[IEEE 2012 XXXVIII Conferencia Latinoamericana En Informatica (CLEI) - Medellin, Colombia...
-
Upload
marcela-hernandez -
Category
Documents
-
view
214 -
download
2
Transcript of [IEEE 2012 XXXVIII Conferencia Latinoamericana En Informatica (CLEI) - Medellin, Colombia...
978-1-4673-0793-2/12/$31.00 ©2012 IEEE
Segmentation of the pulmonary vascular tree
Juan-Carlos Prieto, Chantal Revol-Muller,
Christophe Odet, Maciej Orkisz
CREATIS, Université de Lyon; Université Lyon 1; INSA-
Lyon; CNRS UMR5220; INSERM U1044; F-69621
Villeurbanne, France
{prieto, chantal.muller, maciej.orkisz}@creatis.insa-lyon.fr
Carolina Pérez Romanello, Vanessa Pérez Romanello,
Marcela Hernández Hoyos
Grupo Imagine, Grupo de Ingeniería Biomédica
Universidad de Los Andes Bogotá, Colombia
{c.perez75, va.perez, marc-her}@uniandes.edu.co
Abstract—A method to semi-automatically segment the
pulmonary vascular tree from computed axial tomography
(CAT) images is presented. The main goal is to aid the diagnosis
and treatment of acute respiratory distress syndrome and
pulmonary embolism. The proposed methodology is based on a
variational region growing method and a multi-scale vessel
enhancement filter. Preliminary studies were made with a 20
CAT image dataset that included healthy and pathological lung
scans. The results were satisfactory, although in some cases
vessels were not correctly distinguished from other thin
structures such as mucus-filled bronchi, nodules and airway walls connected to vessels.
Keywords-segmentation; vesselness; pulmonary vascular tree;
hessian matrix
I. INTRODUCCIÓN
La segmentación del árbol vascular pulmonar es importante para varias aplicaciones clínicas. En el caso de este proyecto, se busca realizar esta segmentación con dos objetivos específicos: la detección de tromboembolismo pulmonar (TEP) y el soporte en la correcta aplicación de la ventilación mecánica en el tratamiento del síndrome de deficiencia respiratoria aguda (SDRA).
El TEP consiste en una obstrucción de la arteria pulmonar por un trombo o émbolo que puede causar disminución o bloqueo total del paso de la sangre del corazón a los pulmones, resultando en una deficiencia de oxígeno en el paciente. Es la tercera causa de morbilidad cardiovascular después de la cardiopatía isquémica y la enfermedad cerebrovascular. Para su tratamiento se necesita obtener el árbol arterial pulmonar con el propósito de detectar los trombos y extraer su información.
Por otro lado, cuando un paciente sufre de SDRA, su nivel de oxígeno en la sangre disminuye significativamente debido a que se produce una acumulación de líquido en los alveolos de los pulmones y esto resulta en una falla en el funcionamiento
de los mismos ya que se pierde habilidad para intercambiar oxígeno y expandirse a su capacidad total. Esto se puede dar por una variedad de factores como lesiones o infecciones, y su tratamiento implica la aplicación de ventilación mecánica. Sin embargo, si la cantidad de oxígeno aplicado excede la capacidad pulmonar del individuo, se pueden provocar daños severos en los pulmones que llevan a la muerte. Por esto es importante para el médico que aplica el tratamiento tener conocimiento previo de la cantidad de oxígeno (volumen) que puede contener cada pulmón, por lo que se requiere segmentar el área de los pulmones del paciente y extraer los árboles vascular pulmonar y bronquial para realizar esta medición.
El objetivo de este proyecto es proponer un método de segmentación del árbol vascular pulmonar con una interacción mínima por parte del usuario. El artículo está organizado de la siguiente manera: en la sección II se presentan trabajos relacionados con la segmentación del árbol vascular pulmonar; el método usado para la segmentación es presentado en la sección III; los resultados del método aplicado a varias imágenes son mostrados y analizados en la sección IV; y finalmente, las conclusiones y trabajo futuro son dados en la sección V.
