa una curva de limite binaria segun varios modos de realizacion de la invencion. [0026] La FIG. 8 es una representacion esquematica de un sistema para llevar a cabo los metodos aqui descritos segun un modo de realizacion de la invencion.

Descripci6n detallada [0027] En relacion con la FIG 1, se usa unaimagen 100 deun organoo lesion 105 para planificar y/o ayudar en diversos procedimientos medicos. La imagen 100 puede ser una imagen bidimensional individual, una imagen en seccion bidimensional o corte a traves de una imagen tridimensional, una imagen tridimensional o cualquier combinacion de las mismas. La imagen 100 puede ser obtenida usando uno o mas dispositivos como un escaner para CT, un dispositivo de ultrasonido, un dispositivo de MRI, un escaner para PET, y/o dispositivo de rayos x o cualquier otra modalidad de formacion de imagenes adecuada segun su uso comun en la tecnica. La imagen 100 puede usarse por un oncologo, medico o tecnico especializado en radiacion para determinar un diagnostico, la localizacion y forma de la lesion 105 a tratar y/o a determinar los parametros de un plan de tratamiento de radiacion como el angulo del haz, forma del haz, el numeros de haces que se necesitan para administrar una dosis de radiacion suficiente para erradicar la lesion objetivo 105, el nivel de dosis para cada haz, asi como los parametros de posicionamiento del paciente.

[0028] De acuerdo con lainvencion, se define un limite inicial 110 en la imagen 100 para aproximar el contorno de la lesion 105. La posicion y/o forma del limite inicial 110 puede definirse por el usuario, identificarse de manera programatica como una forma (p.ej., un circulo de radio arbitrario) dentro del organo sobre el que se encuentra la lesion 105, y/o basarse en un modelo de organo. En algunos modos de realizacion, el limite inicial 110 se proporciona como una imagen previamente segmentada, y en algunos casos se combina con otras imagenes o partes de las mismas. Segun su uso aqui, una quot;imagen segmentadaquot; significa una imagen con un contorno o contornos correspondientes identificados en la misma. En una imagen bidimensional, por ejemplo, los contornos pueden representarse como puntos, segmentos de linea, pixeles, una curva analitica o una lista de pixeles en cada contorno. De modo similar, en una imagen tridimensional, los contornos pueden representarse como una malla o una lista de voxeles en cada contorno. Los contornos representan normalmente areas de interes en la imagen y corresponden normalmente a organos o lesiones en imagenes medicas.

[0029] Se genera un contorno exterior 120 y un contorno interior 130 y estos contornos definen el alcance de una franja 135 o region de limite en la imagen 100. En algunos modos de realizacion como aquellos en los que ya existe una aproximacion del organo o lesion, los contornos 120 y/o 130 siguen generalmente el limite inicial 110, mientras que en otros modos de realizacion, los contornos 120 y/o 130 no estan relacionados con la forma del limite inicial 110. Esta franja cerrada 135 se abre entonces topologicamente en una imagen de limite rectangular 140 que comprende algunos o todos los limites de la lesion 145. En otras palabras, las formas bidimensionales de la franja de limite 135 y el contorno de la lesion 105 se pierden puesto que se linealizan, pero la estructura fina del contorno de la lesion, es decir, la relacion de cada pixel de contorno con su adyacente, se mantiene. Este proceso se denomina reparametrizacion de limites (BRP, por sus siglas en ingles). En la imagen de limite 140, puede definirse una nueva cuadricula de coordenadas con el eje x' definiendo la direccion de linealizacion y la estructura fina del contorno extendiendose a lo largo del eje y'.

[0030] Debido a imperfecciones en el proceso de formacion de imagenes, el limite de la lesion 145 normalmente contiene ruido y otras irregularidades que no se corresponden con el verdadero limite de la lesion 105. Por lo tanto, la imagen del limite 140 puede segmentarse de forma iterativa para crear una aproximacion suave al verdadero limite. La FIG. 2 ilustra un procedimiento representativo para crear la imagen de limite 140 y segmentarla. En relacion con las FIGS. 1 y 2, se produce una estimacion inicial del limite 110 (paso 200) a partir de datos de deteccion del borde introducidos manualmente y/o derivados automaticamente. En algunos casos, la estimacion inicial puede ser una forma (p.ej., un circulo) de tamano arbitrario situado dentro de los limites del organo de interes. En el paso 205, los pixeles de la imagen en la banda 135 alrededor de la estimacion de limite se remapean del espacio de imagen a coordenadas de limite-espacio (o se transforman de coordenadas globales a locales), creando la imagen de limite rectangular 140. La imagen de limite se segmenta entonces (paso 210) encontrando caracteristicas salientes en la direccion y' a lo largo del limite de la lesion 145 que es probable que representen ruido u otros artefactos de la formacion de imagenes. Despues, la imagen segmentada puede mapearse desde el espacio de limite de nuevo al espacio de imagen para producir una nueva estimacion de limite (paso 215), esencialmente la operacion inversa al paso 205. La imagen segmentada, en otras palabras, proporciona una aproximacion mas precisa del limite de lesion 145 y puede usarse como una estimacion de limite inicial en una iteracion posterior.

