Escola Politècnica Superior - UdGeia.udg.es/~draba/documents/PFCMarcTorramilans.pdf · Escola...

Escola Politècnica Superior

Projecte/Treball Final de Carrera Estudi: Enginyeria Tècnica en Informàtica de Gestió

Títol: Sistema informàtic de gestió, processament i anàlisi d’imatges de ressonància magnètica de la pròstata per l’ajuda en el diagnosi del càncer. Document: Memòria Alumne: Marc Torramilans Privat Director/Tutor: Jordi Freixenet i Bosch / David Raba Sánchez Departament: Electrònica, Informàtica i Automàtica

Àrea: Arquitectura i Tecnologia de Computadors

Convocatòria: Juny 2005

Índex de Continguts 1. DESCRIPCIÓ DEL PROJECTE....................................................................................................6

1.1. OBJECTIUS DEL PROJECTE..........................................................................................................6 1.2. PLANIFICACIÓ ............................................................................................................................8

2. MARC DE TREBALL ...................................................................................................................14 2.1. EL CÀNCER DE PRÒSTATA ........................................................................................................14 2.2. SÍMPTOMES ..............................................................................................................................15 2.3. DIAGNOSI.................................................................................................................................16 2.4. RESSONÀNCIA MAGNÈTICA TRANSRECTAL .............................................................................17 2.5. ECOGRAFIA TRANSRECTAL ......................................................................................................17 2.6. EL PROJECTE PROSCAN..........................................................................................................18 2.7. ENTORN DE DESENVOLUPAMENT.............................................................................................19

3. PLATAFORMA MRI DE PRÒSTATA........................................................................................21 3.1. OBJECTIUS ...............................................................................................................................21 3.2. ANÀLISI ...................................................................................................................................21

3.2.1. Imatge de Ressonància Magnètica (MRI) ..........................................................................22 3.2.2. Requeriments de la plataforma...........................................................................................24

3.3. DISSENY...................................................................................................................................25 3.3.1. Adquisició ...........................................................................................................................25 3.3.2. Tractament..........................................................................................................................26 3.3.3. Visualització .......................................................................................................................26 3.3.4. Diagrames UML.................................................................................................................27

3.4. IMPLEMENTACIÓ ......................................................................................................................28 3.4.1. Llibreries ............................................................................................................................28 3.4.2. Qt........................................................................................................................................29

4. PROCÉS D’ADQUISICIÓ D’IMATGE.......................................................................................30 4.1. OBJECTIUS ...............................................................................................................................30 4.2. ANÀLISI ...................................................................................................................................30

4.2.1. Sistemes de Comunicació i arxiu d’imatges mèdiques (PACS) ..........................................30 4.2.2. Format DICOM d’imatges mèdiques .................................................................................32 4.2.3. Les Parts de DICOM ..........................................................................................................33 4.2.4. Estructura i organització de les dades en l’arxiu...............................................................34 4.2.5. DICOMDIR ........................................................................................................................38

4.3. DISSENY...................................................................................................................................39 4.3.1. Diferents vistes per les imatges ..........................................................................................39 4.3.2. Eines per el processament d’imatges..................................................................................41 4.3.3. Diagrames UML.................................................................................................................41

4.4. IMPLEMENTACIÓ ......................................................................................................................42 4.4.1. ITK......................................................................................................................................42 4.4.2. Qt........................................................................................................................................43

5. PROCÉS DE TRACTAMENT D’IMATGE ................................................................................44 5.1. OBJECTIUS ...............................................................................................................................44 5.2. ANÀLISI ...................................................................................................................................44

5.2.1. Clustering ...........................................................................................................................45 5.2.2. Creixement de regions ........................................................................................................47 5.2.3. Watersheds .........................................................................................................................48

5.3. DISSENY...................................................................................................................................49 5.3.1. Diagrames UML.................................................................................................................49

5.4. IMPLEMENTACIÓ ......................................................................................................................51 5.4.1. ITK......................................................................................................................................51 5.4.2. Qt........................................................................................................................................52

6. RECONSTRUCCIÓ I VISUALITZACIÓ ...................................................................................53

6.1. OBJECTIUS ...............................................................................................................................53 6.2. ANÀLISI ...................................................................................................................................53

6.2.1. Generació del volum...........................................................................................................53 6.2.2. Càlcul de característiques ..................................................................................................56

6.3. DISSENY...................................................................................................................................56 6.4. IMPLEMENTACIÓ ......................................................................................................................57

6.4.1. ITK......................................................................................................................................57 6.4.2. VTK.....................................................................................................................................57

7. PROVES I RESULTATS...............................................................................................................59 7.1. METODOLOGIA.........................................................................................................................59 7.2. EXPERIMENTS ..........................................................................................................................65

7.2.1. Segmentació........................................................................................................................66 7.2.2. Reconstrucció 3D ...............................................................................................................72

8. CONCLUSIONS I TREBALLS FUTURS....................................................................................75 9. BIBLIOGRAFIA ............................................................................................................................76 10. ANNEX A: MANUAL DE L’APLICACIÓ .............................................................................77

10.1. COMPILACIÓ DEL PROJECTE.....................................................................................................77 10.2. MANUAL D’USUARI..................................................................................................................77

Índex d’il·lustracions Figura 1.1 Esquema del sistema proposat per l’aplicació de tractament d’imatge prostàtica. ......7 Figura 1.2. Planificació de les tasques a desenvolupar al llarg del projecte. .................................11 Figura 2.1 Anatomia de la pròstata. (a) Vista lateral i (b) Vista frontal: Primera imatge de la vertical pròstata normal i a sota una pròstata hipertròfica, es pot observar com obstrueix el conducte urinari. ......................................................................................................................................14 Figura 2.2 (a) Aparell d’adquisició de ressonància magnètica i (b) mostra de un tall de la imatge adquirida de la pròstata mitjançant aquesta tècnica ..........................................................................17 Figura 2.3 Ecografia Transrectal: (a) Sonda ultrasònica endorectal i (b) Imatge d’ultrasons resultat.......................................................................................................................................................18 Figura 2.4 Procediment de biòpsia proposat el projecte ProSCAN .................................................19 Figura 3.1 Esquema General Plataforma MRI ....................................................................................21 Figura 3.2 Escàner MRI Achieva 3.0T de Philips ...............................................................................22 Figura 3.3 Mostra una imatge obtinguda amb MRI on podem identificar el maluc dret (A), la bufeta (B), el maluc esquerra (C), la pròstata (D) i el recte (E). .......................................................24 Figura 3.4 Estructura de la línia de procés del sistema ..................... ¡Error! Marcador no definido. Figura 3.5 Esquema de la jerarquia d’organització de les imatges. ................................................26 Figura 3.6 Diagrama de Casos d’ús de la Plataforma MRI ...............................................................27 Figura 3.7. Esquema de l’arquitectura de la plataforma de desenvolupament. ............................29 Figura 4.1 Esquema procés d’adquisició .............................................................................................30 Figura 4.2 Esquema d’un sistema a implantar en el departament de radiologia d’un hospital....32 Figura 4.3 Conjunt i format de fitxers. ..................................................................................................35 Figura 4.4 Esquema dels Data Elements.............................................................................................36 Figura 4.5 Vista Principal Aplicació.......................................................................................................40 Figura 4.6 Vista amb el model 3D i les 3 perspectives ......................................................................40 Figura 4.7 Diagrama d’Activitats d’obrir una exploració DICOM. .....................................................41 Figura 5.1 Objectiu ideal del procés de segmentació de la Pròstata...............................................44 Figura 5.2 Evolució dels centroides en l’algorisme k-means ............................................................46 Figura 5.3 Esquema del creixement de regions .................................................................................47 Figura 5.4 Diagrama amb les altituds (nivells de gris) i el concepte de watershed i conques de captació. ....................................................................................................................................................48 Figura 5.5 Procés de segmentació amb Watershed del fetge i la melsa. .......................................49 Figura 5.6 Diagrama d’activitat algorisme de Creixement de Regions............................................50 Figura 5.7 Diagrama d’Activitats algorisme k-mitjanes ......................................................................50 Figura 5.8 Diagrama d’Activitats algorisme Watershed .....................................................................51 Figura 6.1 Esquema procés de Visualització ......................................................................................53 Figura 6.2 Esquema d’un voxel .............................................................................................................54 Figura 6.3 Les 15 configuracions diferents de l’algorisme Marching Cubes. .................................54 Figura 6.4 Procés de Visualització........................................................................................................57 Figura 7.1 Phantom, Model 058 ............................................................................................................59 Figura 7.2 Visa superior i lateral del Phantom amb les seves parts. ...............................................60 Figura 7.3 Ultrasó del Phantom. La fletxa marcà la lesió. .................................................................61 Figura 7.4 Mostra 2 talls de 3 exploracions diferents de les imatges MRI obtingudes del Phantom....................................................................................................................................................62 Figura 7.5 Cas MRI pròstata. Vista axial..............................................................................................63 Figura 7.6 Cas MRI pròstata. Vista Sagital. La fletxa marca la pròstata.........................................64 Figura 7.7 Cas 3 MRI pròstata. Vista axial ..........................................................................................65 Figura 7.8 Resultats del procés de segmentació: Imatges originals, segmentació K-mitjanes i creixement de regions.............................................................................................................................67 Figura 7.9 Segmentacio Watershed .....................................................................................................68 Figura 7.10 Imatges Originals MRI pròstata. La fletxa indica la pròstata. ......................................68 Figura 7.11 Segmentació Imatges Reals amb K-mitjanes. ...............................................................69 Figura 7.12 Segmentació Imatges Reals amb Watershed................................................................70 Figura 7.13. Procés de retallat de la imatge per part de l’especialista. ...........................................70 Figura 7.14. Resultats obtinguts sobre les regions d’interès extretes. ............................................71 Figura 7.15. Talls inicials i finals del volum de la pròstata. ...............................................................72 Figura 7.16 Volum i malla amb els contorns de la segmentació. .....................................................73 Figura 7.17 Volum i malla després d’aplicar la reducció de triangles..............................................73

Figura 7.18 Volum i malla després de suavitzar el volum. ................................................................74 Figura 7.19 Volum i malla després de recalcular les normals. .........................................................74 Figura 10.1 Pantalla principal aplicació................................................................................................78 Figura 10.2 Quadre de diàleg d’Obrir exploració................................................................................79 Figura 10.3 Pantalla principal amb cas obert. .....................................................................................80 Figura 10.4 Desfer i Resetejar Imatge. ................................................................................................81 Figura 10.5 Quadre de diàleg d’Algorismes. .......................................................................................82 Figura 10.6 Guardar Arxiu......................................................................................................................83 Figura 10.7 Visualització 3D del volum. ...............................................................................................83 Figura 10.8. Visualització 3D juntament amb el càlcul del volum. ...................................................84

Capítol 1. Descripció del Projecte

6

1. Descripció del Projecte El càncer de pròstata és el segon càncer més comú en els homes, després del càncer de pell, i la segona causa principal de mort per càncer en els homes després del càncer de pulmó. El 30% dels homes de més de 50 anys tenen aquest tipus de càncer. És responsable de l’11% de totes les morts per càncer, tot i que només el 20% dels homes que el pateixen en moren a causa d’aquest. Com passa amb molts tipus de càncers, una detecció precoç augmenta les perspectives de curació.

La taxa de mortalitat per càncer de pròstata sembla que ha disminuït als Estats Units i Europa, perquè els homes han estat diagnosticats més precoçment. Això significa que els pacients diagnosticats en estadi precoç, tenen probablement millor pronòstic que els diagnosticats en estadi avançat. Tot i així, el fet de diagnosticar precoçment implica un seguit de mesures com ara el tacte rectal, estudi del PSA (una proteïna present en sang), i finalment la biòpsia del teixit prostàtic on les imatges proporcionades per la Ressonància Magnètica (RM) i els ultrasons (US) hi juguen un paper molt important.

Aquest Projecte Final de Carrera (PFC) es centra en la construcció d’una eina informàtica per la gestió, processament i anàlisis d’imatges de ressonància magnètica (RM), per obtenir un model tridimensional que permeti ajudar als radiòlegs en focalitzar una possible lesió cancerígena de la pròstata.

1.1. Objectius del Projecte En un diagnòstic precoç del càncer de pròstata la seva fiabilitat i localització exacte, són de gran ajuda per a la comunitat mèdica. Per això aquest PFC pretén fer més senzilla i concreta la utilització de les imatges mèdiques per obtenir un model en 3D de la pròstata. Dividirem els objectius en 4 apartats:

1.- Anàlisi, Disseny i Implementació de la plataforma per MRI de pròstata: L’aplicació s’encarregarà de la gestió, la càrrega i visualització de les imatges dels pacients. Cal remarcar que el disseny tindrà en compte la futura implantació de noves prestacions al sistema (US, Fusió d’imatge).

2.- Anàlisi i Implementació del mòdul gestor d’imatges DICOM: Les imatges DICOM són un estàndard d’imatge mèdica. Caldrà tenir en compte els diferents tipus de dades que pot contenir, com ara la informació del pacient, així com el fet de poder contenir una única imatge o bé múltiples talls equiespaiats d’una regió concreta (MRI de la pròstata), així com anotacions.

3.- Anàlisi i Implementació del mòdul de segmentació específica d’imatge prostàtica en MRI: S’estudiaran mètodes de segmentació no supervisada de les imatges de ressonància, ja que és important com a pas previ a la reconstrucció 3D. D’aquest estudi en derivarà l’algorisme a utilitzar per la segmentació de la pròstata. Es tindrà en compte el grau de precisió.


7

4.- Anàlisi i Implementació del mòdul de reconstrucció 3D de la pròstata: A partir dels talls segmentats reconstruirem la pròstata en 3D. La visualització d’aquest model permetrà a l’especialista planificar el mètode de biòpsia i realitzar estimacions de la fase en que es troba el possible càncer.

Aquesta aplicació oferirà un entorn de tractament d’imatges senzill, a partir del qual segmentarem les imatges obtingudes d’exploracions als pacients, per poder visualitzar el model 3D.

Figura 1.1 Esquema del sistema proposat per l’aplicació de tractament d’imatge prostàtica.

Així com mostra la Figura 1.1, tenint com a base les dades provinents de la ressonància magnètica de la pròstata, l’objectiu final és la identificació de la pròstata i la seva reconstrucció volumètrica, cosa que permetrà realitzar càlculs de volum, directament associat a hipertròfia de la pròstata i necessari per ponderar correctament l’impacte de l’índex de PSA en sang. Tots aquests conceptes s’explicaran detalladament en el següent capítol 2. Marc de Treball.

Obtenció malla Volumètrica

Generació del model 3D de la pròstata

Unió talls MRI

Segmentació i identificació de teixits

(1) (2) (3) (4)

Ressonància Magnètica

Talls segmentats


8

1.2. Planificació Per tal d’organitzar la feina a realitzar cal temporalitzar les tasques per tal d’assolir els objectius. A continuació es detalla en forma de calendari el pla de treball realitzat a 15 de Octubre del 2004.

