metálicos usando métodos globales.”
Transcript of metálicos usando métodos globales.”
“Segmentación de imágenes de tomografía computarizada con artefactos
metálicos usando métodos globales.”
Autor: Roger Piñeyro Suárez
, Juniode 2018
Departamento de Electrónica y
Telecomunicaciones
18, Junio de 2018
Año
Tutor: MSc. Yakdiel Rodríguez-Gallo Guerra
Cotutor: Dr. Rubén Orozco-Morales
Este documento es Propiedad Patrimonial de la Universidad Central “Marta Abreu” de Las
Villas, y se encuentra depositado en los fondos de la Biblioteca Universitaria “Chiqui
Gómez Lubian” subordinada a la Dirección de Información Científico Técnica de la
mencionada casa de altos estudios.
Se autoriza su utilización bajo la licencia siguiente:
Atribución- No Comercial- Compartir Igual
Para cualquier información contacte con:
Dirección de Información Científico Técnica. Universidad Central “Marta Abreu” de Las
Villas. Carretera a Camajuaní. Km 5½. Santa Clara. Villa Clara. Cuba. CP. 54 830
Teléfonos.: +53 01 42281503-1419
i
PENSAMIENTO
“El mundo está en manos de aquellos que tienen el coraje de soñar
y de correr el riesgo de vivir sus sueños”
Pablo Coelho
ii
DEDICATORIA
A los mejores padres del mundo, Fernando y Luisa.
A Any y Ale, que la distancia que nos separa pueda borrarse, al
menos por hoy.
iii
AGRADECIMIENTOS
A mis padres por ser ejemplos de dedicación y esfuerzo, por todos
sus consejos oportunos y desvelos, en todos estos años de estudio.
A mis abuelos por consentir todos mis caprichos, por estar siempre
presentes, por tanto amor.
A mis tías por vivir mis pesares y alegrías como si fueran suyos.
A mis compañeros del IPVCE, definitivamente estos cinco años no
hubieran sido los mismos sin su presencia.
A mi amigo, maestro, compañero de estudios y barbero, Nail, por
simplemente estar.
A Lilo por siempre “ir a mí”.
A mi amigo más antiguo, Jorge Ignacio, y todas las personas con las
que he compartido en estos cinco años, por hacer de la universidad,
ese lugar, al que todos quisiéramos regresar.
iv
TAREA TÉCNICA
Para el logro de los objetivos propuestos en el presente trabajo, la investigación sigue una
línea de trabajo definida por un grupo de tareas, las cuales son:
1. Análisis de los algoritmos de segmentación de artefactos metálicos según la
bibliografía consultada.
2. Definición los algoritmos y parámetros a emplear para modificar las imágenes.
3. Modificación las imágenes a través de los algoritmos de segmentación.
4. Identificación de las métricas mediante las cuales se evaluarán las imágenes
obtenidas.
5. Análisis de los resultados obtenidos.
6. Confección del informe del Trabajo de Diploma.
Firma del Autor Firma del Tutor
v
RESUMEN
La tomografía computarizada (TC) se ha convertido, con el de cursar de los años, en una
poderosa herramienta para alcanzar un diagnóstico médico apropiado, que se ha visto
afectada por los artefactos metálicos. La presente investigación está dirigida a minimizar
los efectos nocivos que producen los artefactos, encontrando el algoritmo de segmentación
por umbralado global que sea capaz de reducir los artefactos sin deteriorar la calidad de las
imágenes. Para ello durante el desarrollo de la investigación se caracterizan los artefactos
más comunes presentes en las tomografías, se explican en qué consisten los métodos
globales de umbralado y se expone el desarrollo matemático de los cinco métodos que se
emplean en la investigación y su implementación en MatLab. Por último, se evalúan las
imágenes obtenidas, objetiva y subjetivamente, concluyendo que el algoritmo que mejor se
desempeñó en la región de cabeza fue Kurita 92, mientras que, Ridler 78 fue con el que se
alcanzó mejores resultados en las regiones del hígado y el abdomen.
vi
TABLA DE CONTENIDOS
PENSAMIENTO ..................................................................................................................... i
DEDICATORIA .................................................................................................................... ii
AGRADECIMIENTOS ........................................................................................................ iii
TAREA TÉCNICA ................................................................................................................ iv
RESUMEN ............................................................................................................................. v
INTRODUCCIÓN .................................................................................................................. 1
CAPÍTULO 1. Principios básicos de la tomografía computarizada y la segmentación de
imágenes 4
1.1 Principio de funcionamiento y desarrollo de la tomografía computarizada ......... 4
1.2 Características de los artefactos producidos en Tomografía Computarizada ....... 7
1.2.1 Artefactos más comunes en imágenes de Tomografía Computarizada ............ 7
1.3 Segmentación de imágenes de Tomografía Computarizada............................... 11
1.3.1 Artículos relacionados con segmentación de imágenes de TC ....................... 14
1.4 Conclusiones parciales ....................................................................................... 16
CAPÍTULO 2. Segmentación de imágenes por umbralado global, principales
herramientas y técnicas utilizadas ......................................................................................... 18
2.1 Métodos globales de umbralización ....................................................................... 18
2.1.1 Principales técnicas de segmentación de imágenes por umbralado global ..... 19
2.2 Implementación de los algoritmos en MatLab ................................................... 23
2.3 Adquisición de las imágenes de TC empleadas ................................................. 24
2.4 Evaluación de las imágenes ................................................................................ 25
2.5 Conclusiones parciales ....................................................................................... 26
CAPÍTULO 3. Comparación de los algoritmos utilizados para la segmentación de
imágenes de TC afectadas por implantes metálicos ............................................................. 28
vii
3.1 Resultados de los algoritmos utilizados para segmentar artefactos y el metal en
imágenes de TC afectadas por implantes metálicos ......................................................... 28
3.2 Evaluación objetiva de las imágenes derivadas del maniquí de cadera ............. 31
3.3 Evaluación objetiva de las Unidades de Hounsfield en las imágenes de maniquí
de cadera ....................................................................................................................... 32
3.4 Evaluación subjetiva de las imágenes obtenidas ................................................ 32
3.5 Conclusiones parciales ........................................................................................... 35
CONCLUSIONES ................................................................................................................ 36
Recomendaciones ............................................................................................................. 37
REFERENCIAS BIBLIOGRÁFICAS ................................................................................. 38
ANEXOS .............................................................................................................................. 41
Anexo I. Imágenes originales identificadas por regiones. ................................................ 41
Anexo II. Tabla de los valores de Nbins y k, por imágenes, resultantes de los algoritmos
de segmentación ................................................................................................................ 42
Anexo III. Imágenes obtenidas en la investigación utilizando los algoritmos de
segmentación por métodos globales ................................................................................. 43
INTRODUCCIÓN 1
INTRODUCCIÓN
La tomografía computarizada se ha convertido en una de las técnicas de diagnóstico médico
más utilizadas. Desde su introducción clínica, en 1971, ha experimentado sucesivos
avances que han hecho posible la aparición de nuevas indicaciones en diferentes campos de
la medicina [1].
La TC, era, en el momento de su introducción clínica, una modalidad de rayos X que
permitía obtener únicamente imágenes axiales del cerebro, de interés en neurorradiología.
Con el paso del tiempo se ha convertido en una técnica de imagen versátil, con la que se
obtienen imágenes tridimensionales de cualquier área anatómica, y que cuenta con una
amplia gama de aplicaciones [2], [3].
El objetivo de una adquisición de TC es medir la transmisión de los rayos X a través del
paciente en un gran número de proyecciones. Las proyecciones se obtienen mediante la
acción combinada del tubo de rayos X rotando alrededor del paciente y de sistemas
detectores que cuentan con cientos de elementos a lo largo de un arco detector [4].
El principal desafío de la TC es lograr obtener una imagen lo más clara posible de cada una
de estas proyecciones para luego reconstruirlas, y usarlas como punto de partida en
diagnósticos médicos, que, de otra forma, serían prácticamente imposibles de realizar sin
someter al paciente a intervenciones quirúrgicas invasivas [5].
A pesar del gran desarrollo que en los últimos años han alcanzado los tomógrafos debido
principalmente a los vertiginosos avances en los campos de la electrónica y la computación,
las imágenes médicas siguen siendo afectadas por artefactos, los cuales, en múltiples
ocasiones, hacen que sea muy difícil obtener un diagnóstico médico acertado [6].
Para reducir los efectos que producen en las imágenes de TC los artefactos, especialmente,
los artefactos metálicos, es de gran utilidad el procesamiento digital de las imágenes
obtenidas en los tomógrafos. El procesamiento de las imágenes comienza con la
segmentación y la división de las imágenes en regiones de interés (ROI) [7]. Existen
diversos algoritmos capaces de segmentar una imagen, pero la presente investigación se
centrará en algoritmos que se fundamentan en la umbralización por métodos globales, o
INTRODUCCIÓN 2
sea, que emplean las propiedades globales de las imágenes para establecer un umbral capaz
de separar el primer plano del fondo.
El trabajo numérico y de procesado de imágenes, necesario para la realización de este
proyecto, se implementará en el software de análisis matemático MatLab, que constituye
una herramienta muy confiable para la manipulación de matrices y la representación de
datos, lo que permitirá comprobar, cuál de las funciones que aplican el umbralado global es
capaz de alcanzar mejores resultados afectando lo menos posible la calidad de las
imágenes.
En Cuba a pesar del gran desarrollo con que se cuenta en la rama médica, las
investigaciones sobre este tema son escasas, de ahí lo novedoso de este proyecto, que,
además de hacer más satisfactorio el trabajo de los especialistas médicos, influirá
directamente en la salud y la calidad de vida de la población cubana.
Teniendo en cuenta lo expuesto anteriormente se plantea el siguiente problema de
investigación: ¿Cómo comprobar la eficacia de las técnicas de segmentación por métodos
de umbralado global para remover artefactos metálicos en imágenes de TC?
Esta investigación tiene como objeto de estudio los métodos de segmentación de imágenes
de tomografía computarizada y el campo de estudio lo constituyen los métodos de
umbralado global de segmentación de imágenes.
Para dar cumplimiento al problema de investigación se propone el siguiente objetivo
general: Evaluar el desempeño de algoritmos de segmentación por métodos de umbralado
global en imágenes de tomografía computarizada, para la reducción de artefactos
provocados por implantes metálicos.
Para resolver el problema de investigación y dar cumplimiento al objetivo general, se
plantean los siguientes objetivos específicos:
Caracterizar los artefactos producidos por implantes metálicos en la TC para
segmentarlos empleando métodos globales de umbralización.
Identificar los métodos globales de umbralización para segmentar imágenes de TC
afectadas por artefactos metálicos.
Describir las características principales de los algoritmos de umbralado global para
su utilización en la segmentación de imágenes de TC afectadas por artefactos
metálicos.
INTRODUCCIÓN 3
Comparar los algoritmos de umbralado global utilizados para la segmentación de
imágenes de TC afectadas por implantes metálicos.
A partir de cada objetivo específico se crean interrogantes científicas, a las cuales se les dan
respuestas en el desarrollo de la investigación:
¿Qué características tienen los artefactos producidos por implantes metálicos?
¿Cuáles son los métodos de umbralado globales para segmentar imágenes de TC
afectadas por artefactos metálicos?
