WO2015172753A2 - Método para la segmentación y cuantificación automática de tejidos corporales - Google Patents

Método para la segmentación y cuantificación automática de tejidos corporales Download PDF

Info

Publication number
WO2015172753A2
WO2015172753A2 PCT/CO2015/000009 CO2015000009W WO2015172753A2 WO 2015172753 A2 WO2015172753 A2 WO 2015172753A2 CO 2015000009 W CO2015000009 W CO 2015000009W WO 2015172753 A2 WO2015172753 A2 WO 2015172753A2
Authority
WO
WIPO (PCT)
Prior art keywords
tissue
discrimination
voxel
images
region
Prior art date
Application number
PCT/CO2015/000009
Other languages
English (en)
French (fr)
Other versions
WO2015172753A3 (es
Inventor
Ricardo Antonio MENDOZA LEON
Luis Felipe URIZA CARRASCO
Phillipe Charles DOUEK
HOYOS Marcela HERNANDEZ
Original Assignee
Universidad De Los Andes
Hospital Universitario San Ignacio
Hospices Civils De Lyon
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Universidad De Los Andes, Hospital Universitario San Ignacio, Hospices Civils De Lyon filed Critical Universidad De Los Andes
Priority to JP2017512098A priority Critical patent/JP6329697B2/ja
Priority to EP15754102.0A priority patent/EP3144892B1/en
Publication of WO2015172753A2 publication Critical patent/WO2015172753A2/es
Publication of WO2015172753A3 publication Critical patent/WO2015172753A3/es
Priority to US15/350,687 priority patent/US10007985B2/en

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30092—Stomach; Gastric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Definitions