5 6

8 9 10 11 12 13 14

15 16 17 18 19 20

22 23 24 25 26 27 28

29 30

7

21

1 2 3 42. Format DICOM – Adquisició Phantom Obtenció primeres imatges DICOM del phantom - Obrir fitxers DICOM Llegir dades DICOM 3. Integració Qt. Directoris DICOM

1 2

4 5 6 7 8 9 10

11 12 13 14 15 16

18 19 20 21 22 23 24

25 26 27 28 29 30 31

3

17

1. Primer contacte amb el projecte PFC’s. Contacte Qt / Visual C++


9

4 5

7 8 9 10 11 12 13

14 15 16 17 18 19

21 22 23 24 25 26 27

28

6

20 5. Algorismes de Segmentació

1 2 3 4. Eines bàsiques ITK

1

3 4 5 6 7 8 9

10 11 12 13 14 15

17 18 19 20 21 22 23

24 25 26 27 28 29 30

2

16

31

4. Eines bàsiques ITK

3 4

6 7 8 9 10 11 12

13 14 15 16 17 18

20 21 22 23 24 25 26

27 28 29 30 31

5

19

1 2 3. Integració Qt. Directoris DICOM Estudi Overlay DICOM Construcció Interficie Multivista


10

2 3 4 5 6 7 8

9 10 11 12 13 14

16 17 18 19 20 21 22

23 24 25 26 27 28 29

1

15

3130

7. Modelatge 3D (VTK)

8. Avaluació Resultats amb dades reals

1 2

4 5 6 7 8 9 10

11 12 13 14 15 16

18 19 20 21 22 23 24

25 26 27 28 29 30

3

17 7. Modelatge 3D (VTK)

6. Avaluació de Resultats

4 5

7 8 9 10 11 12 13

14 15 16 17 18 19

21 22 23 24 25 26 27

28 29 30 31

6

20

6. Avaluació de Resultats

1 2 3 5. Algorismes de Segmentació


11

Figura 1.2. Planificació de les tasques a desenvolupar al llarg del projecte.

Dels 4 objectius anteriors en desglossarem la feina d’aquesta manera:

1.- Primer contacte amb el projecte: documentació sobre projectes anteriors, contacte amb les llibreries a utilitzar.

2.- Format DICOM: Les imatges mèdiques estan guardades en un format especial, el format DICOM. Si volem tractar amb aquestes imatges hem d’entendre bé el seu funcionament.

3.- Integració Qt: Utilitzarem les llibreries Qt per construir una interfície gràfica fàcil d’utilitzar per els metges.

4.- Eines bàsiques ITK: Contacte amb les llibreries ITK per entendre el seu funcionament i extreure’n el major partit.

5.- Algorismes de Segmentació: Implementació d’algorismes de segmentació per extreure la regió de la pròstata en les imatges de ressonància. Integrar aquesta funcionalitat en l’aplicació Qt.

6.- Avaluació resultats: Si els resultats de l’algorisme no són els esperats. Tornarem al punt anterior per buscar altres algorismes més apropiats.

7.- Modelatge 3D (VTK): Utilitzarem les llibreries gràfiques VTK per extreure el contorn de la pròstata i generar un volum en 3D. Integrar les llibreries VTK en l’aplicació Qt.

8.- Avaluació resultats: Si els resultats de la visualització en 3D no són els desitjats, podem optar per canviar el sistema de visualització.

Aquest PFC s’emmarca dins el projecte ProSCAN: Computer Aided System for prostate cancer localisation using the integration of magnetic resonance and ecographic images. En aquest projecte hi participa la Universitat de Girona i especialistes de l’Hospital de Girona Josep Trueta i de la Clínica Girona. La

3 4

6 7 8 9 10 11 12

13 14 15 16 17 18

20 21 22 23 24 25 26

27 28 29 30

5

19

Documentació 1 2


12

planificació del projecte es realitza a dos anys vista, distribuint les tasques a realitzar entre el personal responsable de cada centre.

El present document es fruit del treball realitzat a diferents etapes incloses dins del projecte principal. A l’etapa en la que s’ha intervingut durant aquest projecte final de carrera, hi ha treballat un grup de persones. Els directors d’aquest PFC (Jordi Freixenet i David Raba), pertanyents al grup de Robòtica i Visió per Computador del departament d’Electrònica, Informàtica i Automàtica de la Universitat de Girona han supervisat els projectes que s’han realitzat dins aquest marc. Concretament hi han treballat dos persones, que són un projectista d’Enginyeria Tècnica en Informàtica de Gestió, Marc Torramilans, i un projectista d’Enginyeria Informàtica, Jordi Nievas. Moltes de les tasques han estat treballades en grup, tot i així, per sintetitzar podríem dir que en Jordi Nievas ha treballat en el procés d’imatge d’ultrasons i la fusió multi-modal (Ultrasons i Ressonància Magnètica). El meu treball dins el grup s’ha centrat en el disseny de l’arquitectura, la interfície d’usuari i en la gestió de les dades mèdiques (DICOM), les tècniques de segmentació d’imatge de ressonància i la reconstrucció i visualització tridimesional de la pròstata. La memòria que es presenta descriu la feina realitzada en el meu PFC i consta de 9 capítols i 1 annexa.

El capítol 1, Descripció del Projecte, introdueix els objectius principals i la planificació que s’ha intentat seguir. Val a dir però, que la majoria de tasques s’han allargat més del previst i s’ha fet ús de les setmanes de marge.

El capítol 2, Marc de treball, ens permet introduir diferents aspectes pel que fa a l’àmbit de treball del projecte i l’entorn de desenvolupament.

En el capítol 3, Plataforma MRI de Pròstata, entrem més en detall i passem a descriure l’estructura general del projecte d’una manera abstracte. Analitzarem com i perquè està distribuït en diferents mòduls, i la interacció principal amb l’usuari, sense entrar en més profunditat.

El capítol 4, Adquisició, és ja una part importat, el primer mòdul de l’aplicació. Analitzarem com s’obtenen les imatges necessàries per al funcionament de l’aplicació, fent especial esmena en l’equipament de que disposen els hospitals per obtenir-les i la forma com estan guardades. Això és de vital importància, ja que hem d’extreure tota la informació emmagatzemada relacionada amb les exploracions MRI.

El capítol 5, Tractament, és el segon mòdul del projecte. Aquí utilitzarem les imatges i tota la informació extreta d’aquestes, en el capítol anterior, per modificar-les de tal manera que puguem extreure encara més informació. Aquí és on eliminarem totes les regions de les imatges que no ens siguin d’utilitat, per quedar-nos només amb la regió que volem estudiar.

El capítol 6, Visualització, és l’últim mòdul del projecte, i és on recollirem els fruits que hem sembrant en els capítols anteriors. És el procés final, on visualitzarem una reconstrucció en tres dimensions de la regió obtinguda en el capítol 5. És molt important doncs, que en el capítol anterior haguem obtingut uns bons resultats. Del


13

model en 3D podrem extreure’n característiques relacionades amb la seva forma, volum, perímetre, etc.

En següent capítol, Proves i Resultats, analitzarem quines dades hem utilitzat per testejar l’aplicació i els resultats obtinguts segons les especificacions de cada capítol.

El capítol 8, Conclusions i Treballs Futurs, l’hem dedicat estudiar els resultats obtinguts i a explicar les utilitats que se’n poden extreure. També descriurem les ampliacions que poden derivar d’aquest projecte.

Per últim hem dedicat un capítol a la Bibliografia utilitzada per la realització d’aquest projecte.

Pel que fa a l’annex A, Manual d’Aplicació, s’explicarà el funcionament de l’aplicació i es detallarà l’entorn de desenvolupament per futures ampliacions.

Capítol 2. Marc de Treball

14

2. Marc de Treball Per tal de situar-se en l’entorn en que es treballarà, es veuran diferents aspectes que els uròlegs es troben en el dia a dia pel que fa al càncer de pròstata. Veurem quins són els factors que influeixen i quines són les eines en que es recolzen per tal de diagnosticar els seus pacients.

2.1. El càncer de pròstata La incidència del càncer de pròstata a Espanya és aproximadament de 40/100.000 habitants amb un creixement anual del 8%, i globalment s’estima que la incidència prospectiva a la comunitat europea serà de 118.175 nous casos a l’any 2020. Així mateix, la taxa de mortalitat a Espanya és del 18,1/100.000 habitants/any, la qual cosa representa uns 7.200 individus per any [Vilanova, 2001]. Aquestes dades constaten que el càncer de pròstata és una prioritat de la investigació mèdica. De fet, aquest tipus de càncer representa la segona causa de mort en homes amb càncer als països occidentals. Malgrat tot, si el càncer es diagnostica precoçment, les possibilitats de curació creixen substancialment. Així, esdevenen crucials els mètodes i procediments que permetin detectar i estudiar el càncer de pròstata [Ethan,2002].

(a) (b)

Figura 2.1 Anatomia de la pròstata. (a) Vista lateral i (b) Vista frontal: Primera imatge de la vertical pròstata normal i a sota una pròstata hipertròfica, es pot observar com obstrueix el

conducte urinari.

La pròstata és un òrgan a través del qual passa la uretra i darrera d’ella s’hi troben les glàndules seminals i els nervis que possibiliten l’erecció (La Figura 2.1 mostra amb més detall l’anatomia de la zona). Permet controlar el flux de la orina alhora que produeix el fluid seminal que acompanya als espermatozous que produeixen els

Pròstata Normal

Próstata Anormal


15

testicles. La majoria dels càncers de pròstata creixen molt lentament i persisteixen durant molt temps sense causar símptomes importants. Alguns càncers de pròstata, no obstant això, poden créixer i estendre’s molt ràpidament. Fins i tot aplicant les últimes tècniques diagnòstiques, és molt difícil diferenciar quins càncers poden ser una amenaça per a la vida del pacient i quins no requereixen ni tractament. Es desconeix també si els tumors poden tornar-se més malignes amb el temps.

Les causes que provoquen càncer no són del tot conegudes. S’estan estudiant els factors de risc que poden augmentar les possibilitats de patir aquesta malaltia. Entre d’altres tenim:

• L’edat: la probabilitat de patir càncer de pròstata augmenta considerablement a partir dels 50 anys. Més del 80% es diagnostica en homes majors de 65 anys.

• Raça: és més freqüent en homes de raça negre.

• Nacionalitat: es més comú a Amèrica del Nord i Europa Nord-occidental, i menys freqüent a Àsia, Àfrica, Amèrica Central i Amèrica de Sud.

• Dieta: Les grasses sembla ser que afavoreixen la possibilitat d’aparició de càncer de pròstata. Altres estudis posen èmfasi en que els homes que mengen més grasses, mengen menys quantitat de fruites i verdures, i que pot ser això el que augmenti el risc de càncer i no el fet de menjar grasses.

• Activitat física: realitzar una activitat física regular i mantenir el pes adequat ajuden a disminuir el risc de càncer de pròstata.

• Alteracions genètiques: en famílies en les que un dels seus membres, com el pare, han patit càncer de pròstata, creix el risc de que un altre membre pugui patir aquesta malaltia.

• Activitat hormonal: existeixen estudis que investiguen la relació de la testosterona amb el càncer de pròstata. En un principi aquesta hormona dispara el creixement del càncer, però en una fase avançada, aconsegueix frenar-ne el creixement.

La Societat Americana del Càncer recomana disminuir la ingestió de greixos i escollir aliments d’origen vegetal. Es recomana menjar cinc o més racions de fruites i vegetals, i també es aconsellable la ingestió freqüent de pa, cereals, arròs i pasta. La dieta mediterrània tradicional ajuda a prevenir aquest tipus de càncer [Glaxo, 2005].

2.2. Símptomes En les primeres etapes del càncer de pròstata no solen aparèixer gaires símptomes. Més endavant, quan la pròstata comença a créixer considerablement, exerceix pressió sobre la uretra, causant problemes. Els més comuns són:

• Necessitat d’orinar freqüentment i, sobre tot, per la nit.


16

• Dificultat per començar la micció o parar-la.

• Incapacitat per orinar.

• Interrupció del flux d’orina o dèbil.

• Micció dolorosa o sensació de cremor.

• Dificultat per tenir una erecció

• Ejaculació dolorosa

• Sang a l’orina o semen.

• Dolor freqüent o sensació de tensió en la part inferior de l’abdomen, a la pelvis o a la part superior de les cuixes.

2.3. Diagnosi Les eines més importants per al diagnòstic del càncer de pròstata són el tacte rectal i l’antigen prostàtic específic (PSA), a més de la biòpsia prostàtica en els casos de PSA elevat i tacte rectal sospitós per confirmar al diagnòstic.

• Tacte Rectal: El tacte rectal ha de formar part de la revisió física anual recomanada per els homes majors de 40 anys. Consisteix en la inserció d’un dit enguantat en el recte del pacient per detectar qualsevol anormalitat, palpant la superfície de la pròstata a través de la paret de l’intestí. Masses sospitoses, textures anormals o dureses portaran a investigacions posteriors.

• Antigen específic de la pròstata (PSA): El PSA és una proteïna produïda exclusivament per la pròstata. El nivell d’aquest antigen es pot mesurar amb un simple anàlisis sanguini. Les xifres de l’anàlisi per determinar el nivell de PSA s’expressen en nanograms per mil·lilitre. Els resultats per sota de 4ng/ml es consideren normals. Entre 4 i 10ng/ml són resultats dubtosos, poden estar associats amb principi de hiperplastia prostàtica (BPH), un creixement benigne de la pròstata, o prostatitis, una inflamació de la pròstata. Els nivells per sobre de 10ng/ml es consideren resultats alts i amb major probabilitat de presentar un càncer de pròstata. Aquests resultats, només donen idea de la probabilitat de tenir càncer de pròstata, però no la seguretat de tenir-ne. Segons el resultat de l’analítica i del tacte rectal, s’aconsellarà realitzar una biòpsia de la pròstata per confirmar el diagnosis.

La presència d’una anormalitat en el TR pot significar càncer en un 15-40% dels casos, i pel què fa al PSA està generalment acceptat que per a la detecció de càncer de pròstata no palpable s’ha de practicar una biòpsia prostàtica en valors per sobre de 4 ng/ml, i estudis recents mostren un nombre de càncers òrgan confinats particularment alt en valors entre 4 i 10 ng/ml 4. Tot i així, el valor predictiu positiu del PSA és del 32%, i per tant, aquestes indicacions suposen un alt índex de biòpsies negatives, fins i tot de forma repetida en un mateix pacient, amb el cost què això


17

representa (ecografia transrectal + biòpsia + anatomia patològica) i de morbilitat pel pacient, sobre tot a partir de la 2ª biòpsia seriada quan es produeix una elevació progressiva o persistent del PSA. La determinació del PSA pot donar molts falsos positius, amb el que es realitzarien moltes biòpsies de la glàndula innecessàries, augmentat l’ansietat del pacient [Ethan,2002].

2.4. Ressonància Magnètica Transrectal La ressonància magnètica (RM) amb coil endorectal (veure Figura 2.2) s’està utilitzant per l’estudi d’aquests pacients descrits anteriorment per tal d’establir la utilitat d’aquesta tècnica en el diagnòstic precoç del càncer de pròstata. En concret s’està establint un protocol de treball basat en l’elevada capacitat de detecció sense falsos positius de la ressonància endorectal que permet estalviar biòpsies repetides negatives en pacients amb elevació persistent del PSA i/o alteració del tacte rectal.