¿Cuáles son las principales características de los algoritmos de umbralado global
que se utilizan en la segmentación de imágenes de TC afectadas por artefactos
metálicos?
¿Cuál algoritmo de umbralado global es el más apropiado para segmentar imágenes
de TC afectadas por implantes metálicos?
Los resultados de esta investigación influyen decisivamente en el tratamiento de las
imágenes de TC que han sido afectadas por artefactos metálicos, permitiendo que las
mismas puedan ser usadas de manera eficiente por personal médico calificado, para realizar
diagnósticos acertados, y dejará tema abierto, para que fututas investigaciones puedan
apoyarse en este trabajo.
Para cumplir los objetivos establecidos, el trabajo se dividió en: introducción, tres
capítulos, conclusiones, recomendaciones, referencias bibliográficas y anexos.
En el primer capítulo se reseña la evolución de la TC y su principio de funcionamiento.
También se caracterizan e identifican los artefactos más comunes presentes en las imágenes
médicas, y se exponen algunos de los métodos de segmentación de imágenes utilizados a
nivel internacional. Por último, se señalan algunas investigaciones acerca del empleo de la
segmentación en las imágenes médicas.
En el segundo capítulo se identifica al umbralado global, se expone el desarrollo
matemático de los algoritmos de segmentación empleados en la investigación y su
implementación en MatLab. Además, se especifican las fuentes de las imágenes usadas en
el proyecto y las condiciones bajo las cuales fueron evaluadas.
En el tercer capítulo se muestran los resultados obtenidos, y se realiza un análisis de los
mismos, con el fin de comprobar el desempeño de cada uno de los algoritmos utilizados en
la investigación.
CAPÍTULO 1. PRINCIPIOS BÁSICOS DE LA TOMOGRAFÍA COMPUTARIZADA Y LA
SEGMENTACIÓN DE IMÁGENES
CAPÍTULO 1. Principios básicos de la tomografía
computarizada y la segmentación de imágenes
La tomografía computarizada surgió por la necesidad urgente de encontrar respaldo visual a
procedimientos médicos encargados de diagnosticar enfermedades y traumatismos, a los
que no se les encontraban solución con los exámenes físicos de los pacientes. En la
actualidad su uso es muy difundido en la medicina utilizándose prácticamente en todos los
campos de la misma.
En este capítulo se realiza una breve descripción de la tomografía computarizada desde sus
inicios hasta nuestros días, se expone su principio de funcionamiento y se hace un breve
bosquejo de los diferentes tipos de tomógrafos que existen en la actualidad, resaltando sus
usos, ventajas y desventajas, así como la necesidad del procesamiento de imágenes dentro
de la tomografía. También se describen algunas de las más actuales técnicas y herramientas
de procesamiento de imágenes, algunos de los artefactos más comunes presentes en las
imágenes médicas y el uso de la segmentación como método para eliminarlos.
1.1 Principio de funcionamiento y desarrollo de la tomografía
computarizada
El término TC, se refiere a un procedimiento computarizado de imágenes por rayos X en el
que se proyecta un haz angosto de rayos X a un paciente y se gira rápidamente alrededor
del cuerpo (Fig. 1.1). A través de este procedimiento se obtienen imágenes debido a la
propiedad que tiene el cuerpo de atenuar los rayos X. La atenuación de los rayos X es
medida por detectores y este proceso se repite hasta cubrir todo el campo de vista y todos
los ángulos posibles de la región de interés (ROI). Basados en estas medidas, la atenuación
de cada punto de la región escaneada puede ser reconstruida, obteniéndose una imagen
médica [8].
PRINCIPIOS BÁSICOS DE LA TOMOGRAFÍA COMPUTARIZADA Y LA SEGMENTACIÓN DE
IMÁGENES 5
a) b)
Fig. 1.1 a) Representación esquemática de una TC. b) Fotografía de un tomógrafo actual
[8].
A través de los años, múltiples generaciones de tomógrafos se han sucedido. Los
tomógrafos de primera generación solo contaban con un detector por lo que el movimiento
tenía dos etapas, una de rotación y otra de traslación, y el tiempo de adquisición de datos
rondaba los 5 minutos por proyección haciendo que solo fuera posible utilizarlo para
obtener imágenes craneales.
La siguiente generación fue superior, al emplear un haz de rayos en forma de abanico en
combinación con múltiples detectores, lo que permitió reducir el tiempo de adquisición a
20 segundos por proyección. En cambio, los equipos de tercera generación eran capaces de
aprovechar mejor la radiación, de ahí que los movimientos de traslación de la fuente de
rayos X se hicieron obsoletos y, en su lugar, la fuente rota conjuntamente con un arreglo de
detectores que conforman un arco de circunferencia (Fig. 1.2) [9].
Fig. 1.2 Generaciones representativas de la evolución de la tomografía.
PRINCIPIOS BÁSICOS DE LA TOMOGRAFÍA COMPUTARIZADA Y LA SEGMENTACIÓN DE
IMÁGENES 6
a) Tomógrafo de primera generación: Utiliza dos sesiones de movimiento una de traslación
y otra de rotación y genera proyecciones paralelas. b) Tomógrafo de tercera generación:
Nótese que los rayos forman una especie de abanico (fan beam) y tanto la fuente de rayos X
como el arreglo de detectores rotan dentro del gantry. c) Tomógrafo de cuarta generación:
Sólo la fuente de rayos X rota a través de un anillo de detectores estacionario; las
proyecciones son también en forma de abanico [10].
La cuarta generación presenta la misma configuración, pero la radiación es detectada por un
arreglo de detectores fijo en forma de anillo que rodea al paciente en todo momento
trasladándose solo la fuente de rayos X [9].
La quinta generación de tomógrafos fue diseñada específicamente para obtener imágenes
del corazón. Cuenta con un diseño costoso debido a que no usa tubos de rayos X
convencionales, sino cuatro arcos de tungsteno en forma de circunferencia alrededor del
paciente que son golpeados por un haz de electrones guiados electromagnéticamente. Los
rayos X son producidos cuando el haz de electrones golpea el ánodo de tungsteno y esta
radiación es detectada en el lado opuesto por un anillo de detectores estacionarios. Debido a
que el sistema es completamente estacionario, los tiempos de adquisición de una
proyección rondan los 50 milisegundos siendo capaz de obtener imágenes precisas del
corazón [11], [12].
Por su parte, la sexta generación, también llamada TC helicoidal, consiste en un arreglo
convencional de detectores y tubos de rayos X que rotan continuamente conformando un
plano detector en forma de elipse con respecto a la posición del paciente. En los escáneres
modernos los períodos de rotación están entre los 0.3 y 0.5 segundos [11].
La séptima y más actual generación de tomógrafos es nombrada multicortes al
caracterizarse por tener arreglos multidimensionales de detectores. La misma se basa en la
arquitectura de la tercera generación, mas, en este caso, el haz de rayos X tiene forma de
cono en lugar de abanico. Al emplear esta tecnología pueden ser colectadas hasta 320
proyecciones simultáneamente lo que permite reducir drásticamente el tiempo de
adquisición de datos, pero también lleva al extremo el hardware encargado de procesar la
información y reconstruir las imágenes [10], [11].
PRINCIPIOS BÁSICOS DE LA TOMOGRAFÍA COMPUTARIZADA Y LA SEGMENTACIÓN DE
IMÁGENES 7
A pesar de que no son pocos los avances que a lo largo de los años se han logrado en todo
lo referente a la TC, en muchas ocasiones los datos obtenidos por los tomógrafos no son del
todo correctos dando lugar a los artefactos.
1.2 Características de los artefactos producidos en Tomografía
Computarizada
Un artefacto es una discrepancia entre los valores de coeficientes de atenuación de una
imagen reconstruida y los verdaderos valores de coeficientes de atenuación que tiene el
objeto, por lo que se puede decir que, bajo esta definición, todas las imágenes obtenidas en
TC contienen artefactos, sin embargo, en lo adelante solo se hará referencia a los artefactos
que son clínicamente significativos para el desempeño de los radiólogos[13], [14].
Los artefactos pueden degradar seriamente la calidad de las imágenes de TC al punto de
hacerlas inutilizables para obtener un diagnóstico médico. Para optimizar la calidad de la
imagen es necesario entender por qué los artefactos ocurren y cómo prevenirlos o
suprimirlos. Estos son producidos por múltiples causas, entre ellas, las relacionadas con la
Física en el proceso de adquisición de datos de la imagen de TC, los que involucran al
paciente, como son el movimiento respiratorio y la presencia de implantes metálicos, los
ocasionados por el mal funcionamiento del escáner, y los producidos en el proceso de
reconstrucción de las imágenes. [15], [16]
1.2.1 Artefactos más comunes en imágenes de Tomografía
Computarizada
Unos de los artefactos más comunes en TC son los de origen físico, debido a que son
causados por los procesos físicos en la adquisición de datos. Dentro de este grupo de
artefactos se encuentran los llamados: endurecimiento del haz (beam hardening), efecto de
volumen parcial (partial volumen), insuficiencia de fotones (photon starvation) y
submuestreo (undersampling). Generalmente los artefactos de origen físico pueden ser
atenuados mediante calibración, filtrado, software de corrección, técnicas de escaneo y
procesamiento de imágenes [16].
El endurecimiento del haz (Fig. 1.3) se debe a que un haz de rayos X está compuesto por
fotones con un rango de energía determinada, y a medida que el haz pasa a través de los
PRINCIPIOS BÁSICOS DE LA TOMOGRAFÍA COMPUTARIZADA Y LA SEGMENTACIÓN DE
IMÁGENES 8
tejidos sus fotones de menor energía son absorbidos con mayor rapidez que los de alto
contenido energético. Como resultado surgen dos tipos de artefactos, uno en forma de
bandas oscuras sobre la imagen o líneas entre los objetos más densos en la imagen, y otro
en forma de abolladura [16].
Fig. 1.3 Imagen de un maniquí de cráneo humano. a) Imagen reconstruida usando
corrección de endurecimiento del haz para la ventana de agua. b) Imagen reconstruida
usando corrección de endurecimiento del haz para la ventana de hueso [15].
Los diseñadores de tomógrafos minimizan los efectos de este artefacto utilizando filtrado,
corrección de calibración y software de corrección de imágenes, los que consisten en
algoritmos iterativos que se aplican a regiones óseas cuando la imagen empieza a
reconstruirse. Estos programas ayudan a definir las regiones óseas, las regiones de tejido
blando del cerebro y reducen las bandas oscuras en regiones no homogéneas [16].
El efecto de volumen parcial ocurre cuando una gran divergencia del haz a lo largo del eje z
hace que un objeto fuera del eje pueda ser visto, o no, por los detectores, dependiendo de la
dirección de la proyección, y se manifiesta como artefactos en forma de sombras (Fig. 1.4).
El origen de estos artefactos no tiene relación con el promediado parcial de volumen que
produce un valor del píxel en la imagen, que representa la atenuación promedio de los
materiales contenidos en un voxel. Los artefactos de volumen parcial pueden ser fácilmente
eliminados usando secciones de adquisición delgadas, lo cual se hace prácticamente
PRINCIPIOS BÁSICOS DE LA TOMOGRAFÍA COMPUTARIZADA Y LA SEGMENTACIÓN DE
IMÁGENES 9
necesario cuando la anatomía de la parte del cuerpo de la cual se quiere obtener una imagen
cambia rápidamente en la dirección del eje z [16].
a) b) c)
Fig. 1.4 a) Esquema representativo de la sucesión de un artefacto de volumen parcial. b)
Imagen de TC de tres varas cilíndricas de acrílico, de 12 mm de diámetro, suspendidas en el
aire, paralelas unas con otras, a 15 cm del eje del escáner y parcialmente introducida en el
área de escaneo, mostrando artefactos de volumen parcial. c) Imagen de las mismas varas,
totalmente introducidas en el área de escaneo, sin artefactos [16].