  • Imaging is a discipline of medicine that uses different modalities of images of the human body acquired through a set of equipment and methods to quickly and reliably reach the identification of various diseases.
  • Imaging includes the performance of all types of diagnostic and therapeutic examinations in which equipment that reproduces images of the organism is used, a specialty that has provided an unsuspected contribution to the advancement and development of health sciences.
  • different modalities of images of the human body are used, which are acquired through a set of equipment and methods such as: ultrasound, computed tomography, nuclear magnetic resonance, conventional and digital radiology, to quickly and reliably reach the identification of various diseases, becoming essential tools for adequate and qualified patient care.
  • the interpretation of medical images can cover different objectives, among which are: i) the measurement of some property of the input image, so that the result is a scalar or a vector; ii) the definition of an image as normal or abnormal without the need to determine a specific region within the image; and iii) the division of an image into a set of different regions based on a measure of similarity, in which case a generic segmentation can occur where the objective is to produce descriptions of the content of an image, or a
  • interactive methods assist the expert in the task of discrimination, facilitating the drawing of contours that define regions with exclusive content of one or the other tissue to differentiate (discriminate).
  • this group are those methods that require contours drawn by an expert user to define the different regions of interest and where the quantification is carried out taking advantage of the contours given by the user and counting the voxels included in said contours.
  • these methods facilitate the work of the expert, the effort required is still considerable and may bias your judgment.
  • the method proposed by Ohshima et al (2008) allows to detect the internal abdominal contour and the contour of the intra-peritoneal region using two centers of ray generation, a fact that allows to evaluate the visceral adipose tissue, the subcutaneous and intra-muscular independently on computed tomography images.
  • this method has a high dependence on specific anatomical features, being seriously affected by the existence of discontinuities in the inner abdominal contour.
  • patent application WO 2011/139232 discloses an automatic method for the identification of adipose tissue on a set of three-dimensional magnetic resonance images of a patient's abdomen, and its subsequent segmentation into visceral and subcutaneous adipose tissue. .
  • This method is based on the definition of two-dimensional or three-dimensional graphs with vertices that correspond to abdominal image voxels and edges that connect neighboring vertices.
  • the method disclosed in the foregoing employs a global approach (graph partition) for the discrimination of adipose tissue voxels, which is supported in the case of a minimum thickness of subcutaneous adipose tissue around the cavity intra-peritoneal and in the continuity of said region of adipose tissue, such that said region is unique and is delimited by a single external contour and a single internal contour (closed).
  • Said internal contour is of fundamental importance, since this defines the initial partition to be used in the optimization of the graph partition.
  • the graph partition method fails critically with unpredictable results because the adipose tissue region can be delimited by a single contour: the external one, or even by a plurality of internal and external contours, preventing the proper selection of an initial partition.
  • the disclosed method foresees the occurrence of said problem in cuts at the level of the navel, it does not have a mechanism that prevents this problem when the thickness of the subcutaneous adipose tissue is particularly narrow and difficult to distinguish from the skin and musculature of the Intra-peritoneal region.
  • TAS and TAV tissues Discrimination between TAS and TAV tissues is performed over the entire body area, which leads to incorrect tissue discrimination, due to incomplete removal of the skin after applying the morphological opening operator, inducing errors during the evaluation of adipose tissue, especially when there is presence of skin folds or acquisition artifacts derived from the patient's movement;
  • a central voxel is labeled as visceral tissue only if the number of neighboring voxels labeled as visceral tissue in your neighborhood is greater than or equal to 6, so which leads to underestimating the visceral tissue in locations near discontinuities of the intra-peritoneal contour;
  • the initial thresholding is performed using a range that only includes adipose tissue, which prevents proper segmentation of the body region, particularly when the differentiation of subcutaneous tissue between the skin and the contour of the intra-peritoneal cavity is difficult , which leads to the appearance of discontinuities in the outer contour of the segmented subcutaneous tissue that consequently prevent the body region from being fully recovered;
  • the method of the invention makes it possible to identify the type of tissue locally, for example, without requiring prior construction of contours or user assistance, facts that constitute it as an ideal mechanism for automatic tissue segmentation and quantification from medical images.
  • the method of the invention incorporates a series of tools that allow to reduce the error in the classification of the tissues that is generated as a result of factors such as skin folds, vertebral musculature, intestinal content, structure Bone, among others.
  • factors such as skin folds, vertebral musculature, intestinal content, structure Bone, among others.
  • Figure 1a shows a graphic representation of an image belonging to a plurality of images, and a generic configuration of the different tissue regions between which the tissues of extrinsic and intrinsic interest are found.
  • Figures 1b and 1c present alternative examples of the graphic representation of Figure 1a, where situations that increase the difficulty of the problem object of the invention can be seen.
  • Figure 2 shows the flow chart with the essential steps of the method of segmentation and quantification of body tissues.
  • FIG. 3 presents the flowchart that generally describes the steps to follow to establish the discrimination parameters.
  • Figure 4 provides the representation of a generic bi-modal type histogram, and an example of separation threshold with their respective intervals for each mode.
  • Figure 5a shows the basic structure of a parametric contour and its control points.
  • Figure 5b illustrates the possible evolution of a parametric contour starting from an initial configuration towards a final configuration in energy balance.
  • Figure 5c illustrates possible alternatives to define the initial configuration of the parametric contour based on easily identifiable contours in an image.
  • Figure 5d presents different scenarios that can prevent the correct discrimination of extrinsic and intrinsic tissues, such as discontinuities in tissues and foreign elements.
  • Figures 5e and 5f illustrate a pseudo-energy potential on an image and the vector field associated with said potential, respectively.
  • Figure 6 presents the general flow diagram of the discrimination of tissues of interest by local neighborhood assessment.
  • Figure 7a presents a general diagram of the evaluation for the tissues of extrinsic and intrinsic interest by ray tracing.
  • Figure 7b presents the general flowchart that describes the steps to follow to trace the rays and obtain information from the local neighborhood to a voxel.
  • Figures 7c, 7d and 7e illustrate different cases of evaluation of the ray tracing and the corresponding labeling of the central voxel.
  • Figure 7f presents an alternative to carry out the final evaluation of voxels labeled as undetermined within a neighborhood.
  • Figure 8 shows an image of computed tomography of the abdomen where the regions corresponding to the subcutaneous adipose tissue are identified as extrinsic tissue and visceral adipose tissue as intrinsic tissue, as well as the visceral cavity that anatomically delimits said tissue regions.
  • Figure 9 shows the sequence of results during removal of the abdominal region for a specific embodiment of the invention.
  • Figure 10 shows the sequence of results during segmentation of adipose tissue in the abdominal region for a specific embodiment of the invention.
  • Figure 11 shows the sequence of results during the definition of the discrimination region for a specific embodiment of the invention.
  • Figure 12 shows the sequence of results during discrimination of tissues of interest for a specific embodiment of the invention.
  • Figures 13a, 13b, 13c and 13d present various examples of final discrimination results following a specific embodiment of the invention.
  • Figures 14a, 14b, 14c and 14d present a comparative example between the result obtained using a specific modality of the method, and the result obtained using this specific modality but including additional filtering steps.
  • Figure 1a presents a graphical representation of an image R101 belonging to a plurality of images of the inside of a body, where said body is located inside a background R107, where two regions are located inside said body.
  • Said R101 image may correspond to a sequence of two-dimensional reconstructions of signals obtained by a medical image acquisition device, a plane being defined on each of them.
  • the R104 fabric it can be continuous or present discontinuities, partially delimiting the R103 tissue, which would consequently allow the contact of the R102 tissue with the R103 tissue in one or more locations.
  • the location of the R104 tissue can be very close to that of the R105 tissue, and even be in contact.
  • both the shape and thickness of the R104 and R105 fabrics can vary along their length.
  • Figures 1 and 1c present alternative examples of the graphic representation of Figure 1a, where situations that increase the difficulty of the problem object of the invention can be appreciated, for example, the joining of R104 and R105 tissues at locations RUO and Rlll along its length, which causes the division of tissue region R102 into two regions R112 and R113.
  • Figure 2 presents a general diagram of the three essential steps of the method: in step R201 the parameters to be used in the discrimination of extrinsic R102 and intrinsic R103 tissues are established; in step R202, based on the image R101, a discrimination region defined by the RIO6 contour containing the region R103 and which is located within the region delimited by the external contour of the R105 fabric is defined; and step R203, where the discrimination of R102 and R103 tissues is carried out.
  • FIG. 3 presents the flowchart that generally describes the steps to follow to establish the R201 discrimination parameters.
  • This diagram contemplates obtaining the necessary information to establish the discrimination parameters from a set of stages (steps) on the following sources: previously established data (eg a data file) at the beginning of the method or sources external (eg a user) R301; on the plurality of images or a subset of these, carrying out a global analysis of its R302 voxels; over a set of regions within the images or in the neighborhood of a subset of voxels, carrying out a local R303 analysis.
  • the discrimination parameters are established based on the information collected in the previous steps.
  • steps R301, R302 and R303 allow a variety of information to be collected from the aforementioned sources and therefore allow the discrimination parameters to be established, some alternatives for carrying out the method may include the inclusion of only a subset of said sources or collect them in a different order. Alternatives are also possible where discrimination parameters are established incrementally. This means that at the end of step R201 only a subset of the parameters is established, and subsequently the missing parameters are established as more information is collected and analyzed in subsequent steps of the method, where it may become more appropriate or timely to establish the remaining parameters
  • the discrimination parameters to be established in step R304 include those necessary to:
  • f) establish how local neighborhood sampling will be carried out; and, g) establish the selection criteria for the discrimination of extrinsic and intrinsic tissues.
  • the histogram under analysis - as well as any other model for setting parameters - can be the result of the information obtained in any of the steps R301, R302, or R303, or its whole ; external source information can provide, for example, an a priori model of characteristic histogram, which in conjunction with the frequency information of voxels coming from a global or local source in the image, will allow to manufacture a "corrected" histogram more suitable to carry out the analysis.
  • Figure 4 provides the representation of a generic histogram of bi-modal type R401 for the voxel intensity photometric variable, where there is an association between each mode R402 and R403 with a particular tissue present in the image. Between the modes there is a separation valley, where a partial overlap of intensities between these modes can be observed. Likewise, it is possible to observe a separation threshold R404 that allows to define the intervals R405 and R406 for said modes, which will allow to discriminate these associated tissues. Said threshold can be obtained through a clustering strategy such as k-means or gradient descent R407, among other alternatives.
  • a region of discrimination is defined. This step may be accompanied by an initial pre-processing stage in which the image is filtered and corrected, and then continue with the definition of the region of discrimination. This region of discrimination is essential to the method because of the arguments explained below.
  • the thickness of the fabric R105 has a significant variation R114 caused by an acquisition device (such as motion blur) that exceeds any a-priori assumption with respect to the thickness of said fabric; or in a worse scenario, when the thickness of the R102 tissue does not allow to distinguish the separation between the R120 and R121 tissues as shown in Figure 1 c.
  • the voxels within the regions delimited by the contours R115 and R122, respectively comply with the alleged statement, that is, they allow defining a region of discrimination to solve the problems stated.
  • the RIO6 contour that delimits the discrimination region can be traced manually by an expert operator or using automatic means that contemplate the definition of a parametric contour R501 (Figure 5a).
  • This parametric contour can be defined using a set of R502 control points, where said control points can be interpolated by a linear, polynomial or rational function, thus defining a contour by segments.
  • the location of said control points can be decided based on the identification of the external or internal contour of the R522 tissue ( Figure 5c) from the analysis of the global or local photometric characteristics of the voxels in said regions of the image. Also the analysis of the form, the directionality, or the local continuity of the voxels are alternatives that can be used for this purpose.
  • contour R511 Figure 5b
  • a pseudo-energy functional a function that associates real values to a set of functions, for example, line integrals on a vector field
  • an equilibrium contour R512 is obtained.
  • Said contour in equilibrium is characterized in that small variations in its form do not produce a decrease in functional, being the active contours (snakes) and Level-Sets examples of techniques that are based on the previous principles.
  • this initial contour can be configured in various ways. For example, in a pre-established location at the bottom R521 so that it surrounds the body, or inside the body R523 very close to the R522 tissue. The number of R524 control points to use will depend on the required contour quality.
  • a functional has the advantage of being robust against problems such as: discontinuities in the R531 tissue (Figure 5d), the proximity of the tissues as in RUO and Rlll, the occurrence of foreign elements inside the region R102 as observed in R532 and R533, or in general to quality problems in the Image as high noise or low contrast.
  • said functional can be adjusted based on the photometric characteristics of the body as shown in Figure 5e, thus defining a pseudo-energy field as depicted in Figure 5f.
  • an active contour can be used whose functional is derived from the solution of a differential equation that takes as parameters the initial contour, the body's pseudo-energy field and a set of external parameters that control the elasticity and stiffness of the contour.
  • step R203 discrimination of extrinsic and intrinsic tissue is carried out, where said step uses the parameters established in step R201 and the region of discrimination obtained in step R202.
  • the general flow diagram of the discrimination of tissues of interest by local neighborhood assessment is presented in Figure 6. Given a set of voxels labeled as tissue of interest within the region of discrimination, one of them is selected R601, called the central voxel. Then, the voxels inside the local neighborhood to said central voxel are evaluated R602, thus obtaining a set of quantitative evaluation values. Said set of quantitative values are used to evaluate a group of selection criteria R603, whose parameters were previously established in step R201.
  • the central voxel is labeled as R604 intrinsic tissue, while otherwise, the central voxel is labeled R605 extrinsic tissue. After the discrimination decision is made, it is verified whether the set of voxels of interest pending labeling is not yet empty, so that it returns to step R601, or the process is terminated.
  • FIG. 7a presents a general evaluation diagram for the R701 and R702 intrinsic interest tissues by means of ray tracing R703 and R707, from the central voxels R705 and R706 within a region of discrimination R704.
  • R703 and R707 presents a general evaluation diagram for the R701 and R702 intrinsic interest tissues by means of ray tracing R703 and R707, from the central voxels R705 and R706 within a region of discrimination R704.
  • the angular separation between rays can be uniform, irregular or even random; the number of rays to be drawn from a central voxel can be greater than or equal to 2, and even said number of rays It may vary depending on the location of the central voxel in the image. Additionally, the plotting of curved paths is possible, rather than straight paths. Finally, although it has been established that ray tracing is performed on all voxels of interest, this is not necessary in all cases due to the geometric nature of the rays.
  • Figure 7b presents the general flowchart that describes the steps to follow to trace the rays and obtain information on the local neighborhood of a voxel for evaluation R602.
  • a path direction for ray tracing is selected, also establishing the central voxel as its R710 origin.
  • ray tracing is continued in said selected direction until a new R711 voxel is intercepted, and the information of said voxel is recorded. If the information recorded along the ray tracing meets any of the established stop criteria R712, the stop criterion satisfied by the ray is recorded and its R713 path is stopped, otherwise the ray tracing is continued.
  • FIG. 7c shows a central voxel R721 located inside a region of tissue of interest R722 that is mostly delimited by the R723 tissue. If from the group of traced rays R724, a low amount of them (wo less than w) reached the stop criterion R726 outside the discrimination region R727, then the central voxel R721 is labeled as intrinsic tissue. On the other hand, in Figure 7d, a central voxel R734 is observed that is not located within a region largely delimited by the R723 tissue.
  • Figure 7f presents an alternative, called window technique, to carry out the final evaluation of voxels labeled as undetermined within a neighborhood called final discrimination window, using a final labeling rule.
  • the final discrimination window in which this final evaluation is performed can have any size or shape, and even this can vary depending on the location of the central voxel being evaluated. For example, in Figure 7f a window composed of the eight voxels adjacent to the undetermined voxel (the central voxel) is used. In another alternative, said window comprises a larger neighborhood, of size 17x17, which allows the central voxel to be labeled more precisely.
  • an undetermined voxel R751 must be labeled as intrinsic tissue, if within its discrimination window R752 the number of voxels previously labeled as intrinsic tissue R753 is equal to or greater than the number of voxels previously labeled as R756 extrinsic tissue.
  • an undetermined voxel R754 is labeled as extrinsic tissue, if within its discrimination window R755 the number of voxels previously labeled as extrinsic tissue R756 is greater than the number of voxels previously labeled as intrinsic tissue R753.
  • the final evaluation can be carried out using multi-form windows, and the labeling decision can be made based on the aggregate results on those windows.
  • a computer-implemented method for discriminating a tissue of interest is revealed between an extrinsic tissue, called subcutaneous adipose tissue (ASD), and an intrinsic tissue, called adipose tissue.
  • ASD subcutaneous adipose tissue
  • visceral from a plurality of images of the abdominal region (body) of a patient, where said method comprises the following stages: a) Establish the necessary parameters to discriminate adipose tissue, including: segmentation parameters for the different tissues of the body, the parameters required to define the region of discrimination and the parameters required to carry out discrimination within a region of discrimination; b) Extract the abdominal region of the patient from said plurality of images, whose objective is the partial removal of the skin, the correction, definition and differentiation of the region of the fundus and adipose tissue and other non-adipose tissues (bones and other tissues). soft) as shown in Figure 9;
  • the extraction of the body is a pre-processing stage prior to the definition of the region of discrimination, whose objective is to filter out non-relevant elements in the image and obtain a well-defined region of the body.
  • the entire soft tissue skin, adipose tissue and muscle
  • HU Hounsfield units
  • the image is subjected to a morphological opening operation using a circularly structuring element with a radius of 3 voxels, which allows correcting defects in the region and eliminating foreign elements including the tomograph table as shown in the central image of Figure 9.
  • the holes in the body are filled by an evaluation scheme that uses a variant of the ray tracing technique described above, where it is verified that an unsegmented voxel is partially or totally surrounded by segmented voxels, after which the application of a morphological closure operator continues, again using a circular structuring element with a n 3-vox radio
  • the abdominal adipose tissue is segmented on the image of the body extracted using simple thresholding, using a range provided by the user (the most common range is between -150 and -50 HU) being the only one input parameter required by the method, or obtaining it during the first stage, using histogram analysis or another of the alternatives mentioned above.
  • the holes present inside the adipose tissue Segmented are filled in a similar way to the one described above, but limiting the maximum radius of the rays to 7 voxelés.
  • small defects in thresholding are corrected, creating uniform regions of adipose tissue.
  • the stage ends with the superposition of the mask of adipose tissue on the extracted body, thus obtaining the background, the regions of thresholdized adipose tissue and the different types of non-adipose tissue.
  • the fourth stage of the method begins with the definition of a region of discrimination to ensure that difficulties in the image such as those previously described and illustrated in Figures 1 b, 1 c, 5d, 13b, 13c and 13d, such as skin folds in very obese people and the occurrence of foreign elements, among others, do not affect the discrimination process.
  • Said definition of the discrimination region employs an active contour, which is initialized around the contour of the body removed in the second stage, as illustrated in Figure 5c and the left image of Figure 1 1.
  • Active contours also known as Snakes
  • snakes are models of curves that evolve based on the minimization of their internal energy under an external potential generated from an image.
  • the Gradient Vector Flow (GVF) technique proposed by Xu and Prince (1997), is used to model the external energy generated by the image (the image potential) as illustrated in the Figure 5e, in order to obtain a vector field like the one illustrated in Figure 5f, which will influence the shape of the Snake.
  • VVF Gradient Vector Flow
  • the discrimination stage is carried out in two iterations. In the first, the local neighborhood assessment identifies candidate voxels of SAT and VAT tissue. In the second, the discrimination is concluded by analyzing the previous result using the window technique.
  • candidate voxels (TAS and TAV tissues) are identified with high certainty, using a method of wide evaluation of the local neighborhood based on ray tracing in 8 different directions, whose origin is the tissue voxel Adipose to be evaluated.
  • the radius of each ray grows iteratively in a conditioned way (Eq. 4), until reaching a stop criterion (Eq. 5):
  • k is the number of the ray to be traced, /? * (/) * YY R V) and are the coordinates (x, y) of the k-th ray with length I '
  • 3 is the set of voxels in the image
  • S (x, y) is the voxel label (x, y)
  • sVal is the label for adipose tissue
  • V () is a registration vector.
  • the type of adipose tissue to which the voxel (x, y) belongs is identified by the evaluation of the V vector (), using the strong subcutaneous criterion (Eq. 6) and the strong visceral criterion ( Eq. 7):
  • ⁇ fordo () (Eq. 8) is a function that returns 1 if the label corresponds to the background of the image, otherwise it returns 0.
  • voxels that do not meet the strong criteria (only 3 rays reached the bottom) or undetermined voxels are evaluated by means of a final selection criteria or final labeling rule, using the information of the already discriminated voxels inside a final discrimination window that originates in the central voxel under evaluation, following a majority voting scheme.
  • Figures 13a, 13b, 13c and 13d present examples of results obtained following the specific modality of the method described above on abdominal images of Computed Axial Tomography, where the image on the left corresponds to the original cut of the abdominal region and the image on the right corresponds to the result of discrimination of the tissue of interest (adipose tissue labeled as subcutaneous has been colored in blue and adipose tissue labeled as visceral has been colored with red).
  • Figure 13a shows the result for the image of an individual with a high distribution of visceral tissue.
  • Figure 13b shows the result for the image of an individual with a low content of subcutaneous and visceral tissue, where the little separation between tissues R104 and R105 can be seen, this being an example of the scenario illustrated in Figure 1 B.
  • Figure 13c shows the result in an image with low sharpness, where some discontinuities in the contour associated with the R104 tissue and a foreign element in the lower right part of the body, previously illustrated in the scenario of Figure 5d, are also visible.
  • Figure 13d presents the situation of an image with folds in the skin, which would cause problems in discrimination were it not for the use of a region of discrimination.
  • the method involves an additional step of filtering small TAV tissue related components, which precedes the completion of TAS and TAV tissue segmentation, and in which the Related components labeled as TAV, whose area is less than a given selection threshold, are re-labeled as a third type of adipose tissue (called intramuscular tissue).
  • Said selection threshold can be calculated by analyzing the histogram of the area of the related components labeled as TAV, where said analysis corresponds in turn to the location of a threshold that separates the mode of related small components and the mode of related components of large size in the histogram, using techniques of minimization of variance, gradient descent or clustering, such as k-means.
  • the related components in the segmented image of the TAV tissue are identified, numbered and their area calculated. In this way a list of related components with their respective area is obtained.
  • the histogram for the frequency of areas of the related components in the list obtained in step 1 is calculated, hoping to obtain a bi-modal histogram where the mode of smaller area represents the related elements of small size (which most likely does not they are TAV) and the higher frequency mode represents the associated elements of larger size (which with greater certainty are TAV).
  • a selection threshold is calculated, which seeks to approximate the optimal value of separation between the histogram modes.
  • This value can be calculated using variance minimization methods such as Otsu, gradient descent, or clustering as k-means.
  • a bias value can be defined on the value obtained from the selection threshold, which allows to increase or reduce (adding or subtracting the separation value) the degree of exclusion of the related elements.
  • step 4 discrimination and exclusion of small related components is carried out. For this, the area of each related item in the list in step 1 can be compared against the final selection threshold. In the case where the area of the related component is lower than said threshold, the related component is re-labeled, either with the non-TAV label, or with a new label that symbolizes another type of adipose tissue. Otherwise, no changes are made to the related component.
  • the method comprises another additional step for filtering false positives of intestinal contents within voxels labeled TAV.
  • This stage can be carried out before or after filtering small related components, and consists of the initial application of a differential operator (the gradient or the Laplacian), noise estimation or entropy, on the image voxels original, currently labeled TAV, and calculating the absolute magnitude of the resulting image, which is thresholdized using a previously defined threshold value, thus labeling only the voxels with high magnitude.
  • the neighborhood of each voxel labeled TAV is analyzed using a noise estimation technique (variance, signal / noise ratio, Kullback-Leibler divergence, Shannon entropy or similar).
  • the voxel labeled TAV is re-labeled as non-adipose tissue if the estimate of the noise obtained is greater than a previously defined value.
  • this additional stage takes into account the characteristics of the texture of the intestinal contents in the CT images, so that the voxels of false adipose tissue in the segmented image of the TAV can be identified and eliminated.
  • the steps to carry out said additional stage are:
  • differential image is generated.
  • the differential image is the result of applying an appropriate differential operator (or filter), preferably isotropic, such as Gradient or Laplacian, or, noise estimation or entropy.
  • an appropriate differential operator or filter
  • isotropic such as Gradient or Laplacian, or, noise estimation or entropy.
  • the absolute value is calculated in each voxel.
  • the differential image can be corrected (removal of some regions), either by using the segmentation information of adipose tissue in the original image or in another generated during the process. This is intended to eliminate information that may lead to false positives during removal.
  • the differential image is thresholdized using a magnitude threshold with a previously defined or automatically calculated value (analyzing the histogram according to the method of filtering small related components), then segmenting the image by labeling the voxels whose value exceeds said threshold.
  • the interest in high-value voxels lies in the fact that they indicate places where they show great variations in intensity.
  • voxels from false adipose tissue is carried out by analyzing neighborhoods on the differential image, which consists of the following sub-steps of selection, estimation and exclusion: a.
  • the voxels labeled TAV in the adipose tissue image are selected.
  • one of these selected voxels is analyzed your neighborhood within the thresholdized differential image.
  • Said neighborhood can have various dimensions and shapes, but in a preferred embodiment a circular neighborhood with a radius of at least 5 voxels is used.
  • the neighborhood is analyzed using some noise estimation model (or disorder) that takes into account the distribution of labeled and unlabeled neighbors within the differential image.
  • the preferred estimation model is the signal / noise ratio, but other alternatives can be used.
  • Figure 14a presents a case where the image on the left is difficult to discriminate, given the size and complex shape of the intestinal contents in the abdomen, while the image on the right shows the pattern gold (result of a manual segmentation performed by 3 experts) corresponding to visceral adipose tissue.
  • Figure 14b shows the result obtained using the specific modality (left image), and the result obtained using the specific modality including the steps of filtering small related components and filtering false positives of the intestinal contents (right image).
  • Figure 14c shows the regions of visceral adipose tissue corresponding to each result of Figure 14b.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pulmonology (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

