ES2929883T3

ES2929883T3 - Método de análisis de imágenes que apoya la predicción del desarrollo de enfermedades de una neoplasia en un cuerpo humano o animal

Info

Publication number: ES2929883T3
Application number: ES14799226T
Authority: ES
Inventors: Philippe Lambin; De Carvalho Sara João Botelho; Ralph Theodoor Hubertina Leijenaar
Original assignee: Stichting Maastricht Radiation Oncology Maastro Clinic
Current assignee: Stichting Maastricht Radiation Oncology Maastro Clinic
Priority date: 2014-10-17
Filing date: 2014-10-17
Publication date: 2022-12-02
Anticipated expiration: 2034-10-17
Also published as: EP3207521A1; WO2016060557A1; US20170236283A1; EP3207521B1; US10311571B2; EP3996039A1

Abstract

La presente invención se refiere a un método de análisis de imágenes para proporcionar información para apoyar la predicción del desarrollo de una enfermedad con respecto a una neoplasia en el cuerpo humano o animal. El método incluye recibir los primeros y segundos datos de imagen de la neoplasia en un primer y segundo momento en el tiempo, y derivar para una pluralidad de características de imagen un valor de parámetro de característica de imagen primero y segundo a partir de los datos de imagen primero y segundo. Estos valores de parámetros de características son una representación cuantitativa de una característica de imagen respectiva. Además, calcular un valor de diferencia de característica de imagen calculando una diferencia entre el valor del parámetro de característica de imagen primero y segundo, y basándose en un modelo de predicción que deriva un valor predictivo asociado con el neoplasma para apoyar el tratamiento del mismo. El modelo de predicción incluye una pluralidad de valores multiplicadores asociados con las características de la imagen. Para calcular el valor predictivo, el método incluye multiplicar cada valor de diferencia de características de imagen por su valor multiplicador asociado y combinar los valores de diferencia de características de imagen multiplicados. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Método de análisis de imágenes que apoya la predicción del desarrollo de enfermedades de una neoplasia en un cuerpo humano o animal

Campo de la invención

La presente invención se refiere a un método de análisis de imágenes para proporcionar información para apoyar la predicción del desarrollo de una enfermedad con respecto a una neoplasia en el cuerpo humano o animal. La invención se refiere además a un sistema de apoyo a la decisión y a un producto de programa informático y a un medio legible por ordenador que comprende un producto de programa informático.

Antecedentes

La obtención de imágenes no invasivas es uno de los principales factores que impulsaron la ciencia médica y el tratamiento en las últimas décadas. Al evaluar las características del tejido humano, la obtención de imágenes se utiliza a menudo en la práctica clínica para el diagnóstico oncológico y la orientación del tratamiento. Un objetivo clave de la obtención de imágenes es la medicina personalizada, donde el tratamiento se adapta a las características específicas del paciente. Para la medicina personalizada, los desarrollos recientes en los campos de la genómica y la proteómica han permitido la caracterización molecular de tejidos, como neoplasias (es decir, tumores). Sin embargo, dado que los tumores son espacial y temporalmente heterogéneos, estas técnicas son limitadas, ya que requieren biopsias o cirugías invasivas para extraer parte del tejido en estudio. Por lo tanto, la obtención de imágenes puede ser de gran importancia ya que la obtención de imágenes puede capturar la heterogeneidad intratumoral, ya se realiza en la práctica habitual, no es invasiva y se puede adquirir con el tiempo.

Probablemente la modalidad de obtención de imágenes más extendida sea la tomografía computarizada (TC), que evalúa la densidad del tejido. Además, también la tomografía por emisión de positrones (PET) es un método de obtención de imágenes común aplicado en el diagnóstico y el tratamiento de tumores. La tomografía por emisión de positrones se basa en el uso de un trazador radiactivo, es decir, un emisor de positrones. Por ejemplo, a un paciente se le inyecta una pequeña cantidad de glucosa marcada radiactivamente. Las células cancerosas capturan más glucosa que la mayoría de los demás tejidos del cuerpo, lo que permite la detección y la obtención de imágenes del tumor. Para permitir el tratamiento mediante medicación personalizada, es muy deseable obtener información sobre la eficacia del tratamiento de un plan de tratamiento seguido. Como se puede apreciar, la detección temprana de un tratamiento ineficaz permite que un médico revise y modifique la medicación personalizada en una etapa temprana. Cuanto antes se identifique un tratamiento eficaz, mayor será la probabilidad de éxito del tratamiento.

El documento US2010254584 describe un método para evaluar la respuesta de un tumor a la terapia, incluye proporcionar imágenes de un primer estudio de un paciente e imágenes de un segundo estudio del paciente, el segundo estudio se realiza después del primer estudio y después de que el paciente se someta a terapia para tratar un tumor, comprendiendo cada estudio un primer y segundo tipos de imágenes de resonancia magnética funcional (RMf), realizando un primer registro en el que se registran las imágenes dentro de cada estudio, realizando un segundo registro en el que se corregistran las imágenes de referencia de ambos estudios, segmentando el tumor en una imagen de cada uno de los segundos estudios registrados; y determinar que la primera y segunda diferencias de medida de RMf existen entre los tumores segmentados del primer y segundo estudios, obteniéndose la primera diferencia de medida de RMf del primer tipo de imágenes de RMf, obteniéndose la segunda diferencia de medida de RMf del segundo tipo de imágenes de RMf.

Resumen de la invención

A continuación se presenta un resumen simplificado con el fin de proporcionar una comprensión básica de algunos aspectos descritos en el presente documento. Este resumen no es una visión general extensa. No pretende identificar elementos clave o críticos de la descripción o delimitar el alcance de la descripción. El siguiente resumen simplemente presenta algunos conceptos dirigidos a técnicas para el análisis de imágenes de datos de la imagen de una neoplasia humana o animal (es decir, un tumor), en una forma simplificada como preludio a la descripción más detallada proporcionada a continuación. El término “ neoplasia” como se usa en este documento debe interpretarse como una masa anormal de tejido como resultado de una neoplasia, es decir, el crecimiento o división anormal de células. El término neoplasia incluye tumores, que forman un tipo particular de neoplasias, a saber, cáncer de pulmón no pequeño.

Es un objeto de la presente invención proporcionar un método de análisis de imágenes para derivar un valor predictivo utilizable como valor de apoyo a la decisión de un médico para permitir la detección temprana de la eficacia del tratamiento. Estos y otros objetos de la invención se han logrado porque se proporciona un método de análisis de imágenes según la reivindicación 1.

La invención se refiere a un método de análisis de imágenes para proporcionar información para apoyar la predicción del desarrollo de enfermedades con respecto a una neoplasia en un cuerpo humano o animal. El método comprende las etapas de: recibir, mediante una unidad de procesamiento, datos de la imagen de la neoplasia, en donde dicha recepción comprende las etapas de recibir los primeros datos de la imagen de la neoplasia en un primer momento en el tiempo y recibir los segundos datos de la imagen de la neoplasia en un segundo momento en el tiempo; derivar, mediante la unidad de procesamiento, para cada una de una pluralidad de características de la imagen asociadas con la neoplasia, un primer valor de parámetro de características de la imagen a partir de los primeros datos de la imagen y un segundo valor de parámetro de características de la imagen a partir de los segundos datos de la imagen, dicha primera y segunda características de la imagen siendo el valor de parámetro una representación cuantitativa de dicha característica de la imagen respectiva en dicho primer y segundo momentos respectivamente; y calcular, mediante la unidad de procesamiento, para cada una de la pluralidad de características de la imagen, un valor de diferencia de características de la imagen calculando una diferencia entre el primer y segundo valores de parámetro de características de la imagen para dicha característica de la imagen respectiva. Asimismo, el método incluye además derivar, mediante dicha unidad de procesamiento usando un modelo de predicción, un valor predictivo asociado con la neoplasia para apoyar el tratamiento de la misma, en donde dicho modelo de predicción incluye una pluralidad de valores multiplicadores, estando asociado cada valor multiplicador con una característica de la imagen para multiplicar un valor de diferencia de características de la imagen asociado con la misma, en donde para calcular el valor predictivo el método incluye multiplicar cada valor de diferencia de características de la imagen por su valor multiplicador asociado y combinar los valores de diferencia de características de la imagen multiplicados para obtener el valor predictivo para la neoplasia.

La presente invención se basa en la idea de que las características de la imagen específicamente seleccionadas, como se define en la reivindicación 1, tomadas de datos de la imagen de la neoplasia que se obtienen en diferentes momentos durante el tratamiento de la neoplasia (p. ej., con medicación o quimio-radiación), se combinan para proporcionar un valor predictivo que permite evaluar la eficacia del tratamiento. Este valor predictivo puede ser utilizado por un médico para respaldar las decisiones tomadas durante el tratamiento, por ejemplo, una decisión de modificar la medicación administrada, la frecuencia de administración, la dosis o una modificación en el tratamiento de radiación (p. ej., frecuencia, dosis, combinación con quimioterapia). La obtención y combinación de estas características de la imagen a partir de los datos de la imagen permite proporcionar dicho valor predictivo en una etapa temprana durante el tratamiento. Esto es ventajoso porque la información oportuna sobre la eficacia del tratamiento puede aumentar la tasa de éxito del tratamiento.