La insuficiencia de fotones se manifiesta en áreas donde la fuerte atenuación causa que
insuficientes fotones alcancen el detector (Fig. 1.5). El resultado son proyecciones muy
ruidosas, dicho ruido se magnifica en el proceso de reconstrucción de la imagen dando
lugar a listas horizontales sobre la misma. Incrementar la corriente del tubo de rayos X
durante la tomografía reduce este artefacto, pero también aplica una mayor dosis de
radiación al paciente. Además, son usados softwares de filtrado adaptativo para aliviar el
impacto de este artefacto en las tomografías [16].
PRINCIPIOS BÁSICOS DE LA TOMOGRAFÍA COMPUTARIZADA Y LA SEGMENTACIÓN DE
IMÁGENES 10
Fig. 1.6 Imagen de TC de un maniquí de hombro, mostrando artefactos de insuficiencia de
fotones [16].
El submuestreo es otro artefacto muy común que ocurre cuando se produce pérdida de
información sobre bordes pequeños y abruptos debido a un gran intervalo angular entre
proyecciones (Fig. 1.6). Este artefacto pone en evidencia que la cantidad de proyecciones
utilizadas para reconstruir una imagen de TC es uno de los factores determinantes de su
calidad. Se manifiesta a través de un efecto conocido como view aliasing, que no son más
que finas franjas que aparecen en ubicación radial a los bordes, pero separadas de regiones
de gran densidad [16].
Fig. 1.6 imagen de TC de un bloque de teflón en un maniquí de agua mostrando aliasing
(flecha) debido al submuestreo de los bordes del bloque [16].
La aliasing no provoca grandes efectos sobre el diagnóstico de una imagen médica debido
a que no se asemeja a ninguna estructura anotómica humana, pero cuando la resolución de
detalles finos es requerida debe ser eliminada de inmediato aumentando la cantidad de
proyecciones por rotación [16].
Otro grupo de artefactos comunes en TC son los producidos por el paciente debido a
movimientos o a la presencia de objetos metálicos que atenúan los rayos X.
Los artefactos metálicos son ocasionados por la presencia de metal en el área de escaneo
(Fig. 1.7). Esto ocurre, dado que, la densidad del metal es más alta que el rango normal que
puede ser asimilado por la computadora del tomógrafo, encargada de procesar los datos, lo
cual da lugar a perfiles de atenuación incompletos [16].
PRINCIPIOS BÁSICOS DE LA TOMOGRAFÍA COMPUTARIZADA Y LA SEGMENTACIÓN DE
IMÁGENES 11
Fig. 1.7 Imagen de TC de un paciente con un implante de metal en la columna reconstruida
sin corrección [16].
Los artefactos metálicos son particularmente pronunciados en metales con alto número
atómico como el hierro o el platino, y menos pronunciados en metales con número atómico
bajo como el titanio. En algunos casos, un simple cambio de posición del paciente o del
gantry pueden aislar el metal de la imagen axial de interés.
Son múltiples los estudios que se han dedicado a reducir los perjudiciales efectos de los
artefactos metálicos. Algunas técnicas reemplazan la proyección de la señal producida por
el objeto metálico por una proyección de una señal sintetizada basada en muestras de
proyecciones cercanas que no contienen implantes metálicos. Esta técnica es muy efectiva
para remover los artefactos de las regiones que rodean al objeto de metal (las proyecciones
que no contienen objetos de metal son bien preservadas), pero toda la información
propiamente del objeto de metal se pierde completamente, así como la de las regiones que
están inmediatamente adyacentes a él. Este método iterativo es conocido como MDT
(Metal Detection Technique) por sus siglas en inglés [16].
Una gran cantidad de las técnicas utilizadas para remover los artefactos metálicos utilizan
como punto de partida el procedimiento de segmentar las imágenes afectadas en regiones
donde sus efectos no son tan notorios, para obtener información que puede resultar de
utilidad en el proceso de reconstrucción de la imagen médica [13]–[15].
1.3 Segmentación de imágenes de Tomografía Computarizada
La segmentación de imágenes es el procedimiento de separar una imagen digital en
regiones no superpuestas, con un alto grado de uniformidad en algún parámetro como:
color, intensidad, textura o movimiento. El propósito de la segmentación es extraer el
PRINCIPIOS BÁSICOS DE LA TOMOGRAFÍA COMPUTARIZADA Y LA SEGMENTACIÓN DE
IMÁGENES 12
contorno de diferentes regiones en una imagen, o sea, dividir la imagen en regiones
compuestas por píxeles que tienen propiedades en común [7], [16], [17] .
La forma más fácil de identificar una región en una imagen es marcar un área que defina
una ROI. El proceso de marcar y determinar regiones de interés en imágenes de TC,
especialmente si son imágenes de 3 dimensiones, puede volverse tedioso, no obstante,
puede ser simplificado aplicando algoritmos de segmentación [17].
Uno de los más usados algoritmos de segmentación es la umbralización, que consiste en
dividir la imagen en áreas que contienen información de interés y áreas que no son de
interés, haciendo una clasificación binaria basada en la información de los niveles de grises
de la imagen, o sea, dada una escala de gris de la imagen I, se encuentra un valor único y
óptimo para lograr la binarización de la imagen [9].
Si se define un umbral particular q, aplicar este umbral es equivalente a clasificar cada pixel
como parte del fondo o del primer plano de la imagen [18]. A su vez, todos los píxeles de la
imagen son divididos en dos subconjuntos, 𝐶0 y 𝐶1, donde 𝐶0 contiene todos los elementos
con valores entre [0, 1, . . . , q] y 𝐶1 contiene los restantes elementos con valores entre [q+1,
. . .,K−1], esto es,
(𝑢, 𝑣) ∈ {𝐶0 𝑠𝑖 𝐼(𝑢, 𝑣) ≤ 𝑞 (𝑓𝑜𝑛𝑑𝑜)
𝐶1 𝑠𝑖 𝐼(𝑢, 𝑣) > 𝑞 (𝑝𝑟𝑖𝑚𝑒𝑟 𝑝𝑙𝑎𝑛𝑜) (1.1)
Otro de los algoritmos de segmentación empleados con frecuencia es el conocido como
region growing (desarrollo de región). Los algoritmos basados en regiones explotan el
hecho de que los píxeles que forman parte de una misma estructura tienden a tener
intensidades similares. Esta técnica es un procedimiento iterativo donde la imagen se
segmenta usando umbrales mínimos y máximos. Una vez que se escogen los umbrales se
buscan píxeles que contengan una amplitud de intensidad (u otra propiedad adecuada) que
se encuentre dentro del intervalo definido por los umbrales y se agrupan para formar
regiones. Existen reglas para no combinar píxeles adyacentes que difieren mucho en
intensidad, mientras que se permiten combinaciones a medida que la intensidad cambia
gradualmente debido a las variaciones de iluminación en el fondo de la imagen [17], [19].
También se emplea para segmentar imágenes el procedimiento nombrado como graph cut
(corte de gráfico) que puede ser visto como un acercamiento a técnicas basadas en regiones
PRINCIPIOS BÁSICOS DE LA TOMOGRAFÍA COMPUTARIZADA Y LA SEGMENTACIÓN DE
IMÁGENES 13
para codificar segmentos de imágenes, donde la segmentación está basada en variables
binarias cuyos valores solo indican si el pixel se encuentra dentro o fuera del área de
interés. Al utilizar graph cut la imagen se construye como un gráfico [N = (V, E, w, T)]
donde cada pixel es representado en un subconjunto de vértices [v∈V], cada borde es
representado en un subconjunto [e∈ E⊆V ×V] y medidos por una función [w:E →R] que le
asigna un peso o amplitud a cada borde como una medida de igualdad entre píxeles
correspondientes y un conjunto de vértices terminales[t∈T⊆V]. Una vez que cada vértice es
ubicado dentro del gráfico y cada borde es medido por la función, todo se agrupa en un
mismo gráfico o subconjunto de vértices terminales, dando lugar a la imagen segmentada
[20].
Cada vértice del gráfico final representa un pixel de imagen, mientras que el peso entre los
bordes de dos píxeles correspondientes representa la igualdad entre ellos. Generalmente la
función que se utiliza para sumar los pesos o la amplitud de los bordes debe ser minimizada
[19].
Cuando la imagen original es particionada en dos regiones, los píxeles de cada region
pueden ser representados como gráficos separados y, a su vez, pueden ser particionados en
dos regiones cada uno, y repetirse el proceso nuevamente [16] .
Vale la pena resaltar el procedimiento de segmentación multiescala de imágenes, puesto
que ha probado ser muy eficiente a la hora de integrar los rasgos de la imagen y la
información contextual, para clasificar una región diferente de sus alrededores dentro de
una imagen, siempre y cuando exista suficiente evidencia estadística para justificar dichas
regiones. Asimismo, es capaz de perfeccionar el resultado de esta segmentación usando
distintas escalas.
Para llevar a cabo la segmentación multiescala, la imagen es sucesivamente dividida en
cuatro subimágenes del mismo tamaño, J veces, y se construye una pirámide con J escalas.
Los bloques de esta pirámide están compuestos por vectores de contextos que, a su vez,
están compuestos por un conjunto de muestras del contorno tomadas de tres en tres, y cada
uno de estos vectores puede suministrar información complementaria a otro [19].
Son múltiples y muy variadas las técnicas de segmentación de imágenes que hasta estos
días han sido desarrolladas, dada la necesidad emergente que implica el procesamiento de
PRINCIPIOS BÁSICOS DE LA TOMOGRAFÍA COMPUTARIZADA Y LA SEGMENTACIÓN DE
IMÁGENES 14
imágenes para el correcto desempeño de la mayoría de la tecnología que la ciencia ha
logrado poner en manos del hombre; sin embargo, ninguna de ellas es capaz de
desempeñarse eficazmente ante todas las aplicaciones que requieren del procesado de
imágenes, pues cada una de ellas fue desarrollada para responder a una necesidad
específica, y así lo demuestran los siguientes artículos, que, a pesar de enfocarse en la
segmentación por métodos globales, brindan una visión de la gran cantidad de aplicaciones
que puede tener una simple técnica de segmentado.
1.3.1 Artículos relacionados con segmentación de imágenes de TC
En el artículo “Global-to-Local Shape Matching for Liver Segmentation in CT Imaging”
escrito por Kinda Anna Saddi, Mikaël Rousson, Christophe Chefd'hotel, and Farida Cheriet
se propone un algoritmo de dos etapas para segmentar el hígado en imágenes de TC. En un
primer momento se estiman y se proponen propiedades globales de formas, que usan el
modelo de forma estadístico definido en un espacio dimensional de formas previamente
establecidas y luego se aplica una plantilla que empareja el procedimiento para recuperar
deformaciones locales que no estaban presente en el espacio dimensional previamente
establecido [21].