II. ESTADO DEL ARTE
Las técnicas existentes de segmentación del árbol vascular
generalmente utilizan imágenes médicas de tomografía axial
computarizada (TAC). Debido a la naturaleza de estas
imágenes, es muy común encontrar métodos que utilizan
técnicas sencillas de umbralización y crecimiento de regiones
ya que, visualmente, se puede notar que la región
perteneciente a los vasos pulmonares tiene niveles de gris
claros, mientras que el área que contiene aire (área por fuera
de los vasos y área interna de los bronquios) tiene un nivel de
gris oscuro. Otras técnicas más avanzadas utilizan adicionalmente la matriz de segundas derivadas de la imagen,
ya que esta facilita la tarea de resaltar estructuras tubulares
presentes.
Existen varios métodos como el de Shikata[1] donde se
aplica un crecimiento de regiones y el algoritmo de slice
marching (RGSM) para segmentar únicamente las arterias
pulmonares. Adicionalmente se utilizan los valores propios de
la matriz de segundas derivadas para resaltar los bordes entre
diferentes órganos y evitar un desborde en el algoritmo. Otros métodos como el de Ebrahimdoost[2] que buscan extraer
únicamente el árbol arterial pulmonar, utilizan esta matriz para
remover la conectividad entre las arterias y otros órganos
cercanos (como el corazón), para luego aplicar un crecimiento
de regiones que se inicializa en la región del corazón. Métodos
como el de Lorigo[3] se basan en una evolución de curvas y
superficies que modelan los límites de un objeto como un
bloque y que, de forma iterativa, buscan minimizar un criterio
de energía.
Otras técnicas [4, 5] utilizan igualmente la matriz de
segundas derivadas para generar un criterio de pertenencia de
un vaso llamado vesselness (por su nombre en inglés) y adicionalmente aplicar un filtro gaussiano para detectar
estructuras tubulares en la imagen y obtener para cada vóxel
su probabilidad de pertenecer al árbol vascular pulmonar. En
general, estos métodos aplican un filtro gaussiano multi-escala
de tal forma que se detecten tanto las estructuras tubulares
grandes como las de menor tamaño que pueden ser poco
visibles en la imagen.
Para efectos de este proyecto, se busca un enfoque donde se
utilice tanto el criterio de vesselness mencionado
anteriormente como un crecimiento de regiones automatizado
que permita segmentar la región de vasos pulmonares casi en su totalidad.
III. MÉTODO
La segmentación del árbol vascular pulmonar se lleva a cabo por medio de un crecimiento de regiones variacional o VRG [5] cuya inicialización y evolución dependen de un criterio dado y una función de energía que determina cómo debe crecer la región de segmentación. El algoritmo recibe dos imágenes de entrada: la imagen TAC del tórax de un paciente y una máscara binaria que delimita únicamente la región de los pulmones. Sobre la primera imagen se calcula, para cada vóxel, un criterio de pertenencia a vasos, arrojando como resultado una nueva imagen denominada vesselness. Esta última es utilizada para determinar la evolución del algoritmo de crecimiento de regiones, así como para la selección automática de semillas para inicializar el mismo. A continuación se describe en detalle cada una de las etapas del método (figura 1).
A. Generación de la imagen de vesselness
El algoritmo se basa en el criterio de vesselness definido
por Sato [6], el cual busca resaltar estructuras tubulares sobre la
imagen de entrada. La idea es calcular derivadas de segundo
orden para cada vóxel y así construir la matriz Hessiana de la
imagen. Dado que estas derivadas presentan sensibilidad al
ruido, se aplica un filtro gaussiano utilizando varias escalas σ
para suavizar la imagen. El rango de escalas [ considerado en el algoritmo es definido por el usuario.
