ES2518690A1

ES2518690A1 - Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética

Info

Publication number: ES2518690A1
Application number: ES201331901A
Authority: ES
Inventors: Gracián GARCÍA MARTÍ; Julio SANJUAN ARIAS; Luis MARTÍ BONMATÍ; Roberto SANZ REQUENA; Ángel ALBERICH BAYARRI; José Vicente MANJÓN HERRERA
Original assignee: Centro De Investigacion Biomedica En Red De Salud Mental (cibersam); CT DE INVESTIGACION BIOMEDICA EN RED DE SALUD MENTAL CIBERSAM
Current assignee: Centro De Investigacion Biomedica En Red De Salud Mental (cibersam); CT DE INVESTIGACION BIOMEDICA EN RED DE SALUD MENTAL CIBERSAM
Priority date: 2013-12-23
Filing date: 2013-12-23
Publication date: 2014-11-05
Anticipated expiration: 2033-12-23
Also published as: ES2518690B1

Abstract

Método IW-VBM basado en maximizar el aprovechamiento de la señal de resonancia magnética (RM) mediante mapas paramétricos de intensidad, más sensible y preciso en la detección de áreas estructuralmente alteradas del cerebro. Etapas: filtrar cada imagen original de resonancia magnética del cerebro para reducir el ruido aleatorio y la falta de homogeneidad asociados al proceso de adquisición de la RM generando una imagen filtrada (1) (D.30); segmentar mediante un algoritmo de segmentación la imagen filtrada (1) obteniendo un mapa paramétrico de probabilidad (3) de cada tejido comprendido en el cerebro: SG sustancia gris (6), SB sustancia blanca (7) y líquido cefalorraquídeo LCR (8) (D.31); multiplicar cada mapa paramétrico de probabilidad (3) por la imagen filtrada (1) obteniendo un mapa paramétrico de intensidad (4) para cada tejido SG (6), SB (7) y LCR (8) (D.32); normalizar los mapas paramétricos de intensidad (4) (D.33), y suavizar los mapas paramétricos de intensidad (4) normalizados (D.34).

Description

MÉTODO PARA LA DETECCiÓN DE ÁREAS ANÓMALAS EN EL CEREBRO A PARTIR

DE IMÁGENES DE RESONANCIA MAGNÉTICA

DESCRIPCiÓN

5

OBJETO DE LA INVENCiÓN

El objeto de la presente invención se refiere a un nuevo método morfométrico cerebral

conocido como IW-VBM basado en mapas paramétricos de intensidad, para la

caracterización de enfermedades del SNC (Sistema Nervioso Central) utilizando secuencias

10: de imágenes anatómicas de alta resolución.

El nuevo método IW-VBM es más sensible y preciso en la detección de áreas cerebrales

que presentan alteraciones tisulares, basándose en maximizar el aprovechamiento de la

señal de RM (Resonancia Magnética).

15

Encuentra especial aplicación en el ámbito clinico, en especialidades y disciplinas médicas

como neurologia, psiquiatria, psicologia, logopedia y rehabilitación cognitiva.

PROBLEMA TÉCNICO A RESOLVER Y ANTECEDENTES DE LA INVENCiÓN

2 O: Hoy en dia existen diferentes técnicas de morfometria que se utilizan para localizar y

detectar atrofias y daños en los diferentes tejidos cerebrales. La mayoria de estas técnicas

se basan en utilizar diferentes variables de modelado que estudian la forma en que los

tejidos cerebrales difieren de lo que se consideraria normal. Entre estás técnicas, destacan

las que utilizan campos de deformación (DBM, Deformation Based Morphometry), las que

25: utilizan tensores (TBM, Tensor Based Morphometry), las basadas en registro difeomórfico

(DARTEL, Diffeomorphic Anatomical Registration Through Exponentiated Lie Algebra) o las

que se basan en realizar análisis a cada vóxel (unidad minima de información en una

imagen 3D) (VBM, Voxel Based Morphometry), siendo esta última, VBM, una de las más

utilizadas en los últimos años.

30

Desde sus inicios, el método VBM fue concebido para evaluar las diferencias estructurales

entre dos grupos de sujetos (normalmente un grupo sano y otro con una patologia

determinada) mediante la aplicación de pruebas estadisticas independientes a cada vóxel

del cerebro. Al comparar punto a punto cada región cerebral de los pacientes frente a lo que

se consideraria normal, pueden detectarse zonas cuya cantidad de tejido difiera de la normalidad, ayudando asi a determinar y cuantificar áreas relevantes en términos de pérdida

o ganancia de tejido.

5 El método VBM comprende las siguientes etapas que se realizan sobre las imágenes médicas adquiridas en los equipos de Resonancia Magnética:

1.: Extracción de tejido cerebral.

2.: Normalización afino

10 3. Normalización no lineal.

4.: Segmentación.

5.: Suavizado.

El método VBM se basa en normalizar cada una de las imágenes del estudio respecto a una

15 plantilla anatómica estándar que permite un análisis conjunto de todos los sujetos del estudio. Este proceso de normalización está parametrizado por un número importante de factores (número de iteraciones, funciones base de la trasformada discreta del coseno (TDC), umbrales de regularización) que pueden ajustarse para que la normalización afecte en mayor o menor medida a la imagen original.