Según la presente invención, un modelo de predicción contiene información sobre qué características de la imagen deben combinarse y de qué manera. La expresión “ modelo de predicción” debe entenderse como un conjunto de datos que contiene indicaciones de las características de la imagen particulares que se van a combinar y sus valores multiplicadores asociados. Los valores multiplicadores pueden permitir sopesar correctamente las características de la imagen respectivas en la combinación que produce el valor predictivo. La expresión “característica de la imagen” debe entenderse como una característica distintiva de la neoplasia de la que se han obtenido imágenes. Una característica de la imagen se describe cuantitativamente mediante parámetros de características de la imagen, parámetros de características de la imagen que tienen un valor de parámetro de características de la imagen específico en una imagen de la neoplasia examinada. Durante el tratamiento, si el tratamiento es eficaz, el valor de parámetro de características de la imagen de algunas características específicas de la imagen puede haber cambiado en una segunda imagen tomada de la neoplasia en comparación con una primera imagen tomada en un momento anterior. Como puede apreciarse, si el tratamiento no es eficaz, las características particulares de la imagen también pueden cambiar o no cambiar en absoluto. Sin embargo, el valor de parámetro de características de la imagen puede cambiar de una manera diferente. Por lo tanto, una combinación de características de la imagen cuidadosamente seleccionadas puede ser indicativa de la efectividad del tratamiento. La presente invención utiliza un modelo de predicción que indica y pondera, mediante valores multiplicadores, las características de la imagen que se van a combinar. Para cada característica de la imagen que se va a combinar, multiplica el valor de diferencia de características de la imagen respectiva, es decir, un parámetro que cuantifica directamente la diferencia de un parámetro de características de la imagen respectivo, con el valor multiplicador asociado para esa característica de la imagen como se incluye como datos en el modelo de predicción. La presente invención incluye dos valores de diferencia de características de la imagen.

La combinación de estos valores de diferencia de características de la imagen ponderados (es decir, multiplicados por el valor multiplicador) puede realizarse de diferentes maneras para producir un valor predictivo utilizable. Por ejemplo, los valores de diferencia de características de la imagen ponderados se pueden combinar simplemente sumándolos o usando un polinomio. Además, se puede usar una función logarítmica para combinar los valores de diferencia de características de la imagen ponderados. Lo que es más importante, las características de la imagen que se incluirán se seleccionan cuidadosamente y su contribución se pondera correctamente por medio de los valores multiplicadores. Para ello, el modelo de predicción (obtenido a partir de una memoria de un sistema de apoyo a la decisión) comprende uno o varios valores multiplicadores asociados a las características de la imagen.

La hipótesis fundamental que subyace a la invención es que el análisis cuantitativo de las características de la imagen permite adaptar mejor las terapias a pacientes individuales y, por lo tanto, conduce a una mejor supervivencia y calidad de vida. Por lo tanto, el presente método y sistema de análisis de imágenes permite comparar datos de la imagen disponibles a través de herramientas de obtención de imágenes clínicas (TC) convencionales para combinarlos en un valor predictivo utilizando un modelo de predicción que permite establecer información temprana sobre la eficacia del tratamiento para ayudar a un médico.

Las características particulares de la imagen que se utilizan y constituyen el modelo de predicción que se utiliza en el método según la presente invención, se explicarán con más detalle más adelante en este documento. Estas características de la imagen tienen en común que cada una de ellas se puede derivar realizando un análisis de la imagen avanzado de los datos de la imagen. Además, estas características son reproducibles.

Según una realización de la invención, los valores multiplicadores incluyen dos factores de ponderación asociados con las características de la imagen, en donde los factores de ponderación indican la importancia de las respectivas características de la imagen para obtener el valor predictivo.

Según otra realización, la etapa de calcular un valor de diferencia de características de la imagen comprende calcular un porcentaje de diferencia de características de la imagen. Aunque en algunas realizaciones se puede aplicar el valor absoluto de la diferencia del parámetro de características de la imagen, en otras realizaciones el valor predictivo se calcula utilizando la diferencia relativa o el porcentaje de diferencia en lugar de la diferencia absoluta.

Los datos de la imagen se obtienen utilizando un método de obtención de imágenes por tomografía computarizada (energía única, doble o múltiple).

Según la presente invención, se ha identificado una combinación de características de la imagen particular (por lo tanto, modelo de predicción) que proporciona un valor de predicción bueno y útil para el cáncer de pulmón de células no microcíticas (NSCLC). En particular, se identificó una combinación de características de la imagen (modelo de predicción) basada en datos de la imagen obtenidos de imágenes de tomografía computarizada (TC). Se identificaron otra combinación de características de la imagen basada en imágenes de TC y dos combinaciones de características de la imagen (modelos de predicción) basadas en datos de la imagen obtenidos de imágenes de tomografía por emisión de positrones (PET), que sin embargo no son según la invención. La realización relativa a la combinación se proporciona a continuación.

Más adelante en este documento se incluyen explicaciones detalladas de los parámetros de características de la imagen, incluyendo los algoritmos descriptivos, aunque no forman parte de la invención, pero que son útiles para comprender la invención. Algunos de los parámetros descritos se preprocesan primero realizando una transformación en los datos de la imagen o en el parámetro. Por ejemplo, algunos parámetros se incluyen en la combinación al realizar primero una transformada de ondícula que desacopla eficazmente la información de textura al descomponer la imagen original, de manera similar al análisis de Fourier, en frecuencias bajas y altas. Además, los valores multiplicadores incluidos en los modelos de predicción se expresan a continuación en términos de un parámetro denominado “cociente de riesgos instantáneos” (o abreviado: HR (p. ej., en algoritmos)).

Estas son realizaciones de la invención:

Según la invención, los datos de la imagen se obtienen utilizando un método de obtención de imágenes por tomografía computarizada, en donde el primer y segundo valores de parámetros de características de la imagen son valores cuantitativos obtenidos a partir de dicho primer y segundo datos de la imagen y están asociados con los parámetros de características de la imagen, incluyendo los parámetros de características de la imagen al menos: un parámetro curtosis que es una estadística de primer orden de los niveles de grises de los píxeles dentro del contorno que define una neoplasia de una transformada de ondícula con filtro alto-alto-bajo (abreviado: ondícula HHL) de los datos de la imagen; un parámetro homogeneidad de segundo tipo que es una estadística de nivel de grises de segundo orden de una matriz de coocurrencia del nivel de grises de los píxeles dentro del contorno que define la neoplasia de una transformada de ondícula con filtro alto-bajo-bajo (abreviado: ondícula HLL) de los datos de la imagen.

En realizaciones específicas en donde se aplican las combinaciones anteriores, el modelo de predicción puede incluir los siguientes valores multiplicadores como se indica en la tabla 1 a continuación.

Tabla 1

Según algunos ejemplos que no forman parte de la invención, los datos de la imagen se obtienen utilizando un método de obtención de imágenes por tomografía computarizada, y el primer y segundo valores de parámetros de características de la imagen son valores cuantitativos obtenidos a partir de dicho primer y segundo datos de la imagen y están asociados con los parámetros de características de la imagen, incluyendo los parámetros de características de la imagen al menos: el parámetro no uniformidad de la longitud de ejecución de la clase estadística de nivel de grises de longitud de ejecución (RLGL); el parámetro uniformidad de la clase estadística de primer orden (abreviado: estadística); una transformada de ondícula con filtro alto-bajo-alto (abreviado: ondícula HLH) del parámetro momento diferencial inverso normalizado de la clase estadística de nivel de grises de segundo orden (matriz de coocurrencia de nivel de grises; abreviado: GLCM).

En ejemplos específicos en donde se aplican las combinaciones anteriores, el modelo de predicción puede incluir los siguientes valores multiplicadores como se indica en la tabla 2 a continuación.

Tabla 2

Según algunos ejemplos que no forman parte de la invención, los datos de la imagen se obtienen usando un método de obtención de imágenes de tomografía por emisión de positrones, en donde el primer y segundo valores de parámetros de características de la imagen son valores cuantitativos obtenidos a partir de dicho primer y segundo datos de la imagen y están asociados con los parámetros de características de la imagen, incluyendo los parámetros de características de la imagen al menos: el parámetro entropía de la clase estadística de primer nivel; el parámetro raíz cuadrática media de la clase estadística de primer nivel.

En ejemplos específicos en donde se aplican las combinaciones anteriores, el modelo de predicción puede incluir los siguientes valores multiplicadores como se indica en la tabla 3 a continuación.

Tabla 3

Según algunos ejemplos que no forman parte de la invención, el dato de la imagen se obtiene utilizando un método de obtención de imágenes por tomografía por emisión de positrones, y en donde el primer y segundo valores de parámetros de características de la imagen son valores cuantitativos obtenidos a partir de dicho primer y segundo datos de la imagen y están asociados con los parámetros de características de la imagen, incluyendo los parámetros de características de la imagen al menos: el parámetro intensidad absoluta de una parte de un volumen (intensidad absoluta de volumen relativo; abreviado: AIRVX) de la neoplasia determinada mediante un histograma de volumen de intensidad (abreviado: IVH) de dicho dato de la imagen, como una intensidad absoluta de un volumen relativo del 30 % de la intensidad más alta (abreviado: AIRV30 %); el parámetro glucólisis total de la lesión para un volumen de la neoplasia que tiene una intensidad absoluta por encima de un umbral (abreviado: TLGAly) determinado usando un histograma de volumen de intensidad (IVH) de dicho dato de la imagen, como una glucólisis de lesión total para un volumen de la neoplasia que tiene una intensidad absoluta superior a 3,0 (abreviado: TLGAI3.0); el parámetro uniformidad a partir de la clase estadística de primer orden.

En ejemplos específicos en donde se aplican las combinaciones anteriores, el modelo de predicción puede incluir los siguientes valores multiplicadores como se indica en la tabla 4 a continuación.