Figura 1. Diagrama de flujo del método utilizado para la segmentación.
Imágenes de Entrada
Criterio Vesselness
Inicialización
Algoritmo VRG
Imagen de Salida
Sean y los valores propios de la matriz Hessiana
para un vóxel x, donde | | | | | | En una estructura
tubular ideal, el vóxel debería cumplir con los siguientes
criterios: | | , | | | | y .
El cálculo de la imagen vesselness ( ) (figura 2) se
construye a partir de la mejor respuesta del filtro sobre todas las escalas consideradas para cada vóxel x:
( )
{
(
( ) )
(
( ) )
(1)
donde y son parámetrosy Se escogen por
defecto los valores propuestos por Sato para cada una de estos parámetros: 0,5 y 2,0 respectivamente. Una vez se construye
esta imagen, se puede proceder a la inicialización del
algoritmo VRG.
B. Inicialización del algoritmo VRG
Para dar inicio a la segmentación, se deben seleccionar los
puntos semilla a partir de los cuales se realizará el crecimiento de regiones. La selección de estos puntos se hace de forma
automática de acuerdo a los siguientes criterios [4]:
(2)
(3)
(| | | |
| | | |) (4)
(| | | |
| | | |) (5)
donde w √
y ̅ ( ) siendo ̅ y
( ) respectivamente el valor promedio y desviación estándar
de a través de la imagen, y y parámetros que
determinan los umbrales. Dado que para estructuras brillantes
tubulares, y , se define por empíricamente que
y Se generan entonces las semillas sobre
los puntos que cumplan estos criterios y que se encuentren
dentro de la región de los pulmones delimitada por la máscara
de entrada.
C. Crecimiento de regiones variacional
Una vez se hayan seleccionado las semillas, se inicia el algoritmo de crecimiento de regiones. La idea es recuperar un
objeto de interés por medio de una función discreta (6) que
cambia de acuerdo a la minimización de un criterio de energía
(8). Para la segmentación de interés, se marcan con 1 aquellos
vóxeles que pertenecen a la región del árbol vascular , y
con 0 aquellos vóxeles que no pertenecen a la región del árbol
.
( ) {
(6)
El algoritmo realiza varias iteraciones. En cada iteración n,
se analizan los vóxeles vecinos a la región . Si la suma de
estos vóxeles disminuye la energía, se agregan a la región y la
función se actualiza de la siguiente forma:
( )
( ( ( ))) (7)
( ) ( ( )) (8)
La función de energía que se utiliza para el crecimiento en
cada iteración se basa en el criterio de vesselness y en los
niveles de gris de la imagen original :
( )
(|
| |
| ) (9)
|
| (|
| |
| )
donde es el máximo valor (nivel de gris) encontrado en
la imagen original, es el máximo valor encontrado en la
imagen de vesselness, y
son los valores promedio
de los vóxeles de la imagen de vesselness dentro y fuera de la
región de interés, y y
son los valores promedio de
los vóxeles de la imagen original dentro y fuera de la región
de interés.
Figura 2. Imagen resultado de aplicar el criterio vesselness sobre una
imagen TAC. Arriba: vista coronal de la imagen. Abajo: vista sagital de
la imagen.
Una vez el algoritmo encuentra convergencia o llega a un
número máximo de iteraciones permitidas, éste se detiene y se
obtiene la imagen resultado de la segmentación. La
convergencia del algoritmo se da una vez la función de
energía llegue a un punto mínimo. Se definió igualmente un
número máximo de iteraciones para que el algoritmo no se desborde en el caso de que no encuentre convergencia.
IV. RESULTADOS
Esta sección muestra los resultados obtenidos al aplicar el
método propuesto sobre imágenes con diferentes
características. Primero se explica la metodología de
evaluación utilizada y después se hace un análisis de estos
resultados.