20 Durante la aplicación del método VBM, uno de los puntos más importantes es la etapa de segmentación de las imágenes para obtener los mapas paramétricos de probabilidad de SG (sustancia gris), SB (sustancia blanca) y LCR (liquido cefalorraquideo). Esta tipificación de tejidos se basa en la normalidad de los datos para utilizar técnicas basadas en mixturas de

25 gaussianas en las que los datos se pueden descomponer como la suma de distribuciones para métricas más simples.

El algoritmo de segmentación aplica técnicas bayesianas para cada tejido, de manera que se traducen los valores originales de brillo en valores de probabilidad en el que el rango de 3 O variación está definido dentro del intervalo [0..1] y representa la probabilidad de que ese punto pertenezca a un determinado tejido:

,K

¿t=l rijt sijt

donde PUk representa la probabilidad a posteriori de que el vóxel i,j pertenezca al tejido k, rUk

representa la verosimilitud del vóxel i,j en el tejido k dada su intensidad gu y SUk representa la

probabilidad a priori de que el vóxel i,j pertenezca al tejido k. El valor de probabilidad PUk

5: estará más cercano a 1 cuanto menor sea la diferencia del vóxel i,j con la media del tejido k.

Así pues, este proceso pasa de caracterizar cada vóxel desde el punto de vista de su

intensidad gu a caracterizarlo por su probabilidad a posteriori PUk de pertenencia a un

determinado tejido.

10

Dado que esta probabilidad a posteriori se calcula de manera bilateral (Gaussiana

simétrica), es posible que vóxeles que posean valores de intensidad diferentes tengan la

misma probabilidad asociada si se encuentran a la misma distancia de la media del tejido

pero en extremos opuestos de la distribución.

15

Este hecho puede provocar que vóxeles con distinta intensidad de brillo en la imagen

original pudieran ser tratados como iguales, con el consiguiente error de

sub/sobreestimación de sus diferencias debido al tipo de análisis. En estos casos, vóxeles

con distinta intensidad en la imagen original pero con la misma desviación respecto a la

2 O: media del tejido tienen el mismo valor en los mapas de probabilidad, ya que su probabilidad

de pertenencia a dicho tejido es la misma.

En este tipo de situaciones, el método VBM es menos sensible a la hora de detectar

pequeñas diferencias de intensidad de señal (que pueden estar asociadas con un proceso

25: patológico determinado). En efecto, el objetivo de la técnica VBM radica en encontrar

diferencias sutiles de variación de la densidad de tejidos entre individuos de distintos grupos

(generalmente un grupo patológico y un grupo de referencia sano), que no pueden ser

identificadas de manera cualitativa. Si el análisis se basa en mapas de probabilidad, pueden

existir diferencias frente a los valores medios de normalidad para cada tejido que sin

3 O: embargo nunca aparezcan como significativos en los resultados debido a que las

probabilidades que se les asignan son similares.

Por todo ello, se propone un nuevo método, Método ponderado en intensidad (IW-VBM

Intensity Weighted -Voxel Based Morphometry) que aprovecha en mayor medida la

información que aporta la intensidad de brillo de la imagen de RM, en contraposición a utilizar meramente la información de probabilidad tal y como hace el método VBM. Este nuevo método IW-VBM consiste en la utilización de mapas para métricos de intensidad, de manera que se corrija la situación en la que dos puntos con niveles distintos de señal de RM puedan tener asignada la misma probabilidad de pertenecer a un tejido si su desviación frente a la media del tejido es la misma.

Por todo ello, el nuevo método IW-VBM objeto de la invención incluye notables mejoras con respecto a los métodos convencionales, solucionando los problemas y limitaciones del estado de la técnica anteriormente mencionada y presentando las siguientes ventajas:

1.: Presenta una mejora del ratio de detección de regiones con anomalias cerebrales en pacientes aprovechando en mayor medida la información que aporta la intensidad de brillo de la imagen de RM.

2.: Permite medir con mayor fiabilidad la cantidad de SG, SB o LCR aprovechando los cambios de señal en las imágenes T1 (que son sensibles a los diferentes tiempos de relajación longitudinal y a la densidad de protones de hidrógeno en el interior del vóxel).

3.: Permite localizar y cuantificar con mayor sensibilidad la atrofia cerebral causada por procesos psiquiátricos y neurodegenerativos, obteniendo medidas objetivas de desviación frente a la normalidad.

DESCRIPCiÓN DE LA INVENCiÓN

La presente invención se refiere a un método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética, que comprende al menos las siguientes etapas:

i. Filtrar cada imagen original de resonancia magnética del cerebro para reducir el ruido aleatorio y la falta de homogeneidad de señal asociados al proceso de adquisición de la RM generando una imagen filtrada,

ii.: segmentar mediante un algoritmo de segmentación la imagen filtrada

obteniendo un mapa paramétrico de probabilidad de cada tejido comprendido

en el cerebro: SG sustancia gris, SS sustancia blanca y liquido cefalorraquídeo

LCR,

5: iii. multiplicar cada mapa paramétrico de probabilidad por la imagen filtrada

obteniendo un mapa paramétrico de intensidad para cada tejido SG, SS y LCR,

iv.: normalizar los mapas paramétricos de intensidad, y

v.: suavizar los mapas paramétricos de intensidad normalizados.