Tabla 4

La invención, según aspectos adicionales de la misma, se refiere a un producto de programa informático, en donde el producto de programa informático comprende instrucciones informáticas que, cuando se ejecutan en un ordenador, están dispuestas para realizar un método de análisis de imágenes según el primer aspecto; y a un medio legible por ordenador transitorio o no transitorio que comprende dicho producto de programa informático.

La siguiente descripción no forma parte de la materia objeto reivindicada, pero es útil para comprender la invención.

Breve descripción de los dibujos

La presente invención se aclarará adicionalmente por medio de algunos ejemplos específicos de la misma, con referencia a los dibujos adjuntos, en donde:

la figura 1A-1 es una imagen de nivel de grises que describe la intensidad del tumor de un primer tumor;

la figura 1A-2 es un histograma de la imagen de la figura 1 A-1;

la figura 1A-3 proporciona una descripción general de los valores de parámetros de características de la imagen y los parámetros de características de la imagen correspondientes derivados de la estadística de nivel de grises de primer orden de la imagen de nivel de grises de la figura 1A-1;

la figura 1B-1 proporciona una imagen de nivel de grises que describe la intensidad del tumor de un segundo tumor; la figura 1B-2 es un histograma de la imagen de nivel de grises de la figura 1 B-1;

la figura 1B-3 proporciona una descripción general de los valores de parámetros de características de la imagen y los parámetros de características de la imagen asociados derivados de la estadística de nivel de grises de primer orden obtenida mediante el análisis de la imagen de la figura 1 B-1;

la figura 2 A-1 ilustra una representación tridimensional de un tercer tumor; la figura 2A-2 proporciona una descripción general de los valores de parámetros de características de la imagen obtenidos a partir del análisis de forma y/o tamaño del tumor basado en la figura 2A-1;

la figura 2B-1 proporciona una representación tridimensional de un cuarto tumor;

la figura 2B-2 proporciona una descripción general de los valores de parámetros de características de la imagen y los parámetros de características de la imagen asociados obtenidos mediante el análisis de forma y/o tamaño basado en la imagen ilustrada en la figura 2B-1;

la figura 3 es una ilustración de un análisis del contorno de la superficie para obtener el diámetro máximo de un tumor;

la figura 4A proporciona una imagen de un quinto tumor;

la figura 4B proporciona una imagen de un sexto tumor;

la figura 5 es una ilustración esquemática de un sistema de apoyo a la decisión según un ejemplo útil para la comprensión;

la figura 6 es una ilustración esquemática de un ejemplo de un método de análisis de imágenes;

la figura 7 es otra ilustración esquemática de un método de un ejemplo;

la figura 8 es una imagen ROI en escala de grises de un tumor a partir del cual puede determinarse una matriz de coocurrencia de niveles de grises;

la figura 9 ilustra esquemáticamente la descomposición utilizando una transformada de ondículas.

Descripción detallada

Antes de proporcionar una descripción más detallada de los diversos parámetros de características de la imagen que pueden derivarse de las características de la imagen obtenidas a partir de datos de la imagen de neoplasias tales como tumores, a continuación se proporcionará una descripción con referencia a las figuras 5 y 6 de un sistema de apoyo a la decisión y un método de análisis de imágenes.

La figura 5 ilustra esquemáticamente un sistema de apoyo a la decisión según un ejemplo útil para la comprensión. En la figura 5, el sistema 1 de apoyo a la decisión comprende al menos una unidad 3 de análisis que está conectada a un sistema 8 de obtención de imágenes. El sistema 8 de obtención de imágenes puede ser cualquier sistema de obtención de imágenes adecuado utilizado en entornos médicos con fines de diagnóstico, en particular para visualizar tumores. El sistema 8 de obtención de imágenes puede ser, por ejemplo, un sistema de obtención de imágenes por resonancia magnética (MRI), un sistema de tomografía computarizada (TC), un sistema de tomografía por emisión de positrones (PET), un sistema de tomografía computarizada por emisión de fotón único (SPECT), un sistema de ultrasonografía, un sistema de tomografía o un sistema de obtención de imágenes fotoacústicas. El sistema 8 de obtención de imágenes puede proporcionar datos de la imagen directamente al sistema 3 de análisis o, alternativamente, puede almacenar los datos de la imagen en un sistema 10 de datos de depósito de datos desde el que el sistema 3 de análisis puede obtenerlos en cualquier momento que sea necesario. Como se apreciará, el sistema 3 de análisis, el sistema 8 de obtención de imágenes, el sistema 10 de depósito de datos y cualquier terminal o sistema 12 de salida pueden estar conectados entre sí a través de una red de datos o mediante conexiones directas de datos.

Como se mencionó anteriormente, el sistema 3 de análisis recibe datos de la imagen directamente del sistema 8 de obtención de imágenes o los recupera de un sistema 10 de depósito de datos donde se pueden almacenar los datos de la imagen. Otra posibilidad es que parte de los datos de la imagen se reciban directamente desde el sistema 8 de obtención de imágenes por la unidad 3 de análisis, y otra parte de los datos de la imagen, p. ej. los datos de la imagen tomados de un mismo tumor en una etapa anterior durante el tratamiento de un paciente pueden obtenerse del sistema 10 de depósito de datos. Como se apreciará, los datos de la imagen pueden obtenerse alternativamente de otra fuente o a través de otros medios. Por ejemplo, dichos datos se pueden obtener de una red remota, de un servidor de correo electrónico o de una entidad de almacenamiento de datos, como una tarjeta de memoria o una tarjeta SD. La realización de un análisis en varias etapas a lo largo de un proceso de tratamiento proporciona información a un médico que puede utilizarse para evaluar el proceso de tratamiento y tomar las medidas necesarias.

La unidad 3 de análisis comprende una unidad de procesamiento que recibe los datos de la imagen de los puertos 6 y 7 de entrada/salida. La unidad de procesamiento está dispuesta para derivar una pluralidad de valores de parámetros de características de la imagen asociados con características de la imagen a partir de los datos de la imagen recibidos. Un parámetro de características de la imagen es una representación cuantitativa de la característica de la imagen asociada, y el valor del parámetro de características de la imagen es el valor de ese parámetro respectivo para los datos de la imagen respectivos considerados. Para dicha derivación, la unidad 4 de procesamiento aplica varios algoritmos de análisis, tales como algoritmos de análisis estadístico, algoritmos de análisis gráfico y similares. Dichos algoritmos pueden, por ejemplo, almacenarse en la unidad 5 de memoria dentro de la unidad 3 de análisis. La unidad de procesamiento puede disponerse además para obtener uno o más modelos de predicción de la unidad 5 de memoria. Cada uno de los modelos de predicción obtenidos comprende valores selectores que determinan si se van a incluir o no, y en qué medida o con qué peso, parámetros de características de la imagen específicos en el modelo de predicción respectivo. Los modelos de predicción pueden comprender uno o ambos de dichos valores selectores y factores de ponderación por separado o integrados en un único valor multiplicador, almacenado en la unidad 5 de memoria. Dichos factores de ponderación no solo determinan que un determinado parámetro de características de la imagen se incluya en el modelo de predicción, sino que también permiten prescribir la importancia de un determinado parámetro de características de la imagen en el modelo de predicción, p. ej., en términos de su valor predictivo en relación o en combinación con otros parámetros.

La unidad 4 de procesamiento está dispuesta para recibir datos de la imagen de la neoplasia a través de la entrada 6 o 7. Esta etapa de recepción comprende recibir los primeros datos de la imagen de la neoplasia tomados en un primer momento y recibir los segundos datos de la imagen de la neoplasia tomados en un segundo momento. A partir de este primer y segundo datos de la imagen, la unidad de procesamiento deriva valores de parámetros de características de la imagen para cada una de una pluralidad de características de la imagen asociadas con la neoplasia. Por tanto, se deriva un primer valor de parámetro de características de la imagen de los primeros datos de la imagen, y la unidad de procesamiento deriva un segundo valor de parámetro de características de la imagen de los segundos datos de la imagen. Este primer y segundo valores de parámetros de características de la imagen son representaciones cuantitativas de la característica de la imagen respectiva considerada, en dicho primer y segundo momentos respectivamente.

A partir del primer y segundo valores de parámetros de características de la imagen ahora disponibles, la unidad de procesamiento calcula para cada una de la pluralidad de características de la imagen, un valor de diferencia de características de la imagen. Esto se puede realizar calculando una diferencia entre el primer y segundo valores del parámetro de características de la imagen para dicha característica de la imagen respectiva. Alternativamente, según una realización, la unidad de procesamiento calcula un valor relativo de diferencia de características de la imagen o valor porcentual, en lugar de o además del valor de diferencia absoluto. Por ejemplo, se puede utilizar la siguiente fórmula:

en donde, IFPi e IFP2 son respectivamente el primer y segundo valores de parámetro de característica de la imagen, y AIFP% es el valor relativo de la diferencia de características de la imagen o el valor porcentual.

Usando un modelo de predicción obtenido de la memoria 5 (aunque podría obtenerse igualmente de un depósito externo como el sistema 10 de depósito de datos), la unidad de procesamiento deriva un valor predictivo asociado con la neoplasia para apoyar el tratamiento de la misma. El valor predictivo proporciona una indicación de si el tratamiento del tumor o neoplasia es eficaz o no, y en qué medida. Si no es eficaz, puede que no haya una diferencia o que sea insuficiente entre el primer y segundo valores de parámetros de características de la imagen considerados; o alternativamente tales valores de parámetros de características de la imagen podrían indicar una progresión de la enfermedad en la dirección no deseada (p. ej., crecimiento del tumor). Sin embargo, si el tratamiento es eficaz, los valores de diferencia de características de la imagen combinados indicarán un cambio en la dirección deseada. Las características de la imagen consideradas, como indica el modelo de predicción obtenido de la memoria 5, se seleccionan adecuadamente y se multiplican con sus factores de ponderación para que sean indicadores tempranos de tal tratamiento exitoso o no exitoso.