[0031] Por ejemplo, el proceso comienza con una suposicion imperfecta inicial del limite del organo, como un circulo. Se define entonces una banda circular que incluye el limite real, aunque no se conoce el limite exacto. La banda se encuentra quot;desenrolladaquot; en una imagen rectangular, en la que se estima el limite real identificando puntos de transicion en la imagen desenrollada (a lo largo de gradientes, por ejemplo) usando, por ejemplo, tecnicas de umbralizacion descritas a continuacion. Esta aproximacion puede usarse entonces como estimacion de limite para la siguiente iteracion, ya que la aproximacion esta mas cerca del limite real que la estimacion inicial, y por tanto, la banda usada para crear la imagen rectangular se formara mas cerca del limite deseado. A medida que aumenta el numero de iteraciones, la estimacion de limite converge en una linea recta y plana en espacio rectangular. [0032] En el paso 220, si no se cumple un criterio de iteracion, el proceso vuelve al paso 205 con la nueva estimacion de limite 145 como entrada. De lo contrario, la nueva estimacion de limite se usa como el limite 145 (paso 230). El criterio de iteracion puede ser, por ejemplo, llevar a cabo un numero fijo de iteraciones, o en otros casos puede ser un criterio de suavidad o nivel de tolerancia para cambios incrementales de la curva de limite 145. Los parametros del proceso pueden variarse para cada iteracion. Por ejemplo, el tamano y/o forma de la region de limite 140 puede aumentarse, disminuirse o modificarse con cada iteracion puesto que el algoritmo no tiene que buscar hasta donde el resultado converge hacia el limite real. [0033] El remapeo de pixiles de imagen desde el espacio de imagen al espacio de limite (paso 205) puede lograrse usando cualquiera de una variedad de planteamientos. Una tecnica, ilustrada en la FIG. 3, usa mapeo de cuadrilatero continuo donde la region de limite alrededor de la estimacion de limite 310 de la imagen 300 se separa en una serie de cuadrilateros 315. A continuacion, los cuadrilateros pueden transformarse en una serie de cuadrados para formar la imagen del limite 320. [0034] En relacion con la FIG 4, el mapeo de cuadrilatero continuo puede llevarse a cabo como sigue. Un segmento de cuadrilatero original 400 que tiene coordenadas de imagen global (x,y) corresponde a un cuadrado 410 que tiene coordenadas (s1, s2), donde s1 y s2 oscilan entre 0 y 1. Los ejes s1 y s2 se subdividen en una cuadricula regular y el valor de cada punto de la cuadricula (s1,s2) se evalua encontrando el punto correspondiente (x,y) mediante la ecuacion 1:

donde Pt(x,y) son las coordenadas de los cuatro vertices del cuadrilatero, y

iii

[0035] Otros metodos adecuados para transformar regiones de limite de espacio de imagen a espacio de limite incluyen tomar muestras de la imagen a lo largo de lineas normales a los puntos en la curva de limite inicial y reunir las linea de muestreo en una matriz rectangular; tomar muestras de la imagen a lo largo de las lineas (rectas y/o curvas) que tienen un punto comun en el limite, creando asi una linea de estimacion de limite para el punto de limite y ensamblar las linea de muestreo en una matriz rectangular; y dividir la region que rodea el limite inicial en una pluralidad de segmentos triangulares, mapear los triangulos en cuadrados y reunir los cuadrados en una matriz rectangular. [0036] La conversion de una region de limite en una imagen de espacio de limite rectangular puede resultar en la perdida de continuidad circular. Es decir, el primer y el ultimo punto de la linea en el espacio de limite corresponden a puntos adyacentes en el espacio de imagen, y si no se impone limitacion, esto puede inducir una discontinuidad del contorno en el espacio de imagen. Una forma de abordar esta posibilidad es reproducir una seccion de la imagen de limite y concatenarla en uno de los lados de la imagen de limite. En este caso, los puntos extremos de la linea de limite tendran la misma informacion de imagen y sera mas probable que converjan al mismo valor. Otro metodo es imponer directamente una limitacion estricta de que el primer y el ultimo punto deban corresponder al mismo valor.