10 Las imágenes de resonancia magnética se filtran mediante un filtro no local para minimizar el ruido aleatorio y mediante un filtro que considera la intensidad y el gradiente para reducir la heterogenidad de señal y mejorar la relación señal a ruido (Signa! to noise ratio, SNR).

El algoritmo de segmentación aplicado es el algoritmo SPM, Statistica! Parametric Mapping.

Los mapas paramétricos de probabilidad se multiplican voxel a voxel por el voxel correspondiente de la imagen filtrada, que contiene la información de la intensidad de la imagen de resonancia magnética, generando los mapas paramétricos de intensidad.

2 O: Los mapas para métricos de intensidad son normalizados respecto a la media y la desviación típica de cada tejido perteneciente al cerebro, SG, SS y LCR mediante la siguiente ecuación:

g'ijk -f.1k nijk = (Jk

25: donde nijk representa la intensidad normalizada del vóxel iJ para el tejido k, g'ijk representa el valor de intensidad con corrección de ruido aleatorio y de heterogeneidad de señal, J1k es la media robusta de intensidad del tejido k y Ok es la desviación típica del tejido k.

El cálculo de la media robusta de intensidad J1k del tejido k y la desviación típica Ok del tejido k se realiza mediante un algoritmo de Regresión por Suma de Cuadrados Truncada Mínima.

En la etapa de suavizado se utiliza un filtro tridimensional gaussiano para establecer la intensidad de cada vóxel de los mapas paramétricos de intensidad normalizados en función

de sus vóxeles adyacentes, ponderándolos mediante una distribución normal para minimizar los errores de corregistro y normalización.

5: BREVE DESCRIPCiÓN DE LAS FIGURAS Para completar la descripción y con objeto de ayudar a una mejor comprensión de las caracteristicas de la invención, se acompaña a esta memoria descriptiva, como parte integrante de la misma, un conjunto de dibujos en dónde con carácter ilustrativo y no limitativo, se ha representado lo siguiente:

10: Figura 1.- Muestra las etapas del nuevo método implementado IW-VBM.

15: Figura 2a.-Muestra un mapa de probabilidad representado mediante una función gaussiana simétrica en el que el rango de cada punto está definido dentro del intervalo [0,1] y representa la probabilidad de que ese punto pertenezca a un determinado tejido, en este caso, sustancia gris. Se observa como valores con distinta intensidad en la imagen, 78 y 82, pero con la misma desviación respecto a la media del tejido, situada en 80, tienen una idéntica probabilidad asignada de 0.7.

2 O 25: Figura 2b.-Muestra la diferencia que existe al analizar sustancia gris en dos estructuras distintas mediante un análisis basado en mapas paramétricos de probabilidad según el método VBM donde no se aprecian diferencias significativas ya que distintas intensidades pueden tener asignadas una misma probabilidad versus un análisis basado en mapas paramétricos de intensidad con el nuevo método IW-VBM, donde se pueden apreciar diferencias significativas y por lo tanto una mayor sensibilidad a la detección de áreas estructuralmente alteradas por una afección del SNC.

Figura 3.-: Muestra un histograma de una imagen potenciada en T1.

3 O: Figura 4.-Muestra los mapas paramétricos de probabilidad a priori utilizados durante la segmentación. De izquierda a derecha, SG sustancia gris, SB sustancia blanca, LCR liquido cefalorraquideo, hueso, tejidos blandos y aire.

Figura 5.-Muestra la imagen filtrada en la parte superior y los mapas para métricos de probabilidad resultado del proceso de segmentación asociados en la parte inferior: SG (izquierda), SS (centro) y LCR (derecha).

Figura 6.-Muestra los mapas paramétricos de intensidad, resultado de multiplicar los mapas para métricos de probabilidad de SG, SS y LCR por la imagen filtrada.

A continuación se facilita un listado de las referencias empleadas en las figuras:

1.: Imagen de resonancia magnética filtrada.

2.: Mapas paramétricos de probabilidad a priori.

3.: Mapas paramétricos de probabilidad.

4.: Mapas paramétricos de intensidad.

5.: Vóxeles.

6.: Tejido SG.

7.: Tejido SS.

8.: Tejido LCR.

9.: Distribución de las intensidades de brillo de la imagen.

10.: Valor de probabilidad asociado a las intensidades de brillo.

11.: Valor de intensidad asociado a las intensidades de brillo.

12.: Histograma potenciado en T1.

13.: Representación grafica de sustancia gris en mapas de intensidad.

14.: Representación grafica de sustancia gris en mapas de probabilidad.

15.: Representación grafica del análisis de la sustancia gris basado en mapas de probabilidad.

16.: Representación grafica del análisis de la sustancia gris basado en mapas de intensidad.

Etapas del método:

0.30. Filtrar cada imagen original de resonancia magnética del cerebro para reducir el ruido aleatorio y la falta de homogeneidad de señal asociados al proceso de adquisición de la RM generando una imagen filtrada.

0.31. Segmentar mediante un algoritmo de segmentación la imagen filtrada

para obtener un mapa paramétrico de probabilidad de cada tejido

comprendido en el cerebro: SG sustancia gris, SB sustancia blanca y

liquido cefalorraquídeo LCR.

5: 0.32. Multiplicar cada mapa paramétrico de probabilidad por la imagen filtrada

para obtener un mapa paramétrico de intensidad para cada tejido SG, SB

y LCR.