(a) (b)

Figura 2.2 (a) Aparell d’adquisició de ressonància magnètica i (b) mostra de un tall de la imatge adquirida de la pròstata mitjançant aquesta tècnica.

2.5. Ecografia Transrectal La glàndula de la pròstata és fàcilment accessible a través del recte, per tant l’ecografia es realitza transrectalment. L’aparell emet ones acústiques per produir la imatge de la glàndula. Amb aquesta prova es pot visualitzar la dimensió de la glàndula i el perfil. Es molt útil per tenir una idea de la dimensió i dirigir els processos de biòpsia i extirpació, però difícilment permet localitzar inicis de tumor. Aquesta tècnica dura uns 10-20 minuts, no és dolorosa però sí incòmode pel pacient (Figura 2.3).


18

Es recomana el seu us quan s’ha observat alguna anomalia amb les altres proves, per detectar on es localitza el tumor exactament i guiar així l’agulla per la biòpsia.

(a) (b)

Figura 2.3 Ecografia Transrectal: (a) Sonda ultrasònica endorectal i (b) Imatge d’ultrasons resultat.

2.6. El Projecte ProSCAN La biòpsia és un procediment quirúrgic on es prenen mostres de teixits per analitzar-los posteriorment. S’agafen varies mostres de diferents zones de la pròstata per tenir una visió representativa. És el mètode principal per confirmar el diagnòstic de càncer. Si es detecta el càncer a partir d’una biòpsia, altres procediments com radiografies, proves de laboratori i procediments computaritzats de radiologia diagnòstica seran útils per determinar el grau de la malaltia.

Com ja s’ha anunciat, el projecte ProSCAN:Computer Aided System for prostate cancer localisation using the integration of magnetic resonance and echographic images s’està duent a terme en col·laboració amb especialistes de l’Hospital de Girona Josep Trueta i de la Clínica Girona, juntament amb personal de recerca de la Universitat de Girona.

L’objectiu principal del projecte ProSCAN consisteix en el desenvolupament d’una nova eina informàtica per tal de guiar la biòpsia del càncer de pròstata mitjançant ecografia transrectal (ET) a partir de la informació de l‘espectroscòpia de ressonància magnètica endorectal (RME-S). Així, la nova eina guia, correlacionarà (registrarà) en temps real les imatges de ET i RME-S, oferint una màscara que es visualitzarà en la pantalla de l’ecògraf (veure Figura 2.4). La possibilitat de poder obtenir una superposició real de la imatge en RME-S amb la imatge d’ecografia, en el moment real en que s’està realitzant la biòpsia, resultaria una ajuda immillorable per poder precisar el lloc exacte de la biòpsia [Vilanova, 2001].


19

Aquesta possible correlació podria fins i tot, fer modificar l’algorisme i maneig dels pacients amb PSA aixecat. Així, es podria reduir el nombre de biòpsies que es fan en cada sessió (sextants), per únicament fer-les en les posicions on els nivells que la RME-S ha detectat, indiqui zona sospitosa. És a dir, el protocol canviaria de fer una biòpsia moltes vegades a cegues, a fer-la de forma dirigida al lloc indicat.

Figura 2.4 Procediment de biòpsia proposat el projecte ProSCAN.

2.7. Entorn de Desenvolupament Aquest PFC es desenvoluparà sota la plataforma Linux. Utilitzant el llenguatge C++ per a la implementació. Utilitzarem les llibreries Qt per implementar la interfície gràfica. A través del QDesigner, una software que permet crear la interfície d’una manera ràpida, construirem la nostra aplicació. Aquestes llibreries utilitzen un mètode de signals i slots que permet la comunicació entre els diferents objectes de la nostra interfície. Així podem enviar senyals als objectes per a que actuïn com desitgem.

Per al tractament de les imatges de ressonància hem escollit les llibreries ITK. Són unes llibreries per el processament, segmentació i registre d’imatges mèdiques. No tenen interfície gràfica ni serveixen per a visualitzar. Són de codi obert, i utilitzen una

RM Endorectal

Pre-Intervenció Biòpsia Eco-Dirigida

RME-S Endorectal Espectroscopia

Perfil local de PSA

B

A C

D

Biòpsia

Fusió d’imatge

?


20

metodologia d’implementació basada en un pipeline de procés. Per cada operació que vulguem dur a terme crearem el pipeline corresponent, hi passarem les dades de la imatge i n’obtindrem el resultat un cop executat.

Finalment per a la visualització del volum en 3D de la pròstata utilitzarem les llibreries VTK. És de codi obert. S’utilitza per processar gràfics en 3D, procés d’imatges i visualització. Suporta gran varietat d’algorismes de visualització incloent escalars, vectors, textures i mètodes volumètrics.

El fet d’utilitzar aquestes llibreries ens permet garantir la portabilitat del sistema a altres plataformes, adaptant-se a les eines dels especialistes.

En aquest PFC proposem construir una eina informàtica per la gestió, processament i anàlisi d’imatges MRI, per obtenir un model en tres dimensions a partir d’aquestes imatges de ressonància que permetria incloure en cada sector del model les propietats obtingudes amb el RME-S, i fer així un primer pas a l’hora de identificar possibles lesions de la pròstata. Per assolir els objectius d’aquest projecte és necessari, primer de tot, identificar-se amb les eines a utilitzar que, com hem explicat abans, són les llibreries Qt per a la interfície, les ITK per el tractament d’imatges mèdiques, i les VTK per a la visualització 3D [Ibáñez, 2003] [Schroeder, 2005].

Capítol 3. Plataforma MRI de pròstata

21

3. Plataforma MRI de pròstata 3.1. Objectius Aquest capítol fa referència al primer objectiu del projecte, la construcció de la plataforma MRI de la pròstata. Aquesta plataforma serà l’esquelet que contindrà la resta del projecte. Aquesta entitat superior engloba tres mòduls clarament diferenciats(Figura 3.1): l’adquisició, el tractament i la visualització. S’encarregarà dels processos comuns a cada mòdul, com pot ser l’emmagatzematge de les dades, i de permetre entre aquests una comunicació senzilla. També ha d’estar dissenyat de manera que permeti implantar futures prestacions al sistema.

Figura 3.1 Esquema General Plataforma MRI.

Analitzarem la forma com obtenir les dades a tractar, els requeriments de la plataforma i la utilització de l’entorn. I dissenyarem la interfície gràfica per emmarcar els tres mòduls del sistema. El disseny de la interfície ha de ser simple i donant molta importància a les imatges, ja que l’aplicació està encarada a l’ús per part dels radiòlegs, que necessiten poc espai d’aplicació i molt espai d’imatges.

3.2. Anàlisi En un primer moment ens hem de fixar en els requeriments del sistema. Per tal d’analitzar els requeriments de l’aplicació el primer que hem de fer és identificar els actors que interactuaran amb el sistema. En aquest cas l’únic actor que trobem és el radiòleg.

El segon pas és identificar les accions que aquest durà a terme. En la nostra aplicació les dades que entrarem al programa són les referents a les imatges obtingudes de MRI, que el radiòleg obrirà segons el cas del pacient a tractar. Les dades de sortida seran les imatges tractades en cada apartat. En aquest apartat analitzarem com obtenim les imatges que hem de tractar i descriurem els requeriments i l’entorn de la plataforma.

Adquisició Tractament Visualització

PLATAFORMA MRI DE PRÒSTATA


22

3.2.1. Imatge de Ressonància Magnètica (MRI) MRI, o Imatge per Ressonància Magnètica (Magnetic Resonance Imaging), és un procediment de diagnosi rutinari. Les imatges dels teixits interns del cos humà es produeixen utilitzant els minúsculs imans amb nuclis d’hidrogen que abunden al nostre cos, com a part de l’aigua, la grassa, les proteïnes, i altres molècules del nostre organisme. En un primer moment aquests imans estan apuntant a direccions aleatòries. El gran camp magnètic de la màquina de ressonància provoca que aquests imans s’alineïn un darrera l’altre. Després es colpegen amb unes poderoses ones de radio, que els desplacen de la seva posició normal, mentre unes ones magnètiques aplicades recullen les senyals que emeten aquests imans al tornar-se a alinear. Una vegada recollides les senyals, són processades en un ordinador de gran capacitat, que generaran voxels (píxels tridimensionals) detallats de l’anatomia humana per a què el radiòleg analitzi i en diagnostiqui les anormalitats [Puddephat,2002]. La Figura 3.2 mostra un aparell per l’adquisició de MRI.

Figura 3.2 Escàner MRI Achieva 3.0T de Philips.

Les MRI s’utilitzen per obtenir informació que no es pot extreure amb altres mètodes com l’ultrasò, tomografies o medicina nuclear. Amb les MRI es pot detectar una malaltia i facilitar-ne els tractaments mèdics o quirúrgics, i per comprovar les condicions del cervell, la columna i la medul·la espinal; dels ulls, la oïda, el nas i la gola; per els ossos, articulacions i músculs; el cor i vasos sanguinis; el pit i els pulmons; òrgans abdominals i la zona digestiva; i ronyons, zona urinària i òrgans ubicats a la pelvis. Males condicions en aquests òrgans poden ser causats per desordres congènits i de desenvolupament, malalties genètiques i metabòliques, infeccions i inflamacions, traumatismes, malalties vasculars i de la sang, etc.

Durant l’exploració, el pacient s’ha de treure tots els objectes de metall (p.e. joies), aparells electrònics (p.e. rellotge) i s’ha de canviar la roba per la subministrada per els metges, que esta lliure d’objectes de metall (cremalleres, botons, etc). Llavors la infermera prepara el pacient per el procediment d’MRI, que pot incloure sedació oral o intravenosa del radiòleg, o anestesia. Posteriorment es col·loca i assegura en un llit


23

dins de l’iman, en forma d’anell. Es important notificar al personal que realitza la MRI de qualsevol malaltia activa, al·lèrgia, o reacció per poder realitzar l’exploració amb seguretat.

A partir d’aquí es realitza l’exploració amb el radiòleg, que està sempre en contacte amb el pacient. Durant el procediment, aquest sentirà sorolls semblants a cops de martell. És important que el pacient romangui quiet mentre sent aquest sorolls, ja que la màquina MRI esta obtenint les imatges. Si les primeres imatges són correctes, pot ajudar a disminuir el temps total de l’exploració. Una exploració de MRI pot durar entre 20 minuts i mitja hora, depenent del tipus d’informació requerida per el radiòleg i/o l’especialista metge.

Si l’exploració requereix un agent de contrast o algun tipus de sedació, el pacient sentirà un petit malestar per la punxada de l’agulla. Però el MRI per si sol, és un procediment sense dolor, en el que no es toca el pacient. Els sorolls de la màquina es poden reduir amb taps per les orelles o auriculars proporcionats per el personal especialitzat.

Per contra, la claustrofòbia pot resultar un problema. Si existeix, el personal d’MRI ha d’estar preparat per subministrar informació i ajuda als pacients que ho requereixin. Tot i això també existeixen aparells d’MRI pensats per alleugerir l’ansietat d’aquests pacients als habitacles petits. L’MRI s’ha utilitzat en pacients des de 1981 i no s’ha trobat cap efecte nociu en l’organisme per l’exposició als camps magnètics i les ones de radio.

La interpretació d’una exploració MRI implica la revisió de les múltiples imatges i requereix sovint el tractament a través d’un ordinador. El procés de l’anàlisi consisteix en detectar les regions d’interès de la imatge que corresponen a les lesions que es volen tractar. Es poden aplicar filtres de lluminositat, binaritzaitzacions, o algorismes de segmentació més complicats com el creixement de regions . Un cop obtinguda la regió d’interès se li extreuen les característiques (de volum, de forma, etc.) per contrarestar-les amb les condicions normals de la regió a tractar, i poder diagnosticar més fàcilment una lesió o malaltia.

La Figura 3.3 mostra un exemple de captura obtinguda amb MRI. Aquesta imatge és un tall dels 20 a 30 que es capturen per obtenir el volum de ressonància.


24

Figura 3.3 Mostra dues imatges obtingudes amb MRI.

Els sistemes de comunicació per arxivar imatges mediques (PACS, Picture Archive and Comunications System), s’integren en els hospitals i s’utilitzen per gestionar les imatges obtingudes de Raigs-X, MRI, ultrasons o medicina nuclear, entre d’altres, permetent que siguin distribuïdes electrònicament i interpretades en estacions de treball computaritzades. Gràcies a aquests sistemes porta menys temps fer els diagnòstics i millora l’atenció dels pacients, ja que els metges no necessiten esperar que les imatges siguin imprimides i analitzades, podent tenir accés a aquestes instantàniament a traves de les estacions de treball a l’hospital o en les seves oficines a través d’un servidor web segur.

3.2.2. Requeriments de la plataforma La Plataforma MRI de pròstata ha de permetre interactuar amb imatges obtingudes de MRI, obrir-les i gestionar-ne les seves propietats d’una manera fàcil i ràpida.

El radiòleg ha de carregar una exploració del pacient per visualitzar-ne les imatges, després en marcarà la regió d’interès de la que vol extreure’n informació, i a partir d’aquí poder donar un diagnosi, en funció de les característiques obtingudes del volum 3D i dels criteris del radiòleg. En futures implantacions també s’ha de tenir en compte la possibilitat de guardar els resultats obtinguts per posteriors anàlisis.

L’entorn de l’aplicació el configura bàsicament el radiòleg que interactuarà amb aquesta per obtenir-ne uns resultats. També podríem considerar part de l’entorn el pacient, ja que ell és el que proporciona les imatges de ressonància, però és el metge el que establirà el procediment a seguir extreure conclusions d’aquestes.

La informació adquirida a través de les imatges de ressonància, està dividida en les imatges i les capçaleres que conformen la informació de l’exploració. És importat també, gestionar aquestes dades per separat, per fer més fàcil la utilització.


25

3.3. Disseny El disseny d’aquest apartat de l’aplicació hem de lligar-lo a la interfície gràfica, que encapsularà tres mòduls diferents, un d’adquisició, un de tractament i un de visualització. Explicarem com hem dividit el disseny en aquests tres mòduls per separar els objectius del projecte i mostrar-ho com a tres conceptes diferents .

Dins de l’aplicació principal, i en el marc d’aquest projecte, trobarem tres mòduls diferents. El primer correspon a l’adquisició, des d’on obrirem les imatges i les carregarem a l’aplicació on en podrem modificar algunes propietats. També podrem modificar les vistes per obtenir més detall. El segon és el mòdul de tractament. Aquí introduirem diferents algorismes de segmentació per extreure regions d’interès de les imatges i en testejarem els seus resultats. Per últim l’apartat de visualització 3D recollirà la informació obtinguda en el mòdul de tractament per reconstruir el model en tres dimensions i extreure’n les seves característiques.