Con este fin, el modelo de predicción incluye una pluralidad de valores multiplicadores, estando asociado cada valor multiplicador con una característica de imagen para multiplicar un valor de diferencia de características de la imagen asociado con el mismo. Para calcular el valor predictivo, la unidad 4 de procesamiento multiplica cada valor de diferencia de características de la imagen con su valor multiplicador asociado y combina los valores de diferencia de características de la imagen multiplicados para obtener el valor predictivo para la neoplasia. Tal combinación puede ser a través de cualquier algoritmo adecuado, p. ej., una mera suma, un polinomio o un algoritmo logarítmico o exponencial.

En las figuras 6 y 7, se ilustran esquemáticamente ejemplos de métodos de análisis. La figura 6 ilustra esquemáticamente el procesamiento de datos realizado en un método de la presente invención. La figura 7 ilustra un método de análisis de imágenes de la presente invención tal como puede implementarse en términos de etapas realizados por elementos de hardware o software de un sistema de apoyo a la decisión según la invención. Para explicar el método en relación con un sistema de apoyo a la decisión de la invención, también se hace referencia a los números de referencia y características de las figuras 5, 6 y 7. Como se apreciará, el método y el sistema solo se proporcionan como un ejemplo y no deben interpretarse como limitantes. El orden de las etapas ilustradas en la figura 7 puede ser diferente para permitir realizar el procesamiento de datos según la figura 6.

En la figura 7, en la etapa 70 se puede recuperar un modelo 60 de predicción (como se ilustra en la figura 6) desde una memoria 5 de la unidad 3 de análisis (o desde una memoria externa 10, como se ilustra en la figura 5). Después, en la etapa 72, la unidad 4 de procesamiento recibe los primeros datos de la imagen de un tumor (u otra neoplasia). Por ejemplo, estos primeros datos de la imagen pueden ser datos 15 de la imagen ilustrados en la figura 6. Asimismo, en la etapa 74, la unidad 4 de procesamiento recibe los segundos datos de la imagen del mismo tumor. Estos segundos datos de la imagen pueden ser datos 25 de la imagen ilustrados en la figura 6, y comprenden datos de la imagen del mismo tumor que en los datos 15 de la imagen pero tomados en un momento posterior. Por ejemplo, los primeros datos 15 de la imagen pueden haberse obtenido antes del tratamiento, p. ej., el día en que comenzó el tratamiento, mientras que los segundos datos 25 de la imagen pueden haberse obtenido después de n días de tratamiento (en donde n indica el número de días), p. ej., después de 15 días. El primer y segundo datos de la imagen pueden recibirse en las etapas 72 y 74 desde una memoria (p. ej., la memoria 5 o el depósito 10 de datos) o pueden recibirse directamente desde un sistema de obtención de imágenes (p. ej., el sistema 8 de obtención de imágenes).

Además, la etapa 70, que se ilustra en la figura 7 antes de las etapas 72 y 74, se puede realizar después de recibir los datos de la imagen en las etapas 72 y 74, e incluso después de las etapas posteriores 75 y 76.

En la etapa 75, una cantidad de primeros parámetros de características de la imagen, como los primeros parámetros 16, 17, 18 y 19 de características de la imagen en la figura 6, se derivan de la primera imagen 15. La decisión sobre qué primeros parámetros 16-19 de características de la imagen deben derivarse puede basarse en la información obtenida del modelo 60 de predicción recibido en la etapa 70; pero alternativamente también es posible que la unidad 4 de procesamiento calcule todos los parámetros de características de la imagen posibles de los primeros datos 15 de la imagen y los almacene para una selección posterior. Del mismo modo, en la etapa 76, los valores 26, 27, 28 y 29 de los segundos parámetros de características de la imagen se derivan de los segundos datos 25 de la imagen. Como se apreciará, los segundos parámetros 26-29 de características de la imagen se relacionan con los mismos parámetros a, p, Y y 5 de características de la imagen que los primeros parámetros 16-19 de características de la imagen que se tomaron de los primeros datos 15 de la imagen.

En la etapa 80 de la figura 7, la unidad 4 de procesamiento calcula los valores 33, 35, 37 y 39 de diferencia de características de la imagen, como se ilustra en la figura 6. Estos valores 33, 35, 37 y 39 de diferencia pueden ser valores de diferencia reales o absolutos (p. ej., para el parámetro a de características de la imagen, podría ser: Aa=a2-ai; basado en los valores de los parámetros 16 y 26). Alternativamente, se puede usar una diferencia porcentual (p. ej., para el parámetro a, podría ser: Aa=100 %*((a2- ai)/ai); basado en los valores de los parámetros 16 y 26). Aunque en algunas realizaciones, la decisión de utilizar diferencias porcentuales o diferencias reales o absolutas puede estar predeterminada (p. ej., procesar todos los parámetros de la misma manera a este respecto), en otras realizaciones el modelo 60 de predicción puede indicar si para un determinado parámetro de características de la imagen, puede ser necesario utilizar la diferencia real, absoluta o porcentual. Cualquiera que sea la implementación que se utilice, la etapa 80 de la figura 7 proporciona los valores de diferencia de las características de la imagen, p. ej., los valores 33, 35, 37 y 39 indicados en la figura 6.

En la etapa 83 de la figura 7, la unidad 4 de procesamiento recupera los valores multiplicadores relevantes del modelo de predicción; p. ej., estos pueden ser valores multiplicadores mi-n (elementos 48, 49, 50 y 51) del modelo 60 de predicción en la memoria 5 como se ilustra en la figura 6. También en la etapa 83, estos valores multiplicadores 48-50 se multiplican por los valores 33, 35, 37 y 39 de diferencia de características de la imagen de sus características de la imagen asociadas. Esto produce los valores 40, 41,42 y 43 de diferencia de características de la imagen ponderados ilustrados en la figura 6.

En la implementación opcional sugerida anteriormente, en donde en las etapas 75 y 76 las unidades de procesamiento han calculado todos los valores de parámetros de características de la imagen sin consultar primero al modelo 60 de predicción sobre qué características de la imagen incluir, se habrían calculado los valores de diferencia asociados de todos estos parámetros y almacenados en la etapa 80, y la etapa 83 multiplicaría estos valores de diferencia por sus valores multiplicadores. En ese caso, los valores multiplicadores m1-m4 (p. ej., 48-51) podrían actuar como factores de ponderación, así como valores selectores al ser iguales a “ 0” en caso de que el valor de la diferencia de características de la imagen no se incluya, siendo igual al factor de ponderación real en caso de que se incluya el valor de la diferencia de características de la imagen.

En la etapa 85 de la figura 7, los valores de diferencia de características de la imagen ponderados se combinan para producir el valor predictivo (p. ej., el valor predictivo Q (elemento 55) en la figura 6) que es el resultado del método. Por ejemplo, como se ilustra en la figura 6, la combinación (elemento 53) podría incluir el cálculo del valor predictivo usando la función fA. Sin embargo, la función fA podría ser una suma de los valores 40-43 de la figura 6. Después de la etapa 85, el método puede finalizar.

Por ejemplo, se pueden incluir valores de parámetros de características de la imagen adicionales de uno o ambos de los primeros datos 15 de la imagen y los segundos datos 25 de la imagen, o incluso de los datos de la tercera imagen de una imagen tomada en otro momento, para calcular el valor predictivo. Dichos valores de parámetros de características de la imagen adicionales, por lo tanto, no deben incluirse necesariamente por sus valores de diferencia con respecto a una segunda imagen, aunque esto, por supuesto, no está prohibido.

Los ejemplos usan valores de parámetros de características de la imagen obtenidos a partir de características de la imagen derivadas de datos de la imagen de un tumor. Las figuras 1A-1 a 1B-3 proporcionan como primer ejemplo una cantidad de parámetros de características de la imagen y sus valores que pueden obtenerse del análisis estadístico de nivel de grises de primer orden de una imagen. En la figura 1A-1, se ilustra una imagen de nivel de grises de un tumor. La escala de niveles de grises se indica con el número 103 de referencia a la derecha de la figura 1A-1. También es visible en la figura 1A-1 el contorno 101 del tumor que se va a analizar. Cabe señalar que el contorno que define el tumor lo determinará normalmente un médico o cualquier otro método o sistema de análisis. La presente descripción asume que esta información está disponible para el método.

En la figura 1A-2 se ilustra un histograma 105 que se basa en los datos de la imagen ilustrados en la figura 1A-1. El histograma 105 se parece únicamente a la imagen del tumor, es decir, el histograma se basa en los píxeles de la figura 1A-1 de la imagen de nivel de grises dentro del contorno 101. Todas las partes de la imagen fuera del contorno 101 se descartan del análisis y se consideran tejido sano. El histograma 105 se traza en un primer acceso 107 que indica el nivel de grises considerado, y un segundo acceso 108 que se asemeja al número de píxeles que se producen con el nivel de grises.