[0037] En diversos modos de realizacion de la invencion, puede usarse una tecnica de umbral local constante (CLT) para segmentar las imagenes de limite (es decir, paso 210), combinando las estadisticas de imagen globales y locales para derivar un umbral para la deteccion de bordes. En resumen, y en relacion con la FIG. 5, la tecnica de CLT comienza con la imagen de limite 145 (vease FIG. 1) generada a partir del proceso de BRP como entrada (paso 500); en determinados casos, pueden aplicarse diversas tecnicas de procesamiento de imagen (paso 505) a la imagen de limite. Se crea una imagen de suma ponderada (paso 510), que representa la suma de las imagenes de limite normalizadas de forma local y global. La imagen de limite se convierte entonces a una imagen de limite binaria (paso 515) usando uno o mas umbrales calculados a partir de las estadisticas de imagen. Usando tecnicas de procesamiento de imagenes convencionales, la imagen binaria tambien puede procesarse para reducir el ruido y perturbaciones (clutter) (paso 520). La curva de borde se detecta (525), y despues se procesa usando metodos de procesamiento de imagen convencionales (descritos a continuacion) para producir una estimacion suavizada de la curva de borde (paso 530), resultando en la estimacion de limite final a retroalimentar al proceso BRP. Los pasos individuales de la tecnica de CLT se describiran ahora en mayor detalle. [0038] El paso 505 puede incluir cualquier numero de tecnicas de procesamiento de imagenes. En un modo de realizacion, se aplica un umbral al limite de lesion 145 desde abajo para reducir el ruido. En algunos casos, se usa un umbral muy bajo, o ninguno, debido al riesgo de eliminar informacion del borde junto con el ruido. A continuacion, puede llevarse a cabo un estiramiento de contraste para identificar los valores de pixel maximo y minimo a lo largo del limite de lesion 145 asi como los valores de contraste quot;proximo al minimoquot; y quot;proximo al maximoquot;. Identificando este segundo grupo de maximos, se eliminan los posibles picos de ruido (p.ej., el maximo identificado inicialmente) y la probabilidad de obtener el maximo correcto aumenta. Los metodos de determinacion de umbrales adecuados o recomendables pueden incluir metodos de deteccion de bordes por gradiente, metodos de deteccion de bordes laplacianos o metodos de filtrado de bordes basados en la direccion del gradiente de segunda derivada, por ejemplo.

[0039] Mientras que el valor minimo en la imagen entera se asocia normalmente con el fondo de la imagen (y, por tanto, es cero), el valor de contraste minimo en la imagen del organo o lesion puede ser un numero distinto de cero. Por tanto, el segundo valor mas bajo puede usarse como el minimo, llevando a una estimacion mas solida del minimo de contraste. Despues, se calcula el intervalo de valores de contraste MAX-MIN y se aplican uno o mas umbrales a la imagen para permitir una variacion que refleje un grado de deseado de suavidad (p.ej., 5%). En algunos modos de realizacion, el umbral aplicado al valor de contraste MAX difiere del aplicado al valor de contraste MIN. Los valores pueden normalizarse usando, por ejemplo, un procedimiento como la normalizacion global, resultando en una imagen (aqui denominada quot;imagen Gquot;) que tiene un valor minimo igual a cero y un valor maximo igual a uno. En algunos modos de realizacion, la imagen G se sometedespues a correccion gamma. La imagen G se suaviza usando, por ejemplo, un filtro paso bajo o de mediana que actua a lo largo de las filas de la imagen para suavizar los pixeles en la direccion mas probable de propagacion de la curva de limite. A diferencia de otros metodos de deteccion de bordes, esta tecnica no exige un suavizado fuerte y, por ello, no hay una perdida significativa de resolucion y todos los detalles de la imagen son conservados de manera sustancial. En otros modos de realizacion, pueden aplicarse tambien otras operaciones de procesamiento de imagen adecuadas, como correccion del brillo o normalizacion del histograma, a la imagen G. [0040] En un modo de realizacion de la invencion, el calculo de la imagen de suma ponderada (paso 510) se lleva a cabo de la siguiente manera. La imagen del limite G se normaliza de forma global usando un factor de normalizacion (p.ej., 1), y la imagen normalizada localmente (denominada aqui quot;imagen Lquot;) se obtiene renormalizando cada columna (o linea de muestreo) de la imagen G a un valor maximo, que en algunos casos puede ser el mismo que el factor de normalizacion. A continuacion, una imagen normalizada ponderada W puede definirse sumando la imagen G y la imagen L, usando un peso w (donde w:1), es decir, W = w x L + (1-w) X G. El valor de w es un parametro libre, normalmente definido entre 0,25 y 0.75. Variando el peso, las proporciones de la imagen que se normalizan de forma global o local pueden controlarse en la imagen de salida. [0041] En algunos modos de realizacion, el umbral en el paso 515 de la tecnica de CLT se calcula a partir de la imagen de limite ponderada W. En un modo de realizacion, se calcula como la media de