En l’anàlisi que aquest projecte pretén, crearem una aplicació de recerca on aquests mòduls estaran físicament separats. En el primer obrim les imatges i les gestionem. En el segon testegem els algorismes i amb el tercer en visualitzem el model 3D. Però en una futura aplicació a implantar, aquests quedarien dins l’aplicació. De manera que el radiòleg arrencaria un entorn on visualitzaria el cas del pacient a tractar, i marcaria la regió de les imatges que vol analitzar, per obtenir un model 3D amb les seves propietats.

La filosofia de les dues aplicacions serà la mateixa. Però l’aplicació de recerca està pensada per treballar més en la recerca, com el seu nom indica, d’un procés de segmentació que doni resultats positius, mentre que l’aplicació definitiva, la que utilitzarà el radiòleg, està implementada pensant en una sèrie de procediments ràpids i senzills que permetin gestionar les imatges de ressonància amb els resultats obtinguts de la recerca d’aquest projecte.

Seguidament descriurem breument els mòduls que inclourà l’aplicació.

3.3.1. Adquisició El mòdul d’adquisició és amb el que obrirem els casos de les exploracions dels pacients. Aquests casos estaran guardats en format DICOM. Principalment estan dividits en pacients (Figura 3.4), dins d’aquí ordenats segons tipus d’exploració i per últim organitzats en sessions (series), on cada sessió contindrà un fitxer DICOM per cada tall de l’exploració. El que obrirem en aquest mòdul són les sessions d’una exploració d’un pacient determinat. També podem trobar la sessió en un sol arxiu DICOM que contindrà tots els talls. L’aplicació ha de permetre obrir la informació d’aquestes dues formes.


26

Figura 3.4 Esquema de la jerarquia d’organització de les imatges.

Al carregar la informació de l’exploració, n’extraurem les dades referents a aquesta, que estan incloses a la capçalera del fitxer DICOM.

A partir d’aquí, el programa permetrà modificar algunes propietats de les imatges, per permetre al radiòleg diagnosticar més acuradament el resultat.

3.3.2. Tractament Per el tractament de les imatges mèdiques hem de segmentar-ne les regions que ens interessen. Aquesta és una tasca desafiadora. Gran varietat de mètodes s’han proposat i implementat en els últims anys. En contra de l’esforç invertit en aquest problema, no hi ha cap mètode que pugui solucionar el problema general de la segmentació per la gran varietat de modalitats d’imatges que existeixen avui. I no s’ha aconseguit encara imitar la capacitat visual dels éssers humans.

Els algorismes més eficaços per a la segmentació s’han obtingut modificant amb cura combinacions de diferents algorismes. Els paràmetres d’aquests són modificats segons les característiques de la modalitat d’imatge utilitzada com a entrada, i les característiques de la estructura anatòmica que es vol segmentar.

En aquest mòdul estudiarem diferents algorismes de segmentació per extreure, de les imatges reals de ressonància de pròstata, la regió especifica d’aquesta, utilitzada posteriorment per generar el volum 3D.

3.3.3. Visualització La visualització és part de la nostra vida diària. Des de mapes del temps fins a emocionants gràfics de la indústria de l’entreteniment. Informalment, la visualització és la transformació de dades o d’informació en imatges. La visualització excita l’aparell

PACIENT

Estudi Estudi Estudi

Series Series Series Series

Imatges

Imatges Imatges Imatges

Imatges


27

sensorial primari, la vista, així com la capacitat de processar de la ment humana. El resultat és un simple i efectiu medi per comunicar informació complexa i voluminosa.

En aquest apartat, a partir de les imatges de pròstata segmentades utilitzarem aquest mòdul per reconstruir un model en tres dimensions (3D), visualitzar-lo i obtenir-ne les seves característiques.

Aquest procés comença per extreure el contorn de la pròstata a partir dels talls segmentats, es genera el volum a partir d’algorismes inclosos en les llibreries VTK i es visualitza. Paral·lelament a la visualització s’utilitza el model obtingut per calcular-ne les seves característiques.

3.3.4. Diagrames UML El diagrama de casos d’ús descriu el sistema com un conjunt de transaccions des del punt de vista dels actors externs.

Obrir cas DICOM

Segmentar Imatge

visualitzar model 3D

usuari

Figura 3.5 Diagrama de Casos d’ús de la Plataforma MRI.

En aquest cas (Figura 3.5) les transaccions seran per manipular cada mòdul en particular.

CAS D’US Obrir cas DICOM Actors Usuari Descripció Escenari Principal Funcionalitat Carregar a l’aplicació les dades d’una exploració. Precondició Disposem de casos per tractar. Flux Principal 1.- Obrir arxius de dades

2.- Encapsular les dades a l’aplicació Postcondició Hem guardat les dades de l’exploració dins el programa.

CAS D’US Segmentar Imatge Actors Usuari Descripció Escenari Principal Funcionalitat Extreure regions d’interès d’una exploració MRI. Precondició Tenim imatges carregades . Flux Principal 1.- Introduir les imatges en un pipeline de segmentació.


28

2.- Executar el pipeline. 3.- Visualitzar el resultat de la segmentació.

Postcondició Ens mostra la segmentació d’una imatge MRI.

CAS D’US Visualitzar model 3D Actors Usuari Descripció Escenari Principal Funcionalitat Visualitzar la pròstata en 3D. Precondició Tenim imatges amb la segmentació de la pròstata. Flux Principal 1.- Introduir les imatges en un pipeline de visualització.

2.- Executar el pipeline. 3.- Visualitzar el model.

Postcondició Visualitzem el model 3D generat i les propietats d’aquest.

Taula 3.1. Diagrames de cas d’us.

A partir d’aquí hem de construir un model de classes que permeti incloure posteriorment els tres mòduls d’aquest projecte i que gestioni l’intercanvi de les dades entre ells.

Les dades que haurem de gestionar en la nostra aplicació són les imatges. Si partim de la idea d’encapsular aquestes imatges en una estructura dinàmica (p.e.), la plataforma MRI serà l’encarregada de gestionar aquesta estructura.

3.4. Implementació En el procés d’implementació de la plataforma MRI de pròstata, s’ha utilitzat l’entorn Linux amb el llenguatge de programació C++.

Per gestionar les classes que anirem generant al llarg de la implementació utilitzem el CMake que controla el procés de compilació del codi. Per això generem un arxiu “CMakeList.txt” on inclourem informació sobre les arxius que contenen les capçaleres i el codi, les llibreries que utilitzem, i els arxius .ui obtinguts amb el QDesigner de Qt. El CMake ens generarà un arxiu “Makefile” que podrem executar per compilar el nostre software.

3.4.1. Llibreries Per a la implementació de la interfície s’ha utilitzat el QDesigner per gestionar les llibreries Qt i obtenir les classes en C++ que posteriorment utilitzarem per tractar les entrades i sortides de l’aplicació.

Els diferents mòduls han estat implementats també amb C++, utilitzant les llibreries ITK per la gestió i el tractament de les imatges, i les VTK per a la visualització. Aquestes dues ultimes però, les explicarem en els capítols posteriors, quan parlem detalladament de les seves funcions.


29

Figura 3.6. Esquema de l’arquitectura de la plataforma de desenvolupament.

3.4.2. Qt Qt és una llibreria per la creació d’interfícies gràfiques. Es troba disponible en un gran numero de plataformes: Linux, MacOs X, Solaris, HP-UX, MS-Windows XX, UNIX amb X11. És orientat a objectes, el que facilita el desenvolupament de software. És una llibreria que es basa en els conceptes de widgets (objectes), signals–slots i events (pe. click del mouse). Els signals i els slots és el mecanisme amb el que uns widgets es comuniquen amb els altres. Els widgets poden contenir qualsevol número de fills.

En definitiva, Qt són un conjunt de llibreries multi-plataforma per el desenvolupament de l’esquelet de aplicacions GUI, escrites en codi C++. A més està completament orientada a objectes i la principal eina d’ajuda el programador, QDesigner, és de fàcil ús i molt intuïtiva.

Diferents entorns com KDE amb Konqueror o l’entorn de desenvolupament KDevelop, entre d’altres, utilitzen aquestes llibreries. També importants empreses han apostat per elles en els seus projectes: NASA, IBM, XEROX, Borland, etc.

A l’hora d’utilitzar aquestes llibreries hem hagut d’aprendre el funcionament dels tipus principals de widgets que utilitza (QDialog, QMainWindow, Qwidget). Cada un d’ells disposa d’unes propietats especifiques segons la utilitat que se’n vulgui extreure. I també del mecanisme de comunicació entre widgets. Això ha suposat una quantitat considerable de temps en aprenentatge.

Qt

ITK

C++

Linux

VTK

Capítol 4. Procés d’Adquisició d’Imatge

30

4. Procés d’Adquisició d’Imatge 4.1. Objectius El mòdul d’adquisició es l’encarregat d’obrir les imatges de l’exploració MRI guardades en format DICOM i d’interactuar amb elles, per obtenir una imatge clara en el procés de visualització 3D. Veure Figura 4.1.

En aquest apartat gestionarem la informació obtinguda de les imatges. Tant la part d’imatge, com la capçalera on es guarda la informació de l’exploració. Estudiarem també com estan guardades aquestes imatges.

Figura 4.1 Esquema procés d’adquisició

L’objectiu principal d’aquest mòdul és obtenir una eina fàcil i pràctica a l’hora de tractar amb les imatges mèdiques.

4.2. Anàlisi Per construir aquest mòdul hem de tenir en compte quins mètodes s’utilitzen per gestionar les imatges de MRI i en quin format estan guardades, per poder encapsular-les a l’aplicació i accedir a elles per modificar-les segons els criteris a convenir.

Les necessitats principals del sistema en aquest apartat passen per obrir les imatges i visualitzar-les correctament, a través d’una interfície gràfica. A partir d’aquí es poden afegir les eines per el tractament d’imatges que es considerin més importants, però no és l’objectiu principal que ens ocupa aquí. Tot i això en futures modificacions es pot tractar aquesta part amb més profunditat.

4.2.1. Sistemes de Comunicació i arxiu d’imatges mèdiques (PACS) La gran quantitat d’imatges produïdes per el diagnosi, ha fet complicada la seva gestió, principalment quan s’han d’imprimir i arxivar. Una alternativa és el maneig d’imatges

Adquisició


31

digitals, a través de dispositius connectats a la xarxa, que en conjunt ofereixen una sèrie de serveis que donen suport a tota una àrea d’un hospital. Tot i això, per ser acceptat en l’entorn clínic, s’ha de considerar la facilitat, rapidesa i seguretat en l’accés a les imatges que ha de tenir.

La transmissió d’imatges a través d’una xarxa no és exclusiva de l’entorn mèdic. També àrees com la geologia, la geografia o l’estudi dels fenòmens atmosfèrics, necessiten manipular grans quantitats d’imatges.

Actualment els sistemes que s’encarreguen de gestionar tot això són els PACS (Picture Arachiving and Communications Systems). En el cas de les àrees de radiologia dels hospitals s’ha de construir aquest sistema pensant en les necessitats que d’aquí se’n deriven. Principalment estem parlant de: mecanismes d’adquisició d’imatges, registre de pacients i de la informació rellevant d’aquests, control de les diferents modalitats d’imatges mèdiques (raigs-X, MRI, ultraso, etc.) que disposarà l’hospital, mecanismes d’interpretació i diagnosi dels estudis realitzats, consultes posteriors de la informació i intercanvi d’aquesta amb altres hospitals, entre d’altres.

Per cobrir aquestes necessitats es requereixen un conjunt de dispositius que puguin oferir les demandes de l’àrea de radiologia d’un hospital. Entre aquestes demandes tenim: adquisició d’imatges, emmagatzematge de la informació, distribució de les imatges, visualització d’aquestes (consultes, interpretacions o diagnòstics) , registre de resultats, comunicació amb altres sistemes, comunicació remota i seguretat del sistema.

En les unitats de radiologia dels hospitals, es comú trobar-se amb equips de varis fabricants, per les diferents modalitats d’imatges que es generen. Al integrar tots aquests equips en un sistema que els manipuli apareix la necessitat d’estandarditzar la gestió i transmissió d’imatges mèdiques digitals. D’aquí en surt la norma DICOM (Digital Imaging and Communicatinos in Medicine), com a denominador comú per la presentació d’imatges mèdiques.

Els beneficis d’aquesta estandardització són el poder intercomunicar els diferents sistemes d’informació d’un hospital, com els PACS, els sistemes d’informació de radiologia (RIS: Radiology Information Systems) o els d’informació administrativa (HIS: Hospital Information Systems). En els sistemes PACS és on l’aplicació d’un estàndard té major importància, donat que els serveis oferts per DICOM poden ser utilitzats per els diferents entorns que generen i utilitzen imatges mèdiques, mantenint la connexió entre ells.


32

Figura 4.2 Esquema d’un sistema a implantar en el departament de radiologia d’un hospital

En la Figura 4.2 es mostra esquemàticament com funcionaria un PACS implantat en el departament de radiologia d’un hospital. Mentre que el RIS s’encarregarà de l’informe de pacients, el seguiment i la gestió d’històrics, el PACS centralitzarà l’adquisició, la visualització (ja sigui per diagnosi o consulta, o des de dins l’hospital o amb connexió remota) i la impressió [Finegan,2000].

4.2.2. Format DICOM d’imatges mèdiques L’estàndard en Imatge Digital i Comunicacions en Medicina (DICOM: Digital Imaging and Communications in Medicine), és el format amb el que s’emmagatzemen les imatges procedents de ressonàncies magnètiques, TAC, medicina nuclear, ultrasons, etc., i que s’utilitzen en el camp de la imatge mèdica.

Desenvolupat per ACR-NEMA (American College of Radiology i National Equipment Manufactures Association), està pensat per trobar les necessitats que els fabricants i usuaris tenen amb l’equipament d’imatge mèdica per la interconnexió de dispositius sobre xarxes estàndards.

La primera versió es va distribuir al 1985 i com moltes primeres versions es van trobar molts errors. Es va crear una comissió per millorar l’estàndard una vegada publicat, per respondre preguntes dels desenvolupadors potencials i per treballar en els canvis que necessitava. Així al 1988 es va publicar la versió 2.0, que utilitzant la mateixa


33

especificació que la versió primera, va agregar nous elements i va fixar els errors i inconsistències que tenia. Tot i això, encara mancava de les parts necessàries per la comunicació robusta per la xarxa.

A partir d’aquí es va decidir que el desenvolupament d’una interfície per el suport de la xarxa requeria masses adaptacions de codi a la versió 2.0. El procés va ser redissenyat del tot. Amb això va aparèixer la versió actual, DICOM 3.0., un estàndard de tamany major que les versions 1.0 o 2.0, però que també suporta moltes característiques d’aquestes versions.

4.2.3. Les Parts de DICOM DICOM divideix moltes de les especificacions en parts, així aquestes es poden expandir sense haver de refer l’estàndard enter. Dins de les parts, les seccions estan subjectes a la addicció o modificació en annexes addicionals. La versió actual de DICOM consta de 18 parts, on cada una d’elles tracta un tema determinat de l’estàndard:

Estructura del Format DICOM

Part 1: Introduction and Overview: Introducció i petita descripció de totes les Parts.