A. Metodología de evaluación
Los resultados preliminares fueron enviados al desafío VESSEL121. El objetivo del desafío era identificar vasos en
imágenes TAC de pulmones humanos, tanto de pacientes
asintomáticos, como de pacientes con patologías que afectan
el pulmón de tal manera que dificultan la identificación de los
vasos (enfisemas, nódulos, embolismos pulmonares, entre
otros). El conjunto de datos consiste en 20 imágenes de
diferentes fuentes que representan los escáneres y protocolos
más comunes clínicamente. En aproximadamente la mitad de
las imágenes fue usado un producto de contraste.
Se utilizaron para el conjunto completo de imágenes los
siguientes valores de parámetros: y El rango designado para las escalas
[ se escogió de forma empírica tomando en cuenta
los diámetros de los vasos.
Actualmente sólo existe la evaluación de resultados
realizada por los organizadores del desafío. Ésta consiste en la
comparación de cada una de las imágenes segmentadas por el
algoritmo con los datos de referencia propiciada por algunos
expertos. Cada uno de ellos etiquetó manualmente las
diferentes imágenes usando las siguientes clases:
• Vaso
• No-Vaso: Parénquima pulmonar
• No-Vaso: Fisura
• No-Vaso: Bronquio/Pared bronquial
• No-Vaso: Lesión El resultado de la segmentación es una imagen binaria
donde los vóxeles que pertenecen a la región del árbol
vascular tienen valor 255 (blanco) y los vóxeles que no
pertenecen a esta región tienen valor 0 (negro). Para la
evaluación se tomaron los vóxeles correspondientes a los
vasos como positivos y los no vasos como negativos, tanto del
valor estimado (imagen segmentada por el algoritmo) como del valor real (imagen etiquetada) y se analizaron los
siguientes factores:
• Verdaderos positivos (VP): Ambos valores son positivos
1http://vessel12.grand-challenge.org/
• Verdaderos negativos (VN): Ambos valores son negativos
• Falsos positivos ( FP): El valor estimado es positivo y el valor real es negativo
• Falsos negativos (FN): El valor estimado es negativo y el valor real es positivo
• Especificidad (Es): Cantidad de vasos correctamente
identificados.
• Sensibilidad (Se): Cantidad de no vasos
correctamente identificados.
• Análisis con curva ROC
Para el análisis de resultados, se analiza específicamente el
valor del área bajo la curva ROC (Az), la especificidad y la
sensibilidad. Para la interpretación de estos valores, se tienen en cuenta los siguientes intervalos:
• [0 – 0,6): Malo
• [0,6 – 0,75) Regular
• [0,7 – 0,9) Bueno
• [0,9 – 0,97) Muy bueno
• [0,97-1] Excelente
Figura 3. Reconstrucción 3D de la segmentación de la imagen. Arriba: imagen VESSEL12_02. Abajo: imagen VESSEL12_20.
B. Evaluación de resultados
Se inició el análisis examinando los resultados de los
volúmenes completos, mostrados en la tabla I. En general, no
se detecta mucho ruido en la totalidad de las segmentaciones.
Sin embargo, la sensibilidad es bastante baja en la mayoría de
los casos, lo cual quiere decir que hay vasos que no son detectados correctamente. En la figura 3 se puede observar la
reconstrucción 3D de una segmentación con Az de 0,69 y muy
baja sensibilidad (0,31) y la reconstrucción de una imagen con
Az de 0,94 y con buena sensibilidad (0,882). Aunque ambas
presentan falsas detecciones, la segunda imagen está
visiblemente más poblada.