W. Esto produce un umbral adaptativo, que depende de las estadisticas de la imagen global (p.ej., la media de la imagen de limite) y, de forma deseable, de la informacion local usando la amplificacion de caracteristicas locales por medio de normalizacion local. Dicha combinacion es solida a la hora de proporcionar una estimacion de borde para una amplia variedad de imagenes de ultrasonido, por ejemplo. En algunos modos de realizacion, el umbral de la primera iteracion se mantiene constante para iteraciones futuras, ya que el valor de media de la imagen de limite aumenta a medida que se aproxima el limite correcto. Esto se debe a la disminucion de anchura de la region de limite 140 basada en la disminucion de la amplitud del limite 145 a medida que se acerca el limite correcto. [0042] En relacion con la FIG 6, la imagen binaria producida aplicando un umbral (paso 515) produciria idealmente un bloque contiguo 610 de unos binarios a lo largo de la parte inferior de la imagen de limite 600, distinguiendose claramente de un bloque contiguo de ceros binarios a lo largo de la parte superior 615 de la imagen 600, y definiendo la linea de separacion 615 entre los dos bloques. En imagenes reales los resultados no son ideales, y por tanto se usa un procesamiento adicional para identificar la linea de separacion. La imagen del quot;mundo realquot; 700 mostrada en la FIG. 7 incluye secciones incompletas indicadas de forma representativa en 705 (debido a los bordes debiles en las imagenes, por ejemplo); las islas de unos estan presentes en el bloque de ceros 710 y las islas de ceros estan presentes en los bloques de unos 715 debido al ruido de la imagen y las estructuras internas de un organo. El ultimo caso puede tratarse usando un metodo de clasificacion de islas que agrupa las islas binarias producidas por la umbralizacion y elimina las islas que es menos probable que contengan el verdadero borde del organo, como se describe en mayor detalle a continuacion. [0043] En algunos modos de realizacion, la imagen binaria del paso 515 se deriva usando tecnicas de deteccion de bordes por gradiente o laplacianas o una combinacion de estos dos enfoques. Pueden aplicarse filtros de gradiente tanto a la imagen de limite normalizada de forma global, como a la imagen de limite normalizada de manera local, o a la imagen de limite de suma ponderada. [0044] En otros modos de realizacion, la imagen binaria se produce usando un umbral calculado a partir de imagenes normalizadas de forma global y local (es decir, a partir de la imagen de limite de suma ponderada). Las islas binarias dentro de la imagen de limite binarizada se etiquetan como tales y se calculan sus longitudes en la direccion x. Las islas binarias que tienen una longitud menor de un parametro de longitud predefinido, como 5 pixeles, pueden considerarse como ruido y eliminarse. Las islas con un centro de masa por encima de una linea definida por otro parametro predefinido (p.ej., 4, como aquellas islas que tienen un centro de masa por encima de 1/4 del ancho de la imagen de limite en la direccion y) tambien pueden eliminarse, puesto que el borde correcto es mas probable que se encuentre en el area del centro de la imagen de limite (y, por tanto, las islas atipicas es mucho menos probable que incluyan la informacion del borde correcta).