0.33. Normalizar los mapas paramétricos de intensidad.

0.34. Suavizar los mapas paramétricos de intensidad normalizados.

10

DESCRIPCiÓN DETALLADA

El nuevo método IW-VBM incluye una mejora del método convencional VBM y trata de

aprovechar en mayor medida la información que aporta la intensidad de brillo de la imagen

de RM.

15: Este nuevo método IW-VBM es más sensible en la detección de áreas estructuralmente

alteradas. Se pasa de un análisis de tejido basado únicamente en mapas paramétricos de

probabilidad (3) (VBM), a una aproximación basada en mapas paramétricos de intensidad

(IW-VBM).

2 O: Una vez adquiridas las imágenes de RM en equipos de uso clínico, se transforman a

formatos compatibles con las herramientas habituales en el campo de la neuroimagen

(Analyze o Nifty). Tras esta conversión, se comprueba la calidad de dichas imágenes de RM

mediante parámetros cuantitativos como la SNR o la relación contraste a ruido (Contrast to

noise ratio, CNR). Estos valores proporcionan información objetiva sobre la calidad de las

25: imágenes, aunque deben tenerse en cuenta otros aspectos importantes como por ejemplo la

resolución espacial. Cuanto más grande es el vóxel (5) en el proceso de adquisición de la

RM, hay más densidad de protones de hidrógeno en su interior y por lo tanto se incrementa

la SNR, lo cual es positivo para el análisis. Al mismo tiempo, para los procesos de

morfometría se necesitan tamaños de vóxel (5) muy pequeños para maximizar la resolución

3 O: Y tener una buena definición de estructuras (menor volumen parcial). Así pues, deberá

existir un compromiso entre el tamaño del vóxel (5) y la señal de RM, para obtener

resultados válidos con una resolución espacial aceptable.

Tras su adquisición, las imágenes de RM se procesan mediante el método IW-VBM

propuesto, y finalmente se genera un informe clinico estructurado que muestra una vista

resumen con la identificación y cuantificación de las regiones cerebrales que presentan

alteraciones significativas frente a la normalidad (si las hubiere).

5

Actualmente, con el método VBM se pasa de caracterizar cada vóxel desde el punto de vista

de su intensidad de señal original gij a caracterizarlo por su probabilidad a posteriori Pijk de

pertenencia a un determinado tejido.

10: simétrica), es posible que vóxeles que posean valores de intensidad diferentes tengan la

pero en extremos opuestos de la distribución.

Este hecho puede provocar que vóxeles con valores distintos pudieran ser tratados como

iguales, con el consiguiente error de sub/sobreestimación de sus diferencias debido al tipo

15: de análisis.

La figura 2a toma como ejemplo ilustrativo un análisis de la SG. En dicha figura se observa

como valores con distinta intensidad en la imagen (78 y 82) pero con la misma desviación

respecto a la media de la SG (situada en 80) tienen una idéntica probabilidad asignada (0.7).

2 O: En la mayoría de supuestos, esta aproximación es válida, ya que en todo caso dichos

puntos se considerarían como valores ligeramente alejados de la SG ideal, con un valor de

probabilidad por debajo de 1. Sin embargo, potencialmente pueden existir situaciones en las

que esta manera de analizar los datos pierda sensibilidad a la hora de detectar pequeñas

diferencias de intensidad de señal (que pueden estar asociadas con una patología). Por lo

25: tanto, con la utilización de los mapas de probabilidad, pueden existir diferencias frente a los

valores medios de normalidad para cada tejido que sin embargo nunca aparezcan como

significativos en los resultados debido a que las probabilidades que se les asignan son

similares.

3 O: En la figura 2b se realiza el análisis de sustancia gris de dos estructuras distintas, por un

lado se realiza un análisis basado en mapas paramétricos de probabilidad según el método

VBM y por otro lado el análisis basado en mapas paramétricos de intensidad según el

método IW-VBM.

Análisis basado en mapas paramétricos de intensidad:

En la figura 2b se observa una representación grafica de la sustancia gris en mapas de

intensidad (13) de dos estructuras diferentes.

La figura de la columna izquierda comprende un circulo externo que representa sustancia

5: gris pura (valor intensidad 80) y un circulo interno con valor de sustancia gris disminuido

respecto de la media (intensidad 78).

La figura de la columna derecha comprende un circulo externo que representa sustancia gris

pura (valor intensidad 80) y un circulo interno con valor de sustancia gris ligeramente

aumentado respecto de la media (intensidad 82).

10

En la representación grafica del análisis de la sustancia gris basado en mapas de intensidad

(16) se aprecian diferencias significativas entre las dos estructuras, ya que al comparar los

valores de brillo de cada estructura a analizar se observa que poseen diferentes

intensidades de brillo (78 y 82) representados con distintos rayados. Al realizar dicho

15: análisis no se pierde información sobre posibles desviaciones por encima o por debajo de

los valores medios de referencia.

Análisis basado en mapas paramétricos de probabilidad:

2 O: probabilidad (14) de las mismas dos estructuras.

En este caso, se va calculando punto a punto la probabilidad de que ese punto sea

sustancia gris. En las zonas de sustancia gris 'pura', esa probabilidad será igual a 1 (circulas

externos), mientras que en las zonas distintas (circulas internos), representadas mediante

rayados, esa probabilidad se verá reducida al desviarse el valor de brillo de la media de

25: referencia.