TABLA I RESULTADOS VOLUMEN COMPLETO
Conjunto de datos Az Es Se
Todos los vasos /
No-vasos 0,74 0,834 0,555
VESSEL12_01 0,82 0,997 0,551
VESSEL12_02 0,69 1.000 0,311
VESSEL12_03 0,67 1.000 0,319
VESSEL12_04 0,78 0,998 0,504
VESSEL12_05 0,69 0,996 0,346
VESSEL12_06 0,75 0,994 0,418
VESSEL12_07 0,84 0,992 0,667
VESSEL12_08 0,65 0,995 0,318
VESSEL12_09 0,68 0,995 0,388
VESSEL12_10 0,75 0,993 0,507
VESSEL12_11 0,73 0,996 0,481
VESSEL12_12 0,73 0,997 0,439
VESSEL12_13 0,79 0,995 0,482
VESSEL12_14 0,84 0,967 0,628
VESSEL12_15 0,79 1.000 0,533
VESSEL12_16 0,71 1.000 0,379
VESSEL12_17 0,65 1.000 0,293
VESSEL12_18 0,65 1.000 0,34
VESSEL12_19 0,73 0,993 0,462
VESSEL12_20 0,94 0,973 0,882
TABLA II
RESULTADOS POR REGIONES
Dataset Az Es Se
Vasos pequeños/
No-vasos 0,444 0,332 0,646
Vasos medianos/
No-vasos 0,766 0,776 0,606
Vasos grandes/
No-vasos 0,981 0,982 0,968
Vasos/
Pared bronquial 0,544 0,877 0,475
Vasos/
Anormalidades densas 0,567 0,67 0,475
Vasos/
Bronquios llenos de mucosidad 0,276 0,357 0,475
Vasos en anormalidades densas/
Anormalidades densas
(producto de contraste)
0,79 0,765 0,692
Vasos/
Nódulos (CAD) 0,397 0,395 0,475
Figura 4: Segmentación de vasos grandes y pequeños: Resaltado en color
verde se observan vasos grandes correctamente segmentados y en resaltado
en color amarillo, estructuras identificadas incorrectamente como vasos
pequeños. Arriba: imagen original. Abajo: imagen segmentada.
Analizando la tabla II se pueden apreciar las fortalezas y las debilidades del algoritmo. Hay alta especificidad y
sensibilidad en vasos grandes, valores no tan altos en vasos
medianos y valores bajos en vasos pequeños (figura 4).
Teniendo en cuenta que aproximadamente la mitad de las imágenes tenían elementos patológicos que dificultan la
segmentación, es importante entender cuáles logran ser
identificados como no-vasos. Cuando se usa producto de
contraste, hay una buena distinción de anormalidades densas
con vasos; sin embargo, si este no se utiliza, hay una gran
dificultad para distinguir ambos elementos. En la
segmentación se están incluyendo partes de la pared del árbol bronquial (figura 5), así como algunos nódulos. La mayor
deficiencia del algoritmo es la distinción de los vasos con
bronquios llenos de mucosidad (figura 6), que, aunque son
patologías poco comunes, son las más difíciles de diferenciar
porque son estructuras arbóreas con un nivel de contraste muy
similar al de los vasos.
V. CONCLUSIONES Y TRABAJO FUTURO
Se presentó un método que, partiendo de una imagen TAC
del pulmón, obtiene una segmentación del árbol vascular
pulmonar. La intervención del usuario es mínima, ya que la
detección de semillas para el crecimiento de regiones se hace automáticamente. El método detecta bien las estructuras
tubulares, pero en algunos casos no distingue bien los vasos de
estructuras que no son de interés. Sin embargo, para los casos
de SDRA, muchas de estas estructuras deben igualmente ser
extraídas de la región del pulmón.
Actualmente se está haciendo una revisión del método para
tratar los aspectos donde se encontraron fallas. Para mejorar
la detección de vasos pequeños se realizó una reformulación
del método en el cual se busca lanzar el algoritmo VRG escala
por escala, adecuando cada iteración al tamaño de los vasos.
Es decir que por cada escala encontrada en el rango [ y partiendo de la escala más gruesa hasta la más
delgada, se recorre el volumen, se seleccionan las semillas y
se aplica un crecimiento de regiones utilizando la escala actual.