Se revela un método implementado por computador que permite discriminar de manera automática entre dos tejidos de interés: un tejido extrínseco y un tejido intrínseco, a partir de una pluralidad de imágenes, logrando obtener una valoración cuantitativa de cada uno de dichos tejidos sin requerir la intervención de un experto. Dicho método implica la definición de una región de discriminación en imágenes obtenidas a partir de un dispositivo de adquisición de imágenes médicas empleando un contorno paramétrico, luego de lo cual la discriminación y cuantificacion se llevan a cabo con base en las características fotométricas de los diferentes tejidos observados en las imágenes, evaluando el vecindario local de cada vóxel perteneciente a la región de discriminación previamente definida dentro de la pluralidad de imágenes. El método revelado incrementa considerablemente la precisión en la discriminación y cuantificacion de tejidos, mientras que el porcentaje de error mostrado es considerado tolerable para propósitos diagnósticos.

Description

MÉTODO PARA LA SEGMENTACIÓN Y CUANTIFICACIÓN AUTOMÁTICA DE
TEJIDOS CORPORALES
Antecedentes técnicos
[002] La imagenología es una disciplina de la medicina que emplea diferentes modalidades de imágenes del cuerpo humano adquiridas mediante un conjunto de equipos y métodos para llegar en forma rápida y confiable a la identificación de diversas enfermedades.
[003] La imagenología comprende la realización de todo tipo de exámenes diagnósticos y terapéuticos en los cuales se utilizan equipos que reproducen imágenes del organismo, especialidad que ha brindado un aporte insospechado al avance y al desarrollo de las ciencias de la salud. Hoy en día se emplean diferentes modalidades de imágenes del cuerpo humano, las cuales son adquiridas mediante un conjunto de equipos y métodos tales como: ultrasonido, tomografía axial computarizada, resonancia magnética nuclear, radiología convencional y digital, para llegar en forma rápida y confiable a la identificación de diversas enfermedades, volviéndose herramientas imprescindibles para la atención adecuada y calificada de los pacientes.
[004] Sin embargo, es claro que el provecho que se obtenga de la imagenología a favor de la salud de los pacientes depende ampliamente de la habilidad para interpretar correctamente los datos proporcionados por las imágenes médicas, independientemente de que dicha interpretación se lleve a cabo por métodos manuales o directos (esto es, realizada por un experto), por métodos interactivos, por métodos semi-automáticos (aquellos en los que existe intervención parcial de un experto y también se aplican técnicas computacionales) o por métodos automáticos (donde el análisis se realiza completamente a través de técnicas computacionales).
[005] Adicionalmente, la interpretación de imágenes médicas puede abarcar distintos objetivos, entre los que se cuentan: i) la medición de alguna propiedad de la imagen de entrada, de manera que el resultado es un escalar o un vector; ii) la definición de una imagen como normal o anormal sin la necesidad de determinar una región específica dentro de la imagen; y iii) la división de una imagen en un conjunto de regiones diferentes con base en una medida de similitud, caso en el cual puede darse una segmentación genérica donde el objetivo es producir descripciones del contenido de una imagen, o una
i segmentación que implica la detección y localización de todas las regiones de una imagen que comparten una característica en común.
[006] Ahora bien, con relación específica a la segmentación y cuantificación de imágenes médicas por métodos manuales o directos, dicha tarea generalmente resulta ser dispendiosa y sujeta a la variabilidad ínter e ¡ntra-observador, hecho que ha motivado el desarrollo de diversas técnicas computacionales para estimar y discriminar el área de diferentes regiones presentes en las imágenes a interpretar. Sin embargo, la diversidad anatómica de los pacientes afecta el resultado de estos métodos, razón por la cual generalmente se hace necesaria la intervención de un evaluador para realizar correcciones al resultado, siendo en algunos casos bastante extensas, restándole por lo tanto confiabilidad para su uso diagnóstico.
[007] Por su parte, los métodos interactivos asisten al experto en la tarea de discriminación, facilitando el trazado de contornos que definen regiones con contenido exclusivo de uno u otro tejido a diferenciar (discriminar). En este grupo se encuentran aquellos métodos que requieren contornos dibujados por un usuario experto para definir las diferentes regiones de interés y donde la cuantificación es realizada aprovechando los contornos dados por el usuario y contando los vóxeles comprendidos en dichos contornos. Sin embargo, aunque estos métodos facilitan la labor del experto, el esfuerzo requerido sigue siendo considerable y pueden sesgar su juicio.
[008] Los métodos semi-automáticos buscan diferenciar la región de interés en la imagen empleando diversos esquemas para la detección de tejidos y órganos de interés, generalmente utilizando técnicas globales de segmentación como el trazado de rayos, el crecimiento de regiones y los modelos deformables. Sin embargo, la existencia de elementos extraños y la dependencia frente a ciertas características anatómicas particulares hacen necesaria la intervención activa del usuario.
[009] Así, por ejemplo, en el artículo científico de Romero et al (2006) se revela una técnica semi-automática de detección de las paredes exteriores de la cavidad abdominal para la segmentación y discriminación entre tejido adiposo visceral y subcutáneo. Dicha técnica emplea un umbral especialmente diseñado y dos criterios de distancia de aceptación entre éste, la piel y la región intra-peritoneal, identificando adicionalmente el tejido muscular para evitar falsos positivos. Desafortunadamente, dicha técnica presenta serios inconvenientes cuando existen discontinuidades en el contorno de la región abdominal, y como consecuencia el tejido adiposo visceral se confunde con el tejido adiposo subcutáneo.
[010] Así mismo se conoce en el estado de la técnica la propuesta de Zhao et al (2006) para detectar el contorno de la región interior abdominal en imágenes de tomografía volumétrica, la cual se basa en la creación de perfiles radiales (rayos) a partir de un punto ubicado en el centro geométrico del rectángulo contenedor del cuerpo, de manera que estos rayos son explorados, iniciando en el contorno exterior del cuerpo en dirección al centro, hasta encontrar la primera discontinuidad correspondiente al tejido adiposo, obteniendo así un punto candidato de contorno. Luego, el radio de los puntos candidatos es suavizado, con el fin de corregir distorsiones generadas por elementos extraños como calcificaciones y discontinuidades en el contorno abdominal interior.
[011] Por su parte, el método propuesto por Ohshima et al (2008) permite detectar el contorno abdominal interior y el contorno de la región intra-peritoneal empleando dos centros de generación de rayos, hecho que permite evaluar el tejido adiposo visceral, el subcutáneo e intra-muscular de forma independiente sobre imágenes de tomografía axial computarizada. Sin embargo, tal y como lo señalan los mismos autores, dicho método tiene una alta dependencia con las características anatómicas específicas, viéndose seriamente afectado por la existencia de discontinuidades en el contorno abdominal interior.
[012] De otro lado, la solicitud de patente WO 2011/139232 divulga un método automático para la identificación de tejido adiposo sobre un conjunto de imágenes tridimensionales de resonancia magnética del abdomen de un paciente, y su posterior segmentación en tejido adiposo visceral y subcutáneo. Dicho método se basa en la definición de grafos bidimensionales o tridimensionales con vértices que corresponden a vóxeles de la imagen abdominal y aristas que conectan vértices vecinos.
[013] Sin embargo, el método divulgado en dicha anterioridad emplea un enfoque global (partición de grafo) para la discriminación de los vóxeles de tejido adiposo, el cual está soportado en el supuesto de un mínimo grosor del tejido adiposo subcutáneo alrededor de la cavidad intra-peritoneal y en la continuidad de dicha región de tejido adiposo, de forma tal que dicha región sea única y esté delimitada por un único contorno externo y un único contorno interno (cerrado). Dicho contorno interno es de importancia fundamental, ya que este define la partición inicial a utilizar en la optimización de la partición del grafo. Sin embargo, en los casos donde este supuesto no se cumple, el método de partición de grafo falla en forma crítica con resultados impredecibles debido a que la región de tejido adiposo puede estar delimitada por un único contorno: el externo, o incluso por una pluralidad de contornos internos y externos, impidiendo la selección adecuada de una partición inicial. Aunque el método divulgado prevé la ocurrencia de dicho problema en cortes a la altura del ombligo, no cuenta con un mecanismo que prevenga este problema cuando el grosor del tejido adiposo subcutáneo es particularmente angosto y difícil de distinguir de la piel y de la musculatura de la región ¡ntra-peritoneal. Esta debilidad es acervada por el hecho de que muchos casos de importancia clínica están relacionados con individuos no-obesos con una distribución inusualmente alta de tejido adiposo visceral, en donde es común encontrar lugares en los cuales el grosor del tejido adiposo subcutáneo es mínimo y casi imperceptible (muy inferior a 5 mm). Adicionalmente, la presencia de elementos extraños en la región abdominal, como sondas o calcificaciones, pueden dar lugar a la ocurrencia de múltiples regiones internas al interior de la región subcutánea o incluso su fraccionamiento en múltiples regiones conexas (múltiples contornos externos).
[014] Finalmente, en el artículo científico de Mendoza et al (2011 ) se divulga un método para llevar a cabo la segmentación y cuantificación de los tejidos adiposo subcutáneo (TAS) y visceral (TAV) empleando imágenes de Tomografía axial computarizada (TAC). Este método utiliza la evaluación de invariantes anatómicos de tipo local sobre los vóxeles de tejido adiposo, logrando diferenciarlos y cuantificarlos.
[015] Sin embargo, si bien dicho documento provee una idea general de un método computacional para la segmentación y cuantificación de SAT y TAV, en éste no se tienen en cuenta diversos factores que son necesarios para la obtención de datos confiables, entre los que se encuentran;
- la discriminación entre tejidos TAS y TAV se realiza sobre toda el área del cuerpo, lo cual conlleva a la incorrecta discriminación de los tejidos, debido a la remoción incompleta de la piel luego de aplicar el operador de apertura morfológica, induciendo errores durante la evaluación del tejido adiposo, en especial cuando hay presencia de pliegues en la piel o de artefactos de adquisición derivados del movimiento del paciente;
- Un vóxel central es etiquetado como tejido visceral sólo si el número de vóxeles vecinos etiquetados como tejido visceral en su vecindario es mayor o igual a 6, lo que conlleva a subestimar el tejido visceral en ubicaciones próximas a discontinuidades del contorno intra-peritoneal;
- El rellenado de huecos inicial se realiza entre la aplicación del operador de apertura y cierre morfológico, lo cual incrementa la probabilidad de rellenar en forma incompleta la región del cuerpo, esto dada la naturaleza del operador morfológico de apertura de abrir regiones definidas por un contorno cerrado;
- La umbralización inicial es realizada empleando un rango que incluye únicamente al tejido adiposo, lo cual impide la correcta segmentación de la región del cuerpo, en particular cuando la diferenciación del tejido subcutáneo entre la piel y el contorno de la cavidad intra-peritoneal es difícil, lo que conlleva a la aparición de discontinuidades en el contorno exterior del tejido subcutáneo segmentado que en consecuencia impiden recuperar en forma completa la región del cuerpo;
- El vecindario (denotado como M) sobre el cual son evaluados los criterios finales de selección TAS y TAV, tiene un tamaño de 3x3, el cual provee información insuficiente para determinar de forma precisa el tipo de tejido adiposo al que pertenece el vóxel central, lo que conlleva a discriminar incorrectamente los tejidos;
- El rellenado de huecos inicial y la etapa de rellenado de huecos donde se limita el radio de los rayos trazados requieren como condición, para etiquetar el vóxel en evaluación, que la totalidad de los rayos trazados intercepten un vóxel ya segmentado, lo cual impide que huecos con discontinuidades en su contorno sean rellenados en forma completa, excluyendo de la discriminación a dichas regiones de tejido.
[016] Adicionalmente, el documento de Mendoza et al (2011 ) no describe en forma concreta aspectos claves como la distribución y geometría de los rayos, sus condiciones de inicialización y finalización, la información que se debe registrar durante su trazado, la forma en la cual dicha información registrada debe ser procesada al finalizar el trazado de los rayos, así como tampoco describe los casos, condiciones y acciones llevadas a cabo con base a ésta. [017] Visto lo anterior, es claro que persistía en el estado de la técnica, la necesidad de desarrollar un método implementado por computador que permita discriminar de manera automática entre dos tejidos de interés, a partir de una pluralidad de imágenes, logrando obtener una valoración cuantitativa de cada uno de dichos tejidos sin requerir la intervención de un experto.
Características básicas de la invención
[018] Ahora bien, teniendo en cuenta las enseñanzas del estado de la técnica anterior y con base en los métodos de discriminación y cuantificación de tejidos a partir de imágenes médicas hasta ahora conocidos, el solicitante de la invención en cuestión ha desarrollado un método implementado por computador para discriminar entre dos tejidos de interés sobre una pluralidad de imágenes, donde dicho método comprende las siguientes etapas: a) Establecer los parámetros requeridos para determinar si un área de la pluralidad de imágenes corresponde a uno u otro tejido de interés;