La figura 1B-1 ilustra un segundo tumor dentro del contorno 121, y la figura 1B-2 ilustra un histograma 123 correspondiente asociado con este segundo tumor ilustrado en la figura 1B-1. A partir de una comparación cualitativa de las imágenes de la figura 1A-1 y la figura 1B-1, se pueden ver varias diferencias de características entre los dos tumores. Por ejemplo, el primer tumor dentro del contorno 101 parece no ser homogéneo, mientras que el nivel de grises del segundo tumor 121 es más uniforme. Esta diferencia es, por ejemplo, directamente visible en los histogramas 105 y 123. El histograma 123 está claramente concentrado alrededor de un nivel de grises uniforme como un pico pequeño pero nítido. El histograma 105 ilustra una amplia distribución que tiene un pico en aproximadamente el nivel 1050 de grises y un rastro más distribuido a través de casi todos los niveles de grises por debajo de este valor. Del histograma de la imagen del tumor, se puede derivar cuantitativamente información relevante que también se puede derivar del examen cualitativo de las imágenes.

En las figuras 1A-3 y 1B-3, se proporciona una descripción general de una serie de valores de parámetros de características de la imagen y parámetros de características de la imagen asociados que pueden derivarse del análisis estadístico del nivel de grises de primer orden de las imágenes de las figuras 1A-1 y 1B-1 respectivamente. Estos parámetros característicos de la imagen, que se describirán con más detalle más adelante en este documento, se pueden usar en los diversos modelos de predicción para obtener un valor predictivo, que puede ayudar al médico en la evaluación temprana de la eficacia del tratamiento.

Las figuras 2A-1 a 2B-2 proporcionan un ejemplo de valores de parámetros de características de la imagen y de parámetros de características de la imagen que se pueden obtener a partir del análisis de características relacionadas con la forma y el tamaño, derivables, por ejemplo, de representaciones tridimensionales (3D) de tumores basadas en datos de la imagen obtenidos. En la figura 2A-1 se ilustra una representación tridimensional (3D) de un tercer tumor 130. En la figura 2B-1 se ilustra una representación tridimensional (3D) de un cuarto tumor 135. A partir de la comparación cualitativa de los dos tumores en las figuras 2A-1 y las figuras 2B-1, pueden derivarse varias diferencias, como una diferencia en el tamaño del tumor. El cuarto tumor 135 es mucho más grande que el tercer tumor 130, aunque el tercer tumor 130 parece tener una superficie mucho mayor.

En las figuras 2A-2 y 2B-2, respectivamente, se proporciona una descripción general de los valores de parámetros de características de la imagen que pueden derivarse de los datos de la imagen de las figuras 2A-1 y 2B-1. Estos valores de parámetros de características de la imagen incluyen, por ejemplo, los volúmenes de los tumores, su superficie total y su diámetro máximo. Además de esto, a partir de las imágenes se puede derivar más información cuantitativa sobre los parámetros de características de la imagen que pueden ser característicos de un tipo específico de crecimiento tumoral (fenotipo). Por ejemplo, la esfericidad proporciona información sobre qué tan esférico (es decir, regular) es el tumor. La relación superficie/volumen (SVR) expresa qué tan puntiagudo o agudo es el tumor. Un diámetro máximo representa la distancia máxima entre los puntos más remotos de la superficie del tumor en la representación tridimensional.

La figura 3 proporciona una ilustración de un análisis de contorno a partir del cual se puede derivar el diámetro máximo de un tumor. Los puntos más remotos en la figura 3 están en los extremos finales del tumor 140, a la izquierda y a la derecha del gráfico de la figura 3. Con respecto a la figura 3, se observa que los puntos representados en el gráfico son vóxeles que se encuentran sobre la superficie del tumor.

Como ejemplo adicional en las figuras 4a y 4b, se ilustran respectivamente un quinto tumor 143 y un sexto tumor 146. A partir de la observación cualitativa de las imágenes de la figura 4a y la figura 4b, es visible una notable diferencia en cuanto a la textura de los tumores ilustrados. Por ejemplo, el sexto tumor 146 de la figura 4b ilustra una fuerte variación de color dentro del tumor y a través de su superficie. El tumor 143 de la figura 4a es más homogéneo, siendo más o menos de un color. Estas diferencias en la textura se pueden derivar de matrices de coocurrencia obtenidas del análisis de color de píxeles de las imágenes de estas figuras. El concepto de matrices de coocurrencia se explicará más adelante.

Descripciones de los parámetros de características de la imagen (parte 1)

En esta sección, “ Descripciones de los parámetros de características de la imagen (parte 1)” , se describen una gran cantidad de parámetros de características de la imagen que se pueden obtener a partir de los datos de la imagen recibidos. Los parámetros de características de la imagen se relacionan con diferentes clases de parámetros, en donde cada clase de parámetros es algo similar en términos de la manera en que se obtienen los parámetros. Por ejemplo, para algunas clases, una unidad 4 de procesamiento debe realizar una cierta etapa de preprocesamiento en una unidad 3 de análisis, para calcular cada parámetro. Este preprocesamiento es similar para todos los parámetros de esa clase, por ejemplo, como es el caso de la estadística de nivel de grises de segundo orden. Otras clases pueden relacionarse con cierto tipo de parámetros, p. ej. la estadística de nivel de grises de primer orden incluye parámetros estadísticos que se pueden obtener directamente de los datos de la imagen. Se pueden encontrar más descripciones de los parámetros de características de la imagen para estas y otras clases en la sección “descripciones de los parámetros de características de la imagen (parte 2)” más adelante.

Estadística de los niveles de grises de primer orden

En esta sección se describen varios parámetros de características de la imagen que se pueden utilizar para extraer y resumir información significativa y fiable de las imágenes por TC. Describiremos la extracción de rasgos de imagen que se pueden usar para derivar métricas de pronóstico y que se pueden incorporar en modelos de predicción de un sistema de apoyo a la decisión, para respaldar de manera beneficiosa el proceso de revisión clínica de un tratamiento y para modificar el tratamiento de un paciente en caso de la ineficacia prevista de un presente tratamiento. Como se aprecia, el objetivo de la invención es apoyar (no asumir) el proceso de toma de decisiones del médico con información avanzada extraída de las imágenes; es decir, datos de características de la imagen que no pueden evaluarse objetivamente mediante una interpretación cualitativa.

Exploramos la estadística de primer orden del histograma de la imagen a través de las métricas de uso común. Denotamos por I(x,y) la intensidad o los valores de niveles de grises de la matriz bidimensional de píxeles. Téngase en cuenta que esta notación I(x,y) asume una imagen bidimensional. Sin embargo, los ejemplos bien pueden aplicar los parámetros de características de la imagen correspondientes de imágenes tridimensionales, en cuyo caso la matriz de intensidad se puede indicar como I(x,y,z) o I(X) donde X=X(x,y,z) (o con coordenadas diferentes si no son cartesianas). En ese caso, la suma puede realizarse correspondientemente sobre todos los valores, por lo tanto, en tres coordenadas. Las fórmulas utilizadas para la estadística de primer orden son las siguientes:

1. Mínimo

E = míní/(x,y)¡ (0-1)

En B.9 P(i) es el histograma de primer orden, es decir, P(i) es la fracción de píxeles con nivel de grises i. La varianza (p2), la asimetría (p3) y la curtosis (p4) son los momentos centrales más utilizados. La varianza es una medida de la anchura del histograma, es decir, una medida de cuánto difieren los niveles de grises de la media. La asimetría mide el grado de asimetría del histograma en torno a la media, y la curtosis es una medida de la nitidez del histograma. Como medida de la uniformidad o aleatoriedad del histograma, calculamos la entropía del histograma de la imagen. Cuanto más cerca de una distribución uniforme mayor es la entropía, o visto de otra forma, H tomaría valores bajos en imágenes regulares donde los píxeles tienen el mismo nivel de intensidad.

Estadística de los niveles de grises de segundo orden

Las características que se muestran arriba que resultaron de la estadística de primer orden brindan información relacionada con la distribución de niveles de grises de la imagen; sin embargo, no proporcionan ninguna información sobre la posición relativa de los distintos niveles de grises sobre la imagen. Esta información se puede extraer de las denominadas matrices de coocurrencia donde los píxeles se consideran en pares y que proporcionan una distribución espacial de los valores de los niveles de grises. Las características de coocurrencia se basan en la función de probabilidad condicional conjunta de segundo orden P(i,j;a,d) de una imagen dada. El i-ésimo, j-ésimo elemento de la matriz de coocurrencia para una imagen de tumor dada representa el número de veces que los niveles de intensidad i y j ocurren en dos píxeles separados por una distancia (d) en la dirección (a). La matriz de coocurrencia para un par (d,a) se define como la matriz Ng x Ng donde Ng es el número de niveles de intensidad. Los niveles de Ng se obtuvieron escalando la imagen de nivel de grises a un número discreto de Ng de valores de nivel de grises. Los valores de Ng normalmente se seleccionan en potencias de 2; en este caso hemos seleccionado 32 valores discretos de nivel de grises que en la práctica es una opción suficiente para representar la imagen. En este caso d se configuró en un solo tamaño de píxel y a cubrió las cuatro direcciones angulares disponibles (horizontal, vertical, diagonal y anti-diagonal). Sea, por ejemplo, una matriz de imágenes I(x,y):

que corresponde a una imagen de 5 x 5. Podemos suponer que el número de niveles de grises discretos es igual a 10. Así para la imagen (B. 11) y una posición relativa de píxel (1,0°) obtenemos:

En otras palabras, para cada uno de los pares de intensidad, como (1, 2), contamos el número de pares de píxeles a distancia relativa (d=I) y orientación a = 0° (horizontal) que toman estos valores. En nuestro caso es 2. Hay dos casos en la imagen (B. II) donde dos píxeles adyacentes horizontalmente tienen los valores 1 y 2. El elemento (3, 5) en el GLCM es 3 porque en la imagen de ejemplo hay 3 casos en los que dos píxeles adyacentes horizontalmente tienen los valores 3 y 5. De la misma imagen (B. II) y (d=I, a = 45°) obtenemos:

Como ejemplo ilustrativo, obtendremos la matriz de coocurrencia de niveles de grises a partir de una imagen tumoral determinada. La figura 8 proporciona un ejemplo de una imagen de ROI en escala de grises dada (mapa de color cambiado para una mejor inspección visual) a la izquierda, y una versión escalada de la imagen de la izquierda a 32 niveles de grises discretos a la derecha. En la figura 8, la imagen del lado izquierdo corresponde a una imagen de ROI de nivel de grises dada, el mapa de color se ha cambiado para mejorar las diferencias para la inspección visual. La imagen de la derecha corresponde al ROI escalado con 32 valores de grises discretos. Las matrices de coocurrencia se obtienen a partir de la imagen escalada.

