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):
donde s es la energía libre a minimizar, f es la función del potencial de la imagen, μ, u
x y u
y 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 )
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:
Criterio viscera! fuerte:
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.