b) Definir una región de discriminación en dicha pluralidad de imágenes; y,
c) Discriminar entre las áreas de la pluralidad de imágenes pertenecientes a cada uno de los tejidos de interés al interior de la región de discriminación definida en b).
[019] El método de la invención permite identificar el tipo de tejido de manera local, por ejemplo, sin requerir la construcción previa de contornos o la asistencia del usuario, hechos que lo constituyen en un mecanismo ideal para la segmentación y cuantificación automática de tejidos a partir de imágenes médicas.
[020] Adicionalmente, el método de la invención incorpora una serie de herramientas que permiten disminuir el error en la clasificación de los tejidos que se genera como consecuencia de factores como los pliegues de la piel, la musculatura vertebral, el contenido intestinal, la estructura ósea, entre otros. Descripción detallada de la invención
[021] En adición a lo planteado previamente, el objeto de la presente solicitud y las sorprendentes ventajas técnicas logradas por el inventor podrán ser apreciadas en detalle mediante la subsiguiente descripción del método para la segmentación y cuantificación automática de tejidos corporales, haciendo referencia a los dibujos acompañantes, en los cuales:
La Figura 1a muestra una representación gráfica de una imagen perteneciente a una pluralidad de imágenes, y una configuración genérica de las diferentes regiones de tejido entre los que se encuentran los tejidos de interés extrínseco e intrínseco.
Las Figuras 1 b y 1c presentan ejemplos alternativos de la representación gráfica de la Figura 1a, donde se pueden apreciar situaciones que incrementan la dificultad del problema objeto de la invención.
La Figura 2 muestra el diagrama de flujo con los pasos esenciales del método de segmentación y cuantificación de tejidos corporales.
La Figura 3 presenta el diagrama de flujo que describe en forma general los pasos a seguir para establecer los parámetros de discriminación.
la Figura 4 provee la representación de un histograma genérico de tipo bi-modal, y un ejemplo de umbral de separación con sus respectivos intervalos para cada modo.
la Figura 5a presenta la estructura básica de un contorno paramétrico y sus puntos de control.
la Figura 5b ilustra la posible evolución de un contorno paramétrico partiendo de una configuración inicial hacia una configuración final en equilibrio energético.
La Figura 5c ilustra posibles alternativas para definir la configuración inicial del contorno paramétrico con base en los contornos fácilmente identificables en una imagen.
La Figura 5d presenta diferentes escenarios que pueden impedir la correcta discriminación de los tejidos extrínseco e intrínseco, tales como discontinuidades en los tejidos y elementos extraños.
Las Figuras 5e y 5f ilustran un potencial de pseudo-energía sobre una imagen y el campo vectorial asociado a dicho potencial, respectivamente.
La Figura 6 presenta el diagrama de flujo general de la discriminación de los tejidos de interés mediante la evaluación local de vecindarios.
La Figura 7a presenta un diagrama general de la evaluación para los tejidos de interés extrínseco e intrínseco mediante el trazado de rayos. La Figura 7b presenta el diagrama de flujo general que describe los pasos a seguir para trazar los rayos y obtener información del vecindario local a un vóxel.
Las Figuras 7c, 7d y 7e ilustran diferentes casos de evaluación del trazado de rayos y el correspondiente etiquetado del vóxel central.
La Figura 7f presenta una alternativa para llevar a cabo la evaluación final de los vóxeles etiquetados como indeterminados al interior de un vecindario.
La Figura 8 muestra una imagen de tomografía axial computarizada del abdomen donde se identifican las regiones correspondientes al tejido adiposo subcutáneo como tejido extrínseco y tejido adiposo visceral como tejido intrínseco, así como la la cavidad visceral que delimita anatómicamente dichas regiones de tejido.
La Figura 9 muestra la secuencia de resultados durante la extracción de la región abdominal para una modalidad específica de la invención.
La Figura 10 muestra la secuencia de resultados durante la segmentación del tejido adiposo en la región abdominal para una modalidad específica de la invención.
La Figura 11 muestra la secuencia de resultados durante la definición de la región de discriminación para una modalidad específica de la invención.
La Figura 12 muestra la secuencia de resultados durante la discriminación de los tejidos de interés para una modalidad específica de la invención.
Las Figuras 13a, 13b, 13c y 13d presentan diversos ejemplos de resultados finales de discriminación siguiendo una modalidad específica de la invención.
Las Figuras 14a, 14b, 14c y 14d presentan un ejemplo comparativo entre el resultado obtenido empleando una modalidad específica del método, y el resultado obtenido empleando ésta modalidad específica pero incluyendo pasos adicionales de filtrado.
[022] La Figura 1a presenta una representación gráfica de una imagen R101 perteneciente a una pluralidad de imágenes del interior de un cuerpo, donde dicho cuerpo se encuentra al interior de un fondo R107, en donde al interior de dicho cuerpo se encuentran dos regiones a discriminar de tejidos de interés: un tejido extrínseco R102 y un tejido intrínseco R103 que pueden o no tener características fotométricas diferentes que los distingan, donde la región R102 está delimitada exteriormente por el tejido R105 y en su interior por el tejido R104 que a su vez delimita exteriormente a la región R103. Dicha imagen R101 puede corresponder a una secuencia de reconstrucciones bidimensionales de señales obtenidas por un dispositivo de adquisición de imágenes médicas, definiéndose sobre cada una de ellas un plano. Por otra parte, el tejido R104 puede ser continuo o presentar discontinuidades, delimitando parcialmente al tejido R103, lo que en consecuencia permitiría el contacto del tejido R102 con el tejido R103 en una o más ubicaciones. Así mismo, la ubicación del tejido R104 puede ser muy próxima a la del tejido R105, e incluso estar en contacto. Por último, tanto la forma como el grosor de los tejidos R104 y R105 pueden variar a lo largo de su extensión.
[023] Las Figuras 1 b y 1c presentan ejemplos alternativos de la representación gráfica de la Figura 1a, donde se pueden apreciar situaciones que incrementan la dificultad del problema objeto de la invención, por ejemplo, la unión de los tejidos R104 y R105 en las ubicaciones RUO y Rlll a lo largo de su extensión, lo que provoca la división de la región de tejido R102 en dos regiones R112 y R113.
La Figura 2 presenta un diagrama general de los tres pasos esenciales del método: en el paso R201 son establecidos los parámetros a emplear en la discriminación de los tejidos extrínseco R102 e intrínseco R103; en el paso R202, con base en la imagen R101, se define una región de discriminación delimitada por el contorno RIO6 que contiene a la región R103 y que se encuentra al interior de la región delimitada por el contorno externo del tejido R105; y el paso R203, donde la discriminación de los tejidos R102 y R103 es llevada a cabo.
[025] La Figura 3 presenta el diagrama de flujo que describe en forma general los pasos a seguir para establecer los parámetros de discriminación R201. En dicho diagrama se contempla la obtención de la información necesaria para establecer los parámetros de discriminación a partir de un conjunto de etapas (pasos) sobre las siguientes fuentes: datos establecidos con anterioridad (ej. un archivo de datos) al inicio del método o fuentes externas (ej. un usuario) R301; sobre la pluralidad de imágenes o un subconjunto de éstas, llevando a cabo un análisis global de sus vóxeles R302; sobre un conjunto de regiones al interior de las imágenes o en el vecindario de un subconjunto de vóxeles, llevando a cabo un análisis local R303. Por su parte, en el último paso R304, se establecen los parámetros de discriminación a partir de la información recolectada en los pasos anteriores. Finalmente, la naturaleza de la información utilizada puede corresponder a las características fotométricas de las diferentes regiones o tejidos, como por ejemplo las unidades Hounsfield que se emplean en las imágenes de Tomografía Axial Computarizada, u otra información tal como las anotaciones (etiquetas) incluidas en las imágenes en otras fuentes. [026] Si bien los pasos R301 , R302 y R303, permiten recolectar variedad de información a partir de las fuentes mencionadas y por ende permiten establecer los parámetros de discriminación, algunas alternativas de realización del método pueden contemplar la inclusión de solo un subconjunto de dichas fuentes o recolectarlas en un orden diferente. También son posibles alternativas donde los parámetros de discriminación se establezcan en forma incremental. Esto significa que al final del paso R201 solo un subconjunto de los parámetros es establecido, y posteriormente se establecen los parámetros faltantes a medida que se recolecte y analice más información en pasos posteriores del método, donde puede llegar a ser más adecuado u oportuno establecer los parámetros restantes.
[027] Los parámetros de discriminación a establecer en el paso R304 comprenden los necesarios para:
a) llevar a cabo el pre-procesamiento de la pluralidad de imágenes;
b) llevar a cabo correcciones a las regiones del cuerpo;
c) caracterizar regiones, contornos, formas o texturas de los tejidos de interés extrínseco R102 e intrínseco R103 , del fondo R107 , y de los demás tejidos del cuerpo en la pluralidad de imágenes;
d) obtener el contorno R106 que define a la región de discriminación;
e) establecer la geometría y el tamaño de vecindarios de muestreo local;
f) establecer la forma como se llevará a cabo el muestreo local de los vecindarios; y, g) establecer los criterios de selección para la discriminación de los tejidos extrínseco e intrínseco.
[028] Con el ánimo de ilustrar la naturaleza de los parámetros a establecer en el primer paso R201 del método y cómo dichos parámetros son establecidos, a continuación se ofrece un ejemplo en el cual un umbral de separación entre dos tejidos con características fotométricas próximas entre sí es obtenido mediante el análisis de histogramas. Sin embargo, de manera preliminar resulta de gran importancia resaltar que el histograma objeto de análisis -así como cualquier otro modelo para establecer parámetros- puede ser el resultado de la información obtenida en cualquiera de los pasos R301 , R302 , o R303 , o su conjunto; la información de fuente externa puede proveer, por ejemplo, un modelo a-priori de histograma característico, que en conjunto con la información de frecuencias de los vóxeles proveniente de una fuente global o local en la imagen, permitirán fabricar un histograma "corregido" más idóneo para llevar a cabo el análisis.
[029] Continuando con el ejemplo, la Figura 4 provee la representación de un histograma genérico de tipo bi-modal R401 para la variable fotométrica de intensidad de vóxel, donde existe una asociación entre cada modo R402 y R403 con un tejido particular presente en la imagen. Entre los modos existe un valle de separación, donde se puede observar una superposición parcial de intensidades entre dichos modos. Así mismo, se puede observar un umbral de separación R404 que permite definir los intervalos R405 y R406 para dichos modos, los que permitirán discriminar estos tejidos asociados. Dicho umbral se puede obtener mediante una estrategia de clustering como k-means o de descenso de gradiente R407 , entre otras alternativas.
[030] En el segundo paso del método R202, una región de discriminación es definida. Éste paso puede estar acompañado de una etapa inicial de pre-procesamiento en la cual se filtra y corrige la imagen, para luego continuar con la definición de la región de discriminación. Dicha región de discriminación es esencial para el método por los argumentos explicados a continuación.
[031] La discriminación local de los tejidos de interés parte del supuesto según el cual todos los vóxeles pertenecientes al tejido R105 que delimitan al tejido R102 están etiquetados de la misma forma que los vóxeles del fondo R107, o en forma más general, su etiqueta permite diferenciarlos de los tejidos de interés y de cualquier otro tejido al interior de la región del cuerpo. Una forma de satisfacer el supuesto anterior es etiquetar los vóxeles de tejido R105 como fondo. Sin embargo, existen diversos casos en donde esto no es posible, o el resultado obtenido es poco confiable. Por ejemplo, cuando no es posible discriminar fotométricamente los tejidos R104 y R105, y además estos se unen en algún punto como ocurre en las ubicaciones RUO y Rlll; o el grosor del tejido R105 presenta una variación importante R114 causada por un artefacto de adquisición (como el motion-blur) que excede cualquier supuesto a-priori con respecto al grosor de dicho tejido; o en un peor escenario, cuando el grosor del tejido R102 no permite distinguir la separación entre los tejidos R120 y R121 como se muestra en la Figura 1 c. En contraste, los vóxeles al interior de las regiones delimitadas por los contornos R115 y R122, respectivamente, cumplen con el supuesto enunciado, esto es, permiten definir una región de discriminación para solventar los problemas enunciados. Por último, es importante notar que si bien dichas regiones de discriminación no incluyen la totalidad de los vóxeles de tejido de interés en la imagen, el paso de discriminación R203 no exige dicha condición. Finalmente, luego de haber discriminado los vóxeles de tejido de interés en la región de discriminación, todos los vóxeles de interés restantes no incluidos en dicha región se pueden etiquetar como tejido extrínseco, completando así la discriminación sobre todo el tejido de interés en la imagen.
[032] Ahora bien, el contorno RIO6 que delimita la región de discriminación puede ser trazado de forma manual por parte de un operario experto o usando medios automáticos que contemplen la definición de un contorno paramétrico R501 (Figura 5a). Este contorno paramétrico puede ser definido empleando un conjunto de puntos de control R502, donde dichos puntos de control pueden ser interpolados mediante una función lineal, polinómica o racional, definiendo así un contorno por segmentos. La ubicación de dichos puntos de control puede decidirse con base en la identificación del contorno externo o interno del tejido R522 (Figura 5c) a partir del análisis de las características fotométricas globales o locales de los vóxeles en dichas regiones de la imagen. También el análisis de la forma, la direccionalidad, o la continuidad local de los vóxeles son alternativas que pueden ser usadas para tal fin.