[0045] Una vez se eliminan las atipicas, se clasifican las islas binarias. Primero, se vuelven a etiquetar las islas restantes. Ademas, puesto que el proceso de remapeo se inicia en un punto bidimensional arbitrario en la estimacion de limite inicial (en coordenadas globales), puede romperse artificialmente una isla binaria en dos partes, y por tanto, se realiza una determinacion de si las islas en el borde izquierdo y en el borde derecho de la imagen de limite deberian estar conectadas. A continuacion, se clasifican todas las islas por su longitud en la direccion x en las coordenadas de espacio del limite. Aunque se puede hacer la clasificacion utilizando la longitud total de la isla, se usa preferiblemente la longitud en la direccion x ya que la coordenada x representa aproximadamente la misma direccion que la curva de borde. Cuanto mas larga es la isla, mayor es la probabilidad de que contenga el verdadero borde; en consecuencia, las islas se seleccionan una a una empezando por la mas larga, y se extraen los puntos de borde y se anaden al vector de curva de borde, de forma que los puntos de las islas mas largas sobrescriben puntos de las islas mas cortas. [0046] La operacion de deteccion de bordes (paso 525) en una isla binaria dada comprende detectar el salto de cero a uno desplazandose a lo largo de la direccion del interior al exterior (es decir, del interior del organo al exterior del organo). Este proceso corresponde a encontrar el primer maximo en cada linea en la imagen de limite. En la situacion ideal de la FIG. 6, el primer maximo es la linea de interfaz 615. En la situacion no ideal de la FIG. 7, los puntos donde no existen islas binarias pueden fijarse a cero para ser interpolados en una etapa posterior. [0047] En un modo de realizacion, el paso 530 se lleva a cabo de la siguiente manera. El resultado de la deteccion de bordes se utiliza como entrada en un proceso de eliminacion de concavidades local. Las concavidades locales aparecen normalmente en el limite donde el contraste es debil o ausente, p.ej., cuando un organo no se encuentra completamente abarcado en los limites de la imagen. En un modo de realizacion del proceso de eliminacion de concavidades locales, se calcula la primera derivada de Gauss en cada punto de la curva de limite y se encuentran las localizaciones de derivadas fuertes que denotan grandes saltos entre puntos de datos (que se asocian normalmente a artefactos de concavidad). Por ejemplo, una region de concavidad hacia dentro 720 corresponde a la primera derivada negativa fuerte seguida de un pico positivo. Sin embargo, puesto que puede haber multiples saltos en derivadas asociadas a la concavidad, se identifica el salto mas lejano del punto inicial (pero que no excede el parametro predefinido correspondiente a la maxima longitud de concavidad). Puede usarse un metodo similar para identificar una concavidad hacia fuera 730. Si se encuentra una falsa region concava, los puntos de datos se eliminan fijando los valores de puntos de curva (coordenadas y) a cero. Pueden definirse pesos de confianza para cada punto, basados en una estimacion de la fiabilidad de que un punto de borde dado sea un verdadero borde, y se fijan en cero para los puntos eliminados. El siguiente paso implica la interpolacion de los puntos eliminados, o de peso cero. Un modo de realizacion usa una interpolacion de diferencias finitas. Otro usa una funcion de suavizado por splines cubicos ponderada, que adapta un spline cubico a traves de un conjunto de puntos de datos usando sus pesos de confianza y un parametro de rugosidad general. La funcion minimiza dos terminos contradictorios, a saber, el llamado spline cubico natural (que une los puntos de datos con secciones polinomicas cubicas) y el ajuste lineal por minimos cuadrados de los puntos de datos. La ratio concurrente se ajusta usando el parametro de rugosidad general: de cero para minimo cuadrado puro a uno para un spline cubico natural puro. Entre estos dos extremos, el resultado es un spline cubico suavizado que ajustara los puntos de datos de forma mas o menos estricta, dependiendo del parametro de rugosidad general y del peso por punto de datos. La curva calculada es atraida a puntos de alta confianza y es mas difusa alrededor de los puntos de baja confianza. En algunos modos de realizacion, los puntos de datos con ponderacion cero pueden omitirse, en cuyo caso estos puntos no se consideraran durante el suavizado de spline cubico; en su lugar, la curva alrededor de estos puntos se interpola basandose en los alrededores ponderados. Una vez se extraen los datos que faltan, la curva de borde procesada 740 vuelve al proceso de CLT. [0048] En otro modo de realizacion de la invencion, el paso de segmentacion 215 puede lograrse usando conjuntos de niveles para segmentar el limite de la lesion 145 y encontrar puntos de gradiente. A continuacion, los puntos se suavizan y conectan para formar la curva de limite, p.ej.,

usando conjuntos de niveles. Otras tecnicas adecuadas como contornos activos, formas activas, plantillas deformables, segmentacion basada en graficos, agrupacion estadistica (clustering), tecnicas de campos aleatorios de Markov o metodos de apariencias activas tambien pueden usarse en diversos modos de realizacion de la invencion para segmentar la imagen de limite. [0049] En algunos modos de realizacion, el gradiente identificado en las imagenes de limite no es suficiente para encontrar la linea del limite correcta, en cuyo caso se reconocen otras caracteristicas, como patrones de textura o escala de grises, en lugar de gradientes de la imagen. [0050] Aunque se describen arriba modos de realizacion de la invencion en relacion con imagenes bidimensionales, las aplicaciones medicas a menudo requieren la segmentacion de imagenes tridimensionales como CT, MRI, PET, SPECT o ultrasonido tridimensional. En tales casos, las imagenes tridimensionales puede separarse en uno o mas grupos de imagenes bidimensionales. Por ejemplo, puede dividirse un volumen tridimensional en un numero de cortes paralelos bidimensionales, o dos cortes rotacionales bidimensionales sobre un eje de rotacion. Las tecnicas anteriores pueden aplicarse entonces a cada imagen bidimensional individual y cada curva segmentada puede unirse para formar una malla tridimensional completa. En algunos modos de realizacion, el contorno de un corte puede usarse como el contorno inicial de un corte adyacente. Sin embargo, en algunos casos, la malla de superficie tridimensional final puede no ser suave debido a que consta de contornos bidimensionales independientes. En tales casos, puede usarse una tecnica de suavizado convencional sobre la malla tridimensional final o puede usarse un proceso de segmentacion tridimensional independiente como el metodo de contorno dinamico tridimensional discreto para refinar la malla.