En el artículo “Globally Optimal Tumor Segmentation in PET-CT Images: A Graph-Based
Co-segmentation Method” expuesto en la Biennial International Conference on
Information Processing in Medical Imaging se propone el uso de una plataforma de trabajo
general que utilice simultáneamente las tecnologías de PET (tomografía por emisión de
positrones) y TC para la segmentación de tumores en imágenes médicas. Este método
simula la práctica clínica de delinear el tumor usando simultáneamente ambas tecnologías
[22].
En el artículo “Obtención de la estructura ósea del pie al aplicar la umbralización global y
la adaptativa” publicado en la Revista Internacional de Métodos Numéricos para Cálculo y
Diseño en Ingeniería, se discute un método para la descripción geométrica de los huesos del
pie a partir de una secuencia de imágenes (cortes) de TC. La investigación propone la
combinación de la umbralización global y de la adaptativa para la determinación del
dominio geométrico de los huesos en cada corte, así como el análisis de las relaciones
PRINCIPIOS BÁSICOS DE LA TOMOGRAFÍA COMPUTARIZADA Y LA SEGMENTACIÓN DE
IMÁGENES 15
espaciales entre contornos en planos consecutivos a fin de obtener la superficie de los
huesos [23].
Por su parte, el artículo “Segmentación de los huesos en imágenes TC empleando la
umbralización global y adaptativa” analiza un método para la descripción geométrica de los
huesos a partir de una secuencia de imágenes de TC y basado en la combinación de la
umbralización global y adaptativa. Los resultados obtenidos demostraron que este método
constituye una propuesta efectiva al problema del volumen parcial y la separación de los
huesos en las articulaciones [24].
Mientras, el artículo “Segmentation of cytoplasm and nucleus of abnormal cells in cervical
cytology using global and local graph cuts” publicado en la revista Computerized Medical
Imaging and Graphics plantea que las técnicas de lectura automática asistida (AAR) tienen
la capacidad de reducir errores y aumentar la productividad en las proyecciones de cáncer
cervical [25].
En el artículo “Automated threshold-based 3D segmentation versus short-axis planimetry
for assessment of global left ventricular function with dual-source MDCT” se realiza una
comparación para evaluar el desempeño del software para umbralado basado en
segmentación en 3 dimensiones del ventrículo izquierdo usando desarrollo de región contra
el tradicional método de Simpson (basado en ejes de dos dimensiones) [26].
El artículo “Automatic Liver Segmentation based on Shape Constraints and Deformable
Graph Cut in CT Images” publicado en al año 2015 por la IEEE (Instituto de Ingeniería
Eléctrica y Electrónica) propone un método que consiste en tres pasos principales:
preprocesamiento, inicialización de modelos y detección exacta de la superficie. El modelo
principal es deformado usando PDM (3D point distribution model) y para detectar
exactamente los límites del hígado, se desarrolla un segmentado a base de graph cut
deformable hasta progresivamente encontrar la superficie óptima con el mínimo de pérdida
posible [27].
Desde otro enfoque, el artículo “Segmentación automática tridimensional de estructuras
pulmonares, en imágenes de tomografía computarizada” publicado en la Revista
Latinoamericana de Hipertensión en el año 2015 propone una técnica para la segmentación
automática en 3–D de estructuras pulmonares (tráquea, bronquios y pulmones) usando
PRINCIPIOS BÁSICOS DE LA TOMOGRAFÍA COMPUTARIZADA Y LA SEGMENTACIÓN DE
IMÁGENES 16
imágenes de tomografía computarizada multicapa. La técnica se fundamenta en el realce
por similaridad global y se divide en 2 etapas: Filtrado y Segmentación [28].
En el artículo “Image Segmentation by Using Thershod Techniques” publicado en Journal
of Computing, volumen 2 en el año 2010, se emprende el estudio de técnicas de
segmentación de imágenes utilizando cinco métodos de umbralado: método de la media,
método P-tile, técnica dependiente del histograma (HDT), técnica de maximización del
borde (EMT) y Técnica visual. Además, se comparan entre sí para elegir la mejor técnica
de segmentación de imágenes por umbral [29].
En el artículo “Normalized Cuts and Image Segmentation” publicado por la IEEE se
desarrolla un algoritmo de agrupación basado en la opinión de que la agrupación perceptiva
debe ser un proceso que tiene como objetivo extraer impresiones globales de una escena y
proporciona una descripción jerárquica al tratar el problema de la agrupación como un
problema de particionamiento gráfico [30].
En el artículo “Random Walks for Image Segmentation” publicado por la IEEE se presenta
un nuevo algoritmo para la segmentación de imágenes basado, de manera general, en un
pequeño conjunto de píxeles pre-etiquetados. Estos píxeles pre-etiquetados se pueden crear
interactivamente o pueden ser generados automáticamente para un propósito particular
[31].
Por último, en el artículo “Supervised methods for perfect segmentation in medical
images” se plantea el problema de la segmentación perfecta para las imágenes médicas con
regiones de límites ambiguos a través del diseño de clasificadores de aprendizaje
automático para identificar límites entre texturas similares en imágenes de escala de grises,
con vistas a su uso en la conducción de herramientas de segmentación y la construcción de
un interactivo marco de contorno [32].
1.4 Conclusiones parciales
En este capítulo quedó expuesta brevemente la historia de la tomografía computarizada y
del desarrollo de hardware y software que la acompaña. Se caracterizaron los diferentes
tipos de artefactos presentes en las imágenes de TC, así como las principales fuentes que
los originan y se identifican las técnicas más eficaces para su correcto aislamiento de las
imágenes finales en el afán de lograr un diagnóstico médico acertado.
PRINCIPIOS BÁSICOS DE LA TOMOGRAFÍA COMPUTARIZADA Y LA SEGMENTACIÓN DE
IMÁGENES 17
Además, se hizo una breve introducción a la segmentación de imágenes y finalmente se
realizó una reseña de los principales avances del segmentado de imagen en la actualidad
quedando marcada la importancia que posee este proyecto encaminado al mejoramiento de
imágenes médicas utilizando los métodos globales de segmentación.
CAPÍTULO 2. SEGMENTACIÓN DE IMÁGENES POR UMBRALADO GLOBAL, PRINCIPALES
HERRAMIENTAS Y TÉCNICAS UTILIZADAS
CAPÍTULO 2. Segmentación de imágenes por
umbralado global, principales herramientas y técnicas
utilizadas
La segmentación de imágenes es el primer paso y fundamental en los sistemas de
procesamiento de imágenes, condicionando el éxito de los siguientes estados, con el
objetivo de la localización y delineación automática de estructuras, objetos y regiones de
interés dentro de una imagen, teniendo el reto de extraer de manera eficaz estos objetos
degradando lo menor posible la calidad de la imagen. Existen varios métodos de
segmentación de imágenes basados en análisis de texturas, morfología, curvas deformables,
desarrollo de regiones, gráficos y umbralización, entre otros.
En este capítulo se realiza un breve bosquejo de los métodos globales de umbralización.
Además, se expone la fundamentación matemática de cada uno de los algoritmos de
segmentación que se utilizan en el proyecto y su implementación en MatLab. También se
hace referencia a las fuentes de las imágenes utilizadas y se explican las métricas a través
de las cuales fueron evaluadas.
2.1 Métodos globales de umbralización
El umbralado es uno de muchos métodos utilizados para segmentar imágenes, ampliamente
utilizado cuando se desea diferenciar un primer plano del fondo de una imagen.
Seleccionado un valor umbral adecuado, la imagen de nivel de grises puede convertirse en
una imagen binaria que contiene información esencial de la posición y la forma del objeto
de interés que se desea extraer. La ventaja de obtener primeramente la imagen binaria es
que reduce la complejidad de los datos y simplifica el proceso de reconocimiento y
clasificación de los píxeles que pertenecen al primer plano y los que pertenecen al fondo. El
principal reto del umbralado, viene dado, en escoger el valor de umbral que permita
diferenciar más claramente el fondo del primer plano de la imagen sin degradar la calidad
de la misma. Los métodos de umbralado global utilizan un solo valor umbral para toda la
SEGMENTACIÓN DE IMÁGENES POR UMBRALADO GLOBAL, PRINCIPALES
HERRAMIENTAS Y TÉCNICAS UTILIZADAS 19
imagen y para obtenerlo se basan en propiedades globales de la imagen como textura, color,
intensidad o histogramas [29]. Para el desarrollo de este proyecto fueron empleados cinco
algoritmos de umbralado global, de una muestra inicial de once, debido a que estos cinco
fueron los que no presentaron conflictos con los otros softwares utilizados en la
investigación.
2.1.1 Principales técnicas de segmentación de imágenes por umbralado
global
El primero de los algoritmos utilizados en la investigación es BCV (between-class
variance), este algoritmo para detectar los bordes en una imagen, primeramente, realiza una
aproximación, donde los bordes están marcados en los máximos de la magnitud de la
pendiente de una imagen gaussiana, de forma que si se quiere detectar un borde con una
orientación particular se crea una máscara de dos dimensiones para esta orientación,
obtenida, por la convolución de una función lineal de detección de bordes alineada
normalmente hacia la dirección del borde que se desea detectar, con la función de una
proyección paralela a la dirección del borde deseado. El procedimiento matemático para
detectar los bordes puede ser resumido en las siguientes ecuaciones, haciendo cero la
primera se obtiene su localización, y resolviendo la segunda se obtiene su magnitud [33].
𝜕2
𝜕𝑛2 𝐺 ∗ 𝐼 = 0 (2.1)
|𝐺𝑛 ∗ 𝐼| = |∇(G ∗ I)| (2.2)
𝐺 = 𝑒(−
𝑋2+𝑌2
𝜎2 ) (2.3)
Donde * significa convolución, 𝐺𝑛 es tomada como la primera derivada en la dirección n de
la función gaussiana de dos dimensiones, I representa la imagen a la que se le desea
detectar el borde, mientras que, la ecuación (2.3) es la función gaussiana de dos
dimensiones X y Y.
El segundo algoritmo utilizado es el desarrollado por Kittler en el año 1986 donde un
umbral es seleccionado para minimizar el número de clasificaciones erróneas entre dos
distribuciones de variaciones y proporciones normales [34]. Este método asume un modelo
gaussiano mezclado, comienza eligiendo arbitrariamente un umbral inicial T, calculando el
error entre sus dos extremos y encontrando el mínimo punto de error de T, el cual es usado
SEGMENTACIÓN DE IMÁGENES POR UMBRALADO GLOBAL, PRINCIPALES
HERRAMIENTAS Y TÉCNICAS UTILIZADAS 20
como valor umbral. El método de mínimo error de umbral solo trabaja en histogramas
bimodales. En la función implementada, T es interpretado de una manera diferente que en
el artículo donde se expone el algoritmo original ya que se considera como el límite inferior
de la segunda clase de píxeles en lugar del límite superior de la primera clase. Esto significa
que una intensidad de valor T es tomada como si estuviera en la misma clase de las altas
intensidades en lugar de las de bajas intensidades. El desarrollo matemático es el siguiente:
𝑇𝑜𝑝𝑡 = 𝑎𝑟𝑔 𝑚𝑖𝑛 {𝑃(𝑇)𝑙𝑜𝑔𝜎𝑓(𝑇) + [1 − 𝑃(𝑇)]𝑙𝑜𝑔𝜎𝑏(𝑇) − 𝑃(𝑇)𝑙𝑜𝑔𝑃(𝑇) − [1 −
𝑃(𝑇)]log [1 − 𝑃(𝑇)] (2.4)
Donde 𝜎𝑓 es la desviación estándar del primer plano y 𝜎𝑏 es la desviación estándar del
fondo.