Part 2: Conformance: Defineix els principis que les implementacions seguiran

Part 3: Information Object Definitions: DICOM especifica un número de “Information Object” classes que proporcionen una definició abstracta de les entitats del mómón real aplicables a la comunicació d’imatges mèdiques digitals, i de la informació relacionada amb aquestes (p.e., dosis de radioterapia, ones de radio, etc.)

Part 4: Service Class Specifications: Associa un o més Information Objects a un o més comandes per ser executades sobre aquests objectes. Indiquen els requisits pels elements de les comandes i com els que resulten s’apliquen a Information Objects.

Part 5: Data Structures and Semantics: Especifica com construir aplicacions DICOM i codificar la informació en Data Set’s.

Part 6: Data Dictionary: És el registre centralitzat que defineix la col·lecció de tots els elements de dades de DICOM disponibles per representar la informació.

Part 7: Message Exchange: Especifica el servei i protocol utilitzat per una aplicació en l’entorn d’imatges mèdiques, per intercanviar missatges.

Part 8: Network Communication Support for Message Exchange: Especifica els


34

serveis de comunicació i els protocols de capa superiors necessaris per recolzar, en una xarxa, comunicacions entre les diferents parts de DICOM

Part 10: Media storage and file format: Especifica un model general per l’emmagatzematge de la informació mèdica en medis recuperables.

Part 12: Storage functions and media formats for data interchange: Facilita l’intercanvi d’informació entre aplicacions en un entorn mèdic.

Part 13: Retirat (Formerly Print management point-to-point communication support): Especificava els serveis i protocols utitlizats per les comunicacions punt a punt dels serveis de control d’impresió.

Part 14: Garyscale standard display function: Especifica una funció estàndard de visualització per imatges en escala de grisos.

Part 15: Security and system management profiles: La seguretat i els perfils són definits referint-se a protocols externs.

Part 16: Content Mapping Resource: Defineix plantilles, termes codificats i el lèxic definit per DICOM.

Part 17: Explanatory information: Annexes informatius i normatius que contenen la informació explicativa.

Part 18: Web access to dicom persistent objects (WADO): Especifica els mitjans per els que una consulta per accedir a un objecte DICOM es pugui expressar com una petició HTTP.

Taula 4.1. Parts de l’estàndard DICOM.

4.2.4. Estructura i organització de les dades en l’arxiu Els objectes d’informació i les classes de servei són els dos components fonamentals de DICOM. Entendre aquests components permet, a nivell funcional, saber què fa DICOM i perquè és tan útil. Els objectes d’informació defineixen el contingut base de les imatges mèdiques, i les classes de servei defineixen que fer amb aquest contingut.

Aquests dos components es combinen per formar les unitats funcionals de DICOM. Aquesta combinació s’anomena service-object pair o SOP. Ja que DICOM és un estandard orientat a objectes, la combinació realment s’anomena service-objecte pair class o classes SOP.

Les classes SOP són la unitat elemental de DICOM. Tot el que fa DICOM quan s’executa està basat en les classes SOP.


35

Quan s’introdueixen atributs de la informació i variables de la classe que representin un pacient real, l’equip d’adquisició d’imatge i la imatge, la classe SOP esdevé una instància SOP, a la que se li assigna un UID (identificador) propi.

En la jerarquia d’organització dels fitxers (Figura 3.4), en una sessió (o sèrie) hi trobem un conjunt de fitxers DICOM. Cada un d’aquests és una instància SOP del món real(Figura 4.3).

Figura 4.3 Conjunt i format de fitxers.

Cada fitxer DICOM conté una capçalera, on emmagatzema les metadades de l’arxiu, seguida del Data Set que conté tots els Data Elements. La capçalera guarda meta informació per identificar l’arxiu dins del conjunt de fitxers. Consisteix en 128 bytes de preàmbul, seguits per 4 bytes d’un prefix DICOM i a continuació un conjunt d’elements que guarden la meta informació. La Figura 4.4 mostra el Data Set i l’estructura dels Data Elements.

L’accés a la informació guardada en els Data Set es realitza especificant dos quartets hexadecimals que identifiquen les claus. El primer correspon al grup al que pertany la informació i el segon el tipus d’informació. Per exemple, el grup 0010 és el de la informació del pacient, que pot contenir elements com: la longitud del grup ‘0000’, el nom del pacient ‘0010’, l’edat ‘1010’, el pes ‘1030’, etc. Per tant, per obtenir una informació concreta necessitem els dos quartets corresponents i el tipus de les dades que volem extreure.


36

Figura 4.4 Esquema dels Data Elements

Tag: un parell ordenat de 16 bits que representen el número de grup i el número d’element (els dos quartets hexadecilmals).

VR, Value Representation: dos caràcters que identifiquen el tipus de dades que conté el data element (veure Taula 4.2).

Longitud del valor: conté la longitud especifica del valor de l’element.

Valor de l’element: un nombre indeterminat de bytes que contenen el valor del Data Element.

En la següent taula mostrem del diferents tipus de VR, necessaris per manipular les dades contingudes en la capçalera:

Nom VR Descripció

AE Application Entity

Cadena de caràcters amb espais

AS Age String

Cadena de caràcters amb qualsevol dels formats següents: nnnD, nnnW, nnnM i nnnY, on nnn representen el nombre de dies per a D, de setmanes per a W, de mesos per a M i d’anys per a Y.

AT Attribute Tag

Parell ordenat de unsigned int de 16 bits que representa el valor del tag del Data Element

CS Code String


DA Date

Conjunts de caràcters amb format yyyymmdd on yyyy representen l’any, mm el mes i dd el dia, essent també suportat el format yyyy.mm.dd

DS Decimal String

Cadena de caràcters que representa un valor en coma fixa o en coma flotant, que pot contenir els caràcters ‘+’, ‘-‘, ‘.’ ‘E’ i ‘e’ opcionalment per a representar, els tres primers, un valor de coma fixa, i els dos darrers, de coma flotant

DT Date Time

Cadena amb el format YYYYMMDDHHMMSS.FFFFFF&ZZZZ per a la representació conjunta l’any YYYY el mes MM el dia DD l’hora HH el minut MM i el segon SS, el segon fraccional FFFFFF, el signe + o – a & i les hores i minuts d’offset ZZZZ

Tag VR Longitud del valor Valor de l’element

Data Elem. Data Elem. Data Elem. Data Elem. . . .DICOM DATA SET


37

FL Floating Point Single

Valor de coma flotant i precisió simple

FD Floating Point Double

Valor de coma flotant i precisió doble

IS Integer String

Cadena de caràcters que representa un valor enter en base 10, amb caràcters de 0 a9 i opcionalment ‘+’ i ‘-‘, per a valors compresos entre -231 i 231 -1

LO Long String

Cadena de caràcters amb espais i la contrabarra ‘\’

LT Long Text

Cadena de caràcters que pot contenir més d’un paràgraf

OB Other Byte String

Cadena de bytes

OW Other Word String

Cadena de words de 16 bits

PN Person Name


SH Short String


SL Signed Long

Valor binari enter amb signe de 32 bits amb rang de -231 a 231-1

SQ Sequence of Items

Seqüència d’un o més ítems.

SS Signed Sort

Valor binari enter amb signe de 16 bits amb rang de -215 a 215 -1

ST Short Text

Cadena de caràcters que pot contenir un o més paràgrafs.

TM Time

Cadena de caràcters amb format hhmmss.frac, on hh representes les hores de ‘00’ a ‘23’, mm els minuts de ‘00’ a ‘59’, ss els segons de ‘00’ a ‘59’ i frac una fracció de segon del rang ‘000000’ a ‘999999’

UI Unique Identifier

Cadena de caràcters que conté un UID únic per a un conjunt d’ítems.

UL Unsigned Long

Calor binari sense signe de 32 bits del rang de 0 a 232

UN Unknown

Cadena de caràcters en que la codificació és desconeguda

US Unsigned Short

Valor binari sense signe de 16 bits del rang de 0 a 216

UT Unlimited Text

Cadena de caràcters que pot tenir un o més paràgrafs

Taula 4.2 Tipus de Value Representation.


38

Les dades que pot contenir la capçalera d’un arxiu DICOM són moltes i fan referència a diferents aspectes de l’exploració. Aquí en mostrem alguns dels més destacats:

Nom Tag Descripció

Patient’s Name (0010,0010) Nom complet del pacient

Patitent ID (0010,0020) Identificació del pacient Patient’s Age (0010,1010) Edat del pacient

Patient’s Sex (0010,0040) Sexe del pacient Patient’s Weight (0010,1030) Pes del pacient

Visit Status ID (0038,0008) Estat de la visita Admitting Date (0038,0020) Data d’admissió del pacient

Route of Admissions (0038,0016) Mode d’admissió Discharge Date (0038,0030) Data de sortida de la visita

Discharge Diagnosis Description

(0038,0040) Descripció del diagnòstic

Visit Comments (0038,4000) Comentaris de la visita

Samples per Pixel (0028,0002) Número de mostres en la imatge Number of Frames (0028,0008) Número de plans

Rows (0028,0010) Número de files Columns (0028,0011) Número de columnes

Pixel Spacing (0028,0030) Mida del píxel Bits Allocated (0028,0100) Número de bits reservats per píxel

Bits Stored (0028,0101) Número de bits usats per píxel Image Pointer (0041,1011) Byte respecte l’inici del fitxer a on comença la

informació de la imatge

Pixel Offset (0041,1012) Byte respecte l’inici del fitxer a on es troba el primer píxel de la imatge.

Taula 4.3 Exemples de tags.

Les imatges en format DICOM les podem troben en diferents formes.

Podem trobar un sol arxiu que contindrà tots els talls de l’exploració. O podem trobar una estructura de directoris organitzada segons pacients, exploracions i sessions on, per cada sessió, tindrem un arxiu per cada tall, amb informació de la imatge i les dades referents a l’exploració.

4.2.5. DICOMDIR El DICOMDIR és un fitxer que es crea quan s’emmagatzemen les imatges obtingudes de l’exploració d’un pacient i s’utilitza un medi físic (CD-ROM, cinta magnètica) per guardar-les. En aquest fitxer es guarda informació dels diferents talls de l’exploració. Per cada imatge tindrem dades sobre el pacient, la data de l’estudi, la sèrie de la imatge, el número d’imatge, el tipus, etc.


39

Tot i això, com ja hem comentat anteriorment, cada fitxer DICOM conté una capçalera amb informació referent a l’estudi, al pacient, a la imatge, etc.

4.3. Disseny En el disseny del gestor d’imatges DICOM hem de tenir en compte l’encapsulament de la informació. Com hem de guardar les imatges i la informació relacionada amb aquesta. Per fer això crearem una classe que ens gestionarà tot això.

També s’hauria de considerar la gestió dels diferents pacients del centre, així com les diferents sessions realitzades per cadascun d’ells. Tot i així, aquestes prestacions tenen cabuda a un altra projecte que s’està realitzant durant aquest mateix any. Així, doncs s’ha decidit no tenir-ho en compte i esperar a la futura integració d’ambdós projectes.

Hem de dissenyar la interfície d’aquest mòdul pensant en les classes que utilitzarem per a la visualització i pensant amb la compatibilitat que han de tenir amb Qt.

4.3.1. Diferents vistes per les imatges De cares a la utilitat que en traurà el radiòleg de l’aplicació, em de construir les vistes pensant en el que esdevingui més útil per a ell.

Així, la vista principal on carregarem les imatges estarà formada per un apartat d’eines per tractar les imatges, i una vista general de la imatge, tan gran com sigui possible, per no perdre detall d’aquesta, i amb la possibilitat de recórrer pels diferents talls de l’exploració oberta (Figura 4.5)

Una altre vista proposada és la que ens mostra les components axial, sagital i coronal. La axial és la obtinguda en l’exploració i les altres dues es construirien interpolant els talls de la axial. A més d’aquestes tres, en aquesta vista també mostraríem la reconstrucció del volum tridimensional. Aquesta vista la tractarem amb més detall en el capítol 5 de reconstrucció 3D (Figura 4.6)


40

Figura 4.5 Vista Principal Aplicació

Figura 4.6 Vista amb el model 3D i les 3 perspectives

EINES DE PROCESSAMENT

VISTA AXIAL VISTA CORONAL

VISTA SAGITAL VISTA 3D

ESPAI D’IMATGE

ESPAI D’IMATGE EINES DE PROCESSAMENT

DIFERENTS TALLS DE L’EXPLORACIÓ


41

4.3.2. Eines per el processament d’imatges Aquest és un dels punts més febles de l’aplicació, però té una explicació lògica. L’objectiu principal que s’ha fixat aquest projecte és el de la segmentació de la pròstata per obtenir el model tridimensional, i és en la segmentació on centrarem part important dels esforços. A més, els encarregats d’interactuar amb l’aplicació, els radiòlegs, no necessiten haver de pre-processar la imatge abans de segmentar-la, sinó que s’ha de tractar d’un procés implícit que, ja estarà inclòs en la segmentació. De moment l’aplicació contindrà opcions per inversió i contrast d’imatge

4.3.3. Diagrames UML Els diagrames d’activitat es centren en el flux d’activitats involucrades en un procés, generalment dins del marc d’un o diversos casos d’us. Un diagrama d’activitats mostra com els processos que s’executen sobre diversos objectes depenem uns dels altres.

En el nostre cas estudiarem el flux d’activitats en el procés d’obrir una imatge DICOM

Carregar arxiu

Carregar arxius

Seleccionardirectori oarxiu DICOM

Enviar contingut alvisualitzador

Seleccionar Arxius

[un sol arxiu][tot un directori]

Figura 4.7 Diagrama d’Activitats d’obrir una exploració DICOM.


42

4.4. Implementació La implementació del mòdul d’adquisició d’imatges es divideix en la forma com guardarem les dades de les exploracions dins la nostra aplicació i com mostrem aquestes d’una forma senzilla i fàcil d’interactuar per l’usuari. Tot això utilitzant les llibreries ITK per manipular les imatges d’MRI i les Qt per construir la interfície.

Un important factor a tenir en compte és la visualització de les imatges. Disposem de diferents classes que ens encapsulen la gestió de la visualització, però hem d’escollir la que més encaixi en les nostres necessitats. Així, s’ha provat tant la utilització de la classe QtGlSliceView, com la vtkWidget de VTK.

Per gestionar les dades d’imatge mèdica hem escollit les llibreries ITK, ja que suporten el tipus DICOM. I per la interfície gràfica seguim amb les Qt per dissenyar nous widgets que inclourem en l’aplicació final.

4.4.1. ITK Les llibreries ITK són unes llibreries per el processament, segmentació i registre d’imatges mèdiques. El primer que hem de fer per utilitzar-les és descarregar el codi font de les ITK, i descomprimir-les.

Ja que l’usuari final pot estar treballant sobre qualsevol plataforma (Linux, Windows, Mac, etc) i utilitzant qualsevol entorn de programació, aquestes llibreries han de permetre poder desenvolupar-les independentment de la plataforma o compilador que s’utilitzi. Per això s’utilitza el CMake, una sistema que reconeix el tipus de plataforma i l’entorn de compilació, i en genera els arxius de treball necessaris (el Makefile en linux/C++, o els projectes de Visual Estudio). Per últim compilem la llibreria i la instal·lem i ja podem començar a utilitzar-les.

