Desarrollo de una aplicación amigable al usuario para imágenes DICOM de segmentación y visualización 3D de un tumor cerebral.
Introducción.
En las últimas décadas, ha habido un crecimiento exponencial en cuanto a la investigación relacionada con el diagnóstico de cáncer cerebral mediante el uso de segmentación. Un tumor cerebral está clasificado como una masa de células innecesarias o antinaturales que crecen sin control dentro del cerebro o en el canal de la columna central. La detección de los tumores cerebrales, así como la segmentación y la adecuada visualización, tienen un rol decisivo en el proceso de diagnóstico de la enfermedad, selección del tratamiento, procedimiento quirúrgico y en la rehabilitación.
Muchos sistemas de diagnóstico por imágenes médicas se enfrentan al mismo problema de separar el tejido específico del resto de la imagen. Esto con el fin de extraer características específicas, de las cuales una descripción, interpretación o entendimiento de la imagen, pueda ser proporcionada por la máquina.
La comunidad del procesamiento de imágenes ha desarrollado varios algoritmos de segmentación, estos métodos usan diferentes maneras de extracción de características. Entre todas estas, las más usadas para la segmentación de tumores cerebrales son el aprendizaje profundo y los modelos deformables. Sin embargo, debido a las formas irregulares, las ubicaciones y los límites confusos en algunos cortes, la segmentación es sumamente problemática.
Metodología
Los datos se extrajeron de 497 imágenes DICOM en total de 37 pacientes, estas imágenes incluían cuatro vistas diferentes:axial, coronal, coronal y sagital reformateado. Las imágenes fueron representadas por diferentes matrices, por lo que para su posterior uso y procesamiento, sólo se seleccionaron imágenes axiales, por lo que el conjunto final de imágenes fue de 133. Estas imágenes se utilizaron para probar el algoritmo y para desarrollar la aplicación.
Una vez que se seleccionaron las imágenes, se procedió a realizar la segmentación mediante un algoritmo que diferencia entre un tumor cerebral y el tejido sano. El algoritmo depende de que un tinte se inyecte en el torrente sanguíneo, esto con el fin de poder diferenciar los diferentes tejidos de mejor manera. En la etapa de procesamiento, la imagen fue transformada en una matriz de 0 a 1.
Una vez terminado el procesamiento, se realizó una segmentación del tumor haciendo uso de un algoritmo recursivo, este algoritmo se usa generalmente para buscar una estructura de datos o gráficos, sin embargo en este caso se utilizó para dar color a algunos píxeles.
Con el fin de evitar ruido en el reconocimiento, se declaró el tamaño mínimo del tumor, así como solo un rango de la intensidad del color gris de la imagen del tumor, esto ayuda a que no se reconozcan partes del cerebro que no son el tumor.
Los pasos se pueden enlistar de la siguiente manera:
1. Convertir la imagen en una matriz con números.
2. Definir la intensidad del color gris de la imagen.
3. Marcar todos los píxeles como no vistos.
4. Checar el color de los píxeles.
5. Mostrar la imagen sustraída.
Una vez que se han seguido estos pasos, se procede a realizar una aplicación que sea amigable para el usuario, esto se logra teniendo imágenes sumamente precisas para la interpretación del médico, mostrar una representación visual fácil de entender, tener herramientas interactivas, desarrollar modelos 3D que se puedan utilizar paralelamente a los 2D. Además, usar solamente la vista más conveniente para una representación en 3D, que las imágenes se almacenen como capas en un orden específico, información acerca de la posición y la rotación mostrada, un modelo donde se piedra manipular y rotar usando 6 modos y análisis pre y post operatorio.
Discusión de resultados
Los resultados obtenidos mediante el método utilizado fueron los correctos. Así de esta manera, se logró obtener una tomografía en donde únicamente el área de interés (el tumor) quedó coloreado, al final se usó un color rojo para que este fuera más notable. El rango de la intensidad de color gris y el tamaño mínimo que se utilizó, fueron seleccionado adecuadamente. Sin embargo, debido a las formas y a los tamaño irregulares, se tuvo que ajustar a valores menores para evitar ruido. El beneficio del algoritmo usado es que una vez que se establecen y se definen todos los parámetros, se ajustan estos para toda la imagen, sin necesidad de ir ajustando individualmente. Es importante remarcar que la segmentación no se realizará correctamente si el contorno no se sitúa cerca del tejido de interés, por lo que la mejor solución es colocar varias veces el contorno
La aplicación realizada cumple con los parámetros requeridos para que sea una aplicación amigable con el usuario, con una alta calidad, un fácil uso, una buena operatividad, reduciendo tiempos y creando modelos 3D que son compatibles con modelos 2D. Asimismo, en las imágenes se despliega tanto la posición como la rotación e incluso la cámara utilizada en la imagen que se muestra en la pantalla.
Traducido y adaptado de: Sustersic, T. Rankovic, V. Filipovic, N. (2019) Development of a user-friendly application for DICOM image segmentation and 3D visualization of a brain tumor. [PDF]. Recopilado y traducido de: https://ieeexplore-ieee-org.udlap.idm.oclc.org/stamp/stamp.jsp?tp=&arnumber=8941713