El tercer algoritmo utilizado es el llamado Kurita 92 o máximo umbral de probabilidad
global basado en modelos de mezcla de población [35]. Este modelo gira entorno del
umbralado estándar propuesto por Otsu, que está basado en criterios de discriminantes y
también en minimizar la media de errores entre la imagen original y la resultante imagen
binaria, es equivalente a maximizar la probabilidad de la distribución condicional en el
modelo de mezcla de población, bajo la condición de una distribución normal con una
varianza común. El algoritmo puede ser descrito usando la siguiente fórmula matemática:
𝐽𝑀∗ (𝑙) = 𝑚𝑖𝑛𝑀−1<𝑘𝑀−1
{𝐽𝑀−1∗ (𝑘𝑀−1) + 𝑔(𝑘𝑀−1)} (2.5)
Donde 𝐽𝑀∗ es el umbral óptimo, K son las clases de píxeles en los que es particionada la
imagen y 𝑔son los valores discretos de nivel de grises de cada pixel.
El cuarto algoritmo usado es conocido como Ridler 78, donde se considera que, idealmente,
si un objeto tiene un nivel de gris promedio diferente que la zona que lo circunda el efecto
del umbralado producirá un objeto blanco sobre un fondo negro o un objeto negro sobre un
fondo blanco[36]. Si un objeto está localizado dentro de un cuadro de imagen, sin tener
ningún conocimiento areca su ubicación, se considera como primera aproximación que las
cuatro esquinas de la escena contienen el fondo y las partes sobrantes contienen el objeto de
interés (fig. 2.1).
SEGMENTACIÓN DE IMÁGENES POR UMBRALADO GLOBAL, PRINCIPALES
HERRAMIENTAS Y TÉCNICAS UTILIZADAS 21
Fig. 2.1 Estimación inicial del fondo y el objeto [36].
Fig. 2.2 Diagrama semántico de selección iterativa del umbral [36].
Luego se toma una función conmutativa f(s) como ruta para digitalizar la imagen en uno de
dos integradores. El mecanismo es descrito como referencia en el diagrama semántico que
se ofrece con anterioridad (Fig. 2.2). La señal controladora del switch funciona como la
señal conmutadora f(s) y es de hecho un arreglo umbralado de puntos de la imagen. Si f(s)=
0, la señal de entrada a la imagen alimenta al integrando I y es considerada como parte del
fondo. Por otro lado, si f(s)=1, el integrador II recibe la señal, que ahora representa el
objeto. Cuando el elemento final del objeto de la imagen de entrada es recibido, el
integrador de salida es promediado para encontrar un valor umbral L. La escena obtenida es
cuantificada negro o blanco teniendo en cuenta el valor de L, y la silueta producida es
usada como una nueva función de conmutación para una nueva iteración. Un nuevo umbral
L1 es derivado, y la imagen es dividida adecuadamente de acuerdo a los resultados para
SEGMENTACIÓN DE IMÁGENES POR UMBRALADO GLOBAL, PRINCIPALES
HERRAMIENTAS Y TÉCNICAS UTILIZADAS 22
obtener otra función de conmutación. El proceso es repetido hasta que la función de
conmutación de entrada se repita en futuras iteraciones [36].
Matemáticamente en cada iteración n un nuevo umbral 𝑇𝑛 es establecido usando el
promedio de los valores del fondo y primer plano de la imagen y las iteraciones terminan
cuando el valor |𝑇𝑛 − 𝑇𝑛+1| se hace lo suficientemente pequeño. El valor umbral óptimo
puede ser obtenido de la siguiente manera:
𝑇𝑜𝑝𝑡 = lim𝑛→∞
𝑚𝑓(𝑇𝑛)+𝑚𝑏(𝑇𝑛)
2 (2.6)
𝑚𝑓(𝑇𝑛) = ∑ 𝑔𝑝(𝑔)𝑇𝑛𝑔=0 (2.7)
𝑚𝑏(𝑇𝑛) = ∑ 𝑔𝑝(𝑔)𝐺𝑔=𝑇𝑛+1
(2.8)
Donde G es el máximo valor de luminancia de la imagen, g son los valores que puede
tomar la luminancia de la imagen y 𝑝(𝑔) es una función de probabilidad cumulativa.
El último de los algoritmos utilizados es el llamdo Yanni 94 [37], en este método se
inicializa el punto medio entre dos supuestos picos del histograma como:
𝑔𝑚𝑖𝑑 =(𝑔𝑚á𝑥 + 𝑔𝑚í𝑛)
2⁄ (2.9)
Donde 𝑔𝑚á𝑥 es el mayor nivel de gris distinto de cero, mientras que, 𝑔𝑚í𝑛 es el menor nivel
de gris. Entonces (𝑔𝑚á𝑥 − 𝑔𝑚í𝑛) es el espacio entre los valores distintos de cero del
histograma. El valor medio es actualizado usando la media de los valores de los dos picos
del histograma a la derecha y a la izquierda:
𝑔𝑚𝑖𝑑∗ =
(𝑔𝑝𝑒𝑎𝑘1 + 𝑔𝑝𝑒𝑎𝑘2)2
⁄ (2.10)
Todo este procedimiento puede ser resumido mediante la siguiente expresión matemática:
𝑇𝑜𝑝𝑡 = (𝑔𝑚á𝑥 − 𝑔𝑚í𝑛) ∑ 𝑝(𝑔)𝑔𝑚𝑖𝑑
∗
𝑔=𝑔𝑚í𝑛 (2.11)
Para la realización de los experimentos de este proyecto estos cinco algoritmos fueron
modificados e implementados en el software de análisis matemático MatLab debido a las
SEGMENTACIÓN DE IMÁGENES POR UMBRALADO GLOBAL, PRINCIPALES
HERRAMIENTAS Y TÉCNICAS UTILIZADAS 23
facilidades que presenta el mismo para el manejo de matrices y la representación de datos y
funciones.
2.2 Implementación de los algoritmos en MatLab
Las modificaciones realizadas a estos algoritmos están justificadas en la necesidad de
utilizarlos para procesar imágenes con valores de luminosidad que difieren marcadamente
de una imagen a otra, para compensar esto, se introdujo en los que lo necesitaran un valor
“k”, que se minimiza tanto como se necesite para imágenes oscuras y se eleva para
imágenes claras; y se les introdujo a todos los algoritmos utilizados un valor entero
“Nbins”, comprendido entre 1 y 256, que representa la cantidad de divisiones del
histograma que se empleará para obtener los parámetros necesarios en su funcionamiento.
Por lo tanto, para el correcto funcionamiento de los algoritmos se hace necesario introducir
las variables:
Imagen: la escala de grises de la imagen que se desea umbralar. Imagen puede ser
un arreglo de dos dimensiones de tamaño M x N y su clase puede ser double, uint8
o uint16.
k: número Real positivo mayor que 0 que se maximiza para imágenes claras y se
minimiza para imagines oscuras. El valor por default de esta variable es k=1.
Nbins: número de divisiones del histograma. El valor por default de esta variable es
Nbins = 256.
**En el caso del algoritmo Yanni 94 no es necesario introducirle la variable k.
Todos estos algoritmos devuelven una imagen umbralada a los valores correspondientes y
una variable que contiene el valor de los umbrales utilizados, en el algoritmo Yanni 94 esta
variable contiene un mapa de umbral, que no es más que un arreglo del mismo tamaño que
la variable Imagen introducida, con los valores de umbralado en cada punto.
Los valores de k y Nbins con los que se obtienen resultados satisfactorios en el proceso de
segmentación tanto de metales como de artefactos, se introducen con sus respectivos
algoritmos en el software, GISMAR. Este software se encuentra en proceso de publicación,
pero, con él se han obtenido muy buenos resultados en el procesamiento de imágenes,
debido a que es capaz de integrar los resultados de los procesos de segmentación de
imágenes con rasgos de la imagen original, para eliminar los artefactos de manera eficiente.
SEGMENTACIÓN DE IMÁGENES POR UMBRALADO GLOBAL, PRINCIPALES
HERRAMIENTAS Y TÉCNICAS UTILIZADAS 24
Las imágenes resultantes obtenidas en GISMAR se implantan en un nuevo algoritmo,
también implementado en MatLab, nombrado ROI, a este algoritmo se le introduce sobre la
imagen una posición X y Y dada en píxeles, a partir de la cual se construye una ROI
rectangular, de un tamaño conforme a las propiedades de cada imagen.
Dicha ROI, no es más que una porción de imagen, que se evalúa empleando métricas
encargadas de comprobar la calidad de las imágenes obtenidas en el GISMAR. Con el
objetivo de contar con la mayor cantidad de información posible, y de que esta información
fuera fiable a la hora de realizar un estudio referente a la calidad de las imágenes, las ROIs
fueron tomadas del mayor tamaño posible evitando siempre en ellas la presencia de
artefactos marcados con dureza y metales.
Para realizar esta investigación se hace imprescindible la utilización de imágenes de TC de
regiones anatómicas representativas de las distintas composiciones de tejido y hueso del
cuerpo humano, afectadas por artefactos metálicos. Con el fin de garantizar la integridad y
validez de nuestra investigación los datos utilizados en ella provienen de fuentes
reconocidas y, por lo tanto, confiables.
2.3 Adquisición de las imágenes de TC empleadas
Los datos de TC para esta investigación fueron obtenidos desde dos escáneres de TC
distintos: a kV on-board imaging (OBI) system integrated in a TrueBeamTM medical linear
accelerator (Varian Medical System, Palo Alto, CA, USA) y en el escáner Siemens
SOMATOM Sensation 16 usando geometría helicoidal (Santa Clara, Cuba). Los pacientes
con empastes dentales fueron escaneados usando el sistema OBI con el tipo de filtro “Body
filter”, kernel estándar, corriente de Tubo de 250 mA y voltaje pico de 120kVp, en el caso
de los pacientes de implantes de cadera y semilla, fueron escaneados con “Body filter”,
kernel estándar, corriente de Tubo de 150 mA y voltaje pico de 120kVp. Otros pacientes
con empastes dentales fueron escaneados en el tomógrafo Siemens SOMATOM Sensation
16 y se utilizó el filtro “WEDGE_2”, kernel “'H31s”, corriente de tubo de 226mA y un
voltaje pico de 120kVp. Las matrices de las imágenes reconstruidas fueron de 512 x 512
píxeles en ambos escáneres. Los tamaños de píxeles usados fueron 1mm x 1mm para OBI y
0.776mm x 0.77mm para Siemens SOMATOM Sensation. La distribución de los sets de
datos tomados para diferentes regiones anatómicas fueron las siguientes: tres implantes de
SEGMENTACIÓN DE IMÁGENES POR UMBRALADO GLOBAL, PRINCIPALES
HERRAMIENTAS Y TÉCNICAS UTILIZADAS 25
semilla, tres implantes de cadera y tres empastes dentales adquiridos usando OBI; y once
empastes dentales adquiridos usando Siemens SOMATOM Sensation.