Tots els elements de les ITK estan organitzats en forma de classes i tipus de dades. Les classes estan parametritzades, i el objectes s’instancien d’una forma o altre depenen dels paràmetres introduïts en la plantilla de la classe.

Abans d’utilitzar els mètodes de les classes és necessari definir els tipus de dades amb els que es treballaran, que en aquest projecte seran imatges. Aquestes venen definides per dos aspectes: la dimensió i el tipus de píxel.

La dimensió pot tenir un valor qualsevol, però ha de ser constat al llarg de tot el procés, ja que alguns mètodes podrien no funcionar correctament.

El tipus de píxel és el valor de la intensitat de cada píxel. En principi pot ser qualsevol tipus estàndard de dades de C++ (int, double, unsigned char).

L’elecció del tipus de píxel i dimensió s’ha de fer amb compte, ja que alguns mètodes només suporten determinats tipus de píxel i/o dimensió (2 per imatges 2D i 3 per volums). Per contra les ITK també permeten adaptar els tipus de dades fent servir casting o adaptors. Tot i això aquestes conversions no són sempre possibles.


43

Per encapsular les imatges en la nostra aplicació hem utilitzat una classe per imatges amb tipus de píxel double i dimensió 3. La intenció és que si volem tractar un tall del volum individualment puguem extreure’l de l’estructura. I en cas d’obrir una imatge sola aquesta es guarda igualment amb la component Z a 0.

Inicialment utilitzàvem la versió 1.4.0 de les ITK però trobàvem problemes per obrir les series dels fitxers DICOM. Per això vàrem optar per instal·lar la versió 1.8.1 i posteriorment la versió CVS, per tal d’evitar majors impediments i treure partit de les darreres actualitzacions. Cal dir que el projecte ha estat finalment testat sota la darrera versió de ITK 2.01.

4.4.2. Qt La interfície gràfica corresponent a aquest mòdul també s’ha implementat en base a les llibreries Qt.

Hem construït la vista de la Figura 4.5 dividint els diferents apartats (espai d’imatges i talls de l’exploració) en widgets i així aprofitar la propietat de signals-slots de Qt per comunicar-se entre ells. Actualitzarem les accions que podrem utilitzar en aquesta vista a la barra principal de les eines de l’aplicació.

Per visualitzar les imatges d’MRI hem utilitzat la classe QtGlSliceView, ja que ens permet carregar les imatges encapsulades en l’aplicació, i conté algunes propietats que ens poden servir d’utilitat, com l’opció d’utilitzar overlays o d’obtenir un punt al clicar sobre la imatge.

Les classes d’interfície que hem generat amb les Qt s’han afegit al conjunt de l’aplicació.

Capítol 5. Procés de Tractament d’Imatge

44

5. Procés de Tractament d’Imatge 5.1. Objectius L’objectiu del tractament és extreure la regió d’interès d’una imatge MRI, o sigui, segmentar aquesta per agrupar conjunts de píxels semblants (veure Figura 5.1). Tenim dos tipus de segmentació: segmentació supervisada i no supervisada.

En la segmentació supervisada l’agrupament de píxels es realitza a partir de classes prefixades per l’observador, utilitzant una sèrie de patrons predefinits que s’apliquen sobre la imatge, per classificar els píxels.

La no supervisada parteix del fet que l’escena està composta per varies estructures, i que aquestes han de ser separades d’acord amb algun criteri. Aquí no predeterminem classes, tots els píxels semblants són agrupats en una mateixa unitat d’acord amb la relació entre els veïns més propers.

L’objectiu de la segmentació és interaccionar amb les imatges, no com a unitats abstractes, com el píxel, sinó amb entitats que formen part de l’escena. En el nostre cas la pròstata.

En aquest mòdul del projecte l’objectiu és realitzar un estudi comparatiu entre diferents mètodes de segmentació no supervisada per ser aplicats posteriorment en imatges de ressonància de pròstata per la generació del model tridimensional amb les seves característiques.

Figura 5.1 Objectiu ideal del procés de segmentació de la Pròstata.

5.2. Anàlisi Existeixen gran quantitat de algorismes de segmentació, que podem agrupar en diferents mètodes.


45

En aquest projecte hem decidit estudiar algorismes basats en clustering, creixement de regions i en watersheds.

5.2.1. Clustering Clustering és el procés d’agrupar dades en classes o clústers, de manera que els objectes d’un clúster tinguin alta similitud entre ells i baixa amb els objectes d’altres clústers. La mesura de la similitud es basa en els atributs que descriuen els objectes. Els grups poden ser exclusius, superposats, probabilístics, jeràrquics, etc. Amb una imatge, consistiria en mapejar els pixels de la imatge en un espai de característiques i trobar una funció de separació d’aquestes dades en grups diferenciats.

L’algorisme de k-means difereix de la resta d’algorismes de clustering en que el número de clústers s’ha de determinar a l’inici del procés. L’objectiu es dividir la imatge a segmentar en k clústers, tals que la mesura relativa als centroides (centres) de cada clúster sigui mínima.

Es poden aplicar diferents mesures als centroides dels clústers per a minimitzar-les. Entre elles tenim: la distancia màxima de tots els objectes al seu centroide, la suma de les distancies mitges als centroides per cada clúster, la suma de la variància de tots els centroides o la distancia total entre tots els objectes i els seus centroides.

La mesura a minimitzar i les distancies entre els objectes o entre un objecte i el seu centroide determinaran la forma òptima dels clústers. Els passos per aconseguir els clústers òptims són: assignar a cada objecte un clúster i després, fixar les posicions inicials per els centroides dels clústers.

En el primer pas, els objectes s’assignen aleatòriament a un dels k clústers, i després es determina la posició dels k centroides, al igual que el valor de la mesura minimitzar. Llavors s’utilitza un mètode d’optimització per reassignar els objectes a diferents clústers. Es continua el procediment fins que es troba una distribució òptima dels objectes als clústers.

El sistema per col·locar els k centroides, es realitza de la següent manera:

- Posar k punts en l’espai representat per els objectes a segmentar. Representen el grup inicial de centroides.

- Assignar a cada objecte el clúster que té el centroide més proper.

- Un cop assignats tots els objectes, es recalculen les posicions dels k centroides.

- Repetim els passos 2 i 3 fins que els centroides de la figura no canviïn de posició. Això separa els objectes en grups segons la mesura que es pretén minimitzar.

L’objectiu és moure els centroides de la figura fins posicions que separin de forma òptima els objectes en clústers.

Aquí mostrem una seqüència d’imatges en les que es pot observar l’evolució dels centroides per a una imatge de 5 clústers (Figura 5.2):


46

Figura 5.2 Evolució dels centroides en l’algorisme k-means

1 Iteració

10 Iteracions

8 Iteracions4 Iteracions

2 Iteracions


47

5.2.2. Creixement de regions Els algorismes de creixement de regions (Figura 5.3) han esdevingut un mètode de segmentació d’imatge molt efectiu. Amb aquest mètode les regions creixen mitjançant l’agregació de píxels similars en valor respecte la propietat que s’utilitzi per realitzar la segmentació.

Per aquests algorismes és necessari que l’usuari seleccioni un conjunt de punts llavor a la imatge. Aquests punts llavor serviran com a punts d’inici del procés de creixement de les regions, amb el que, el número final de regions ha de ser com a molt, igual al número de llavors sembrades per l’usuari (sí que pot ser menor, ja que en algun pas l’algorisme pot decidir unir dos regions per formar-ne una de sola).

Per poder realitzar l’agregació de píxels similars es necessari definir el concepte de similitud, que no té perquè ser el mateix per cada tipus d’aplicació. Alguns criteris a utilitzar per agregar píxels són el nivell de grisos, el color o la textura, on es busca que la diferencia entre el valor del píxel a agregar i el valor de la llavor, o el valor mig de la regió ja formada, sigui menor que un cert interval.

A part dels criteris per decidir si un píxel s’ha d’incloure a la regió, aquests algorismes varien segons la distribució de les llavors i la forma com visitar els veïns.

El començament amb un píxel llavor particular, permetent que aquesta regió creixi completament, abans de tractar altres llavors, pot tenir efectes desavantatjosos en la segmentació:

- Creixement de regions dominants: Ambigüitats entorn als contorns de les regions adjacents, que poden no ser segmentades correctament.

- L’elecció dels diferents punts llavor, pot donar lloc a diferents segmentacions.

- Poden sorgir problemes si un píxel llavor pertany a un contorn.

Per resoldre aquests problemes s’han desenvolupat tècniques de creixement de regions de forma simultània. Les regions creixen concurrentment i no es permet que una única regió domini completament el procés.

Figura 5.3 Esquema del creixement de regions


48

Un criteri simple per decidir si s’han d’incloure els píxels a una regió és avaluant si la intensitat està dins un interval.

L’algorisme Connected Threshold, implementat en ITK, ens permet definir un interval de threshold a partir del qual avaluarem els píxels de la imatge. Li passem una llavor des de on visitarà tots els seus veïns fins que no trobi més píxels susceptibles de ser afegits a la regió

5.2.3. Watersheds Els conceptes dels watersheds (vessants d’aigües) i Cachement basins (conques de captació) són força coneguts en topografia [Haris,1999].

Les imatges es poden interpretar com superfícies topogràfiques on els nivells de gris d’aquestes imatges representen altituds (Figura 5.4). Si imaginem que plou sobre aquesta superfície topogràfica, l’aigua fluirà per la gravetat i es recollirà en les conques que forma la superfície. El nivell d’aquestes conques anirà creixent fins que es vessin en altres, provocant que de petites conques se’n formin de més grosses. Per evitar això es crea una presa, i quan l’aigua arribi al nivell de gris màxim la unió dels extrems de totes les presses formarà la segmentació amb watersheds.

Figura 5.4 Diagrama amb les altituds (nivells de gris) i el concepte de watershed i conques de

captació.

Degut al gran número de mínims locals que presenta una imatge digital amb soroll (cada mínim es associat a una conca watershed), aquest algorisme provoca una gran sobre-segmentació en petites regions quan s’aplica a una imatge sense preprocessar. En una MRI típica poden haver-hi desenes de milers de mínims locals. Amb un filtrat anisotropic es pot reduir notablement la sobre-segmentació, a la vegada que es respecta la localització dels contorns significatius de la imatge.

Tot i això encara serà necessari recórrer a algorismes d’unió de regions per extreure la nostra regió d’interès. I gràcies a la flexibilitat de l’algorisme watershed, que no produeix una sola segmentació, sinó que crea una jerarquia de segmentacions, es pot extreure una o més regions utilitzant un threshold determinat.

La seqüència d’imatges següent (Figura 5.5) mostra un tall d’una imatge MRI (a), la imatge després d’aplicar el filtre de contorns (b), la imatge segmentada amb


49

watersheds(c) i les regions extretes de la imatge original referents al fetge(d) i a la melsa(e).

Figura 5.5 Procés de segmentació amb Watershed del fetge i la melsa.

5.3. Disseny L’objectiu que ens ocupa aquesta secció és el de segmentar la imatge obtinguda de ressonància, per extreure’n la regió corresponent a la pròstata. Per això hem d’utilitzar els algorismes descrits en l’apartat anterior per obtenir-ne els resultats desitjats.

En l’algorisme k-mitjanes de clustering, hem dividit en procés en dues parts. En la primera estimem les k mitjanes que volem trobar en la imatge, i en la segona utilitzem les mitjanes estimades per generar k regions diferents. L’algorisme de k-mitjanes ens divideix la imatge en tantes classes com li haguem dit. El que hem de fer després és extreure només la regió (classe) que volem tractar.

Per últim, per obtenir bons resultats en l’algorisme watershed hem de preprocessar abans la imatge amb diferents filtres per extreure millors resultats

5.3.1. Diagrames UML En aquest apartat mostrarem els diagrames d’activitats dels diferents algorismes que hem tractat en l’apartat de disseny. D’aquesta manera veurem el flux de les activitats involucrades en el procés de segmentació.


50

AplicacióUsuari

Carregar dades al'aplicació

Entrar punt llabor Executar pipeline

Guardar dadesobtingudes

Enviar imatges alvisualitzador

Figura 5.6 Diagrama d’activitat algorisme de Creixement de Regions

Usuari Aplicació

Carregar dadesa l'aplicació

Introduïr númerode classes Introduïr Mitjanes

inicials

Estimar mitjanesde les dades

Executar segmentació amb elllindar de les mitjanes estimades

Guardar les dadesobtingudes

Enviar resultat alvisualitzador

Figura 5.7 Diagrama d’Activitats algorisme k-mitjanes


51

Usuari Aplicació

Carregar dades al'aplicació

Introduir parametresa l'algorisme

Aplicar filtre deGradient

Executar pipeline

Extreure regió d'interé

GuardarSegmentació

Enviar resultats alvisualitzador

Figura 5.8 Diagrama d’Activitats algorisme Watershed

5.4. Implementació La implementació d’aquest mòdul correspon a crear el pipeline de procés de la segmentació, amb els paràmetres corresponents a cada algorisme i amb la imatge original com entrada i la segmentada com a sortida

Per implementar els diferents algorismes de segmentació utilitzarem les llibreries ITK, que gràcies al seu sistema de pipeline de procés i a la gran quantitat de filtres i algorismes de que disposa, ens facilitarà les coses.

Tot i això, no treu que el procés d’aprenentatge del seu funcionament hagi estat fàcil. I amb més temps de dedicació, seria possible obtenir resultats encara més eficaços, provant altres tipus d’algorismes.

5.4.1. ITK Aquí, el procés d’implementació dels algorismes de segmentació, consisteix en construir el pipeline que executarà totes les parts de cada mètode.

Primer definim els tipus de dades dels algorismes, en funció del tipus de dades que tractem (les nostres seran imatges amb píxels double de 3 dimensions). Després creem una instància de cada classe, on assignarem els paràmetres que necessiti per el seu funcionament. I, per últim, encadenarem les sortides i entrades de les classes, de manera que l’entrada de la primera classe, sigui la imatge a segmentar, i la sortida de l’ultima sigui la imatge ja segmentada.


52

5.4.2. Qt En aquest mòdul utilitzem imatges com a entrada per obtenir noves imatges com a sortida. Per tant, la interfície gràfica associada a aquest apartat serà una classe que permeti visualitzar el tipus de dades que guardarem.

Com ja hem parlat en el capítol 4, les dades de la imatge estaran encapsulades a l’aplicació. I per a la visualització d’aquestes s’utilitza la classe QtGlSliceView com a widget de Qt.

Capítol 6. Visualització

53

6. Reconstrucció i Visualització 6.1. Objectius El procés de segmentar les imatges de la pròstata permet obtenir les dades necessàries per tal de reconstruir-ne el volum. La representació del volum de la pròstata no només serà útil per el càlcul de característiques, sinó que permetrà ser utilitzat per tal de guiar la biòpsia en el projecte ProSCAN.