Es decir, como la desviación respecto a la media del tejido (situada en 80) es simétrica, a

valores con distinta intensidad en la imagen (78 y 82) se les asigna una idéntica probabilidad

(0.7), por lo que los rayados representados son idénticos sin mostrar ninguna diferencia

significativa.

3 O: En la representación grafica del análisis de la sustancia gris basado en mapas de

probabilidad (15) no se aprecian diferencias significativas entre las dos estructuras

perdiendo sensibilidad a la hora de detectar regiones cuyo intensidad de señal se vea

afectada por una patologia.

5: Este hecho puede provocar que vóxeles (5) con valores distintos pudieran ser tratados como iguales, con el consiguiente error de sub/sobreestimación de sus diferencias debido al tipo de análisis. De ahi, que surja la necesidad de la presente invención que obtiene una mejora del ratio de detección de zonas con anomalias anatómicas en pacientes, aprovechando en mayor medida la información que aporta la intensidad de brillo de la imagen de RM.

El nuevo método IW-VBM comprende las siguientes etapas:

10 15 20: i. ii. i i i. iv. v. Filtrar cada imagen original de resonancia magnética del cerebro para reducir el ruido aleatorio y la falta de homogeneidad de señal asociados al proceso de adquisición de la RM generando una imagen filtrada (1). Segmentar mediante un algoritmo de segmentación la imagen filtrada (1) para obtener un mapa paramétrico de probabilidad (3) de cada tejido comprendido en el cerebro: SG sustancia gris (6), SB sustancia blanca (7) y liquido cefalorraquideo LCR (8). Multiplicar cada mapa paramétrico de probabilidad (3) por la imagen filtrada (1) para obtener un mapa para métrico de intensidad (4) para cada tipo de tejido SG (6), SB (7) Y LCR (8). Normalizar los mapas paramétricos de intensidad (4). Suavizar los mapas paramétricos de intensidad (4) normalizados.

A continuación se explica cada etapa detalladamente:

25: i. Filtrar cada imagen original de resonancia magnética del cerebro para reducir el ruido aleatorio y la falta de homogeneidad de señal asociados al proceso de adquisición de la RM generando una imagen filtrada (O.30).

3 O: En las imágenes de RM adquiridas siempre existen pequeñas variaciones de la señal que se traducen en oscilaciones del brillo de las mismas. Debido a que estas pequeñas variaciones de señal tienen una relación directa con cambios en la intensidad y el método IW-VBM propuesto tiene como objetivo la utilización de esta información, es necesario minimizar en la medida de lo posible estas fuentes de error.

12

5: Estas variaciones pueden afectar de dos formas a la imagen. Por una parte, existe un ruido de alta frecuencia que sigue una distribución de Rice, aunque en la práctica clinica, con valores de SNR mayores a 3, pueden considerarse como ruido blanco aditivo con distribución gaussiana. Para corregirlo, se aplica un filtro no local que considera el alto grado de redundancia de patrones espaciales en las imágenes para minimizar las variaciones de alta frecuencia, constituyendo a dia de hoy una de las técnicas más precisas en esta área.

10 15: Por otra parte, existe otra perturbación importante que es inherente al proceso de adquisición de imágenes por RM y que consiste en una falta de homogeneidad de la señal (debido a la imposibilidad de garantizar un campo magnético estrictamente homogéneo en toda la región a explorar). Esto se traduce en variaciones progresivas de la intensidad entre diferentes regiones dentro de una misma imagen. Para resolver este problema, se aplica otro filtro que considera tanto la intensidad de la imagen como el gradiente de variación. Este filtro consiste en la aplicación iterativa de un algoritmo que converge utilizando una función de coste que considera la entropia, de manera que se obtiene un modelado del campo de heterogeneidad de señal.

2 O: Resumiendo, cada imagen original de resonancia magnética se filtra primero mediante un filtro no local para minimizar el ruido aleatorio y posteriormente se vuelve a filtrar para reducir la heterogeneidad de señal y mejorar la SNR con un filtro que considera la intensidad y el gradiente.

25: Al final de la etapa, se obtiene otra imagen conocida como imagen filtrada (1), cuyo resultado es más adecuado para su aplicación en el método propuesto, pues mejora notablemente las caracteristicas de la imagen y elimina efectos engañosos que aparecen en el proceso de adquisición.

30: ii. Segmentar mediante un algoritmo de segmentación la imagen filtrada (1) para obtener un mapa paramétrico de probabilidad (3) de cada tejido cerebral: SG sustancia gris (6), SB sustancia blanca (7) y liquido cefalorraquideo LCR (a) (D.31).

En esta etapa se trata de obtener a partir de la imagen filtrada (1), otras imágenes nuevas conocidas como mapas paramétricos de probabilidad (3). Para ello, se aplica un algoritmo

de segmentación convencional a la imagen filtrada (1) donde de forma totalmente

automática, se eliminan las estructuras no útiles para el estudio como el cráneo, cuero

cabelludo, venas de la duramadre y músculos, mientras que se mantienen los tejidos más

relevantes como la SG sustancia gris (6), SS sustancia blanca (7) y liquido cefalorraquideo

5: LCR (8).