Habiendo definido las probabilidades de ocurrencia de niveles de grises con respecto a la posición espacial relativa, podemos definir las características de coocurrencia relevantes que se han extraído; en algunos casos tienen una interpretación física directa con respecto a la textura de una imagen, por ejemplo, cuantifican la tosquedad, la regularidad, la aleatoriedad, etc. Otros no tienen esa propiedad pero aun así codifican información relacionada con la textura altamente discriminativa. Denotando por P(ij) la matriz de coocurrencia normalizada, por Ng el número de niveles de gris discretos de la imagen, las características de coocurrencia relevantes para nuestra solicitud se definen de la siguiente manera:

10. Contraste

( B M >

Esta es una medida de contraste de intensidad entre un píxel y su vecino en toda la imagen, es decir, una medida de las variaciones locales del nivel de grises. Para una imagen constante, esta métrica es cero. La dependencia n2 pondera más las grandes diferencias.

11. Correlación

© .15)

Esta métrica mide qué tan correlacionado está un píxel con su vecino en toda la imagen. La correlación toma los valores 1 o -1 para una imagen perfectamente correlacionada positiva o negativamente.

12. Energía

^Energía * I^ S ^ C W /)}2 ©18) La energía es la suma de los elementos cuadrados de una imagen y una medida de regularidad. Si todos los píxeles tienen el mismo nivel de grises, la energía es igual a 1; en el otro extremo, si tenemos todos los pares posibles de niveles de grises con igual probabilidad, la región es menos regular, con una P(ij) distribuida más uniformemente y una energía más baja.

13. Homogeneidad

Esta característica mide qué tan cerca está la distribución de elementos en la matriz de coocurrencia a la diagonal de la matriz de coocurrencia. La homogeneidad es 1 para una imagen constante. 14.

14. Momento diferencial inverso

Esta característica toma valores altos para imágenes con bajo contraste debido a la dependencia (i-j)2.

15. Suma promedio

En A.18 Px (i) y Py (i) son las probabilidades marginales de fila y columna, obtenidas sumando las filas o columnas P(ij)-16. Varianza de la suma

17. Suma de entropía

SE = - £ " “lPl+v(0Iog[P„v(0]i ^{(11.21 >}Todas las características basadas en la estadística de segundo orden son funciones de la distancia d y la orientación a. En este caso, para la dirección d = 1, se promedian los valores resultantes para las cuatro direcciones. Estas métricas tienen en cuenta la intensidad local y la relación espacial de los píxeles en la región y son independientes de la posición, el tamaño, la orientación y el brillo del tumor.

Estadística de niveles de grises de la longitud de ejecución

Además, examinamos ejecuciones de niveles de grises derivadas de matrices de longitud de ejecución (RLM) usando una métrica de longitud de ejecución. Una ejecución de nivel de grises es un conjunto de píxeles consecutivos que tienen el mismo valor de nivel de grises. La longitud de ejecución es el número de píxeles en la ejecución. Las características de longitud de ejecución describen información de textura relacionada con la cantidad de veces que cada nivel de grises aparece solo, en pares, etc., en una cierta distancia y orientación. Tomando por ejemplo la imagen

con cinco posibles niveles de grises. Para cada una de las direcciones angulares previamente definidas (0°, 45°, 90° y 135°) se definen las correspondientes matrices de longitud de ejecución. La matriz de longitud de ejecución es una matriz de Ng x Nr donde Nr es la longitud de ejecución más grande posible en la imagen. Para distancia (d=I) y orientación (a=0°) obtenemos:

El elemento (1, 1) de la matriz de longitud de ejecución es el número de veces que el nivel 1 de grises aparece solo, el segundo elemento es el número de veces que aparece en pares (cero en el ejemplo), y así sucesivamente. El elemento (3,3) es el número de veces que aparece el nivel 3 de grises en la imagen con longitud 3 de ejecución. Para la dirección diagonal obtenemos:

Denotando con P el número total de píxeles de una imagen, con QRL(ij) el elemento (i,j)ésimo de la matriz de longitudes de ejecución para una distancia específica d y un ángulo específico a y con Nr el número de ejecuciones diferentes que ocurren, basándose en la definición de las matrices de longitud de ejecución, se definen las siguientes características de longitud de ejecución:

18. Énfasis en la ejecución corta

Esta característica enfatiza longitudes de ejecución pequeñas. El denominador el número de longitudes de ejecución en la matriz, por ejemplo, 17 en B.23 y 23 B.24.

19. Énfasis en la ejecución larga

En este caso, se enfatizan las longitudes de ejecución largas. Para imágenes más regulares, RLE debe tomar valores más grandes, mientras que SRE toma valores más grandes con una imagen más gruesa.

20. No uniformidad de los niveles de grises

Esta característica toma valores pequeños cuando las ejecuciones se distribuyen uniformemente entre los niveles de grises.

21. Porcentaje de ejecución

El porcentaje de ejecución toma valores altos para imágenes gruesas. Para cada dirección angular, se calculó el conjunto completo de estadística de segundo orden y las características de longitud de ejecución, pero solo se usó el valor promedio como característica.

Funciones basadas en forma y tamaño

Ampliamos el número de rasgos de imagen extraídos añadiendo medidas del tamaño y la forma de la región del tumor. Para cada imagen bidimensional del tumor en una pila de TC dada, se obtienen tres características, área de sección transversal máxima, perímetro y longitud del eje principal de la siguiente manera:

22. Área

Contamos el número de píxeles en los ROI y el recuento máximo se indica como el área transversal máxima.

23. Perímetro

Es la distancia entre cada par de píxeles contiguos alrededor del borde de la región; la suma total de los perímetros de cada imagen de ROI se toma como característica.

24. Longitud del eje principal

Esta característica especifica la longitud máxima en píxeles del eje principal de una imagen de ROI bidimensional.

25. Volumen

El volumen total del tumor se determina contando el número de píxeles en la región del tumor y multiplicando este valor por el tamaño del vóxel. El tamaño de vóxel se obtiene de la sección PixelSpacing del encabezado Dicom de CT, que especifica el tamaño de un vóxel en las direcciones x, y y z. El resultado es un valor en mm3. Con base en el volumen de CT-GTV que se describió anteriormente, se generaron representaciones 3D del volumen del tumor.

26. Diámetro máximo

En contraste con la longitud del eje principal que se determinó en imágenes de ROI bidimensionales, esta característica examina el diámetro máximo de la región tumoral en un espacio tridimensional. En primer lugar, obtenemos las coordenadas de todos los puntos situados en la superficie de la región tumoral; en segundo lugar, la distancia entre cada par de puntos en el contorno del tumor se determina utilizando la siguiente métrica denominada “ Distancia City Block” :

Los puntos en el contorno del tumor cuyos bordes se tocan están separados por 1 unidad; los puntos que se tocan diagonalmente están separados por dos unidades. Los dos puntos con la distancia máxima son los puntos en los bordes del diámetro máximo. En la figura 3, como se mencionó anteriormente, se muestra un gráfico de los puntos en la superficie de un volumen de tumor dado; el diámetro máximo se calcula entre los puntos de esta imagen.

Hasta ahora hemos descrito la extracción de características de la imagen con respecto al nivel de grises y la relación espacial entre los píxeles de una región, así como las medidas del tamaño de la región tumoral en dos y tres dimensiones. Otro tema importante en la tarea de reconocimiento de patrones es el análisis de la forma; en este sentido, los rasgos de la imagen extraída se completan añadiendo las siguientes tres características basadas en la forma:

27. Relación superficie/volumen.

Esta característica pretende expresar qué tan puntiagudo o agudo es el volumen del tumor. Un volumen de tumor más lobulado daría como resultado una mayor relación superficie/volumen. Para calcular esta característica, primero determinamos y contamos los píxeles ubicados en la superficie del tumor (p. ej., como se muestra en las figuras 2A-1 y 2B-1); el número resultante se divide por la suma de todos los píxeles en el volumen del tumor.

28. Esfericidad

Esta es una medida de cuán esférica o redondeada es la forma del volumen del tumor. Definido en [16], la esfericidad de un objeto es la relación entre el área de superficie de una esfera (con el mismo volumen que el objeto dado) y el área de superficie del objeto:

Donde A y V son el área de superficie y el volumen del tumor, respectivamente, determinados por la relación superficie/volumen.

29. Compacidad

Esta es una característica intrínseca de la forma de los objetos que se ha utilizado ampliamente en tareas de reconocimiento de patrones y representa el grado en que una forma es compacta. La compacidad de un volumen tumoral tridimensional se obtiene de la siguiente manera:

Las características de similitud con una esfera y compacidad son números adimensionales e independientes de la escala y la orientación. La fase de generación de características de esta metodología se puede realizar de forma semiautomática, ya que el algoritmo necesita las delineaciones del tumor realizadas por el médico. Las características enumeradas en este apéndice se alimentarán a un clasificador como entradas en la fase de aprendizaje y reconocimiento de la tarea de clasificación.