El maniquí utilizado simula la región de la cadera con dos implantes metálicos y fue
escaneado en el escáner de Siemens SOMATOM en modo helicoidal usando las siguientes
especificaciones: voltaje de tubo de 130kVp, corriente de tubo de 138 mA, cortes de 1mm
de espesor, circunvolución de kermel 'B40s' y un tamaño de pixel de 0.87 x 0.87 mm. La
matriz de las imágenes reconstruidas fue de 512 x 512 píxeles.
Todas estas imágenes originales fueron modificadas por los distintos algoritmos con el fin
de eliminar los artefactos presentes en ellas, haciéndose necesario evaluar la calidad de las
mismas para poder tasar el desempeño de los algoritmos de segmentación.
2.4 Evaluación de las imágenes
Las imágenes obtenidas usando GISMAR fueron evaluadas por dos observadores
independientes, cada uno con más de 10 años de experiencia clínica, ajenos a todos los
datos del paciente y a los parámetros de las imágenes. Las imágenes fueron visualizadas
bajo las mismas condiciones, en orden aleatorio, y revisadas en la ventana de tejido suave
(nivel de ventana 20 HU, ventana con 400 HU) y la ventana de huesos (nivel de ventana
300 HU, ventana con 2,500 HU). Las mismas fueron mostradas en un monitor de 23” LED
backlight con una resolución de 1920 x 1080. Los observadores evaluaron las imágenes
desde una distancia aproximada de 2-2.5 veces la longitud de la pantalla y los experimentos
fueron realizados en un ambiente oscuro (por debajo de los 25 lux).
Los dos observadores evaluaron 121 imágenes tomográficas (10 originales + 111
modificadas por el algoritmo GISMAR), la interpretabilidad de diagnóstico se evaluó en
una escala de 5 puntos. La calidad de la imagen para diagnóstico médico fue igualmente
evaluada en una escala desde 1 hasta 5 puntos (1, calidad de la imagen severamente
reducida, sin calidad ni posibilidad de diagnóstico; 2, calidad de imagen marcadamente
reducida, interpretabilidad de diagnóstico deteriorada; 3, calidad de imagen y
interpretabilidad de diagnóstico aceptable; 4, buena calidad de imagen, con alta certeza de
diagnóstico; 5, excelente calidad de imagen con completa interpretabilidad de diagnóstico).
[38], [39].
SEGMENTACIÓN DE IMÁGENES POR UMBRALADO GLOBAL, PRINCIPALES
HERRAMIENTAS Y TÉCNICAS UTILIZADAS 26
Con el propósito de asegurar la correspondencia inter-observador fue utilizado el método de
Cohen’s kappa. Los valores de k entre 0.01–0.20 son considerados indicador de ligera
correspondencia, valores entre 0.21–0.40 revelan una correspondencia cercana, entre 0.41–
0.60 muestran correspondencia moderada, entre 0.61–0.80 correspondencia sustancial y
entre 0.81–1.00 casi perfecta correspondencia. Los análisis estadísticos fueron
desarrollados usando el software estadístico (SPSS, versión 22.0; IBM, Chicago, IL, USA).
Para todos los análisis estadísticos, los valores de p por debajo de 0.05 son considerados
representantes estadísticos de diferencias significativas.
Nueve regiones de interés (ROIs) fueron trazadas en las imágenes de TC. Los tamaños
usados fueron 200 x 200 píxeles para los maniquíes, 150 x 150 para las imágenes de
hígado. En las imágenes de cráneo fueron usados los tamaños de 180x 180 píxeles, 220 x
220 píxeles y 210 x 210 píxeles respectivamente, para los empastes dentales se usaron 200
x 200 píxeles y 250 x 250 píxeles, mientras que para el resto de las imágenes de cabeza se
usaron ROIs de 100 x 100 y 120 x 120 píxeles respectivamente; y para las imágenes de
abdomen se usaron 180 x 180 píxeles.
Para evaluar objetivamente las imágenes obtenida del maniquí se utiliza una imagen de
referencia que no ha sido contaminada con ruido ni artefactos, en conjunto de cinco
métricas con las que se han obtenido excelentes resultados en el campo de la evaluación de
la calidad de las imágenes. La primera de ellas es GMSD [40] (magnitud de desviación de
gradiente de similaridad), esta métrica emplea mapas locales de calidad de imagen, basados
en la variación global de los gradientes de similaridad, para obtener una predicción de la
calidad de la imagen; la segunda y la tercera son IWPSNR [41] (información contenida en
el muestreo de los picos de la relación señal a ruido) e IWMSE [41](información contenida
en el muestreo MSE),estas dos métricas utilizan la transformada Laplace piramidal. La
cuarta métrica es WSNR (evaluación de la relación señal a ruido) y por último OSS-PSNR
[42] (evaluación del desempeño de los picos de la relación señal a ruido).
2.5 Conclusiones parciales
En este capítulo quedó expuesto el fundamento matemático de cada uno de los algoritmos
de segmentación utilizados en la investigación, con el objetivo de poder interpretar con
mayor facilidad los resultados de la investigación. Además, se explicaron cuáles fueron las
SEGMENTACIÓN DE IMÁGENES POR UMBRALADO GLOBAL, PRINCIPALES
HERRAMIENTAS Y TÉCNICAS UTILIZADAS 27
modificaciones realizadas a los algoritmos originales para su implementación en MatLab.
Se fundamentaron las especificaciones bajo las que fueron obtenidas las imágenes
originales con que se trabajan en el proyecto, así como, el hardware que las obtuvo y la
manera en que fueron organizados los resultados en el proceso de adquisición de datos,
para garantizar la validez de la investigación. Se presentan, también, las condiciones y
escalas bajo las que los observadores evaluaron las imágenes y se explican las métricas para
comprobar la calidad de cada una de ellas.
CAPÍTULO 3. COMPARACIÓN DE LOS ALGORITMOS UTILIZADOS PARA LA SEGMENTACIÓN
DE IMÁGENES DE TC AFECTADAS POR IMPLANTES METÁLICOS
CAPÍTULO 3. Comparación de los algoritmos utilizados para
la segmentación de imágenes de TC afectadas por implantes
metálicos
En el presente capítulo se exponen los resultados de los distintos algoritmos de
segmentación de imágenes de TC empleados en la investigación, con el objetivo de
comparar los resultados y determinar, cuál de los algoritmos presentó un mejor desempeño.
Se muestran, además, los valores introducidos y los resultados obtenidos con los algoritmos
GISMAR y ROI para evaluar la calidad de las imágenes reales que fueron modificadas.
Mientras que, para las imágenes de maniquí de cadera, se muestra la evaluación obtenida
para cada uno de los algoritmos de segmentación, usando las cinco métricas de calidad
expuestas en el capítulo anterior. En ambos casos se evalúa la calidad subjetiva de las
imágenes obtenidas, a través de una comparación de las evaluaciones proporcionadas por
los dos observadores.
3.1 Resultados de los algoritmos utilizados para segmentar artefactos y
el metal en imágenes de TC afectadas por implantes metálicos
En la tabla 3.1 se encuentran los valores umbrales utilizados para segmentar el metal y
artefactos, separados por regiones, como se puede apreciar, todos los algoritmos presentes
en la investigación manifestaron resultados satisfactorios para segmentar el metal, y a pesar
de que, todos lograron segmentar los artefactos, no lo hicieron con la misma eficacia. Se
comprueba además que, en un mismo algoritmo, una vez que se encuentra el valor óptimo
de Nbins, ya sea para segmentar metal o artefacto, este prácticamente no varía, sin importar
la naturaleza de la imagen; por otra parte, el valor k es el encargado de ajustar el umbral
dependiendo de la luminancia u oscuridad (contenido de frecuencias) de la imagen. Esto se
debe a que, si el histograma posee pocas divisiones, cada una de ellas representa a una
mayor cantidad de píxeles de la imagen, lo que hace que se diferencien con mayor facilidad
las divisiones del histograma que encierran los niveles de grises que se encuentran con
COMPARACIÓN DE LOS ALGORITMOS UTILIZADOS PARA LA SEGMEMTACIÓN DE
IMÁGENES DE TC AFECTADAS POR IMPLANTES METÁLICOS 29
mayor frecuencia en la imagen, de los que tienen menor frecuencia de presencia, lo que
hace posible obtener un umbral.
Obsérvese que cuando el valor de Nbins = 256 las variaciones entre los valores de k son
mayores que con valores de Nbins bajos. En la Fig. 3.1 se muestran algunos de los
resultados obtenidos mediante el algoritmo Kitler 86, el cual se desempeñó correctamente
en todas las regiones anatómicas, segmentando claramente los artefactos y el metal.
Fig. 3.1 a) Imagen original del maniquí de cadera. b) Segmentación de artefactos usando
Kitler 86. c) Segmentación de metal con Kitler 86.
Fig. 3.1 d) Imagen original. e) Segmentación de artefactos usando Kitler 86. f)
Segmentación de metal con Kitler 86.
COMPARACIÓN DE LOS ALGORITMOS UTILIZADOS PARA LA SEGMEMTACIÓN DE IMÁGENES DE TC AFECTADAS POR IMPLANTES
METÁLICOS 30
Tabla 3.1 Valores umbrales por imágenes con los que se obtuvieron los mejores resultados segmentando metal y artefactos.
REGIONES ANATÓMICAS UMBRALES BCV KITLER 86 KURITA 92 RIDLER 78 YANNI 94
NBINS K NBINS K NBINS K NBINS K NBINS K
PHANTOM DE CADERA
METAL 1 1.25 256 13 2 2.5 2 1.25 - 1.25
ARTEFACTO 2 1 256 5.5 2 1 4 1 - 0.46
CABEZA METAL 2 1.25-3.98 256 12.4-127 2 y 256 3-6.79 4 2.7-3.81 - 2-2.7
ARTEFACTO 2 1.05-1.1 256 3.4-34 2 1-1.15 4 1-1.1 - 0.46-0.87
HÍGADO METAL 2 2 256 44 2 2 4 1.9 - 1.4
ARTEFACTO 2 1 256 24 2 1.13 4 1 - 0.75
ABDOMEN
METAL 2 3 256 15 2 3 4 3 - 1.7
ARTEFACTO 2 1.065 256 5 2 1.05 4 1.05 - 0.6
Tabla 3.2 Evaluación objetiva de las imágenes de maniquí de cadera.
ALGORITMOS UMBRALES VALORES GMSD IWMSE IW-PSNR WSNR OSS_PSNR
NBINS K
BCV METAL 1 1.25 54.9 81.239 17.228
37.259
23.621 ARTEFACTO 2 1
Kitler 86 METAL 256 13 54.884 81.527
17.243 37.285 23.639 ARTEFACTO 256 5.5
Kurita 92 METAL 2 2.5 54.9
81.239
17.228
37.259
23.621 ARTEFACTO 2 1
Ridler 78 METAL 2 1.25 54.879 81.222
17.227 37.258
23.619 ARTEFACTO 4 1
Yanni 94 METAL - 1.25 54.897
81.024
17.216
37.241
23.607 ARTEFACTO - 0.46
COMPARACIÓN DE LOS ALGORITMOS UTILIZADOS PARA LA SEGMEMTACIÓN DE
IMÁGENES DE TC AFECTADAS POR IMPLANTES METÁLICOS 31
Fig. 3.1 g) Imagen original. h) Segmentación de artefactos usando Kitler 86. i)
Segmentación de metal con Kitler 86.