[033] Otra alternativa es, a partir de un estado inicial para el contorno R511 (Figura 5b), cambiar su forma y posición buscando minimizar (o maximizar) el valor de un funcional de pseudo-energía (una función que asocia valores reales a un conjunto de funciones, por ejemplo, integrales de línea sobre un campo vectorial), hasta obtener un contorno en equilibrio R512. Dicho contorno en equilibro se caracteriza porque pequeñas variaciones a su forma no producen una disminución del funcional, siendo los contornos activos (snakes) y los Level-Sets ejemplos de técnicas que se basan en los anteriores principios. Así mismo, este contorno inicial puede configurarse de diversas formas. Por ejemplo, en una ubicación pre-establecida en el fondo R521 de forma que rodee al cuerpo, o al interior del cuerpo R523 muy cerca al tejido R522. El número de puntos de control R524 a utilizar dependerá de la calidad requerida del contorno.
[034] La alternativa de emplear un funcional tiene la ventaja de ser robusta frente a problemas como: discontinuidades en el tejido R531 (Figura 5d), la proximidad de los tejidos como en RUO y Rlll, la ocurrencia de elementos extraños al interior de la región R102 como se observa en R532 y R533, o en general a problemas de calidad en la imagen como un alto ruido o bajo contraste. Así mismo, dicho funcional puede ajustarse con base en las características fotométricas del cuerpo como se muestra en la Figura 5e, definiendo así un campo de pseudo-energía como el representado en la Figura 5f. Con base en dicho campo de pseudo-energía, se puede utilizar un contorno activo cuya funcional se deriva de la solución de una ecuación diferencial que toma como parámetros el contorno inicial, el campo de pseudo-energía del cuerpo y un conjunto de parámetros externos que controlan la elasticidad y rigidez del contorno.
[035] De otro lado, en el último paso del método R203 se lleva a cabo la discriminación del tejido extrínseco e intrínseco, donde dicho paso emplea los parámetros establecidos en el paso R201 y la región de discriminación obtenida en el paso R202. En la Figura 6 se presenta el diagrama de flujo general de la discriminación de los tejidos de interés mediante la evaluación local de vecindarios. Dado un conjunto de vóxeles etiquetados como tejido de interés al interior de la región de discriminación, se selecciona uno de ellos R601 , denominado vóxel central. Acto seguido, los vóxeles al interior del vecindario local a dicho vóxel central son evaluados R602 , obteniendo así un conjunto de valores cuantitativos de evaluación. Dicho conjunto de valores cuantitativos son empleados para evaluar un grupo de criterios de selección R603, cuyos parámetros fueron establecidos con anterioridad en el paso R201. En caso de cumplir los criterios de selección, el vóxel central es etiquetado como tejido intrínseco R604, mientras que en caso contrario, el vóxel central es etiquetado como tejido extrínseco R605. Luego de que se toma la decisión de discriminación, se verifica si el conjunto de vóxeles de interés pendientes por etiquetar aún no está vacío, de manera que se retorna al paso R601 , o se finaliza el proceso.
[036] La evaluación del vecindario local de un vóxel central se puede llevar a cabo empleando una técnica de trazado de rayos. También es posible llevar a cabo dicha evaluación mediante el análisis de vecindarios con diversas formas preestablecidas (ventanas) o utilizando en conjunto ambas técnicas. La Figura 7a presenta un diagrama general de la evaluación para los tejidos de interés extrínseco R701 e intrínseco R702 mediante el trazado de rayos R703 y R707, a partir de los vóxeles centrales R705 y R706 al interior de una región de discriminación R704. En lo que respecta a la geometría de los rayos a trazar, existen diversas alternativas. Por ejemplo, la separación angular entre rayos puede ser uniforme, irregular o incluso aleatoria; el número de rayos a trazar a partir de un vóxel central puede ser mayor o igual a 2, e incluso dicho número de rayos puede variar dependiendo de la ubicación del vóxel central en la imagen. Adicionalmente, es posible el trazado de trayectorias curvas, en lugar de trayectorias rectas. Por último, si bien se ha establecido que el trazado de los rayos se realiza en todos los vóxeles de interés, esto no es necesario en todos los casos debido a la naturaleza geométrica de los rayos.
[037] La Figura 7b presenta el diagrama de flujo general que describe los pasos a seguir para trazar los rayos y obtener información del vecindario local de un vóxel para su evaluación R602. Primero, una dirección de trayectoria para el trazado del rayo es seleccionada, estableciendo además el vóxel central como su origen R710. Segundo, se continúa el trazado del rayo en dicha dirección seleccionada hasta interceptar un nuevo vóxel R711, y se registra la información de dicho vóxel. Si la información registrada a lo largo del trazado del rayo cumple con alguno de los criterios de parada establecidos R712, se registra el criterio de parada satisfecho por el rayo y se detiene su trazado R713, de lo contrario, se continua el trazado del rayo. Finalmente, si aún faltan rayos por trazar R714, se inicia nuevamente desde el paso R710, de lo contrario, se finaliza el trazado de los rayos sobre el vóxel central, obteniendo así una lista con la información del criterio de parada satisfecho por cada rayo trazado. La información registrada en dicha lista es interpretada empleando los criterios de selección del tejido intrínseco R603.
[038] Una alternativa de realización para llevar a cabo la evaluación local de los vóxeles de tejido de interés empleando el trazado de rayos se ilustra en las Figuras 7c, 7d y 7e. En la Figura 7c se observa un vóxel central R721 ubicado al interior de una región de tejido de interés R722 que se encuentra mayormente delimitada por el tejido R723. Si del grupo de rayos trazados R724, una cantidad baja de ellos (w o menos de w) alcanzó el criterio de parada R726 al exterior de la región de discriminación R727, entonces, el vóxel central R721 es etiquetado como tejido intrínseco. Por otra parte, en la Figura 7d, se observa un vóxel central R734 que no se encuentra al interior de una región mayormente delimitada por el tejido R723. Si del grupo de rayos trazados R731, una cantidad alta de ellos (k o más de k, siendo k mayor a w) alcanzó el criterio de parada R732 al exterior de la región de discriminación R733, entonces, el vóxel central R734 es etiquetado como tejido extrínseco. Finalmente, en la Figura 7e, si del grupo de rayos trazados R741, un número no representativo de ellos (mayor a w y menor a k) alcanzó el criterio de parada R742 al exterior de la región de discriminación, entonces, el vóxel central R744 es etiquetado como un vóxel indeterminado. En este último caso se requiere una análisis adicional que finalice el etiquetado de los vóxeles indeterminados, por ejemplo, uno basado en la técnica de la ventana, que se detalla a continuación.
[039] La Figura 7f presenta una alternativa, denominada técnica de la ventana, para llevar a cabo la evaluación final de los vóxeles etiquetados como indeterminados al interior de un vecindario denominado ventana de discriminación final, empleando una regla de etiquetado final. La ventana de discriminación final en la cual se realiza esta evaluación final, puede tener cualquier tamaño o forma, e incluso esta puede variar dependiendo de la ubicación del vóxel central que se esté evaluando. Por ejemplo, en la figura 7f se emplea una ventana compuesta por los ocho vóxeles adyacentes al vóxel indeterminado (el vóxel central). En otra alternativa, dicha ventana comprende un vecindario más amplio, de tamaño 17x17, que permite etiquetar con mayor precisión el vóxel central. Como regla de etiquetado final para dichas alternativas, se tiene que un vóxel indeterminado R751 es etiquetado como tejido intrínseco, si al interior de su ventana de discriminación R752 el número de vóxeles previamente etiquetados como tejido intrínseco R753 es igual o superior al número de vóxeles previamente etiquetados como tejido extrínseco R756. Por otra parte, un vóxel indeterminado R754 es etiquetado como tejido extrínseco, si al interior de su ventana de discriminación R755 el número de vóxeles previamente etiquetados como tejido extrínseco R756 es superior al número de vóxeles previamente etiquetados como tejido intrínseco R753. En aún otra alternativa, se puede llevar a cabo la evaluación final empleando ventanas con múltiples formas, y tomar la decisión del etiquetado con base en los resultados agregados sobre dichas ventanas.
[040] En una modalidad específica de la invención, se revela un método implementado por computador para discriminar un tejido de interés, denominado tejido adiposo, entre un tejido extrínseco, denominado tejido adiposo subcutáneo (TAS), y un tejido intrínseco, denominado tejido adiposo visceral (TAV), a partir de una pluralidad de imágenes de la región abdominal (cuerpo) de un paciente, donde dicho método comprende las siguientes etapas: a) Establecer los parámetros necesarios para discriminar el tejido adiposo, que incluyen: los parámetros de segmentación para los diferentes tejidos del cuerpo, los parámetros requeridos para definir la región de discriminación y los parámetros requeridos para llevar a cabo la discriminación al interior de una región de discriminación; b) Extraer la región abdominal del paciente de dicha pluralidad de imágenes, cuyo objetivo es la remoción parcial de la piel, la corrección, definición y diferenciación de la región del fondo y de tejido adiposo y de otros tejidos no adiposos (huesos y otros tejidos blandos) como se muestra en la Figura 9;
c) Segmentar el tejido adiposo en dicha región abdominal como se muestra en la Figura 10;
d) Definir una región de discriminación que incluye a dicho tejido adiposo segmentado en dicha región abdominal como se muestra en la Figura 11 ; y ,
e) Discriminar como tejido adiposo subcutáneo o tejido adiposo visceral los vóxeles pertenecientes a dicho tejido adiposo segmentado al interior de dicha región de discriminación, como se muestra en la Figura 12.
[041] La extracción del cuerpo es una etapa de pre-procesamiento previa a la definición de la región de discriminación, cuyo objetivo es filtrar elementos no relevantes en la imagen y obtener una región bien definida del cuerpo. Para llevar a cabo esta segunda etapa, la totalidad del tejido blando (piel, tejido adiposo y músculo) es umbralizado empleando un rango predefinido de -500 a 150 unidades Hounsfield (HU) como se muestra en la imagen izquierda de la Figura 9, luego de lo cual, la imagen es sometida a una operación de apertura morfológica empleando un elemento estructurante de forma circular con un radio de 3 vóxeles, lo que permite corregir defectos en la región y eliminar elementos extraños incluyendo la mesa del tomógrafo como se muestra en la imagen central de la Figura 9. Posteriormente, los huecos en el cuerpo son rellenados mediante un esquema de evaluación que emplea una variante de la técnica de trazado de rayos descrita anteriormente, en donde se verifica que un vóxel no segmentado se encuentre parcial o totalmente rodeado por vóxeles segmentados, tras lo cual prosigue la aplicación de un operador de cierre morfológico, empleando nuevamente un elemento estructurante circular con un radio de 3 vóxeles. Con esto se obtiene una máscara para la región del cuerpo que es utilizada para extraer el mismo de la imagen original como se muestra en la imagen derecha de la Figura 9.
[042] En la tercera etapa, el tejido adiposo abdominal es segmentado sobre la imagen del cuerpo extraído empleando umbralización simple, utilizando un rango provisto por el usuario (el rango más común se encuentra entre -150 y -50 HU) siendo éste el único parámetro de entrada requerido por el método, u obteniéndolo durante la primera etapa, empleando el análisis de histogramas u otra de las alternativas mencionadas anteriormente. Luego de esto, los huecos presentes al interior del tejido adiposo segmentado son rellenados de forma similar a la anteriormente descrita, pero limitando el radio máximo de los rayos a 7 vóxelés. Con lo anterior, pequeños defectos en la umbralización son corregidos, creando regiones de tejido adiposo uniformes. Finalmente, la etapa termina con la superposición de la máscara de tejido adiposo sobre el cuerpo extraído, obteniendo de esta forma el fondo, las regiones de tejido adiposo umbralizadas y los diferentes tipos de tejido no adiposo.
[043] Por su parte, la cuarta etapa del método inicia con la definición de una región de discriminación para garantizar que las dificultades en la imagen como las anteriormente descritas e ilustradas en las Figuras 1 b, 1 c, 5d, 13b, 13c y 13d, tales como los pliegues de la piel en personas muy obesas y la ocurrencia de elementos extraños, entre otras, no afecten el proceso de discriminación. Dicha definición de la región de discriminación emplea un contorno activo, que es inicializado alrededor del contorno del cuerpo extraído en la segunda etapa, como se ilustra en la Figura 5c y la imagen izquierda de la Figura 1 1 .
[044] Los contornos activos, también conocidos como Snakes, son modelos de curvas que evolucionan en función de la minimización de su energía interna bajo un potencial externo generado a partir de una imagen. El comportamiento del snake es gobernado por la ecuación diferencial (Eq. 1 ): ax'[s) - x"[s) -VEext= 0 donde α controla la elasticidad del contorno, β su rigidez y VEexf es el campo vectorial generado a partir de un potencial de energía externo (proveniente de la imagen).
[045] En el método aquí revelado se emplea la técnica Gradient Vector Flow (GVF), propuesta por Xu y Prince (1997), que permite modelar la energía externa generada por la imagen (el potencial de la imagen) como se ilustra en la figura 5e, para así obtener un campo vectorial como el que se ilustra en la Figura 5f, que influenciará la forma del Snake. Para obtener dicho campo vectorial se lleva a cabo la optimización del funcional
