15-05 Segmentación y análisis multiespectral

La tecnología espacial y militar fue la precursora de muchas aplicaciones sobre tratamiento de imagen que más tarde se aprovecharon también para el campo de la medicina. Una de las más importantes fue el programa Landsat de la NASA. Landsat creó colecciones de imágenes de la Tierra. Estos conjuntos estaban formados por cuatro o más imágenes de diferentes ventanas espectrales (por lo general, dos en el espectro visible y dos en el espectro infrarrojo). De forma análoga a estas aplicaciones, hoy en día también se utilizan en el campo médico. El proceso de segmentación es una de las herramientas más importantes en el análisis automatizado de imágenes [⇒ Bezdek, ⇒ Lundervold].

Existen diferentes imágenes (basales, difusión o postcontraste T1 y T2) que pueden considerarse como imágenes multiespectrales. El hecho de reducir la representación de una imagen a un número determinado de componentes fue uno de los primeros objetivos del procesamiento de imagen. Este proceso es la extracción de características. Esta extracción permite la separación de las partes básicas de una imagen en subconjuntos de características extraídas de dichas imágenes, que a su vez, pueden utilizarse para calcular otras características como por ejemplo las aristas o las texturas.

La segmentación se aplica también en el preprocesado y registro de imágenes multimodalidad, pudiéndose utilizar tanto en imágenes estáticas como en estudios dinámicos con agentes de contraste. La detección de determinadas discontinuidades en los niveles de gris permite resaltar los puntos, líneas y bordes de una imagen.

Existen técnicas de similitud que muestran áreas de intensidad de señal similar entre diferentes regiones, utilizando para ello la umbralización y el crecimiento de regiones [⇒ Gonzales]. En la Figura 15-10 puede observarse una vista general de los pasos relacionados con el procesado de las imágenes. La descripción detallada de los procesos de segmentación va más allá de los objetivos de este capítulo, pero está disponible en otros documentos [⇒ Clarke, ⇒ Gonzales, ⇒ Russ].

Figura 15-10: Pasos en el análisis de imágenes: el preproceso mejora la calidad de la imagen reduciendo los posibles artefactos; las diferentes características y propiedades tisulares permiten la segmentación de tejidos. Después de este proceso, se pueden aplicar técnicas de reconocimiento de patrones sobre los datos.

Los métodos multiespectrales se pueden dividir en métodos supervisados y no supervisados. Una clasificación no supervisada (como los análisis por clusterización) para la obtención de regiones espacialmente conectadas, es generalmente suficiente para proporcionar una buena división de la imagen en las diferentes estructuras que la componen. Los procesos de reconocimiento de patrones supervisados funcionan bien cuando se tiene una buena segmentación que aporte conocimiento a priori sobre la distribución tisular.

Un ejemplo clásico es la separación de la sustancia gris y la sustancia blanca en base a sus diferentes tiempos de relajación (Figura 15-11).

Figura 15-11: (a) Imagen cerebral original y (b) imagen segmentada mostrando 90 tejidos diferentes.

Aplicaciones prácticas. En la medicina, la segmentación se aplica para la clasificación de imágenes en componentes con características tisulares similares. Hoy en día, la aplicación para mediciones de volumetría ha convertido a la segmentación en una técnica rápida y clínicamente útil. La segmentación permite identificar áreas anatómicas de interés para el diagnóstico y la terapia, por ejemplo para la planificación quirúrgica. La medición del volumen tumoral antes y después del tratamiento se ha convertido en una tarea relativamente fácil con estas técnicas. Entre otras aplicaciones, es posible obtener medidas cuantitativas de la atrofia cerebral en pacientes con Alzheimer u otras enfermedades neurodegenerativas.

En estudios cardíacos, se han aplicado con éxito métodos de segmentación y detección de contornos para detectar los bordes del miocardio y poder así calcular parámetros como la fracción de eyección o su propia masa. La detección automática de contornos se puede utilizar para la representación tridimensional de hueso o estructuras de tejido blando, por ejemplo, para el diseño de prótesis.

15-06 Representación tridimensional

Como ocurre con la mayoría de modalidades de imagen, las imágenes de RM se muestran como imágenes en dos dimensiones con una escala de grises. Sin embargo, la RM es esencialmente un método de tres dimensiones y puede reconstruir conjuntos de datos en las tres direcciones del espacio para cubrir prácticamente cualquier órgano del cuerpo [⇒ Aichner].

La forma más sencilla de visualizar los datos adquiridos es dejar que el radiólogo navegue por los diferentes cortes en 2D, para que pueda observar las estructuras de interés. Considerando que este enfoque es a menudo conveniente para algunos fines, como por ejemplo el diagnóstico, no lo es tanto para otras tareas como la planificación quirúrgica o la planificación de tratamientos con radioterapia. Es por ello que existe la necesidad de utilizar técnicas de visualización 3D. Con el uso de la segmentación, es posible aplicar técnicas de renderizado de volumen y superficie [⇒ Maintz]. La ventaja de las técnicas de representación de superficie es que son fáciles, rápidas y permiten una visualización muy interactiva (rotaciones, zooms, etc.).

Una vez segmentadas las imágenes, es posible manipularlas tridimensionalmente para eliminar tejidos y hacer cálculos de volúmenes, tamaños, etc. (Figura 15-12). La desventaja es que la segmentación debe realizarse antes de la visualización y perder algo de información en la propia etapa de segmentación. Una técnica alternativa es el volume-rendering. Esta técnica no requiere segmentación. Sin embargo, el método requiere más potencia computacional para ser totalmente interactivo, y normalmente necesita además algún tipo de interacción para visualizar las estructuras de interés.

Figura 15-12: Disección de una imagen modelo de cabeza por RM. Se utiliza una malla para definir los planos de corte [⇒ Tiede]. Se pueden utilizar estas u otras reconstrucciones similares para la planificación quirúrgica y tratamientos de radioterapia. Uno de los principales problemas del procesamiento 3D de imágenes es que determinados objetos o estructuras contenidos en dicho volumen pueden oscurecer a otros. Por lo tanto, es necesario realizar una segmentación previa que identifique las regiones de interés para el estudio.