Fig. 3.1 j) Imagen original. k) Segmentación de artefactos usando Kitler 86. l)
Segmentación de metal con Kitler 86.
Estos valores umbrales y los algoritmos con los que se obtuvieron, en combinación con el
GISMAR, modifican las imágenes originales para eliminar los artefactos. Las imágenes
resultantes son evaluadas objetiva y subjetivamente.
3.2 Evaluación objetiva de las imágenes derivadas del maniquí de cadera
La evaluación las imágenes obtenidas a partir del maniquí de cadera se encuentran
reflejadas en la tabla 3.2, los resultados obtenidos se basan en cinco métricas que utilizan
una imagen de referencia que no ha sido contaminada con ruido o artefactos, para así poder
determinar la calidad de las imágenes que se derivan de ella. De la tabla se aprecia, que las
cinco métricas antes mencionadas no revelan diferencias muy marcadas entre los
algoritmos, sin embargo, muestra una ligera superioridad de Kitler 86, al presentar mejores
resultados que sus homólogos en cuatro de las cinco métricas. Esto se debe, a que el
COMPARACIÓN DE LOS ALGORITMOS UTILIZADOS PARA LA SEGMEMTACIÓN DE
IMÁGENES DE TC AFECTADAS POR IMPLANTES METÁLICOS 32
algoritmo Kitler 86 basa su funcionamiento en eliminar el número de clasificaciones
erróneas, a través del cálculo del mínimo punto de error entre los extremos de un valor, y
establece este punto como valor umbral, para segmentar la imagen. Si en el proceso de
segmentado se minimiza la probabilidad de que ocurra un error, entonces, se incrementa el
valor de la relación señal a ruido de la imagen, que es justamente, el parámetro que miden
las cuatro métricas en las que destaca, Kitler 86. En cambio, el algoritmo Yanni 94, tuvo
los resultados más discretos debido a que su funcionamiento se basa en aproximaciones
probabilísticas que en muchas ocasiones degradan la imagen.
Por otra parte, los algoritmos BCV y Kurita 92 muestran resultados idénticos en los
aspectos evaluados, dando evidencia de la uniformidad de la calidad de las imágenes
obtenidas a partir del maniquí de cadera.
Otra forma de evaluar la calidad de las imágenes obtenidas en la investigación la
constituyen las unidades de Hounsfield (HU).
3.3 Evaluación objetiva de las Unidades de Hounsfield en las imágenes
de maniquí de cadera
De la tabla 3.3 se puede apreciar que los resultados del algoritmo que más concuerdan con
los resultados de la imagen de referencia son los de Yanni 94, en cambio los que más
difieren son los del algoritmo Kitler 86. Esto se debe a que el algoritmo Yanni 94 trabaja
directamente sobre valores del histograma de la imagen, mientras que el algoritmo Kitler 86
lo hace mediante las desviaciones estándar y no sobre valores concretos.
Con el objetivo de hacer un estudio más profundo a la hora de comprobar los resultados, en
nuestra investigación, además de utilizar métodos matemáticos, se pidió la evaluación de
las imágenes obtenidas a dos expertos, formando su puntuación la valoración subjetiva de
los resultados obtenidos.
3.4 Evaluación subjetiva de las imágenes obtenidas
En la tabla 3.4 queda registrada la media y la desviación estándar por algoritmos de las
evaluaciones proporcionadas por los dos observadores. Para agrupar los datos de manera
que estos no fueran ambiguos, la tabla se subdividió en cuatro regiones, de forma tal que se
puedan comparar los algoritmos y determinar, en cuál región del cuerpo se desempeñan
correctamente. De la tabla se puede apreciar que, en la región de la cabeza, el valor de
COMPARACIÓN DE LOS ALGORITMOS UTILIZADOS PARA LA SEGMEMTACIÓN DE
IMÁGENES DE TC AFECTADAS POR IMPLANTES METÁLICOS 33
discrepancia más alto entre las evaluaciones de un observador es el de Ridler 78 y la mayor
media es la de Kurita 92. En la región de hígado Ridler 78 obtuvo mayor media, mientras
que, Kitler 86 y BCV fueron las de mayor desviación estándar. En el abdomen Ridler 78
alcanzó la mayor media y Kitler 86 fue el algoritmo más inestable. Por último, en las
imágenes de maniquí todos los algoritmos presentaron un desempeño satisfactorio.
Las imágenes con las que se obtuvieron resultados más uniformes en las métricas de
evaluación de calidad de imágenes y según la evaluación de los observadores, son las
pertenecientes al maniquí de cadera (Fig. 3.2).
Fig. 3.2 Resultados de los algoritmos de segmentación y el GISMAR con el maniquí de
cadera. a) Imagen original. b) Resultado del algoritmo BCV. c) Resultado del algoritmo
Kitler 86.
Fig. 3.2 d) Resultado del algoritmo Kurita 92. e) Resultado del algoritmo Ridler 78.
f) Resultado del algoritmo Yanni 94.
COMPARACIÓN DE LOS ALGORITMOS UTILIZADOS PARA LA SEGMEMTACIÓN DE IMÁGENES DE TC AFECTADAS POR IMPLANTES
METÁLICOS 34
Tabla 3.3 Comparación de HU de las imágenes del maniquí de cadera con la imagen de referencia.
Tabla 3.4 Evaluaciones subjetivas proporcionadas por los observadores.
REGIONES ANATÓMICAS
BCV KITTLER 86 KURITA 92 RIDLER 78 YANNI 94
OBSERVADOR 1
OBSERVADOR 2
OBSERVADOR 1
OBSERVADOR 2
OBSERVADOR 1
OBSERVADOR 2
OBSERVADOR 1
OBSERVADOR 2
OBSERVADOR 1
OBSERVADOR 2
MEDIA SD MEDIA SD MEDIA SD MEDIA SD MEDIA SD MEDIA SD MEDIA SD MEDIA SD MEDIA SD MEDIA SD
CABEZA 2.428
0.755
2.642
0.841
2.277
0.574
2.277
0.574
2.294
0.985
3
0.866
2.277 1.127
2.333
1.137
2.333
0.577
2.333
0.577
HÍGADO 2.33 0.577 2.33 0.577 2.66 0.57
2.66 0.577
3 0
3 0 3.25 0.5 3.25 0.5 - - - -
ABDOMEN 2.75 0.5 2.75 0.5 3.33 1.154 3.33 1.154 3.33 0.577 3.66 0.577 3.5 0.70 4 0 2 0 2 0
PHANTON 4 0 4 0 4 0 4 0 4 0 4 0 4 0 4 0 4 0 4 0
IMÁGANES BCV KITTLER 86 KURITA 92 RIDDLER 78 YANNY 94
MEDIA SD MEDIA SD MEDIA SD MEDIA SD MEDIA SD
MANIQUÍ -34.855 184.111 -34.854 184.101 -34.855 184.111 -34.857 184.1 -34.864 184.138
REFERENCIA -35.655
184.249
-35.655
184.249
-35.655
184.249
-35.655
184.249
-35.655 184.249
COMPARACIÓN DE LOS ALGORITMOS UTILIZADOS PARA LA SEGMEMTACIÓN DE
IMÁGENES DE TC AFECTADAS POR IMPLANTES METÁLICOS 35
El método de Cohen’s kappa utilizado para asegurar la concordancia inter-observador
aportó resultados de k = 0.807 para marcar una correspondencia sustancial entre los
observadores, mientras que el valor de p se mantuvo por debajo de 0.05 demostrando la
presencia de representantes estadísticos de diferencias significativas, quedando así
validados estadísticamente los valores de la evaluación realizada por los observadores.
3.5 Conclusiones parciales
En este capítulo se mostraron y analizaron los resultados obtenidos por cada uno de los
algoritmos en investigación. Se evaluó la calidad de las imágenes obtenidas mediante
varios parámetros y, además, de manera subjetiva, arribando a conclusiones acerca de cuál
método de segmentado de imágenes se desempeña mejor en cada región. Al realizar el
análisis de los datos obtenidos, se concluyó que, de los algoritmos utilizados en esta
investigación, el que mejor desempeño obtuvo en la región de cabeza fue Kurita 92,
mientras que Ridler 78 lo hizo en las regiones del hígado y el abdomen. Por otra parte,
todos los algoritmos se desempeñaron correctamente con las imágenes de maniquí.
Además, la región en la que mejores resultados se obtuvieron de manera general fue la del
abdomen y el algoritmo de menor valor de estabilidad fue Kitler 86.
CONCLUSIONES Y RECOMENDACIONES 36
CONCLUSIONES
Con el desarrollo de este trabajo se abordaron temas correspondientes al procesamiento de
imágenes médicas, la segmentación y el umbralado por métodos globales. Además, se
evaluaron cinco algoritmos de umbralado global en MatLab. Con la realización de este
proyecto se arribaron a las siguientes conclusiones:
Los artefactos producidos por implantes metálicos se manifiestan en la TC como
fuertes rayas sobre la imagen, y generalmente elevan las unidades de Hounsfield de la
imagen afectada.
Los métodos globales de segmentación son aquellos que utilizan un único valor
umbral para toda la imagen calculado a partir de características globales de la misma
para segmentarla, es por eso que en la investigación se utilizan los algoritmos de
BCV, Kitler 86, Kurita 92, Ridler 78 y Yanni 94 para evaluar sus desempeños en este
campo.
Los algoritmos de segmentación utilizados en este proyecto utilizan mayormente los
datos del histograma y los valores de los niveles de grises para su funcionamiento.
Una vez que hallan el umbral devuelven una imagen con un primer plano blanco de
valor 1 y un fondo negro de valor 0, resaltando la región de interés.
El algoritmo que mejor desempeño tuvo en la región de la cabeza fue Kurita 92,
mientras que en el abdomen e hígado el que obtuvo mejores resultados fue Ridler 78.
Con el maniquí de cadera los cinco algoritmos alcanzaron resultados satisfactorios.
Del análisis de los resultados obtenidos, se puede decir que, de los algoritmos
utilizados en la investigación, el más completo para segmentar imágenes con
artefactos metálicos es el Ridler 78.
CONCLUSIONES Y RECOMENDACIONES 37
Recomendaciones
Se considera que las siguientes recomendaciones pueden ser de utilidad para enriquecer el
estudio realizado y los resultados obtenidos:
Seguir investigando a cerca de los algoritmos de segmentación y su influencia en la
reducción de artefactos metálicos.
Realizar una comparación entre algoritmos de segmentación por métodos globales, por
umbralado adaptativo y por filtros morfológicos para comprobar, cuál de ellos presenta
mejores resultados segmentando artefactos metálicos, sin comprometer la calidad de las
imágenes.
REFERENCIAS BIBLIOGRÁFICAS 38
REFERENCIAS BIBLIOGRÁFICAS
[1] Ambrose J., «A brief review of the EMI scanner», Proc Br Inst Radiol, pp. 605–6,
1975.
[2] S. Webb, «Historical experiments predating commercially available computed
tomography», Br. J. Radiol., vol. 65, n.o 777, pp. 835-837, sep. 1992.
[3] L. W. Goldman, «Principles of CT and CT Technology», J. Nucl. Med. Technol., vol.
35, n.o 3, pp. 115-128, sep. 2007.