Figura 6.1 Esquema procés de Visualització

Així doncs, com podem veure a la Figura 6.1, la fase de reconstrucció volumètric pren com a entrada el resultat obtingut a la fase de segmentació.

6.2. Anàlisi En aquest punt disposem d’una imatge binaria de la segmentació de la pròstata amb el fondo en negre i la regió d’interès (pròstata) en blanc. Aquesta estarà guardada dins l’aplicació, en una classe que encapsula les imatges. Aquesta classe les guarda en un format d’imatges de ITK. Per tant el primer procés que haurem de fer es convertir aquestes dades en un format que puguem gestionar després per ser visualitzat.

D’una manera senzilla, el que hem de fer amb les dades obtingudes de segmentació, és extreure’n els contorns de cada tall, i apilar-los tots junts per a que formin el volum. Amb aquest volum, utilitzarem funcions especials de les llibreries de visualització per calcular-ne les característiques que creguem importants.

6.2.1. Generació del volum La generació del volum consisteix en apilar els resultats de les regions segmentades per obtenir un model tridimensional de la regió d’interès. L’objectiu és construir la superfície de l’objecte a partir del conjunt de valors en 3D dels contorns.

L’algorisme Marching Cubes permet extreure els contorns d’un volum segmentat, obtenint dades volumètriques. El concepte principal és la definició d’un voxel (cub) a

Obtenció malla Volumètrica

Generació del model 3D de la pròstata

Unió talls MRI

Segmentació i identificació de teixits

(1) (2) (3) (4)

Ressonància Magnètica

Talls segmentats


54

partir de 8 píxels col·locats a les cantonades del cub, i dividir tot el volum en voxels. Si un o més píxels del cub es troba a l’exterior del contorn, i un o més píxels estan dins del contorn, sabem que aquest voxel (Figura 6.2) contribueix en la generació de la superfície. Determinant quines arestes del cub tallen amb la superfície, podem crear una aproximació de la superfície real que divideixi el cub entre les regions interiors i les exteriors.

Figura 6.2 Esquema d’un voxel

Considerant que cada vèrtex del voxel pot estar dins o fora de l’objecte, hi ha 256 configuracions diferents que es poden reduir a 15 (Figura 6.3) eliminant les que són iguals per rotació o simetria.

Figura 6.3 Les 15 configuracions diferents de l’algorisme Marching Cubes.


55

Amb això obtindrem la superfície de l’objecte, formada a partir d’una malla de triangles. Les normals dels vèrtexs s’estimen amb la mitjana dels vectors normals de tots els triangles que comparteixen el vèrtex.

La Figura 6.4 mostra una simulació del procés de reconstrucció que duu a terme l’algorisme Marching Cubes amb les dades de la segmentació phantom de pròstata.

Figura 6.4. Reconstrucció parcial de volum de la pròstata utilitzant Marching Cubes


56

Així doncs, el volum representa una reconstrucció parcial del contorn de la pròstata. La Figura 6.5 mostra el volum reconstruït (per tal de visualitzar interiorment el volum s’ha fet un tall superior de la geometria reconstruïda). Podem observar com tant la frontera externa com el conducte de la uretra han estat correctament extrets.

Figura 6.5. Captures de la rotació del volum reconstruït

6.2.2. Càlcul de característiques L’objectiu final de tot el procés d’adquisició, segmentació i visualització d’un model, és el poder utilitzar aquest model de dades per calcular-ne les seves característiques volumètriques. En imatges mèdiques aquestes característiques ajudaran a una millor diagnosi d’una malaltia.

A més a més, si dotéssim aquest model amb propietats de deformació, podem estudiar com es comportaria en determinades condicions, sense necessitat d’utilitzar el model real. Això en medicina és de vital importància per reduir el nombre d’intervencions invasives en els pacients.

6.3. Disseny En aquest projecte, el procés visualització passa per els tres punts esmentats en l’apartat d’anàlisis.

La imatge obtinguda en el procés de segmentació seran les dades d’entrada del procés de visualització. En aquesta imatge haurem extret la regió de la que volem realitzar l’estudi, en el nostre cas, la pròstata.

Les dades de la imatge segmentada seran exportades de ITK i incorporades al pipeline de visualització d’VTK.


57

Carregar dadessegmentades alpipeline

ExtreureContorn

ReduirNombre deTriangles

GenerarNormals

Renderitzar Procés

Figura 6.6 Procés de Visualització

6.4. Implementació Per implementar el procés de visualització de la pròstata trobem dos passos importants. Primer obtenir les dades en el format que necessitem per, en un segon pas, mapejar-les al sistema. Per el primer necessitem exportar les dades guardades en l’encapsulament del programa utilitzant ITK. Després farem servir les llibreries VTK per generar el volum, extraient-ne el contorn, i després calcular-ne les característiques.

6.4.1. ITK En el pas de les dades del programa, guardades en una classe com a un objecte de imatge ITK, a les dades que utilitzarem en VTK, farem servir la classe vtkImageExporter (ITK) connectada a la classe vtkImageImport (VTK). D’aquesta manera, en la instància de la classe vtkImageImport tindrem les dades que entrarem al pipeline de visualització.

6.4.2. VTK En el procés de visualització del volum en 3D de la pròstata les llibreries VTK ens seran de gran utilitat. S’utilitzen per processar gràfics 2D/3D, imatges i per a la visualització.


58

Són unes llibreries molt amplies i complexes, però tot i això estan dissenyades per ser senzilles d’utilitzar amb qualsevol llenguatge de programació orientat a objecte (C++, Java,Tcl). Són capaces d’operar amb imatges en dos i tres dimensions i generar models de les mateixes amb poques línies de codi.

El model gràfic d’VTK té un nivell d’abstracció molt major que el d’altres llibreries de renderització d’imatges com OpenGl. Això esdevé una major facilitat a l’hora d’implementar aplicacions gràfiques o de visualització. A més, les aplicacions creades utilitzant VTK poden ser escrites directament en C++, Tcl, Java o Phyton.

VTK implementa modernes tècniques de modelat, com la reducció poligonal o el contornejat. I suporta una gran varietat d’algorismes de visualització.

Amb VTK, el processament de les dades es realitza a través d’un pipeline de procés. Un cop les dades entren en el pipeline, són afectades per multitud de processos o transformacions, utilitzant filtres que alteren les dades de la manera desitjada.

Nosaltres processarem la imatge obtinguda de la segmentació en ITK, per extreuen el contorn i construir el volum 3D. Disposem d’uns objectes basics que hem d’utilitzar per renderitzar l’escena, els utilitzats en aquest mòdul són els següents:

Elements Bàsics VTK vtkRenderWindow: maneja les finestres en el procés de visualització. Més d’un renderer es pot dibuixar dins una instància de vtkRenderWindow

vtkRenderer: coordina el procés de renderitzat, que implica llums, càmeres i actors.

vtkActor: representa un objecte renderitzat a l’escena, amb les seves propietats i el col·loca en el sistema de coordenades del món.

vtkProperty: defineix les propietats d’un actor tal com el color, la transparència, o les propietats de la superfície. També defineix propietats com la visualització sòlida o en filferros.

vtkMapper: defineix la representació geomètrica d’un actor.

Taula 6.1. Objectes bàsics proporcionats per la llibreria VTK per la visualització.

La llibreria VTK disposa també d’una classe de càlcul de característiques que ens proporcionarà tant el volum de l’objecte com la seva superfície. Aquest càlculs són possibles degut a que les dades DICOM ja contenen la informació relativa a les dimensions de captura de l’aparell, proporcionant la mida del voxel.

Capítol 7. Proves i Resultats

59

7. Proves i Resultats Aquest capítol presenta els resultats obtinguts amb els diferents mòduls creats. En el cas del primer mòdul, gestor DICOM, el més important és obrir les imatges amb l’aplicació i encapsular-les de tal manera que siguin accessibles pels diferents mòduls d’aquesta. En el segon mòdul, segmentació, hem d’utilitzar els algorismes estudiats per extreure la regió d’interès (la pròstata) de les imatges, i comprovar el nivell d’eficàcia de cada algorisme. Per últim, en el procés de visualització hem d’aconseguir generar un volum 3D igual al real per poder analitzar-lo i extreure’n les característiques més significatives.

7.1. Metodologia El sistema s’ha testat amb dos conjunts d’imatges diferents. Un de sintètic obtingut a partir d’un Phantom, un aparell que simula la pròstata, adquirit expressament per el projecte, i l’altre a partir d’imatges reals de MRI facilitades per l’especialista Dr. Joan Carles Vilanova de la Clínica Girona.

Les dades per realitzar el projecte s’han anat obtenint a mida que progressàvem, el primer conjunt de dades disponible és l’obtingut a partir del Phantom. Més tard, ens vam posar en contacte amb els especialistes per tal d’obtenir dades reals.

Figura 7.1 Phantom, Model 058

El Phantom és una maqueta de la zona abdominal inferior, on es troba la pròstata. Conté estructures que simulen la paret rectal, les vesícules seminals i la uretra. Tot això contingut dins d’un envàs de metacrilat de 11,5 x 7,0 x 9,5 cm. Aquest aparell es durable i apropiat per suportar repetides exploracions. Conté també un orifici que correspon a l’anus per a exploracions amb ultrasons transrectalment.


60

Figura 7.2 Visa superior i lateral del Phantom amb les seves parts.

Especificacions del Phantom:

CONTENIDOR

• Material: Metraquilat transparent.

• Dimensions: 11,5 x 7,0 x 9,5 cm

• Orifici frontal: 3,2 cm de diàmetre.

• Orifici posterior: 2,6 cm de diàmetre.

MEMBRANA PERINEAL

• 4,6 cm de diàmetre

• 3 mm de gruix

EMBOLTORI DEL RECTE

Semblant a l’aigua amb molt poca atenuació. < 0,07 db/cm/MHz`

URETRA

• Dimensions: 1 cm de diàmetre

• Material: uretà gruixut

VESICULES SEMINALS

• Dimensions: 7 mm de diàmetre x 10 cm de llargària.

• Material: uretà

PRÒSTATA

• Dimensions: 5 x 4,5 x 4,0 cm

• Material: uretà, amb gran dispersió

• Volum: aproximadament 53 cm3


61

PARET DEL RECTE

• Dimensions: 6 x 11 x 0,5 cm

• Material: uretà

• Atenuació: 0,5 dB/cm/MHz

Dispersió semblant al teixit del fetge.

El Phantom es va dur a la consulta del radiòleg per a que li realitzes una exploració. El resultat de l’ultrasó és el següent:

Figura 7.3 Ultrasó del Phantom. La fletxa marcà la lesió.

El que de veritat interessa en aquest projecte no és l’ultrasó sinó les imatges obtingudes de MRI.

El resultat obtingut de l’exploració MRI és mostra a continuació. Hi ha diferents casos segons la vista amb la que s’ha realitzat l’exploració.


62

Figura 7.4 Mostra 2 talls de 3 exploracions diferents de les imatges MRI obtingudes del Phantom.

El segon conjunt de dades utilitzat per provar l’aplicació construïda en aquest projecte són imatges de MRI provinents de pacients reals. Aquestes imatges no són tan clares i nítides com les imatges del Phantom. La diferencia resideix en que el Phantom és un model


63

únicament de la pròstata, en canvi en imatges extretes de pacients reals apareixen tots els òrgans i teixits del cos en la secció de cada tall.

A continuació mostrem un conjunt d’imatges corresponents a tres casos diferents que utilitzarem posteriorment per testar els algorismes implementats en aquest projecte.

Figura 7.5 Cas MRI pròstata. Vista axial.

La Figura 7.5 mostra 4 talls d’una exploració MRI de la zona abdominal inferior. Correspon a la vista axial. Hi veiem la bufeta (A) i la pròstata (B). Podem observar la gran diferencia entre les imatges obtingudes amb el Phantom i aquestes. Aquí es pot apreciar més bé la dificultat de segmentar la pròstata, per la gran quantitat de teixits i formes que apareixen a la imatge.

A

B

A

B

A

B

A

B


64

Figura 7.6 Cas MRI pròstata. Vista Sagital. La fletxa marca la pròstata.

En aquest cas podem observar les imatges obtingudes de l’exploració MRI en una vista sagital. En la Figura 7.6 veiem la bufeta (A), l’ós pèlvic (B) i la pròstata marcada per la fletxa.

A

A A

A

B B

B B


65

Figura 7.7 Cas 3 MRI pròstata. Vista axial

En la Figura 7.7 mostrem 4 talls d’una altre exploració. Amb la fletxa marquem on es troba la pròstata.

Amb les imatges del Phantom i els tres casos reals de MRI de pròstata testejarem els diferents algorismes de segmentació i comprovarem els seus resultats generant el volum en 3D.

7.2. Experiments Amb les imatges mostrades en l’apartat anterior realitzarem els testos de l’aplicació. El procés consisteix en executar el programa i carregar les imatges corresponents al cas a tractar, ja sigui una imatge sola o tota una sessió (si volem la reconstrucció en 3D necessitarem tota una exploració). Després executarem els algorismes de segmentació implementats per obtenir la regió d’interès de la imatge, i un cop obtingut guardarem els resultats per enviar-los al pipeline de reconstrucció 3D.

Per obrir les imatges hem d’accedir a l’arbre de directoris i clicar sobre la imatge o directori que volem carregar a l’aplicació. Fet això visualitzarem en una finestra les imatges carregades. Veurem un sol tall però podem recorre’ls tots mitjançant un slidder. Aquí podrem modificar les intensitats de les imatges i binaritzar-les, i si hi apliquem filtres per segmentar-les, i els resultats no són els esperats, podrem recular o resetejar la imatge per tornar a començar.

Pel que fa als filtres i algorismes de segmentació implementats en ITK com a part de la recerca, disposem d’aquests:

• General Thresholding: Modifica els nivells d’intensitats de les imatges de tres maneres diferents. Amb un llindar superior, un inferior o un interval entre dos llindars.

• K-Means: Algorisme de segmentació basat en clústering que divideix la imatge, segons intensitats, en tantes regions com número de classes li haguem donat.


66

• Connected Threshold: Algorisme de creixement de regions que avalua els píxels subjectes d’adherir-se a la regió mitjançant un interval d’intensitats.

• Watershed: Implementa el procés de segmentació utilitzant watersheds.

Els algorismes de segmentació amb més bons resultats i que hem inclòs en aquest capítol són el K-Means, Connected Threshold i el Watershed.

Una vegada segmentada la imatge guardem els resultats en un fitxer i executem l’aplicació de reconstrucció 3D per obrir-los. A partir d’aquí s’executa el pipeline de visualització del que n’obtindrem el model tridimensional de les imatges i un càlcul de característiques de volum i perímetre.

7.2.1. Segmentació Per tal d’avaluar els algorismes de segmentació s’utilitzaran primerament les dades del phantom i finalment les dades reals. No s’ha realitzat una avaluació numèrica de resultats. Tot i així, en un treball futur es planeja obtenir la segmentació manual de l’especialista per tal de quantificar la precisió de la segmentació.