Descripción del parámetro de la característica de la imagen (parte 2)

Estadística adicional de nivel de grises de primer orden

En esta sección se describen varios parámetros de características de la imagen adicionales en la clase de estadística de nivel de grises de primer orden, que son adicionales a los parámetros descritos en la sección “ Descripción de los parámetros de características de la imagen (parte 1)” , subsección “estadística de nivel de grises de primer orden” . En este caso, I(x,y,z) representa un valor de captación estándar (SUV) o la intensidad de un vóxel, es decir, un valor de vóxel tomado directamente de los datos de la imagen.

30. Energía

Esta característica se describe mediante la siguiente ecuación:

¿Dónde está el volumen de vóxel de la imagen tridimensional? El volumen de vóxel es el producto del espaciado de píxeles en la dirección x, el espaciado de píxeles en la dirección y y el espaciado de píxeles en la dirección z. La energía total se normaliza por el volumen de vóxel.

31. Desviación media absoluta

Esta característica es igual a la media de las desviaciones absolutas de todas las intensidades de vóxel alrededor del valor de intensidad media representado por el parámetro 4 de características de la imagen (ecuación B.4) anterior.

32. Mediana

La mediana es un parámetro estadístico bien conocido, que indica en este caso el valor mediano de la intensidad.

33. Raíz cuadrática media

La raíz cuadrática media es un parámetro estadístico bien conocido, que indica en este caso la media cuadrática, o la raíz cuadrática media de los cuadrados de todas las intensidades de vóxel.

34. Pico SUV

Este parámetro de características de la imagen se define como el valor medio de captación estándar (SUV) dentro de una esfera de 1 cm3 centrada alrededor del vóxel máximo de SUV.

35. Uniformidad

Sea P el histograma de primer orden y P(i) la fracción de vóxeles con nivel de intensidad i. Ni es el número de niveles de intensidad discretos. Después:

Características adicionales basadas en forma y tamaño

A continuación, se describen varias características adicionales de forma y tamaño (es decir, geométricas), además de las características descritas como parámetros de características de la imagen números 22 a 29 anteriores, que describen la forma y el tamaño del volumen de interés. Sea V el volumen y A el área de superficie de interés.

36. Compacidad de segundo tipo (“ compacidad 2” )

La compacidad de segundo tipo es un parámetro de características de la imagen alternativo que se relaciona con la compacidad de la neoplasia considerada. Este parámetro se describe por:

V2

compacidad 2 ^{3 § 'if} A1

37. Desproporción esférica

Donde R es el radio de una esfera con el mismo volumen que el tumor, la desproporción esférica es:

38. Diámetro máximo 3D

Este parámetro es igual al diámetro tumoral tridimensional máximo medible a partir de la imagen.

Estadística adicional de niveles de grises de segundo orden

Estas características adicionales se basan nuevamente en las matrices de coocurrencia de niveles de grises. Recordando la descripción anterior de las matrices de coocurrencia, sea:

P(i,j) la matriz de coocurrencia,

Ng el número de niveles de intensidad discretos en la imagen,

j la media de P(i,j),

j ^x{¡) la media de la fila i,

j yj la media de la columna j ,

^gx{¡) la desviación estándar de la fila i,

Gyj ) la desviación estándar de la columna j ,

Pxd) = S ^ pcíJ ),

Py(í) = I ^ P C ÍJ ) ,

Px+y(k) = £ f=f1£ y f1K í J ), í j = k,k = 2,3.....2Ng ,

HXY1 = - £ " f i£ ; f iP ( í J ) lo g ( p * ( 0 p y0')),

HXY2 = - ^ " f i px (Qpy ( j) log (px (í)py (j)).

A continuación, los siguientes parámetros adicionales de características de la imagen se incluyen en esta clase.

39. Autocorrelación

40. Prominencia del agrupamiento:

41. Sombra del agrupamiento:

42. Tendencia del agrupamiento

43. Diferencia de entropía

44. Disimilitud

45. Homogeneidad de segundo tipo

Este parámetro se relaciona con una forma alternativa de describir la homogeneidad.

46. Entropía

% %

^entropíay y m n i m á n e r n

í® i jf«*

47. Medida informativa de correlación 1 (IMC1)

Donde H es la entropía.

48. Medida informativa de correlación 2 (IMC2):

Donde H es la entropía.

49. Momento diferencial inverso normalizado (IDMN)

50. Diferencia inversa normalizada (IDN):

51. Varianza inversa: varianza inversa

52. Máxima probabilidad:

máxima probabilidad = máx{P(i,j)j

53. Varianza:

Estadística adicional de nivel de grises de longitud de ejecución

Las características adicionales basadas en la matriz de longitud de ejecución se definen a continuación. En las siguientes ecuaciones, denotamos que p(i,j \ 0) es la (i,j)ésima entrada en la matriz de longitudes de ejecución p dada para una dirección 0. Por lo tanto, p(i,j \ 0), como se indica en las siguientes ecuaciones, es igual al QEL(0) definido anteriormente, la matriz de longitud de ejecución en la dirección 0.

54. No uniformidad de longitud de ejecución (RLN)

55. Bajo énfasis de ejecución de nivel de grises (LGLRE)

56. Alto énfasis de ejecución de nivel de grises (HGLRE)

57. Énfasis corto de bajo nivel de grises de ejecución (SRLGLE)

58. Énfasis corto de alto nivel de grises de ejecución (SRHGLE)

59. Énfasis largo de bajo nivel de grises de ejecución (LRLGLE)

60. Enfasis largo de alto nivel de grises de ejecución (LRHGLE)

Funciones basadas en matriz de zona de tamaño de nivel de grises

Una clase adicional de parámetros de características de la imagen se relaciona con la matriz de zona de tamaño de nivel de grises (GLSZM), que primero se presentará brevemente en este documento. La (i,j)ésima entrada de la GLSZM p(i,j) describe el número de áreas conectadas de nivel de grises (es decir, valor de intensidad) i y tamaño j. Por lo tanto, las características de GLSZM describen áreas homogéneas dentro de un volumen tumoral, lo que describe la heterogeneidad del tumor a escala regional.

Tomando por ejemplo la imagen con cinco posibles niveles de grises:

La GLSZM resultante será entonces:

En el ejemplo anterior, ambos p(I,I) son iguales a 0 porque no hay regiones de valor 1 de nivel de grises con solo un área conectada; mientras que p(I,3) es igual a 2, porque hay dos regiones con tres áreas conectadas de nivel 1 de grises. En tres dimensiones, los vóxeles del mismo nivel de grises se consideran conectados (es decir, pertenecientes a la misma área) si forman parte de una vecindad de 26 conexiones.

Sea: p(i,j) la entrada (i,j)ih en GLSZM p dado; Ng el número de valores discretos de intensidad en la imagen; Nz el tamaño de la región homogénea más grande en el volumen de interés; Na el número de áreas homogéneas en la imagen.

61. Énfasis en área pequeña (SAE)

62. Énfasis en área grande (LAE)

. Variabilidad de intensidad (IV)

. Variabilidad de la zona de tamaño (SZV)

. Porcentaje de zona (ZP)

. Énfasis de baja intensidad (LIE)

. Énfasis de alta intensidad (HIE)

. Énfasis en área pequeña de baja intensidad (LISAE)

. Énfasis de área pequeña de alta intensidad (HISAE)

. Énfasis de área grande de baja intensidad (LILAE)

. Énfasis de área grande de alta intensidad (HILAE)

Características del histograma de volumen de intensidad (IVH) (solo PET)

Cuando el método de obtención de imágenes utilizado es la tomografía por emisión de positrones (PET), otra clase de características de la imagen de interés se basa en el histograma de volumen de intensidad de la imagen PET. El histograma de volumen de intensidad resume los datos tridimensionales (3D) complejos contenidos en la imagen en una sola curva, lo que permite una interpretación simplificada.

Los parámetros de características de la imagen a continuación se relacionan con volúmenes o intensidades relativas (indicadas por x), intensidades absolutas (indicadas por y) y/o volúmenes absolutos (indicados por z). Las etapas relativas en volumen e intensidad (x) se tomaron en incrementos del 10 %; x={10 %, 20 %,..., 90 %}. Las etapas absolutas en intensidad (y) se tomaron en 0,5 [SUV]; y={0.5, 1,..., SUVmáx}, donde SUVmáx es el valor máximo de intensidad de imagen. Las etapas absolutas en volumen (z) se tomaron en incrementos de 0,5 ml; z={0,5 ml, 1 ml,..., V}, donde V es el volumen del tumor.

Se pueden aplicar los siguientes parámetros de características de la imagen.

72. AVAly

Volumen (AV) [ml] por encima de (es decir, con al menos) una intensidad (Al).

73. RVAly

Volumen relativo (RV) [%] por encima de (es decir, con al menos) una intensidad (Al).

74. AVRIx

Volumen (AV) [ml] por encima de (es decir, con al menos) una intensidad relativa (RI).

75. RVRIx

Volumen relativo (RV) [%] por encima de (es decir, con al menos) una intensidad relativa (RI).

76. AIAVz

Umbrales de intensidad (Al) [SUV] para el volumen de mayor intensidad de Z ml (AV).

77. AIRVx

Umbrales de intensidad (Al) [SUV] para el X% del volumen de mayor intensidad (RV).

78. MIAVz

Intensidad media (MI) [SUV] en el volumen de mayor intensidad de Z ml (AV).

79. MIRVx

Intensidad media (MI) [SUV] en el X% del volumen de mayor intensidad (RV).