[0051] En algunos modos de realizacion, la naturaleza tridimensional de la imagen puede usarse directamente por el metodo de BRP. En lugar de formar imagenes de limite bidimensionales, la region alrededor de la superficie se convierte en una region de limite tridimensional. En este enfoque, encontrar el limite del organo implica ajustar un plano bidimensional a una superficie tridimensional umbralizada. Copiando la imagen de limite tridimensional y concatenandola a cada lado de la imagen tridimensional, la topologia de la imagen tridimensional original se mantiene y se conserva la continuidad de la imagen. En otro modo de realizacion de la invencion en el que se aplica la tecnica de BRP a una serie de cortes bidimensionales a traves de un volumen tridimensional, como se ha descrito previamente, se utiliza el conocimiento de las imagenes de limite adyacentes al encontrar las curvas de limite de cada una de las imagenes de limite bidimensionales para garantizar la continuidad y consistencia tridimensional, es decir, para cada punto de borde potencial 615, se extrae un vecindario tridimensional para determinar la validez del punto de borde actual. [0052] Las tecnicas aqui reveladas pueden usarse solas o en combinacion con otras tecnicas de segmentacion previamente reveladas. Los ejemplos no limitativos de dichas tecnicas incluyen segmentacion basada en histogramas, segmentacion basada en limites, segmentacion basada en regiones y/o segmentacion basada en hibridos.

[0053] La FIG. 8 representa de manera esquematica un modo de realizacion de �ar�ware de la invencion producido como un sistema 800 para determinar limites de borde de un organo o lesion tomado en imagen. El sistema 800 comprende un registro 805, un modulo de segmentacion 810, y un procesador 812. [0054] El registro 805, que puede ser cualquier instalacion de almacenamiento de datos organizado de forma adecuada (p.ej., particiones en RAM, etc.), recibe imagenes de un generador de imagenes 820 como un MRI, escaner CT/PET, dispositivo de ultrasonido o dispositivo de rayos x. En algunos modos de realizacion, las imagenes se almacenan en un dispositivo de almacenamiento de datos separado del generador de imagenes (p.ej., una base de datos, microficha, etc.) y se envian al sistema 800. El registro 805 puede recibir las imagenes a traves de puertos de datos convencionales

y puede incluir tambien circuiteria para recibir datos de imagen analogicos y circuiteria de conversion de analogico a digital para digitalizar los datos de imagen. [0055] El registro 805 proporciona la imagen al modulo de segmentacion 810, que lleva a cabo la

determinacion y segmentacion de la banda de limite como se ha descrito arriba. La banda de limite inicial puede determinarse de manera programatica y/o manual. Cuando se usa entrada y manipulacion manual, el sistema 800 recibe instrucciones de un usuario mediante un dispositivo de entrada 830 como un raton u otro dispositivo de puntero. Los resultados de la formacion de bandas y segmentacion tambien pueden verse usando un dispositivo de visualizacion 840 como una pantalla de visualizacion de ordenador o un dispositivo portatil. La estimacion de limite y la imagen inicial se envian entonces al procesador 810 que, basandose en los resultados de la segmentacion, identifica una nueva estimacion de banda del limite como se describe arriba.

[0056] En algunos modos de realizacion, el registro 805, modulo de mapeo 810 y procesador 812 puede implementar la funcionalidad de la presente invencion en �ar�ware o software o una combinacion de ambos en un ordenador de uso general. Ademas, dicho programa puede apartar porciones de una memoria de acceso aleatorio del ordenador para proporcionar logica de control que afecte a una o mas de la manipulacion, segmentacion y visualizacion de la imagen. En dicho modo de realizacion, el programa puede escribirse en cualquiera de una variedad de lenguajes de alto nivel, como FORTRAN, PASCAL, C, C++, C�, �ava, Tcl, o BASIC. Ademas, el programa puede escribirse en un script, macro o funcionalidad incluida en software disponible en el mercado, como EXCEL o VISUAL BASIC. Ademas, el software puede implementarse en un lenguaje ensamblador dirigido a un microprocesador contenido en un ordenador. Por ejemplo, el software puede implementarse en lenguaje ensamblador Intel 80x86 si esta configurado para operar en IBM PC o PC clon. El software puede estar integrado en un articulo de fabricacion incluyendo, sin caracter limitativo, quot;medios de programa legible por ordenadorquot; como un disquete, un disco duro, un disco optico, una cinta magnetica, una PROM, una EPROM o CD-ROM. [0057] Aunque la invencion se ha mostrado y descrito especificamente en relacion con modos de realizacion especificos, deberia entenderse por aquellos con experiencia en el sector que pueden realizarse diversos cambios en la forma y detalle de los mismos sin salir del alcance de la invencion segun su definicion en las reivindicaciones adjuntas. El alcance la invencion se indica asi por las reivindicaciones adjuntas.