Para este proceso, se tiene en cuenta el rango de valores de intensidad que pueden adoptar

los vóxeles (5) de la imagen filtrada (1). Si n es el número de bits de codificación de la

imagen, entonces los valores de intensidad de los vóxeles (5) podrán alcanzar un valor

10: comprendido en el intervalo [0 ..2""].

Por ejemplo, para una imagen codificada con 8 bits el rango de valores de intensidad

posibles oscilará entre O y 255, siendo O el color negro (ausencia de señal) y 255 el color

blanco (señal máxima). Con esta aproximación, es posible representar las imágenes

15: mediante gráficos acumulativos (histogramas) en los que cada punto representa el número

de vóxeles (5) con un nivel de intensidad de brillo determinado.

La figura 3, corresponde a un histograma (12) de una imagen potenciada en T1, donde se

pueden observar las intensidades de brillo correspondientes a la SS (7) (intensidades de

2 O: brillo más altas), SG (6) (intensidades de brillo ligeramente menores) y LCR (8)

(intensidades de brillo prácticamente nulo). A la vista de la distribución acumulativa de los

puntos en el histograma (12), el proceso de clasificación realiza un ajuste de cada tejido

mediante funciones de densidad gaussianas. Esto significa que cada tejido puede

modelarse a través de su media y su varianza.

25

La aplicación del algoritmo de segmentación a la imagen filtrada (1) asigna a cada uno de

los vóxeles (5) un valor definido en el intervalo [0.. 1] que representa la probabilidad de que

dicho vóxel (5) pertenezca a un tejido determinado, tipicamente SG (6), SS (7) Y LCR (8).

Para esta clasificación, además del valor del vóxel (5) en la imagen filtrada (1), se tiene en

3 O: cuenta también un conocimiento a priori sobre la distribución espacial de los tejidos

cerebrales, lo cual se recoge en los mapas paramétricos de probabilidad a priori (2),

obtenidos por el Instituto Neurológico de Montreal, (Montreal Neurological Institute, MNI) que

también son un parámetro de entrada al algoritmo de segmentación. El resultado de este

14

proceso de segmentación son los mapas paramétricos de probabilidad (3), uno por cada tipo de tejido SG (6), SS (7) Y LCR (8).

Al aplicar el algoritmo de segmentación a la imagen filtrada (1), tal y como se ha dicho

5 anteriormente, se obtiene un mapa paramétrico de probabilidad (3) por cada tipo de tejido SG (6), SS (7) Y LCR (8), donde cada vóxel (5) tendrá un valor normalizado en el intervalo [0.. 1], indicando la probabilidad de pertenencia a cada tejido.

El algoritmo de segmentación realiza iterativamente un tratamiento separado por tejidos.

10 Inicialmente, según su localización espacial, a cada vóxel (5) se le asigna un valor de probabilidad a priori determinado por el mapa paramétrico de probabilidad a priori (2) correspondiente. Con estos valores, el algoritmo realiza agrupaciones de vóxeles (5) similares con el objetivo de determinar cuales pertenecen a uno u otro tejido (agrupación por clases). Para ello, tal y como se ha comentado anteriormente, se realiza un modelado

15 gaussiano, en el que se van recalculando la media y la varianza en cada iteración:

donde P;.k,: representa la probabilidad de que el vóxel (5) i sea tejido k, Ck representa la

2 O: varianza del tejido k, r(x;) representa el valor de la intensidad de brillo del vóxel i en la

imagen r, y Vk: representa la media del tejido k. Con cada modelado, el algoritmo continúa

hasta: que se cumpla el criterio de convergencia indicado o se rebase el número de

iteraciones estipuladas.

25: Durante el proceso de segmentar, se asume que las imágenes de RM están constituidas por

un: número de clases finito (k=6) de tejidos, que presentan variaciones naturales de

intensidad de señal debido a los cambios en su composición a lo largo del volumen cerebral.

Este número de clases finito (k=6) se fija para un análisis realista de imágenes clinicas y se

incluye la SG (6), SS (7), LCR (8), hueso, tejidos blandos (grasa, piel, arterias,: cuero

3 O: cabelludo) y aire. Esta información está incluida en los algoritmos en forma de mapas

paramétricos de probabilidad a priori (2) para cada tejido. En la figura 4 se muestran los

mapas paramétricos de probabilidad a priori (2).

Se utilizan 2 funciones gaussianas para modelar cada uno de los tejidos (excepto para la

clase de tejidos blandos, que utiliza 4 y para el hueso, que utiliza 3), pudiendo caracterizar

asi los vóxeles (5) que se encuentran en las zonas limitrofes de los tejidos. Con esta

aproximación, cada vóxel (5) puede tener un valor de probabilidad modulado en función de

5: la clase a la que pertenezca, aunque la probabilidad total siempre será 1.

Por ejemplo, si un vóxel (5) tiene una probabilidad de 0.85 de ser SG (6) y una probabilidad

de 0.15 de ser SS (7), tendrá siempre una probabilidad nula de pertenencia a cualquiera de

los otros tejidos contemplados en el análisis.

10: Para acelerar el proceso de segmentación y dado que se utilizan mapas de probabilidad a

priori (2) para cada tejido, es conveniente hacer un registro rápido y rigido de las imágenes

que se van a procesar respecto a estos mapas de probabilidad a priori (2). El objetivo es

posicionar en el mismo espacio de trabajo todos los datos para la segmentación. Para este

proceso, se utiliza una estrategia de registro basada en información mutua.