La idea de aplicar repetidas veces el crecimiento variacional es
adecuarlo en cada iteración a un cierto tamaño de vaso
definido por la escala. Igualmente, entre iteraciones se
compara vóxel por vóxel el resultado de la segmentación anterior (iteración i-1) con la segmentación actual (iteración i),
y a partir de esto reconstruir la mejor respuesta para la
iteración i.
Por otra parte, para diferenciar las estructuras vasculares de
paredes bronquiales y de bronquios llenos de mucosidad, se
integrará el método propuesto a una técnica de segmentación
del árbol bronquial cuyo desarrollo está en curso.
Para que el método sea completamente automático, se desea
la selección automática de parámetros, eliminando el factor
humano en la medición aproximada de los vasos.
Adicionalmente, para poder detectar trombos correctamente, es necesario poder separar las venas de las arterias, ya a que a
la altura del pulmón, éstos sólo se encuentran en las arterias.
Finalmente, a partir de una extracción del árbol vascular
pulmonar, bronquial y/o cardiovascular se desea poder
almacenar información (diámetro, bifurcaciones) jerárquica de
árboles de diferente tipo.
Figura 5. Segmentación de la pared bronquial: Resaltado en color amarillo
se pueden observar partes de la pared bronquial que fueron identificadas
como vasos. Arriba: imagen original. Abajo: imagen segmentada.
Figura 6: Segmentación de bronquios llenos de mucosidad: Resaltado en
color verde se pueden observar algunos bronquios llenos de mucosidad
que fueron identificados como vasos. Arriba: imagen original. Abajo:
imagen segmentada.
REFERENCIAS
[1] Shikata, H., McLennan, G., Hoffman, E. A., and Sonka, M. 2009. “Segmentation of pulmonary vascular trees from thoracic 3D CT
images”. Journal of Biomedical Imaging 2009, Artículo 24 (Enero 2009), 11 páginas. DOI: 10.1155/2009/636240. [En linea]
http://dx.doi.org/10.1155/2009/636240.
[2] Ebrahimdoost, Y., Qanadli, S.D., Nikravanshalmani, A., Ellis, T.J.,
Shojaee, Z.F., Dehmeshki, J. "Automatic segmentation of Pulmonary Artery (PA) in 3D pulmonary CTA images," Digital Signal Processing
(DSP), 2011 17th International Conference on, pp.1-5, 6-8 (Julio 2011). DOI: 10.1109/ICDSP.2011.6004964 [En línea]
URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6004964&isnumber=6004864
[3] L. M. Lorigo, O. D. Faugeras, W. E. L. Grimson, et al., “CURVES:
curve evolution for vessel segmentation,”Medical Image Analysis, vol. 5, no. 3, pp. 195–206, 2001.
[4] Lo, P., Sporring, J., Ashraf, H., Pedersen, J. J., and de Bruijne, M.
(2010). “Vessel-guided airway tree segmentation: A vóxel classification approach” Medical Image Analysis, 14(4), August 2010, pp. 527– 538.
[5] Pacureanu, A., Revol-Muller, C., Rose, J.-L., Sanchez Ruiz, M., and
Peyrin, F. “A vesselness-guided variational segmentation of cellular networks from 3D micro-CT” in Proc. IEEE Int. Symp. Biomed.
Imaging: from Nano to Macro, ISBI’10, pp. 912–915, Piscataway, NJ, USA. IEEE Press.
[6] Sato, Y., Nakajima, S., Atsumi, H., Koller, T., Gerig, G., Yoshida, S.,
and Kikinis, R. (1997). “3D multi-scale line filter for segmentation and visualization of curvilinear structures in medical images. In Troccaz, J.,
Grimson, E., and Msges, R., editors, CVRMed-MRCAS’97, volume LNCS 1205, pp. 213–222. Springer Berlin / Heidelberg.