(Eq. 2):
Figure imgf000018_0001
donde s es la energía libre a minimizar, f es la función del potencial de la imagen, μ, ux y uy son términos que controlan la atenuación del potencial, y v es el campo vectorial para la imagen.
[046] Por su parte, la etapa de discriminación se lleva a cabo en dos iteraciones. En la primera, la evaluación local de vecindarios identifica vóxeles candidatos de tejido SAT y VAT. En la segunda, se concluye la discriminación mediante el análisis del resultado anterior utilizando la técnica de la ventana.
[047] En la evaluación local de vecindarios se identifican con alta certeza vóxeles candidatos (tejidos TAS y TAV), empleando un método de evaluación amplia del vecindario local basado en el trazado de rayos en 8 direcciones distintas, cuyo origen es el vóxel de tejido adiposo a ser evaluado. Con la inicialización en cada vóxel de tejido adiposo (Eq. 3), el radio de cada rayo crece iterativamente de forma condicionada (Eq. 4), hasta alcanzar un criterio de parada (Eq. 5):
Rk {íQ )x - X. Rk (^ }}. = V. i6 - 0 Eq 3
1 (x, y) e 3 Λ S(x. r) = sVaí )
Figure imgf000019_0001
0≤r. (A* (/')* - ** (/ )€ 3
Tetmtoatíón:
!t = ' -> ' Eq. 5
donde k es el número del rayo a trazar, /?*(/)* Y Y RV)y son las coordenadas (x,y) del k- ésimo rayo con longitud I' , 3 es el conjunto de vóxeles en la imagen, S(x,y) es la etiqueta del vóxel (x,y), sVal es la etiqueta para el tejido adiposo y V() es un vector de registro. [048] Ahora bien, el tipo de tejido adiposo al cual pertenece el vóxel (x,y) es identificado mediante la evaluación del vector de registro V(), empleando el criterio subcutáneo fuerte (Eq.6) y el criterio visceral fuerte (Eq. 7):
Criterio subcutáneo fuerte:
Figure imgf000020_0001
Criterio viscera! fuerte:
Eq. 7
Figure imgf000020_0002
Figure imgf000020_0003
Donde, \fordo ( ) (Eq. 8) es una función que retorna 1 si la etiqueta corresponde al fondo de la imagen, de lo contrario retorna 0.
[049] Finalmente, los vóxeles que no cumplen con los criterios fuertes (únicamente 3 rayos alcanzaron el fondo) o vóxeles indeterminados, son evaluados por medio de un criterio final de selección o regla de etiquetado final, utilizando la información de los vóxeles ya discriminados al interior de una ventana de discriminación final que tiene origen en el vóxel central en evaluación, siguiendo un esquema de votación por mayoría.
[050] Por último, los vóxeles clasificados como TAS y como TAV son contados y el resultado es multiplicado por el volumen del vóxel en la imagen, obteniendo así la medida cuantitativa para el TAS y el TAV.
[051] Las Figuras 13a, 13b, 13c y 13d, presentan ejemplos de resultados obtenidos siguiendo la modalidad específica del método descrito anteriormente sobre imágenes abdominales de Tomografía Axial Computarizada, donde la imagen a la izquierda corresponde al corte original de la región abdominal y la imagen a la derecha corresponde al resultado de la discriminación del tejido de interés (el tejido adiposo etiquetado como subcutáneo ha sido coloreado en azul y el tejido adiposo etiquetado como visceral ha sido coloreado con rojo). La Figura 13a muestra el resultado para la imagen de un individuo con una alta distribución de tejido visceral. Por su parte, la Figura 13b muestra el resultado para la imagen de un individuo con un bajo contenido de tejido subcutáneo y visceral, donde se puede apreciar la poca separación entre los tejidos R104 y R105, siendo éste un ejemplo del escenario ilustrado en la Figura 1 b. La Figura 13c muestra el resultado en una imagen con poca nitidez, donde además son apreciables algunas discontinuidades en el contorno asociado con el tejido R104 y un elemento extraño en la parte inferior derecha del cuerpo, hecho previamente ilustrado en el escenario de la figura 5d. Por último, la Figura 13d presenta la situación de una imagen con pliegues en la piel, lo que ocasionaría problemas en la discriminación de no ser por el empleo de una región de discriminación.
[052] Ahora bien, en aún otra modalidad de la invención, el método implica una etapa adicional de filtrado de componentes conexos pequeños de tejido TAV, el cual precede a la finalización de la segmentación del tejido TAS y TAV, y en el que los componentes conexos etiquetados como TAV, cuya área es inferior a un umbral de selección dado, son re-etiquetados como un tercer tipo de tejido adiposo (denominado tejido intramuscular). Dicho umbral de selección puede ser calculado analizando el histograma del área de los componentes conexos etiquetados como TAV, donde dicho análisis corresponde a su vez a la ubicación de un umbral que separe el modo de componentes conexos de pequeño tamaño y el modo de componentes conexos de gran tamaño en el histograma, empleando para esto técnicas de minimización de varianza, descenso de gradiente o clustering, tal como k-means.
[053] En efecto, mediante esta etapa adicional, se busca discriminar y excluir (filtrar) de la segmentación del TAV los componentes conexos (o regiones) de tejido adiposo de tamaño pequeño que no hacen parte de esta categoría. En términos generales, dichas regiones pueden localizarse en diversas ubicaciones de la zona retro-peritoneal, comúnmente al interior de la musculatura paravertebral, y en forma más escaza en la musculatura oblicua, los ríñones y la región epidural (en el núcleo de las vértebras).
[054] Estas regiones de tejido adiposo se caracterizan porque su área es inferior en varias órdenes de magnitud con respecto a las regiones de tejido adiposo de mayor tamaño y porque están típicamente asociadas con el tejido adiposo visceral. Por lo tanto, luego de la segmentación del TAV obtenida mediante el método aquí revelado, los pasos para obtener dicha discriminación y exclusión son:
1 . Los componentes conexos en la imagen segmentada del tejido TAV son identificados, numerados y su área calculada. De esta forma se obtiene una lista de componentes conexos con su respectiva área.
2. Se calcula el histograma para la frecuencia de áreas de los componentes conexos en la lista obtenida en el paso 1 , esperando obtener un histograma bi-modal en donde el modo de menor área representa los elementos conexos de tamaño pequeño (que muy probablemente no son TAV) y el modo de mayor frecuencia representa los elementos conexos de mayor tamaño (que con mayor seguridad son TAV).
3. Con base en el histograma obtenido en el paso 3, se calcula un umbral de selección, con el cual se busca aproximar el valor óptimo de separación entre los modos del histograma. Existen diversas formas automáticas para calcular dicho valor: empleando métodos de minimización de varianza como Otsu, descenso de gradiente, o de agolpamiento (clustering) como k-means. Como parámetro en este paso se puede definir un valor de sesgo sobre el valor obtenido de umbral de selección, que permite aumentar o reducir (sumando o restando al valor de separación) el grado de exclusión de los elementos conexos.
4. Utilizando el umbral de selección final calculado en el paso 4, se lleva a cabo la discriminación y exclusión de los componentes conexos pequeños. Para esto, el área de cada elemento conexo en la lista del paso 1 puede compararse contra el umbral de selección final. En el caso en el que el área del componente conexo sea inferior a dicho umbral, el componente conexo es re-etiquetado, bien con la etiqueta no-TAV, o con una nueva etiqueta que simbolice otro tipo de tejido adiposo. En caso contrario no se realizan cambios al componente conexo.
[055] En aún otra modalidad de la invención, el método comprende otra etapa adicional para filtrar falsos positivos del contenido intestinal dentro de los vóxeles etiquetados como TAV. Dicha etapa puede llevarse a cabo antes o después de realizar el filtrado de componentes conexos pequeños, y consiste en la aplicación inicial de un operador diferencial (el gradiente o el Laplaciano), de estimación de ruido o de entropía, sobre los vóxeles de la imagen original, actualmente etiquetados como TAV, y calculando la magnitud absoluta de la imagen resultante, la cual es umbralizada empleando un valor de umbral previamente definido, etiquetando así únicamente los vóxeles con alta magnitud. Luego, el vecindario de cada vóxel etiquetado como TAV es analizado empleando un técnica de estimación del ruido (varianza, razón señal/ruido, divergencia Kullback- Leibler, entropía de Shannon u otra similar). Finalmente, el vóxel etiquetado como TAV es re-etiquetado como tejido no adiposo si la estimación del ruido obtenida es superior a un valor previamente definido.
[056] En efecto, esta etapa adicional tiene en cuenta las características de la textura del contenido intestinal en las imágenes de tomografía axial computarizada, de manera que ios vóxeles de tejido adiposo falso en la imagen segmentada del TAV puedan ser identificados y eliminados. Los pasos para llevar a cabo dicha etapa adicional son:
1 . Partiendo de la imagen de la región de interés (la imagen de entrada en este paso es idealmente la imagen de la región de interés, sin embargo, también puede servir la imagen original u otra imagen derivada de dicha imagen original que incluya todo el contenido intestinal original) se genera una nueva imagen denominada imagen diferencial. La imagen diferencial es el resultado de aplicar un operador (o filtro) diferencial apropiado, preferiblemente isotrópico, como el Gradiente o el Laplaciano, o, de estimación de ruido o de entropía. Para cerrar, el valor absoluto es calculado en cada vóxel.
2. Opcionalmente, la imagen diferencial puede ser objeto de correcciones (remoción de algunas regiones), bien empleando la información de segmentación del tejido adiposo en la imagen original u en otra generada durante el proceso. Esto tiene el propósito de eliminar información que pueda dar lugar a falsos positivos durante la remoción.
3. La imagen diferencial es umbralizada empleando un umbral de magnitud con valor previamente definido o calculado automáticamente (analizando el histograma de acuerdo con el método de filtrado de componentes conexos pequeños), para luego segmentar la imagen mediante el etiquetado de los vóxeles cuyo valor supere dicho umbral. El interés en los vóxeles de alto valor radica en que estos señalan lugares donde presentan grandes variaciones en la intensidad.
4. Finalmente, la remoción de los vóxeles de falso tejido adiposo es llevada a cabo mediante el análisis de vecindarios sobre la imagen diferencial, que consta de los siguientes sub-pasos de selección, estimación y exclusión: a. Los vóxeles etiquetados como TAV en la imagen del tejido adiposo son seleccionados. En cado uno de dichos vóxeles seleccionados se analiza su vecindario dentro de la imagen diferencial umbralizada. Dicho vecindario puede tener diversas dimensiones y formas, pero en una modalidad preferida se utiliza un vecindario circular con un radio de al menos 5 vóxeles.
b. El vecindario es analizado empleando algún modelo de estimación de ruido (o desorden) que tenga en cuenta la distribución de los vecinos etiquetados y no etiquetados al interior de la imagen diferencial. El modelo de estimación preferido es la razón señal/ruido, pero pueden emplearse otras alternativas.
c. Si la estimación del ruido para el vecindario de un vóxel es superior a un umbral que ha sido previamente definido o que ha sido determinado automáticamente (siguiendo una táctica análoga a la mejora 1 ), dicho vóxel es re-etiquetado como no-TAV (es decir excluido) en la imagen segmentada del TAV.
[057] A modo de ejemplo comparativo, la Figura 14a presenta un caso donde la imagen a la izquierda es de difícil discriminación, dado el tamaño y la forma compleja del contenido intestinal en el abdomen, mientras que la imagen a la derecha muestra el patrón de oro (resultado de una segmentación manual realizada por 3 expertos) correspondiente al tejido adiposo visceral. La Figura 14b, muestra el resultado obtenido empleando la modalidad específica (imagen izquierda), y el resultado obtenido empleando la modalidad específica incluyendo los pasos de filtrado de componentes conexos pequeños y de filtrado de falsos positivos del contenido intestinal (imagen derecha). Por su parte, la Figura 14c muestra las regiones de tejido adiposo visceral correspondientes a cada resultado de la Figura 14b. Finalmente, en la Figura 14d son presentadas las diferencias encontradas para el caso de ejemplo, al comparar el patrón de oro contra: el resultado de la modalidad específica (imagen derecha) y el resultado de la modalidad específica precedida de los pasos de filtrado anteriormente descritos (imagen izquierda), donde las regiones en blanco, rojo y verde corresponden a los verdaderos positivos, los falsos positivos y los falsos negativos, respectivamente.
[057] El método de la modalidad específica precedido de los pasos de filtrado anteriormente descritos, fue evaluado cuantitativamente con respecto al patrón de oro de segmentación manual utilizando un conjunto de cortes de tomografía axial computarizada a la altura de la vertebra L3 en 30 pacientes. Dicho patrón de oro fue definido como la concordancia entre las segmentaciones manuales del TAV realizadas por tres expertos en forma independiente y ciega; un vóxel fue etiquetado como TAV en el patrón de oro si y solo si los tres expertos lo etiquetaron como TAV. Los resultados de la evaluación obtenidos fueron: μ = 0.9025 con σ = 0.0512 para la sensibilidad, μ = 0.9856 con σ = 0.0083 para la especificidad, μ = 0.8396 con σ = 0.0560 para el coeficiente DICE, y μ = 13,1 % con σ = 9,1 % para el porcentaje de error entre el área TAV del patrón de oro y el área TAV estimada por la modalidad específica con filtrado. Adicionalmente, la variabilidad inter-observador fue analizada, midiendo el área de desacuerdo entre los evaluadores como porcentaje del área TAV según el patrón de oro, arrojando como resultado: μ = 17,98% con σ = 4,33% para el desacuerdo o variabilidad inter-evaluador. Lo anterior indica que el método ofrece, en promedio, una precisión superior para estimar el área TAV cuando se compara contra la variabilidad inter-evaluador observada entre expertos.