15

Una vez realizado el algoritmo de segmentación y obtenidos los mapas para métricos de

probabilidad (3) correspondientes a cada tipo de tejido SG (6), SS (7) Y LCR (8), se

normalizan por separado los tejidos de la imagen con las plantillas independientes para cada

tejido. Esta optimización hace que el ajuste de los datos respecto a las plantillas sea mucho

2 O: más preciso.

iii. Multiplicar cada mapa paramétrico de probabilidad por la imagen filtrada para

obtener un mapa paramétrico de intensidad para cada tejido SG, SS y LCR

(D.32)

25

El objetivo del método propuesto IW-VSM es generar mapas paramétricos de intensidad (4)

frente a considerar únicamente los mapas paramétricos de probabilidad (3). Por ello, una

vez obtenidos los mapas paramétricos de probabilidad (3) de cada tipo de tejido SG (6), SS

(7) Y LCR (8), cada mapa paramétrico de probabilidad (3) se multiplica vóxel (5) a vóxel (5)

3 O: por el vóxel (5) correspondiente en la imagen filtrada (1), generando de esta forma los

mapas paramétricos de intensidad (4). Dado que las dimensiones espaciales XYZ y el

número de vóxeles (5) de los mapas paramétricos de probabilidad (3) y la imagen filtrada (1)

son las mismas, se toma el valor del vóxel (5) en una coordenada concreta del mapa de

probabilidad (3) y se multiplica por el valor del vóxel (5) de la misma coordenada de la

35: imagen filtrada (1). Esta multiplicación se realiza de forma iterativa, tomando cada uno de

16

5: los vóxeles (5) del mapa paramétrico de probabilidad (3) como "multiplicando" y el vóxel (5) correspondiente de la imagen filtrada (1) como "mutiplicador", obteniéndose un producto que incluye tanto la información de probabilidad como de intensidad de la imagen filtrada (1). Hay que recordar que la imagen filtrada (1) contiene la información de la intensidad de los brillos y ha sido corregida del ruido y heterogeneidad de señal.

En la figura 6, se observan los mapas paramétricos de intensidad (4) de los tejidos SG (6), SS (7) Y LCR (8).

10: iV.Normalizar los mapas paramétricos de intensidad (D.33)

15: Dado que el objetivo del procesado morfométrico es detectar cambios sutiles en la densidad o concentración de los tejidos que componen el cerebro y que estén causados por una enfermedad determinada, los mapas paramétricos de intensidad (4) deben normalizarse para eliminar variaciones de intensidad debidas a factores externos, como variaciones introducidas por el equipo de RM o la secuencia de adquisición. Es, por tanto, necesario normalizar los valores de intensidad respecto a la media y la desviación tipica calculada de manera independiente para cada caso:

20: donde nijk representa la intensidad normalizada del vóxel iJ para el tejido k, g'ijk representa el valor de intensidad con corrección de ruido aleatorio y de heterogeneidad de señal, J1k es la media robusta de intensidad del tejido k y Ok es la desviación tipica del tejido k.

25: Aplicando esta normalización a cada vóxel (5) de los mapas paramétricos de intensidad (4) se le asigna un determinado valor que estará centrado en O en todos aquellos puntos que coincidan con la media aritmética del tejido y tendrá valores positivos o negativos dependiendo de las desviaciones por arriba o por debajo de la media.

3 O: Los mapas paramétricos de intensidad (4) normalizados de los tejidos SG (6), SS (7) Y LCR (8) se normalizan según la ecuación anterior por la media y la desviación tipica del tejido estimadas para cada cerebro. Dada la importancia que tienen estos valores en la ponderación final de las imágenes, se adopta una estrategia de estimación robusta, 17

invariante frente a la presencia de datos extremos anómalos (outliers). Esta estimación

robusta de los parámetros de promedio y dispersión se calcula mediante un algoritmo de

Regresión por Suma de Cuadrados Truncada Minima (Least Trimmed Squares, L TS) ya

conocido, que se basa en identificar subconjuntos de datos en los que la varianza es

5: minima. Para ello, se ordenan todos los datos en orden creciente y se utiliza una ventana de

tamaño variable que se va desplazando hasta que la varianza es minima.

v. Suavizar los mapas paramétricos de intensidad normalizados (D.34)

10: La razón principal de realizar el suavizado espacial radica en el incremento que se produce

en la SNR al reducirse considerablemente el ruido residual a frecuencias altas que puede

quedar en la imagen a pesar de haber aplicado correcciones especificas en la fase i.

Además, el proceso de suavizar conlleva otras ventajas como el incremento de la

normalidad de los datos o la minimización de las diferencias anatómicas inter-sujeto.

15: Mediante el suavizado, cada vóxel (5) adopta el valor promedio de los vóxeles (5)

adyacentes. En la práctica, este proceso hace que la imagen se vea borrosa, sobre todo en

aquellas zonas donde existen bordes y contornos, ya que su acción se basa en eliminar las

señales de alta frecuencia preservando las de baja frecuencia.

2 O: El proceso de suavizado se basa en la utilización de núcleos gaussianos. El concepto de

kernel (núcleo) hace referencia a la forma de la propia función del suavizado.