Resultats Segmentació Phantom:

En el procés de segmentació de les imatges del phantom hem utilitzat l’algorisme k-mitjanes de clustering per dividir la imatge en 3 classes diferents per després aplicar un creixement de regions amb llavor a l’interior de la pròstata. En la Figura 7.8 representem aquest procés amb 3 talls de l’exploració MRI del Phantom. El resultat és una imatge binaritzada amb la regió corresponent a la pròstata en blanc i el fons en negre.


67

Figura 7.8 Resultats del procés de segmentació: Imatges originals, segmentació K-mitjanes i

creixement de regions

Utilitzant l’algorisme de watershed i modificant els seus paràmetres no s’han aconseguit resultants millors que amb l’anterior mètode. En les imatges de la Figura 7.9 veiem el resultat d’aplicar aquest mètode en les imatges de MRI del Phantom. La sobre-segmentació del resultat impedeix aplicar un mètode de creixement de regions en el sector de la pròstata, ja que creix en regions exteriors a aquesta.

Original

K-means

Creixement de regions


68

Figura 7.9 Segmentacio Watershed

Resultats Segmentació Imatges Reals:

En les imatges MRI reals obtingudes a partir d’exploracions en pacients, la pròstata no s’aprecia tant fàcilment com en les imatges del Phantom. Hem de tenir en compte que aquí apareixen tots els teixits de la secció abdominal inferior on es realitza l’exploració. En la Figura 7.10 podem observar 5 talls d’una exploració MRI. Hem marcat la pròstata amb una fletxa.

Figura 7.10 Imatges Originals MRI pròstata. La fletxa indica la pròstata.

Per segmentar les imatges reals hem aplicat els mateixos mètodes que amb el Phantom, sense resultats positius. Podem observar a la Figura 7.11 la segmentació utilitzant el mètode de k-mitjanes amb 3 classes. S’intueix la regió de la pròstata però queda unida a altres regions com el contorn de la bufeta. Això no ens permetrà utilitzar algorismes de


69

creixement de regions per segmentar la pròstata, ja que afegiria el contorn de la bufeta en la mateixa regió i totes les que fossin susceptibles d’incloure’s en un mateix cluster.

Figura 7.11 Segmentació Imatges Reals amb K-mitjanes.

Hem provat també d’utilitzar l’algorisme de watershed amb les imatges reals. Els resultats obtinguts són semblants als d’aplicar el mètode amb les imatges del Phantom. La sobre-segmentació uneix la regió de la pròstata (marcada amb una fletxa) a altres regions que no ens interessen per construir el model volumètric (veure Figura 7.12). Així doncs tampoc podem utilitzar aquest mètode per segmentar la pròstata.


70

Figura 7.12 Segmentació Imatges Reals amb Watershed.

Per evitar els problemes que suposa tractar amb imatges amb tanta informació, de la que només en volem extreure una petita part, i per els problemes trobats utilitzant en aquestes imatges els algorismes de segmentació estudiats, hem decidit reduir la imatge. El que farem doncs, és retallar un quadrat que contingui la regió de la pròstata. D’aquesta manera reduirem el problema d’haver de tractar amb una imatge de la que només volem extreure’n informació d’una petita part. Aquest canvi suposa la intervenció de l’usuari de l’aplicació en el procés de segmentació. Així, l’usuari ha de marcar dos punts en la imatge que formarien el quadrat envoltant de la pròstata, i facilitarà d’aquesta manera el procés de segmentació.

Figura 7.13. Procés de retallat de la imatge per part de l’especialista.


71

Resultats Segmentació regió especifica de la pròstata:

(a) (b) (c)

Figura 7.14. Resultats obtinguts sobre les regions d’interès extretes. a,b i c són tres talls diferents

Es pot observar en els resultats que es mostren a la Figura 7.14 com tot i millorar la segmentació de la regió de la pròstata, continua sent insuficient per tal de realitzar una reconstrucció acurada del volum real. Els talls centrals de la pròstata real han estat identificats correctament. Tot i així, per un correcte càlcul de superfície, es necessita de la segmentació de tots els talls que representen el volum de la pròstata. Tant els talls anteriors com posteriors han estat impossibles de segmentar correctament amb els algorismes de segmentació estudiats. Els òrgans adjacents mostren característiques d’intensitat molt semblants a la pròstata, cosa que fa que la segmentació els identifiqui com un de sol.


72

(a) (b)

Figura 7.15. Talls inicials i finals del volum de la pròstata.

7.2.2. Reconstrucció 3D En la reconstrucció volumètrica, el pipeline de visualització es divideix en diferents fases. Primer es dibuixen els contorns al voltant de les regions segmentades (marching cubes), després s’aplica el filtre decimate que redueix el nombre de triangles, es suavitza l’estructura amb un filtre d’smooth i es generen les normals per cada triangle.

Reconstrucció 3D Phantom

Com podem veure a la Figura 7.16 i successives, s’aconsegueix la reconstrucció tall a tall del volum de la pròstata simulada pel phantom.

• Extracció dels contorns de contorn (Marching Cubes)


73

Figura 7.16 Volum i malla amb els contorns de la segmentació.

• Simplificació de superfície

Figura 7.17 Volum i malla després d’aplicar la reducció de triangles.


74

• Suavitzat

Figura 7.18 Volum i malla després de suavitzar el volum.

• Visualització amb normals pel model l’il·luminació

Figura 7.19 Volum i malla després de recalcular les normals.

• Característiques

El càlcul de característiques de volum i superfície es realitza de manera sobreimpressa a la pantalla del visualitzador.

52,78 cc52,78 cc

Capítol 8. Conclusions i Treballs Futurs

75

8. Conclusions i Treballs Futurs

Havent finalitzat aquest projecte les conclusions a que hem arribat són les següents:

Durant els projecte s’han assolit els objectius fixats d’integració de les tres llibreries en una mateixa plataforma. Això ha permès utilitzar les prestacions de cadascuna d’elles dins d’un mateix sistema.

Les proves realitzades a l’aplicació utilitzant imatges DICOM obtingudes amb diferents sistemes d’adquisició ha permès comprovar que es comporta de forma robusta.

Els resultats obtinguts amb les imatges del phantom han estat molt bons. Tant en segmentació com en càlcul del volum. Aquests resultats seran molt útils durant la primera etapa del projecte ProSCAN, ja que es pretén crear el sistema inicialment basat en el model sintètic.

Les proves realitzades amb les imatges reals han evidenciat la dificultat d’aquest tipus de dades. La segmentació parcial del volum s’ha assolit. Els talls centrals de la pròstata real han estat identificats correctament. Tot i així, la dificultat que comporta detectar correctament els talls anteriors i posteriors han fet impossible la reconstrucció automàtica de tot el volum real.

Pel que fa als treballs futurs, podem dir que un d’immediat serà la futura integració d’aquest projecte amb els altres treballs que s’estan realitzant paral·lelament. Es preveu una futura incorporació d’un mòdul de procés d’imatge d’ultrasons, així com la integració d’un gestor de pacients.

Un altre treball futur consisteix en estudiar i aplicar nous algorismes de segmentació com els contorns actius (Active Shape Models). Aquest sistema modela les fronteres entre un objecte, el fons i la resta d’objectes de la imatge. Permeten extreure els contorns dels objectes d’interès basant-se en models que utilitzen informació a priori de la forma dels objectes a segmentar. Aquestes tècniques són molt més robustes en front a la presència de soroll i permeten segmentar imatges molt complexes, com són les imatges mèdiques. La solució proporcionada per aquestes tècniques en general no requereixen un processament posterior i són directament interpretables, ja que es basen en un model establert a priori. Si aquest model és l’adequat, la presència de falsos positius o negatius serà molt petita.

Capítol 9. Bibliografia

76

9. Bibliografia

[Glaxo2005] “Prostate Care” Website . GlaxoSmithKline. Accedit el 14 Gener del 2005. http://www.prostatecare.com/prostate/prostate_important_facts.html 1997-2005

[Haris,1999] Haris, K., Efstratiadis, S. N., Maglaveras, N. and Katsaggelos, A. K.Hybrid Image Segmentation Using Watersheds and Fast Region Merging IEEE Trans. Image Processing Vol. 7, No. 12, December 1998, pp. 1684-1699

[Ethan,2002] Ethan, Md. Halpern, Dennis Li Cochlin, Barry B., Md. Goldberg, Cochlin. “Imaging of the Prostate “ Ed. Taylor & Francis Group; 1st edition ISBN 1841841986, September, 2002

[Vilanova,2001] J. C. Vilanova, J. Comet, A. Capdevila, J. Barceló, J. Ll. Dolz, M. Huguet, C. Barceló, J. Aldomà, E. Delgado, The value of endorectal MR imaging to predict positive biopsies in clinically intermediate-risk prostate cancer patients, European Radiology, Volume 11, Issue 2, Jan 2001, Pages 229 - 235

[Schroeder, 2005] W. Schroeder, K. Martin, B. Lorensen “VTK The Visualization Toolkit”,. Kitware. web: http://www.vtk.org [Ibáñez, 2005] VTK Insight Toolkit, Kitware. Luis Ibáñez, Will Schroeder, Lydia Ng, Josh Cates, 2nd Edition, 2005. web: http://www.itk.org [Finegan,2000] EJ. Finegan , “PACSpage: Industry Vendor Information” Web: http://www.charm.net/~efinegan/pacsvend.htm Last update: 1 June 2000. [Puddephat,2002] M. Puddephat "Principles of Magnetic Resonance Imaging", web: http://www.easymeasure.co.uk/", Actualitzat: 21 Dec 02 Accedit el 14 Desembre del 2004.

Annex A. Manual

77

10. Annex A: Manual de l’Aplicació En aquest Annex explicarem el procés de compilació del projecte amb les llibreries, i descriurem el funcionament de l’aplicació amb un senzill manual d’usuari.

10.1. Compilació del Projecte Pel procés de compilació de les llibreries ITK i VTK, i del mateix projecte hem utilitzat el CMake. El CMake és una sistema de codi obert per gestionar projectes. S’utilitza per controlar el procés de compilació de software utilitzant una plataforma simple i una configuració dels fitxers independent del compilador. Genera els makefiles i projectes que es poden utilitzar en l’entorn de compilació que escollim. És una eina molt sofisticada, permet suport a entorns complexos que requereixen la configuració del sistema.

Per compilar les llibreries ITK i VTK hem de tenir instal·lat el CMake. Si ja el tenim, el primer a fer és descarregar la última versió de les llibreries disponible a través de la web (www.itk.org i www.vtk.org respectivament) o la versió CVS, descomprimir el fitxer i executar el CMake. Veurem que un cop descomprimides, les llibreries disposen de l’arxiu CMakeList.txt necessari per l’execució del CMake. Fet això ens haurà generat el Makefile que utilitzarem per compilar les llibreries. Per últim només haurem d’instal·lar-les i ja les podem utilitzar.

Per compilar el nostre projecte hem d’escriure el fitxer CMakeLists.txt. Aquí hi hem d’incloure informació sobre les llibreries que utilitzarem, els arxius amb les capçaleres, els arxius amb el codi, els arxiu .ui generats amb el QDesigner i els arxius per el MOC (Meta Object Compiler, pre-processador d’objectes Qt). A més hem d’incloure funcions per generar els .h i .cxx a partir dels arxius .ui (Qt User Interfaces Wrappers), i per generar els moc a partir dels arxius .h (Qt Wrappers). Amb tot això executarem el CMake que ens generarà el Makefile amb el que compilarem el nostre software. Si tot ha sortit correctament i no ens hem deixat cap llibreria ni cap fitxer obtindrem l’executable del nostre projecte i ja podrem posar-lo en marxa.

10.2. Manual d’usuari En aquest apartat mostrarem el funcionament de l’aplicació. Descriurem el passos a seguir per realitzar les funcions principals del programa. Aquest document es pot consultar on-line clicant en el botó d’ajuda de l’aplicació.

Val a dir, que aquest programa ha estat creat en el marc d’un projecte de recerca, on els usuaris seran els investigadors (tan radiòlegs com informàtics) del projecte de recerca. Fem aquest aclariment, perquè si haguéssim de pensar en una aplicació final per ésser comercialitzada, hauríem de depurar i simplificar per exemple la entrada de paràmetres dels diferents algorismes.

Annex A. Manual

78

Manual d’usuari

Una vegada executada l’aplicació, carregem un visor d’imatges DICOM, però sense informació, per tant el primer que hem de fer per interactuar amb l’aplicació és obrir un cas DICOM.

Cliquem al botó d’obrir imatges i se’ns obrirà un quadre de diàleg amb l’arbre de directoris del nostre ordinador. Accedim al directori on es troba l’exploració que volem carregar i cliquem al botó Obrir.

Figura 10.1 Pantalla principal aplicació.

Obrir Exploració

Annex A. Manual

79

Figura 10.2 Quadre de diàleg d’Obrir exploració.

Ara disposem del cas obert. Veiem el tall del mig de tota l’exploració però ens podem moure per la resta amb l’slidder de la barra d’eines. També podem modificar les intensitats de la imatge, i desfer l’últim procediment utilitzat o resetejar la imatge . Val a dir que la interfície que haurà d’utilitzar el radiòleg per visualitzar els talls MRI hauria d’incloure un llistat de totes les imatges en petit per accedir més fàcilment a cada tall (veure Figura 10.3), però en el cas de la nostra aplicació, al tractar-se d’un procediment de recerca, no hem inclòs aquesta opció.

Seleccionar carpeta i Obrir

Annex A. Manual

80

Figura 10.3 Pantalla principal amb cas obert.

Canviar Intensitats

Canviar Tall

Annex A. Manual

81

Figura 10.4 Desfer i Resetejar Imatge.

A partir d’aquí hem d’aplicar els filtres que creguem oportuns a les imatges per obtenir-ne els resultats desitjats. Per fer això hem d’accedir al quadre de diàleg de tractaments on escollirem l’algorisme a utilitzar i n’haurem d’entrar els paràmetres necessaris.

Desfer i Resetejar Imatge

Annex A. Manual

82

Figura 10.5 Quadre de diàleg d’Algorismes.

Un cop aplicats els filtres sobre l’exploració que estem tractant podem guardar els resultats per obrir-los a través del mòdul de reconstrucció 3D. Guardem l’arxiu en format vtk.

Escollir Algorisme

Modificar Paràmetres

Annex A. Manual

83

Figura 10.6 Guardar Arxiu.

Per últim, obrim el cas amb l’aplicació de reconstrucció 3D amb el que se’ns obrirà una finestra amb el model tridimensional de l’objecte segmentat. En aquesta finestra podrem modificar el punt de vista amb el ratolí o canviar-lo a un model de filferros, entre d’altres possibilitats.

Figura 10.7 Visualització 3D del volum.

Guardar Arxiu

Annex A. Manual

84

A la sortida del programa obtindrem els resultats obtinguts de les característiques del model reconstruït.

Figura 10.8. Visualització 3D juntament amb el càlcul del volum.

52,78 cc

Escola Politècnica Superior - UdGeia.udg.es/~draba/documents/PFCMarcTorramilans.pdf · Escola...

Documents

Transcript of Escola Politècnica Superior - UdGeia.udg.es/~draba/documents/PFCMarcTorramilans.pdf · Escola...