80. TLGAly

Glucólisis de lesión total (TLG) para volumen (TLG) por encima (es decir, con al menos) una intensidad (Al).

81. TLGRIx

Glucólisis de lesión total (TLG) para volumen (TLG) por encima (es decir, con al menos) una intensidad relativa (RI). Transformadas de ondícula de parámetros de características de la imagen

Las características descritas en este documento se pueden utilizar además realizando una transformada de ondícula en las imágenes. Tomando como entrada los datos de la imagen con transformada de ondícula, además de los datos de la imagen sin transformada, se obtiene un nuevo conjunto completo de parámetros de características de la imagen que pueden utilizarse para obtener el valor predictivo en un método según la presente invención.

La transformada de ondícula desacopla eficazmente la información de textura al descomponer la imagen original, de manera similar al análisis de Fourier, en frecuencias bajas y altas. Por ejemplo, se puede aplicar una transformada de ondícula tridimensional discreta, de un nivel y no diezmada a una imagen de TC, que descompone la imagen original X en 8 descomposiciones. Considérese L y H como una función de paso bajo (es decir, una escala) y, respectivamente, de paso alto (es decir, una ondícula), y las descomposiciones de ondícula de X se etiquetan como XLLL, XLLH, XLHL, XLHH, XHLL, XHLH, XHHL y XHHH. Por ejemplo, XLLH se interpreta como la subbanda de paso alto, resultante del filtrado direccional de X con un filtro de paso bajo a lo largo de la dirección x, un filtro de paso bajo a lo largo de la dirección y y un filtro de paso alto a lo largo de la dirección z y se construye como:

Donde NL es la longitud del filtro L y NH es la longitud del filtro H. Las otras descomposiciones se construyen de manera similar, aplicando su ordenación respectiva de filtrado de paso bajo o paso alto en las direcciones x, y y z. La descomposición de ondícula de la imagen X se representa esquemáticamente en la figura 9. Dado que la descomposición de ondícula aplicada no está diezmada, el tamaño de cada descomposición es igual a la imagen original y cada descomposición es invariante por desplazamiento. Debido a estas propiedades, la delineación del tumor original del volumen bruto del tumor (GTV) se puede aplicar directamente a las descomposiciones después de la transformada de ondícula.

La transformada de ondícula es una transformación de tiempo-frecuencia basada en una serie de ondículas. Las series de ondículas son una representación de una función integrable al cuadrado (real o de valor complejo) mediante una determinada serie ortonormal generada por una ondícula. Esta representación se realiza sobre la base de Hilbert definida por ondículas ortonormales. La transformada de ondícula proporciona información similar a la transformada de Fourier de tiempo corto, pero con propiedades especiales adicionales de las ondículas, que se muestran en la resolución en el tiempo a frecuencias de análisis más altas de la función base. Las transformadas de ondícula proporcionan la frecuencia de las señales y el tiempo asociado a esas frecuencias. El filtrado alto-bajo-alto se aplica a los métodos de análisis de datos que se basan en transformadas de ondícula para detectar ciertos patrones de actividad o patrones de variación en los datos; el alto-bajo-alto es por lo tanto indicativo de la forma de ondícula. La transformada se aplica directamente sobre la imagen de TC sin procesar.

En la descripción anterior, la invención se describe con referencia a algunas realizaciones específicas de la misma. Sin embargo, se apreciará que la presente invención se puede poner en práctica de forma distinta a la descrita específicamente en este documento, en relación con estas realizaciones. Las variaciones y modificaciones de las características específicas de la invención pueden ser evidentes para el lector experto y están destinadas a entrar dentro del alcance de la invención. El alcance de la presente invención se determina por el alcance de las reivindicaciones adjuntas.

Claims

REIVINDICACIONES

Método de análisis de imágenes para proporcionar información para apoyar la predicción del desarrollo de enfermedades con respecto a una neoplasia en un cuerpo humano o animal, donde dicha neoplasia es un cáncer de pulmón de células no microcíticas, que comprende las etapas de:

■ recibir, mediante una unidad de procesamiento (4), datos de la imagen de la neoplasia, en donde dicha recepción comprende las etapas de recibir los primeros datos (15) de la imagen de la neoplasia en un primer momento en el tiempo y recibir los segundos datos (25) de la imagen de la neoplasia en un segundo momento, donde los primeros datos de la imagen se han obtenido antes del tratamiento y los segundos datos de la imagen se han obtenido después del tratamiento;

■ derivar, mediante la unidad (4) de procesamiento, para cada una de una pluralidad de características de la imagen asociadas con la neoplasia, un primer valor (16-19) de parámetro de características de la imagen a partir de los primeros datos (15) de la imagen y un segundo valor de parámetro (26-29) de características de la imagen a partir de los segundos datos (25) de la imagen, dicha primera y segunda características de la imagen siendo el valor de parámetro una representación cuantitativa de dicha característica de la imagen respectiva en dicho primer y segundo momentos respectivamente; y

■ calcular, mediante la unidad (4) de procesamiento, para cada una de la pluralidad de características de la imagen, un valor (33-3) de diferencia de características de la imagen calculando una diferencia entre el primer y segundo valores (16-19, 26-29) de parámetro de características de la imagen para dicha característica de la imagen respectiva;

el método que incluye además:

■ derivar, mediante dicha unidad (4) de procesamiento usando un modelo de predicción, un valor predictivo (Q) asociado con la neoplasia para apoyar el tratamiento de la misma, en donde dicho modelo de predicción incluye una pluralidad de valores multiplicadores (48-51), estando asociado cada valor multiplicador (48-51) con una característica de la imagen para multiplicar un valor (33-39) de diferencia de características de la imagen asociado con la misma,

■ en donde para calcular el valor predictivo (Q) el método incluye multiplicar cada valor de diferencia de características de la imagen con su valor multiplicador asociado y combinar los valores de diferencia de características de la imagen multiplicados para obtener el valor predictivo (Q) para la neoplasia; determinar un contorno que define dicha neoplasia en el primer y segundo datos de la imagen respectivamente y

■ en donde los datos de la imagen se obtienen utilizando un método de obtención de imágenes por tomografía computarizada, y en donde el primer y segundo valores de parámetros de características de la imagen son valores cuantitativos obtenidos de dicho primer y segundo datos de la imagen (15, 25) y están asociados con parámetros de características de la imagen, incluyendo los parámetros de características de la imagen al menos:

■ siendo el parámetro curtosis una estadística de primer orden de los niveles de grises de los píxeles dentro del contorno obtenidos a partir de una transformada de ondícula con filtro alto-altobajo de los datos de la imagen en donde la transformada de ondícula con filtro alto-alto-bajo es el resultado del filtrado de dirección de los datos de la imagen con un filtro de paso alto en una dirección x, un filtro de paso alto en una dirección y y un filtro de paso bajo en la dirección z ■ siendo el parámetro homogeneidad de segundo tipo una estadística de segundo orden de una matriz de coocurrencia del nivel de grises de los píxeles dentro del contorno obtenido a partir de una transformada de ondícula con filtro alto-bajo-bajo de los datos de la imagen en donde la transformada de ondícula con filtro alto-bajo-bajo es el resultado del filtrado de dirección de los datos de la imagen con un filtro de paso alto en la dirección x, un filtro de paso bajo en la dirección y y un filtro de paso bajo en la dirección z, y en donde la homogeneidad de segundo tipo se define como

denotando P una matriz de coocurrencia.

Método de análisis de imágenes según la reivindicación 1, en donde la etapa de calcular un valor de diferencia de características de la imagen comprende calcular un porcentaje de diferencia (33-39) de características de la imagen.

Método de análisis de imágenes según cualquiera de las reivindicaciones anteriores, en donde los valores multiplicadores (48-51) incluyen uno o más factores de ponderación asociados con las características de la imagen, en donde los factores de ponderación indican la importancia de las respectivas características de la imagen para obtener el valor predictivo (Q).

Método de análisis de imágenes según la reivindicación 1, en donde los valores multiplicadores están representados por cocientes de riesgos instantáneos asociados con los parámetros de características de la imagen, incluyendo el modelo de predicción:

■ para el parámetro curtosis una estadística de primer orden de los niveles de grises de los píxeles dentro del contorno obtenidos a partir de una transformada de ondícula con filtro alto-alto-bajo de los datos de la imagen en donde la transformada de ondícula con filtro alto-alto-bajo es el resultado del filtrado de dirección de los datos de la imagen con un filtro de paso alto en una dirección x, un filtro de paso alto en una dirección y y un filtro de paso bajo en la dirección z, un cociente de riesgos instantáneos (HR) entre 0,980 y 0,995, preferiblemente HR = 0,99

■ para el parámetro homogeneidad de segundo tipo una estadística de segundo orden de una matriz de coocurrencia del nivel de grises de los píxeles dentro del contorno obtenido a partir de una transformada de ondícula con filtro alto-bajo-bajo de los datos de la imagen en donde la transformada de ondícula con filtro alto-bajo-bajo es el resultado del filtrado de dirección de los datos de la imagen con un filtro de paso alto en la dirección x, un filtro de paso bajo en la dirección y y un filtro de paso bajo en la dirección z, y en donde la homogeneidad de segundo tipo se define como

denotando P una matriz de coocurrencia - un cociente de riesgos instantáneos (HR) entre 1,005 y 1,020, preferiblemente HR = 1,01

Medio legible por ordenador que comprende un producto de programa informático, en donde el producto de programa informático comprende instrucciones informáticas que, cuando se ejecutan en un ordenador, están dispuestas para realizar un método de análisis de imágenes según cualquiera de las reivindicaciones 1.