Claims (16)

1. Reivindicaciones

   1. Un metodo implementado por ordenador para mejorar una imagen (100) de una estructura

   anatomica (105), comprendiendo el metodo: a) proporcionar (200), desde un registro a un modulo de mapeo, una estimacion de limite inicial (110) de la estructura anatomica (105); b) determinar (205), mediante el modulo de mapeo, una region de banda de limite (135) que incluye la estimacion de limite inicial (110) de la estructura anatomica (105) mediante muestreo de datos de imagen a lo largo de una serie de lineas normales a la estimacion de limite inicial (110); c) convertir la region de banda de limite (135) a una imagen de limite rectangular (140) y la estimacion del limite (110) en una curva dentro de la imagen de limite rectangular (140) de forma que la estimacion de limite (110) se define en relacion con una cuadricula de coordenadas (x', y') de la imagen de limite rectangular (140);

   d) segmentar (210) la estimacion de limite (110) dentro de la imagen de limite rectangular (140); e) mapear (215) la estimacion de limite segmentada (110) de la imagen de limite rectangular

   (140) a la region de banda de limite (135) para obtener una estimacion de limite segmentada;

   f) calcular una diferencia de tolerancia entre la estimacion de limite segmentada y la estimacion de limite inicial (110); g) repetir (220) los pasos b) hasta f) usando la estimacion de limite segmentada a partir de la

   imagen de limite rectangular (140) como estimacion de limite inicial (110) dentro de una region de banda de limite actualizada, hasta que la diferencia de tolerancia se encuentre por debajo de un umbral; y

   h) generar una imagen mejorada de la estructura anatomica (105) a partir de la estimacion de limite segmentada.

2. 2.

   El metodo de la reivindicacion 1, en el que el umbral se modifica para al menos una repeticion de los pasos b) hasta g) antes de llevar a cabo el paso h).

3. 3.

   El metodo de la reivindicacion 1, en el que un ancho de la region de banda de limite (135) se ajusta durante al menos una iteracion de los pasos b) hasta g).

4. 4.

   El metodo de la reivindicacion 1, en el que determinar la region de banda de limite (135) comprende expandir la estimacion de limite inicial (110) en multiples direcciones en una cantidad predefinida.

5. 5.

   El metodo de la reivindicacion 1, en el que el paso de determinar la region de banda de limite

   (135) comprende el muestreo de datos de imagen usando una pluralidad de lineas corradiales, pasando cada una de las lineas a traves de la estimacion de limite inicial (110) y mapear los datos muestreados en una matriz rectangular, o en el que el paso de determinar la region de banda de limite (135) comprende el muestreo de datos de imagen con una o mas lineas curvas pasando a traves de la estimacion de limite inicial (110) y mapear los datos muestreados en una matriz rectangular.

6. 6.

   El metodo de la reivindicacion 1, en el que el paso de segmentacion de la region de banda de limite (135) comprende:

   i) calcular una imagen de suma ponderada que comprende estadisticas locales y globales de la imagen; ii) aplicar uno o mas umbrales a la imagen de suma ponderada para formar una imagen binaria; iii) detectar una curva de borde basada en la imagen binaria; y iv) modificar uno o mas puntos de datos a lo largo de la curva de borde.

7. 7.

   El metodo de la reivindicacion 1, en el que el paso de segmentar la region de banda de limite

   (135) comprende usar uno o mas de entre conjuntos de niveles, contornos activos, formas activas, plantillas deformables, tecnicas basadas en graficos, agrupacion estadistica (clustering), tecnicas de campos aleatorios de Markov o metodos de apariencias activas, o en el que el paso de segmentacion de la region de banda de limite (135) comprende uno o mas de umbralizacion de la region de banda de limite (135), deteccion de bordes por gradiente o deteccion de bordes laplaciana para detectar un borde en la region de banda de limite (135), o en el que el paso de segmentar la region de banda de limite (135) comprende usar informacion de la textura para detectar un borde en la region de banda de limite (135).

8. 8.

   El metodo de la reivindicacion 7 que comprende ademas derivar los umbrales basados en mediciones estadisticas de la imagen (100), o que comprende ademas derivar los umbrales basados en mediciones estadisticas de la imagen (100) donde las mediciones estadisticas comprenden uno o mas de una media de la suma ponderada de la imagen (100) o una estimacion de la media de la imagen (100).