Claims

REIVINDICACIONES Lo que se reivindica es:
1. Un método implementado por computador para discriminar entre dos tejidos de interés: un tejido intrínseco y un tejido extrínseco, a partir de una pluralidad de imágenes, caracterizado porque comprende las etapas de:
a) Establecer los parámetros requeridos para determinar si un área de la pluralidad de imágenes corresponde a uno u otro tejido de interés;
b) Definir una región de discriminación en dicha pluralidad de imágenes; y, c) Discriminar los tejidos de interés entre tejido intrínseco y tejido extrínseco al interior de la región de discriminación definida en b)
2. El método de la reivindicación 1 , donde los tejidos a discriminar tienen características fotométricas similares pero limitan total o parcialmente con otros tejidos que tienen características fotométricas diferentes.
3. El método de la reivindicación 1 , donde dicha pluralidad de imágenes corresponde a una secuencia de reconstrucciones bidimensionales de señales obtenidas por un dispositivo de adquisición de imágenes médicas.
4. El método de la reivindicación 1 , donde dicha región de discriminación es definida empleando un contorno paramétrico.
5. El método de la reivindicación 4, donde dicho contorno paramétrico obedece a una funcional de pseudo-energía calculada empleando la información de dicha pluralidad de imágenes y dicho conjunto de parámetros requeridos para determinar si un área de la pluralidad de imágenes corresponde al tejido extrínseco o al tejido intrínseco.
6. El método de acuerdo con la reivindicación 5, donde dicho contorno paramétrico es un contorno activo y dicha funcional de pseudo-energía corresponde a la solución de una ecuación diferencial.
7. El método de la reivindicación 1 , donde dicha etapa de establecimiento de parámetros de discriminación comprende el empleo de las características fotométricas de los diferentes tejidos observados en las imágenes.
8. El método de acuerdo con las reivindicaciones 2, 3 y 7, donde dicho dispositivo de adquisición corresponde a un dispositivo de Tomografía Axial Computarizada, utilizando como característica fotométrica las intensidades de los diferentes tejidos, medidas en unidades Hounsfield.
9. El método de acuerdo con la reivindicación 1 , donde la discriminación es llevada a cabo evaluando el vecindario local de cada vóxel perteneciente a dicha la región de discriminación.
10. El método de acuerdo con la reivindicación 9, donde dicha evaluación del vecindario local en cada vóxel a discriminar es llevada a cabo evaluando la información contenida en los vóxeles interceptados por un conjunto de rayos con origen en el vóxel a discriminar y trazados en diferentes direcciones hasta alcanzar un criterio de parada o hasta alcanzar el exterior de la región de discriminación.
1 1. El método de la reivindicación 10, donde dicho conjunto de rayos son trazados sobre el plano definido por cada una de las reconstrucciones bidimensionales de las imágenes del cuerpo.
12. El método de la reivindicación 11 , donde dicho conjunto de rayos corresponde a ocho rayos trazados con separación angular uniforme de 45 grados.
13. El método de acuerdo con la reivindicación 10, donde dicho criterio de parada para cada uno de dichos rayos corresponde a la intercepción del rayo y un vóxel que no pertenece al tejido de interés.
14. El método de acuerdo con la reivindicación 13, donde el vóxel central es etiquetado como tejido intrínseco, si k o menos de k de los rayos trazados alcanzaron el exterior de la región de discriminación, o, el vóxel central es etiquetado como tejido extrínseco, si w o más de w de los rayos alcanzaron el exterior de la región de discriminación (siendo k mayor a w), o en caso contrario, el vóxel central es etiquetado como indeterminado.
15. El método de la reivindicación 14, donde los vóxeles que fueron etiquetados como indeterminados son discriminados al interior de una ventana de discriminación final empleando una regla de etiquetado final.
16. El método de la reivindicación 15, donde dicha ventana de discriminación final comprende los ocho vóxeles adyacentes al vóxel central que fue etiquetado como indeterminado.
17. El método de la reivindicación 15, donde dicha ventana de discriminación final comprende los vóxeles dei vecindario cuadrado de dimensiones 17x17, donde el vóxel central fue etiquetado como indeterminado.
18. El método de las reivindicaciones 1 a 17, donde la regla de etiquetado final, etiqueta al vóxel central como tejido intrínseco si al interior de la ventana de discriminación el número de vóxeles previamente etiquetados como tejido intrínseco es igual o superior al número de vóxeles previamente etiquetados como tejido extrínseco, o en caso contrario, etiqueta al vóxel central como tejido extrínseco.
19. El método de la reivindicación 18, donde la regla etiquetado final, etiqueta al vóxel central como tejido intrínseco si al interior de la ventana de discriminación el número de vóxeles previamente etiquetados como tejido intrínseco es superior a tres, o en caso contrario, etiqueta al vóxel central como tejido extrínseco.
20. El método de la reivindicación 1 , el cual incluye una etapa adicional de rellenado de huecos al interior de la región de discriminación, la cual es llevada a cabo trazando un conjunto de rayos en diferentes direcciones con origen en cada vóxel no segmentado hasta interceptar un vóxel ya segmentado o una longitud máxima L, e incluir dicho vóxel en la segmentación si un subconjunto Q de dichos rayos interceptó un vóxel ya segmentado.
21. El método de la reivindicación 20, donde dicho conjunto de rayos trazados con origen en cada vóxel de tejido de interés al interior de la región de discriminación corresponde a ocho rayos trazados con separación angular uniforme de 45 grados.
22. El método de la reivindicación 1 , el cual incluye etapas adicionales llevadas a cabo luego de la etapa de discriminación, para el filtrado de falsos positivos del tejido intrínseco y el filtrado de componentes conexos pequeños de tejido intrínseco en dicha pluralidad de imágenes.
23. Un método implementado por computador para discriminar un tejido de interés, denominado tejido adiposo, entre un tejido extrínseco, denominado tejido adiposo subcutáneo o SAT, y un tejido intrínseco, denominado tejido adiposo visceral o TAV, a partir de una pluralidad de imágenes de la región abdominal (cuerpo) de un paciente y caracterizado porque comprende las etapas de:
a) Establecer los parámetros necesarios para discriminar el tejido adiposo;
b) Extraer la región abdominal del paciente de dicha pluralidad de imágenes;
c) Segmentar el tejido adiposo en dicha región abdominal;
d) Definir una región de discriminación que incluye a dicho tejido adiposo segmentado en dicha región abdominal;
e) Discriminar como tejido adiposo subcutáneo o tejido adiposo visceral los vóxeles pertenecientes a dicho tejido adiposo segmentado al interior de dicha región de discriminación.
24. El método de la reivindicación 23, donde dicha pluralidad de imágenes corresponde a una secuencia de reconstrucciones bidimensionales de señales obtenidas por un dispositivo de imágenes de tomografía axial computarizada.
25. El método de la reivindicación 23, donde dicha extracción de la región abdominal en la pluralidad de imágenes comprende los pasos de:
a) Segmentar la región abdominal del paciente en la pluralidad de imágenes;
b) Eliminar los elementos extraños incluidos en la segmentación y corregir el contorno de la región abdominal;
d) Rellenar los huecos al interior de la región abdominal segmentada luego de eliminar los elementos extraños; y,
e) Extraer los vóxeles en la pluralidad de imágenes pertenecientes a la región abdominal segmentada luego de eliminar los elementos extraños, eliminar la piel y rellenar los huecos.
26. El método de acuerdo con la reivindicación 23, donde dicha región de discriminación es definida empleando un contorno paramétrico que obedece a una función de pseudo- energía calculada empleando la información de dicha pluralidad de imágenes y dicho conjunto de parámetros requeridos para determinar si un vóxel de la pluralidad de imágenes corresponde a tejido adiposo subcutáneo o tejido adiposo visceral.
27. El método de acuerdo con la reivindicación 26, donde dicho contorno paramétrico es un contorno activo y dicha función de pseudo-energía es la solución a una ecuación diferencial.
28. El método de acuerdo con la reivindicación 23, donde la discriminación del tejido adiposo segmentado es llevada a cabo evaluando el vecindario local de cada vóxel perteneciente a dicho tejido adiposo segmentado al interior de dicha región de discriminación.
29. El método de acuerdo con la reivindicación 28, donde dicha evaluación del vecindario local en cada vóxel a discriminar es llevada a cabo evaluando la información contenida en los vóxeles interceptados por un conjunto de rayos con origen en el vóxel a discriminar y trazados en diferentes direcciones hasta alcanzar un criterio de parada o hasta alcanzar el exterior de la región de discriminación.
30. El método de la reivindicación 29, donde dicho conjunto de rayos son trazados sobre el plano definido por cada una de las reconstrucciones bidimensionales de las imágenes de tomografía axial computarizada.
31. El método de la reivindicación 30, donde dicho conjunto de rayos corresponde a ocho rayos trazados con separación angular uniforme de 45 grados.
32. El método de acuerdo con la reivindicación 29, donde dicho criterio de parada para cada uno de dichos rayos corresponde a la intercepción del rayo y un vóxel que no pertenece al tejido adiposo.
33. El método de la reivindicación 32, donde el vóxel central es etiquetado como tejido adiposo visceral, si k o menos de k de los rayos trazados alcanzaron el exterior de la región de discriminación, o, el vóxel central es etiquetado como tejido adiposo subcutáneo, si w o más de w de los rayos alcanzaron el exterior de la región de discriminación (siendo k mayor a w), o en caso contrario, el vóxel central es etiquetado como indeterminado.
34. El método de la reivindicación 33, donde los vóxeles que fueron etiquetados como indeterminados son discriminados al interior de una ventana de discriminación final empleando una regla de etiquetado final.
35. El método de la reivindicación 34, donde dicha ventana de discriminación final comprende los vóxeles del vecindario cuadrado de dimensiones 17x17, donde el vóxel central fue etiquetado como indeterminado,
36. El método de las reivindicaciones 34 y 35, donde la regla de etiquetado final, etiqueta al vóxel central como tejido adiposo visceral si al interior de la ventana de discriminación el número de vóxeles previamente etiquetados como tejido adiposo visceral es igual o superior al número de vóxeles previamente etiquetados como tejido adiposo subcutáneo, o en caso contrario, etiqueta al vóxel central como tejido adiposo subcutáneo.
37. El método de la reivindicación 25, donde dicho rellenado de huecos al interior de la región abdominal segmentada luego de eliminar los elementos extraños es llevada a cabo trazando un conjunto de rayos en diferentes direcciones con origen en cada vóxel no segmentado hasta interceptar un vóxel ya segmentado o una longitud máxima L, e incluir dicho vóxel en la segmentación si un subconjunto Q de dichos rayos interceptó un vóxel ya segmentado.
38. El método de la reivindicación 37, donde dicho conjunto de rayos trazados con origen en cada vóxel no segmentado al interior de la región de discriminación corresponde a ocho rayos trazados con separación angular uniforme de 45 grados.
39. El método de la reivindicación 23, el cual incluye una etapa adicional llevada a cabo luego de la etapa de discriminación, para el filtrado de componentes conexos pequeños de tejido adiposo visceral en dicha pluralidad de imágenes.
40. El método de la reivindicación 39, donde dicha etapa de filtrado de componentes pequeños de tejido adiposo visceral comprende:
a) Identificar los componentes conexos en la imagen segmentada del tejido TAV; b) Obtener un histograma para la frecuencia de áreas de los componentes conexos identificados;
c) Calcular un umbral de selección con base a dicho histograma de componentes conexos.
d) Cambiar la etiqueta de los componentes conexos cuya área sea inferior a dicho umbral de selección en la imagen segmentada del tejido TAV.
41. El método de la reivindicación 23, el cual incluye una etapa adicional llevada a cabo luego de la etapa de discriminación, para el filtrado de falsos positivos del tejido adiposo visceral en dicha pluralidad de imágenes.
42. El método de la reivindicación 41 , donde dicha etapa de filtrado de falsos positivos del tejido adiposo visceral comprende:
a) Obtener una imagen diferencial a partir de una imagen perteneciente a la pluralidad de imágenes o de una imagen derivada de dicha pluralidad de imágenes;
b) Obtener un umbral de magnitud y etiquetar los vóxeles en dicha imagen diferencial cuya magnitud sea superior al umbral de magnitud.
c) Modificar la etiqueta de los vóxeles identificados como falsos positivos en la imagen segmentada del tejido TAV, con base en el análisis de vecindarios en la imagen diferencial y sus vóxeles etiquetados.
43. El método de acuerdo con las reivindicaciones 23 a 42, el cual incluye como etapas adicionales el filtrado de falsos positivos del tejido adiposo visceral y el filtrado de componentes conexos pequeños de tejido adiposo subcutáneo en dicha pluralidad de imágenes.
44. El método de la reivindicación 43, donde el operador utilizado para obtener la imagen diferencial corresponde a la varianza.
PCT/CO2015/000009 2014-05-14 2015-05-11 Método para la segmentación y cuantificación automática de tejidos corporales WO2015172753A2 (es)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2017512098A JP6329697B2 (ja) 2014-05-14 2015-05-11 体組織の自動的なセグメンテーションおよび定量化のための方法
EP15754102.0A EP3144892B1 (en) 2014-05-14 2015-05-11 Method for automatic segmentation of body tissues
US15/350,687 US10007985B2 (en) 2014-05-14 2016-11-14 Method for the automatic segmentation and quantification of body tissues