[4] W. . Berninger y Redington, «Multiple purpose high speed tomographic x-ray
scanner», 28-abr-1978.
[5] E. K. Fishman, D. R. Ney, D. G. Heath, F. M. Corl, K. M. Horton, y P. T. Johnson,
«Volume rendering versus maximum intensity projection in CT angiography: what
works best, when, and why», Radiogr. Rev. Publ. Radiol. Soc. N. Am. Inc, vol. 26, n.o
3, pp. 905-922, jun. 2006.
[6] Hsieh J, «Image artifacts, causes and corrections», Adv. Med. Publ., pp. 487-518,
1995.
[7] W. K. Pratt, Digital Image Processing: PIKS Scientific Inside. Wiley, 2007.
[8] R. Ferrara y L. Mansi, «Paul Suetens (ed): Fundamentals of Medical Imaging (2nd
edition)», Eur. J. Nucl. Med. Mol. Imaging, vol. 38, n.o 2, pp. 409-409, feb. 2011.
[9] W. Birkfellner, Applied Medical Image Processing, Second Edition: A Basic Course.
Taylor & Francis, 2016.
[10] R. Giraldo, J. Carlos, C. Arboleda Clavijo, y C. H. McCollough, «TOMOGRAFÍA
COMPUTARIZADA POR RAYOS X: FUNDAMENTOS Y ACTUALIDAD», Rev.
Ing. Bioméd., vol. 2, n.o 4, pp. 54-66, dic. 2008.
[11] J. L. Prince y J. Links, Medical Imaging Signals and Systems, 2 edition. Boston:
Pearson, 2014.
[12] J. T. Bushberg, The Essential Physics of Medical Imaging. Lippincott Williams &
Wilkins, 2002.
[13] J. Hsieh, Computed Tomography Principles, Design, Artifacts, and Recent Advances.
John Wiley & Sons, 2009.
[14] J. F. Barrett y N. Keat, «Artifacts in CT: Recognition and Avoidance»,
RadioGraphics, vol. 24, n.o 6, pp. 1679-1691, nov. 2004.
[15] F. E. Boas y D. Fleischmann, «CT artifacts: causes and reduction techniques»,
Imaging Med, vol. 4, n.o 2, pp. 229–240, 2012.
[16] M. Petrou y C. Petrou, Image Processing: The Fundamentals, Edición: 2nd Edition.
Chichester, U.K: John Wiley and Sons Ltd, 2010.
REFERENCIAS BIBLIOGRÁFICAS 39
[17] E. R. Davies, Computer and Machine Vision: Theory, Algorithms, Practicalities.
Academic Press, 2012.
[18] W. Burger y M. J. Burge, Principles of Digital Image Processing: Advanced Methods.
Springer Science & Business Media, 2013.
[19] P.-G. P. Ho, Image Segmentation by Autoregressive Time Series Model. INTECH
Open Access Publisher, 2011.
[20] J. Beyerer, F. P. León, y C. Frese, Machine Vision: Automated Visual Inspection:
Theory, Practice and Applications. Springer, 2015.
[21] Kinda et al., «Global-to-Lo cal Shap e Matching for Liver Segmentation in CT
Imaging». [En línea]. Disponible en: http://sliver07.org/data/2007-10-26-1700.pdf.
[Accedido: 24-abr-2018].
[22] D. Han et al., «Globally Optimal Tumor Segmentation in PET-CT Images: A Graph-
Based Co-segmentation Method», en Information Processing in Medical Imaging,
2011, pp. 245-256.
[23] D. R. Ortega, G. Gutiérrez, A. M. Iznaga, T. Rodríguez, M. de Beule, y B. Verhegghe,
«Obtención de la estructura ósea del pie al aplicar la umbralización global y la
adaptativa», Rev. Int. Métod. Numér. Para Cálculo Diseño En Ing., vol. 31, n.o 2, pp.
113-119, abr. 2015.
[24] D. R. Ortega, G. Gutiérrez, A. M. Iznaga, T. Rodríguez, M. de Beule, y B. Verhegghe,
«Segmentación de los huesos en imágenes TC empleando la umbralización global y
adaptativa», Imagen Diagnóstica, vol. 5, n.o 2, pp. 68-73, jul. 2014.
[25] L. Zhang et al., «Segmentation of cytoplasm and nuclei of abnormal cells in cervical
cytology using global and local graph cuts», Comput. Med. Imaging Graph., vol. 38,
n.o 5, pp. 369-380, jul. 2014.
[26] K. U. Juergens et al., «Automated Threshold-Based 3D Segmentation Versus Short-
Axis Planimetry for Assessment of Global Left Ventricular Function with Dual-
Source MDCT», Am. J. Roentgenol., vol. 190, n.o 2, pp. 308-314, feb. 2008.
[27] G. Li, X. Chen, F. Shi, W. Zhu, J. Tian, y D. Xiang, «Automatic liver segmentation
based on shape constraints and deformable graph cut in CT images», IEEE Trans.
Image Process., vol. 24, n.o 12, pp. 5315–5329, 2015.
[28] M. Vera et al., «Segmentación automática tridimensional de estructuras pulmonares,
en imágenes de tomografía computarizada», Rev. Latinoam. Hipertens., vol. 10, n.o 4,
2015.
[29] S. S. Al-amri, N. V. Kalyankar, y K. S. D., «Image Segmentation by Using Threshold
Techniques», ArXiv10054020 Cs, may 2010.
[30] J. Shi y J. Malik, «Normalized Cuts and Image Segmentation», Ieee Trans. Pattern
Anal. Mach. In℡ligence, vol. 22, n.o 8, pp. 888–905, 2000.
[31] L. Grady, «Random walks for image segmentation», IEEE Trans. Pattern Anal. Mach.
Intell., pp. 1768–1778, 2006.
REFERENCIAS BIBLIOGRÁFICAS 40
[32] T. Shepherd y D. C. Alexander, «Supervised methods for perfect segmentation in
medical images», en Image Processing, 2008. ICIP 2008. 15th IEEE International
Conference on, 2008, pp. 1460–1463.
[33] J. CANNY, «A Computational Approach to Edge Detection», vol. vol 6, p. 20, nov.
1986.
[34] J. Kittler y J. Illingworth, «Minimum error thresholding», Pattern Recognit., vol. 19,
n.o 1, pp. 41-47, ene. 1986.
[35] T. Kurita, N. Otsu, y N. Abdelmalek, «Maximum likelihood thresholding based on
population mixture models», Pattern Recognit., vol. 25, n.o 10, pp. 1231-1240, oct.
1992.
[36] «Picture Thresholding Using an Iterative Selection Method», IEEE Trans. Syst. Man
Cybern., vol. 8, n.o 8, pp. 630-632, ago. 1978.
[37] M. Sezgin y B. Sankur, «Survey over image thresholding techniques and quantitative
performance evaluation», J. Electron. Imaging, vol. 13, n.o 1, pp. 146-166, ene. 2004.
[38] R. Guggenberger et al., «Metallic artefact reduction with monoenergetic dual-energy
{CT}: systematic ex vivo evaluation of posterior spinal fusion implants from various
vendors and different spine levels», Eur Radiol, vol. 22, n.o 11, pp. 2357-2364, jul.
2017.
[39] P. Bannas et al., «Prior Image Constrained Compressed Sensing Metal Artifact
Reduction (PICCS-MAR): 2D and 3D Image Quality Improvement with Hip
Prostheses at CT Colonography», Eur. Radiol., pp. 1-8, nov. 2015.
[40] W. Xue, L. Zhang, X. Mou, and A. C. Bovik, “Gradient Magnitude Similarity
Deviation: A Highly Efficient Perceptual Image Quality Index,” IEEE Trans. Image
Process., vol. 23, no. 2, pp. 684–695, Feb. 2014.
[41] Z. Wang and Q. Li, “Information content weighting for perceptual image quality
assessment,” IEEE Trans. Image Process., vol. 20, no. 5, pp. 1185–1198, 2011.
[42] L. Zhang and H. Li, “SR-SIM: A fast and high performance IQA index based on
spectral residual,” in 2012 19th IEEE International Conference on Image Processing,
2012, pp. 1473–1476.
ANEXOS 41
ANEXOS
Anexo I. Imágenes originales identificadas por regiones.
Imágenes originales de la región de cabeza
Imagen original de la región de abdomen. Imagen original de la región de hígado
ANEXOS 42
Imagen original del maniquí de cadera
Anexo II. Tabla de los valores de Nbins y k, por imágenes, resultantes de
los algoritmos de segmentación
** N=Nbins
IMÁGENES UMBRALES BCV KITLER KURITA RIDLER YANNI
N K N K N K N K N K
PHANTOM DE CADERA
METAL 1 1.25 256 13 2 2.5 2 1.25 - 1.25
ARTEFACTO 2 1 256 5.5 2 1 4 1 - 0.46
CRANEO5 METAL 2 3.98 256 127 256 6.79 4 3.81 - 2.7
ARTEFACTO 2 1.0644 256 34 2 1.06 4 1.02 - 0.72
CRANEO6 METAL 2 3 256 42 2 3 4 2.8 - 2
ARTEFACTO 2 1.05 256 17 2 1.05 4 1.05 - 0.72
CRANEO7 METAL 2 3.9 256 100 2 3.5 4 3.2 - 2.4
ARTEFACTO 2 1.05 256 34 2 1.05 4 1.05 - 0.73
EMPASTE1 METAL 2 3.98 256 60 2 3.5 4 3.5 - 2
ARTEFACTO 2 1.0644 256 17 2 1.06 4 1.05 - 0.72
HEAD METAL 2 3.8 256 12.4 2 3.9 4 3.7 - 2.3
ARTEFACTO 2 1.1 256 3.4 2 1.1 4 1.1 - 0.63
IM-0-0071 METAL 2 1.25 256 50 2 3.5 4 2.7 - 2.5
ARTEFACTO 2 1.07 256 13.5 2 1.05 4 1 - 0.87
HEADMETAL_SLICE75 METAL 2 3.9 256 36 2 3.5 4 3 - 2.2
ARTEFACTO 2 1.05 256 10 2 1.15 4 1 - 0.65
BREATHOLDLIVER_NMAR METAL 2 2 256 44 2 2 4 1.9 - 1.4
ARTEFACTO 2 1 256 24 2 1.13 4 1 - 0.75
REF_SIEMENS_ABDOMEN. METAL 2 3 256 15 2 3 4 3 - 1.7
ARTEFACTO 2 1.065 256 5 2 1.05 4 1.05 - 0.6
ANEXOS 43
Anexo III. Imágenes obtenidas en la investigación utilizando los
algoritmos de segmentación por métodos globales
Imágenes obtenidas utilizando BCV.
ANEXOS 44
ANEXOS 45
ANEXOS 46
ANEXOS 47
Imágenes obtenidas con el algoritmo Kitler 86
ANEXOS 48
ANEXOS 49
ANEXOS 50
ANEXOS 51
Imágenes obtenidas con el algoritmo Kurita 92
ANEXOS 52
ANEXOS 53
ANEXOS 54
ANEXOS 55
ANEXOS 56
Imágenes obtenidas con el algoritmo Ridler 78
ANEXOS 57
ANEXOS 58
ANEXOS 59
ANEXOS 60
Imágenes obtenidas con el algoritmo Yanni 94
ANEXOS 61