9. 9.

   El metodo de la reivindicacion 7, en el que la modificacion de uno o mas puntos de datos a lo largo de la curva de borde comprende eliminar concavidades locales falsas, o en el que la modificacion de uno o mas puntos de datos a lo largo de la curva de borde comprende eliminar puntos de borde erroneos y ajustar una curva spline por los puntos de borde restantes.

10. 10.

    El metodo de la reivindicacion 1, en el que la imagen (100) es una imagen tridimensional (100), y comprende ademas dividir la imagen tridimensional (100) en una pluralidad de imagenes bidimensionales (100) antes de llevar a cabo los pasos b) hasta d) sobre las mismas.

11. 11.

    El metodo de la reivindicacion 10, que comprende ademas formar una malla tridimensional a partir de estimaciones de limite segmentadas bidimensionales generadas al llevar a cabo los pasos b) hasta d) sobre la pluralidad de imagenes bidimensionales (100).

12. 12.

    El metodo de la reivindicacion 10, que comprende ademas mantener continuidad entre las estimaciones de limite segmentadas bidimensionales.

13. 13.

    El metodo de la reivindicacion 10, en el que la nueva region de banda de limite segmentada (135) se basa, al menos en parte, en datos muestreados a partir de puntos en proximidad a la estimacion de limite inicial (110).

14. 14.

    El metodo de la reivindicacion 1, en el que la estimacion de limite inicial (110) se define de forma arbitraria, o es proporcionada por el usuario, o se basa, al menos en parte, en un numero limitado de puntos proporcionado por el usuario.

15. 15.

    Un sistema para mejorar una imagen (100) de una estructura anatomica (105) en una imagen

    (100), comprendiendo el sistema: a) un registro para recibir una imagen (100) y una estimacion de limite inicial (110) de una estructura anatomica (105) representada en la imagen (100); y

    b) un modulo de mapeo para: i) determinar una region de banda de limite (135) que incluye la estimacion de limite inicial (110) de la estructura anatomica (105) mediante el muestreo de datos de imagen a lo largo de una serie de lineas normales a la estimacion de limite inicial (110); y ii) convertir la region de banda de limite (135) en una imagen de limite rectangular (140) y la estimacion de limite (110) en una curva dentro de la imagen de limite rectangular

    (140) de forma que la estimacion de limite (110) este definida en relacion con una cuadricula de coordenadas (x', y') de la imagen de limite (140); y c) un procesador para:

    iii) segmentar la estimacion de limite en la imagen de limite rectangular (140); iv) mapear la estimacion de limite segmentada a partir de la imagen de limite rectangular

    (140) sobre la region de banda de limite (135) para obtener una estimacion de limite segmentada; y v) generar una imagen mejorada de la estructura anatomica (105) a partir de la estimacion de limite segmentada;

    donde el modulo de mapeo y procesador segmentan y mapean de forma iterativa la region de banda de limite segmentada (135) usando la nueva estimacion de limite generada basandose en la imagen de limite rectangular (140) como la estimacion de limite inicial (110) en la region de banda de limite (135).
16. 16. Un articulo manufacturado que tiene partes de programa legible por ordenador incorporados en el mismo para segmentar representaciones de una estructura anatomica (105) en una imagen (100),

    comprendiendo el articulo instrucciones legibles por ordenador para:

    a) proporcionar una estimacion de limite inicial (110) de la estructura anatomica (105);

    b) determinar una region de banda de limite (135) que incluye la estimacion de limite inicial

    5 (110) de la estructura anatomica (105) mediante el muestreo de datos de imagen a lo largo de

    una serie de lineas normales a la estimacion de limite inicial (110);

    c) convertir la region de banda de limite (135) en una imagen de limite rectangular (140) y la

    estimacion de limite (110) en una curva dentro de la imagen de limite rectangular (140) de

    forma que la estimacion de limite (110) se defina en relacion con una cuadricula de 10 coordenadas (x', y') de la imagen de limite rectangular (140);

    d) segmentar la estimacion de limite (110) dentro de la imagen de limite rectangular (140);

    e) mapear la estimacion de limite segmentada a partir de la imagen de limite rectangular

    (140) sobre la region de banda de limite (135) para obtener una estimacion de limite segmentada;

    15 f) repetir los pasos b) hasta e) usando la estimacion de limite segmentada de la imagen de limite rectangular (140) como estimacion de limite inicial (110) dentro de la region de banda de limite (135), hasta que la diferencia de tolerancia se encuentre por debajo de un umbral; y g) mapear la region de banda de limite segmentada (135) sobre la imagen (100), proporcionando asi una estimacion de limite segmentada.