Por tanto, un núcleo gaussiano es un núcleo que adopta la forma de una distribución de

Gauss (distribución normal). Se realiza un recorrido por toda la imagen y se establece la

intensidad de un determinado vóxel (5) a partir de las intensidades de los vóxeles (5)

25: vecinos. Siguiendo la teoria de la estadistica clásica, la anchura de una distribución

gaussiana se define en base a la desviación tipica, aunque el parámetro que define el

criterio de vecindad se puede expresar también como la amplitud total a media altura (FuI!

Width at Half Maximum, FWHM). La relación existente entre la desviación tipica y esta

medida se corresponde con:

30

FWHM = (J"~(8 ·log(2))

En esta etapa se utiliza un filtro tridimensional gaussiano para establecer la intensidad de

cada vóxel (5) de los mapas paramétricos de intensidad (4) normalizados en función de sus

18

vóxeles adyacentes, ponderándolos mediante una distribución normal. Como norma general, se utiliza un filtro con un FWHM de, al menos, 3 veces la dimensión del vóxel (5) de las imágenes que se están analizando.

5 10: Tras la aplicación del método IW-VBM, toda la información que se ha generado se resume en un informe clinico estructurado que es personal para cada paciente. Este informe se construye en base a una plantilla estandarizada donde se presenta por un lado, la localización de las posibles regiones con anormalidades anatómicas (si las hubiere) y por otro lado, el grado de diferencia frente a la normalidad, esto es, una medida de la magnitud de dichas zonas lesionales.

15: Este informe personalizado se convierte al estándar DICOM (Digital Imaging and Communications in Medicine) y envia al sistema de información hospitalario PACS (Picture Archiving and Communication System), donde se almacena junto con el resto de imágenes médicas del paciente, pudiendo ser consultado por cualquier especialista médico que tenga acceso a dicho sistema mediante la red hospitalaria.

2 O: La presente invención no debe verse limitada a la forma de realización aqui descrita. Otras configuraciones pueden ser realizadas por los expertos en la materia a la vista de la presente descripción. En consecuencia, el ámbito de la invención queda definido por las siguientes reivindicaciones.

Claims

ES 2 518 690 Al

REIVINDICACIONES

1.-Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética, caracterizado por que comprende al menos las siguientes etapas:

i.

filtrar cada imagen original de resonancia magnética del cerebro para reducir el

ruido aleatorio y la falta de homogeneidad de señal asociados al proceso de

adquisición de la RM generando una imagen filtrada (1) (0.30),

ii.

segmentar mediante un algoritmo de segmentación la imagen filtrada (1)

obteniendo

un mapa paramétrico de probabilidad (3) de cada tejido

comprendido en el cerebro: SG sustancia gris (6), SS sustancia blanca (7) y

liquido cefalorraquideo LCR (8) (0.31),

iii.

multiplicar cada mapa paramétrico de probabilidad (3) por la imagen filtrada (1)

obteniendo un mapa paramétrico de intensidad (4) para cada tejido SG (6), SS

(7) Y LCR (8) (0.32),

iv.

normalizar los mapas paramétricos de intensidad (4) (0.33), Y

v.

suavizar los mapas paramétricos de intensidad (4) normalizados (0.34).
2.-Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética, según la reivindicación 1, caracterizado por que las imágenes de resonancia magnética se filtran mediante un filtro no local para minimizar el ruido aleatorio y mediante un filtro que considera la intensidad y el gradiente para reducir la falta de homogeneidad de señal y mejorar la relación señal a ruido, SNR.
3.-Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética, según la reivindicación 2, caracterizado por que el algoritmo de segmentación aplicado es el algoritmo SPM, Statistical Parametric Mapping.
4.-Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética, según las reivindicaciones 2 o 3, caracterizado por que los mapas paramétricos de probabilidad (3) se multiplican voxel (5) a voxel (5) por el voxel (5)

20

ES 2 518 690 Al

correspondiente de la imagen filtrada (1), que contiene la información de la intensidad de la imagen de resonancia magnética, generando los mapas paramétricos de intensidad (4).
5.-Método para la detección de áreas anómalas en el cerebro a partir de imágenes de

5 resonancia magnética, según la reivindicación 4, caracterizado por que los mapas paramétricos de intensidad (4) son normalizados respecto a la media y la desviación tipica de cada tejido perteneciente al cerebro, SG (6), SS (7) Y LCR (8) mediante la siguiente ecuación:

g'ijk -f1k

10 nijk =

(Jk

donde nijk representa la intensidad normalizada del vóxel iJ para el tejido k, g'ijk representa el valor de intensidad con corrección de ruido aleatorio y de heterogeneidad de señal, J1k es la media robusta de intensidad del tejido k y Ok es la desviación típica del tejido k.

15 6.-Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética, según la reivindicación 5, caracterizado por que el cálculo de la media robusta de intensidad J1k del tejido k y la desviación típica Ok del tejido k se realiza mediante un algoritmo de Regresión por Suma de Cuadrados Truncada Mínima.

2 O 7.-Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética, según la reivindicación 6, caracterizado por que en la etapa de suavizado (D .34) se utiliza un filtro tridimensional gaussiano para establecer la intensidad de cada vóxel (5) de los mapas paramétricos de intensidad (4) normalizados en función de sus vóxeles (5) adyacentes, ponderándolos mediante una distribución normal para minimizar los

25 errores de corregistro y normalización.

21