Reconocimiento del tejido de la rodilla en resonancia magnética

Introducción

En la actualidad, el número de personas con problemas en las articulaciones de rodilla ha incrementado considerablemente. Una de las enfermedades más comunes es la osteoartritis (OA). Por ende, es necesario el análisis de los tejidos blandos de la rodilla para un diagnóstico temprano, disminuyendo el riesgo de destrucción de la articulación. Para la detección y comprobación de dicha destrucción, se puede utilizar una resonancia magnética pues es eficaz para presentar los tejidos blandos de la rodilla. Sin embargo, por lo general los médicos no pueden visualizar la información suficiente.

Para mejorar el procesamiento de todos los datos, se puede utilizar un análisis informático de la resonancia magnética. Si bien puede brindar información adicional para contribuir en la detección de lesiones invisibles en los tejidos blandos, suele ser una tarea compleja pues necesita de una segmentación de los tejidos que presentan similitudes entre sí.

En este artículo se presentan enfoques para preprocesar imágenes de la articulación de la rodilla, segmentar dichas imágenes, reconocer tejidos y analizarlos (para facilitar el diagnóstico temprano).

Materiales y métodos

La metodología del artículo se divide en cuatro partes. En primer lugar, se realiza un preprocesamiento para hacer una extracción de la información y realizar la evaluación de los tejidos. Además, elimina ruido y artefactos, disminuye los datos innecesarios y el tiempo de ejecución, e incrementa la precisión de los resultados. En segundo lugar, se segmenta la imagen de la articulación de la rodilla. En este caso se hace una división de la articulación en un conjunto de regiones de píxeles donde cada una presenta ciertas características que permiten la unión o división de más regiones. Después de la segmentación, es posible hacer un análisis de cada región por separado. En tercer lugar se hace el reconocimiento de cada tejido. Para ello, se debe tomar en cuenta su textura pues entre los distintos tejidos blandos, hay varias similitudes. Finalmente, se hace el análisis de los tejidos usando información tanto biológica como estructural de la rodilla, y algunas características físicas y bioquímicas del tejido.

Resultados

Para la parte de preprocesamiento y segmentación se compararon 3 combinaciones de métodos: agrupación de k-means sin preprocesamiento; filtrado Perona-Malik y agrupación de k-means; y una ecualización de histogramas, filtrado Perona-Malik y agrupación de k-means. Para todos se hizo una evaluación de la cantidad de imágenes con elevados grados de ruido y artefactos, bajos niveles de ruido y artefactos, y sin ellos. La segunda combinación resultó ser la mejor con una reducción de ruido y artefactos.

En cuanto al reconocimiento y análisis de tejidos, se calcularon 64 características de textura mediante GLCM y GLSZM. Con ello se pudieron estimar las características de cada tejido, facilitando su comparación. Los resultados mostraron que los valores para el músculo en uniformidad, homogeneidad, correlación vertical y diagonal, fueron mayores que los de cartílago. Por el contrario, con la característica de disimilitud, el cartílago tuvo valores más grandes que el músculo.

Conclusiones

Entre los resultados generales se destaca la utilidad de los métodos en base al filtrado Perona-Malik y la agrupación k-means. El primero resultó efectivo para reducir el ruido y los artefactos. El segundo es conveniente para la segmentación. Asimismo, se demostró que la característica de intensidad de la señal de la resonancia, de forma individual, no basta para detectar distintos tipos de tejido. Esto se descarta cuando se incluyen las 65 características con GLCM y GLSZM.

Con estos resultados, se espera el diseño de un sistema que pueda reconocer de forma automática los tejidos blandos de la rodilla. De igual forma, sirven para hacer una evaluación profunda de los tejidos, permitiendo que el tratamiento inicie antes y con ello se reduzca el riesgo de destrucción.

Traducido y adaptado de: A. Suponenkovs, Z. Markovics and A. Platkajis, «Knee-joint tissue recognition in magnetic resonance imaging,» 2017 IEEE 30th Neumann Colloquium (NC), 2017, pp. 000041-000046, doi: 10.1109/NC.2017.8263280