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CO14-103.932 2014-05-14
CO14103932A CO7020178A1 (es) 2014-05-14 2014-05-14 Método para la segmentación y cuantificación automática de tejidos corporales

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US15/350,687 Continuation US10007985B2 (en) 2014-05-14 2016-11-14 Method for the automatic segmentation and quantification of body tissues

Publications (2)

Publication Number Publication Date
WO2015172753A2 true WO2015172753A2 (es) 2015-11-19
WO2015172753A3 WO2015172753A3 (es) 2016-01-21

Family

ID=51610697

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CO2015/000009 WO2015172753A2 (es) 2014-05-14 2015-05-11 Método para la segmentación y cuantificación automática de tejidos corporales

Country Status (5)

Country Link
US (1) US10007985B2 (es)
EP (1) EP3144892B1 (es)
JP (1) JP6329697B2 (es)
CO (1) CO7020178A1 (es)
WO (1) WO2015172753A2 (es)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016043691A1 (en) * 2014-09-15 2016-03-24 Analogic Corporation Noise reduction in a radiation image
CN105931251A (zh) * 2016-05-12 2016-09-07 中国科学院深圳先进技术研究院 一种ct图像扫描床去除方法及装置
WO2019000418A1 (zh) * 2017-06-30 2019-01-03 上海联影医疗科技有限公司 组织密度分析方法及系统
ES2719264A1 (es) * 2018-01-08 2019-07-09 Cella Medical Solutions Sl Equipo de ayuda para intervencion mamaria
JP7082993B2 (ja) * 2018-01-24 2022-06-09 富士フイルム株式会社 医療画像処理装置、方法及びプログラム、診断支援装置、方法及びプログラム並びに医療支援システム及び方法
WO2019152850A1 (en) * 2018-02-02 2019-08-08 Centerline Biomedical, Inc. Segmentation of anatomic structures
WO2020012884A1 (ja) * 2018-07-13 2020-01-16 古野電気株式会社 超音波撮像装置、超音波撮像システム、超音波撮像方法および超音波撮像プログラム
CN111091017A (zh) * 2018-10-24 2020-05-01 北京意锐新创科技有限公司 高频次交易状态下的移动支付设备的收银优化方法和装置
CN110400626B (zh) * 2019-07-08 2023-03-24 上海联影智能医疗科技有限公司 图像检测方法、装置、计算机设备和存储介质
CN110786854A (zh) * 2019-11-05 2020-02-14 广州互云医院管理有限公司 一种水脂混合体系下的反转回复序列t1测量方法
KR20210073282A (ko) * 2019-12-10 2021-06-18 한국전자통신연구원 영상 처리 장치 및 이를 포함하는 석회화 분석 시스템
CN113505798B (zh) * 2021-06-22 2024-03-22 浙江工业大学 一种时变数据的特征提取与追踪方法
CN114862877B (zh) * 2022-05-27 2024-03-22 四川大学华西医院 基于置信度评分的细胞粘连分割方法和装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011139232A1 (en) 2010-05-03 2011-11-10 Nanyang Technological University Automated identification of adipose tissue, and segmentation of subcutaneous and visceral abdominal adipose tissue

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5657362A (en) * 1995-02-24 1997-08-12 Arch Development Corporation Automated method and system for computerized detection of masses and parenchymal distortions in medical images
JPH1010053A (ja) * 1996-06-24 1998-01-16 Nissan Motor Co Ltd 表面欠陥検査装置
JP4095811B2 (ja) * 2002-02-20 2008-06-04 正仁 田谷 剥離細胞選別装置、剥離細胞選別方法及びそのプログラム
WO2004089219A1 (ja) * 2003-04-08 2004-10-21 Hitachi Medical Corporation 医用画像診断支援装置及び方法
WO2007099525A2 (en) 2006-03-03 2007-09-07 Medic Vision - Brain Technologies Ltd. System and method of automatic prioritization and analysis of medical images
JP4670740B2 (ja) * 2006-06-07 2011-04-13 富士ゼロックス株式会社 画像生成装置、画像処理システム、及びプログラム
JP4492886B2 (ja) * 2008-04-03 2010-06-30 富士フイルム株式会社 ３次元腹腔内領域検出装置、方法、およびプログラム
WO2010098211A1 (ja) * 2009-02-24 2010-09-02 独立行政法人理化学研究所 輪郭抽出装置および輪郭抽出方法、並びにプログラム
JP5871325B2 (ja) * 2010-09-30 2016-03-01 日本電気株式会社 情報処理装置、情報処理システム、情報処理方法、プログラム及び記録媒体
JP5576775B2 (ja) * 2010-11-29 2014-08-20 オリンパス株式会社 画像処理装置、画像処理方法、及び画像処理プログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011139232A1 (en) 2010-05-03 2011-11-10 Nanyang Technological University Automated identification of adipose tissue, and segmentation of subcutaneous and visceral abdominal adipose tissue

Also Published As

Publication number Publication date
JP6329697B2 (ja) 2018-05-23
EP3144892A2 (en) 2017-03-22
WO2015172753A3 (es) 2016-01-21
US10007985B2 (en) 2018-06-26
US20170091935A1 (en) 2017-03-30
CO7020178A1 (es) 2014-08-11
EP3144892B1 (en) 2019-01-16
JP2017520354A (ja) 2017-07-27

Similar Documents

Publication Publication Date Title
WO2015172753A2 (es) Método para la segmentación y cuantificación automática de tejidos corporales
JP6031454B2 (ja) 撮像データにおける潜在異常を特定する方法及び装置並びに医用画像へのその応用
Bauer et al. Segmentation of interwoven 3d tubular tree structures utilizing shape priors and graph cuts
Xu et al. A hybrid method for airway segmentation and automated measurement of bronchial wall thickness on CT
ES2757629T3 (es) Método y aparato para la segmentación de vasos sanguíneos
US20180028137A1 (en) Method and system for extracting lower limb vasculature
US8073210B2 (en) Methods of smoothing segmented regions and related devices
US9990743B2 (en) Suppression of vascular structures in images
KR101472558B1 (ko) 흉부 단층영상에서 폐, 기관지 및 폐혈관 영상을 분할하기 위한 시스템 및 그 방법
ES2914779T3 (es) Método y aparato para generar datos cuantitativos para estructuras del árbol biliar
JP2015066311A (ja) 画像処理装置、画像処理方法、画像処理装置の制御プログラム、記録媒体
US9019272B2 (en) Curved planar reformation
CN106446515A (zh) 一种三维医学图像显示方法及装置
Manjunath et al. Domain-Based Analysis of Colon Polyp in CT Colonography Using Image-Processing Techniques
Mohd Noor et al. Segmentation of the lung anatomy for high resolution computed tomography (HRCT) thorax images
Myint et al. Effective kidney segmentation using gradient based approach in abdominal CT images
Schwing et al. Reliable extraction of the mid-sagittal plane in 3D brain MRI via hierarchical landmark detection
Zsoter et al. PET-CT based automated lung nodule detection
WO2019245506A2 (en) A method and an algorithm to conduct a safe biopsy on lung airways
Araujo et al. Computer aided detection of deep inferior epigastric perforators in computed tomography angiography scans
Kiraly 3D image analysis and visualization of tubular structures
EP3889896A1 (en) Model-based virtual cleansing for spectral virtual colonoscopy
Reinhardt et al. Pulmonary imaging and analysis
Noorda et al. Segmentation of the Cartilage in the Rib Cage in 3D MRI
Ziselman et al. Gadolinium-Free Crohn’s Disease Assessment from Magnetic Resonance Enterography Data

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15754102

Country of ref document: EP

Kind code of ref document: A2

ENP Entry into the national phase

Ref document number: 2017512098

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

REEP Request for entry into the european phase

Ref document number: 2015754102

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2015754102

Country of ref document: EP