Breve explicación sobre técnicas de segmentación de imágenes ecográficas (ecocardiográficas).

Share on facebook
Share on twitter
Share on linkedin
Segmentación imagenes ecocardiográficas

Introducción

¿Qué es la segmentación de imágenes?

La segmentación de imágenes es uno de los problemas generales en el campo de la visión computacional, el cual consiste en dividir a la imagen en sus partes constituyentes hasta un nivel de subdivisión en el que se aíslen las regiones u objetos de interés.

Los algoritmos de segmentación son basados en alguna de las dos propiedades básicas de los valores del nivel de gris: discontinuidad o similitud entre los niveles de gris de píxeles vecinos.

Discontinuidad. Se divide la imagen basándose en cambios bruscos de nivel de gris:

  • Detección de puntos aislados
  • Detección de líneas
  • Detección de bordes

Similitud. Se divide la imagen basándose en la búsqueda de zonas que tengan valores similares, conforme a criterios fijos:

  • Crecimiento de región
  • Umbralización

¿En que consisten las imágenes ecográficas?

La técnica de ultrasonido empleada es una modalidad que utiliza ondas de sonido de alta frecuencia para proporcionar imágenes transversales del cuerpo. Un transductor realiza dos funciones: emite ondas de sonido (ecos) a una cierta frecuencia y capta los ecos de retorno en frecuencias dependientes de los tejidos a través de los cuales atraviesan las ondas. La onda de sonido que se devuelve al transductor se digitaliza para que aparezca como ecos o puntos en la pantalla. La imagen resultante es denominada imagen ecográfica.


En el área de la computación las imágenes ecográficas representan un gran reto al momento de llevar a cabo su segmentación debido a que contienen mucho ruido, alto contenido de moteado y estructuras difusas. Por otro lado, en estas imágenes la información obtenida sobre los bordes suele aparecer incompleta, dándole un mayor énfasis si una determinada frontera entre tejidos es tangente a la dirección de propagación del ultrasonido, por lo que no será posible visualizar la zona afectada en la imagen. Debido a lo anteriormente expuesto, existe la necesidad y el interés de plantear el procesado de la imagen dentro de modelos computacionales especialmente adaptados, que de alguna forma limpien la imagen y completen la información faltante. Las técnicas clásicas de segmentación no siempre son eficientes al tratarse de imágenes ecográficas que presentan intrínsecamente una baja relación señal a ruido y una definición muy pobre en los contornos presentes. Dado lo anterior, es necesario usar técnicas que aporten una mayor robustez con la inclusión de algún tipo de supervisión o conocimiento a priori sobre las características de las regiones a segmentar.

Las imágenes ecocardiográficas son fuertemente influenciadas por la calidad de los datos, al ser una imagen ecográfica del corazón sufren con las mismas complicaciones al momento de realizar la segmentación del mismo. En los datos de ultrasonido la apariencia del ventrículo izquierdo es mayormente caracterizada por una región obscura, la cual representa la sangre contenida en él, encerrado por el endocardio, miocardio y epicardio, los cuales son toscamente representados por una región brillante.

Las imágenes ecocardiográficas pueden ser usadas para un número de examinaciones diferentes: desarrollo del corazón, estructura y función cardíacas, así como cambios en estados fisiológicos normales y condiciones patológicas. A continuación se nombrarán algunas de las principales técnicas de segmentación para este tipo de imágenes médicas.


Principales técnicas de segmentación

Las imágenes de ecocardiografía adolecen de varios inconvenientes específicos que impiden tanto la interpretación humana como el análisis automatizado.

  • No existe una relación simple entre la intensidad de los píxeles y cualquier propiedad física del tejido visualizado. En su mayoría, los diferentes tejidos no se distinguen por sus valores de intensidad o textura. 
  • La información de la imagen ecocardiográfica es altamente anisotrópica y depende de la posición, ya que la intensidad de la reflexión, la resolución espacial y la relación señal/ruido dependen de la profundidad y el ángulo de incidencia del haz de ecocardiografía, así como de los ajustes de ganancia de profundidad controlados por el usuario.
  • Se producen muchos artefactos de imagen, lo que resulta en una pérdida local de información anatómica: cantidades significativas de ruido, dropouts, sombras, lóbulos laterales, reverberaciones y ventanas de eco limitadas. Las imágenes de fotograma fijo, por lo tanto, a menudo solo contienen información parcial.

Por estas razones, la segmentación automatizada de secuencias de imágenes ecocardiográficas ha demostrado ser una tarea desafiante. Los enfoques propuestos para la segmentación de datos ecocardiográficos se dividen en las siguientes clases: conjunto de niveles (LS), plantillas deformables, modelos de formas activas (ASM), método de contorno activos, modelos de apariencia activa (AAM), enfoques de abajo hacia arriba y guiados por bases de datos (guiados por DB).

Conjunto de nivel (Level Set)

El enfoque de conjunto de nivel para segmentación de imágenes médicas ayuda a mejorar el desempeño de los contornos activos debido a que, incrementan la robustez del modelo combinando segmentación por región y bordes, y las formas y texturas a priori se usan de forma conjunta con una función paramétrica de tal manera que la función implícita de segmentación sea modelada. La idea básica de este método es la representación de curvas o superficies como el conjunto de nivel cero de una hiper-superficie de alta dimensión. De una forma más simple se puede interpretar que las curvas cerradas en una superficie de 2 dimensiones se consideran como una superficie continua de un espacio de 3 dimensiones.

Ejemplo de un conjunto de nivel

Plantillas deformables

De forma alternativa, los problemas mencionados sobre este tipo de imágenes pueden afrontarse usando plantillas deformables, las cuales usan un esquema no supervisado para aprendizaje. Sin embargo, los métodos basados en plantillas deformables requieren el conocimiento de como la inicialización es realizada. Ambos métodos, tanto conjunto de nivel y plantillas deformables han demostrado tener buenos resultados cuando lidian con imágenes médicas, pero también presentan algunos inconvenientes relacionado con el conocimiento a priori incluido en la función de optimización.

a) Deformaciones de un dígito de muestra. b)Plantilla deformada superpuesta a la imagen de destino con medidas de disimilitud

Modelos de apariencia y forma activa (ASM y AAM)

Esta clase de métodos necesitan un conjunto grande de imágenes de entrenamiento etiquetadas y la inicialización debe ser cercano al óptimo local. Además, estos métodos asumen una distribución Gaussiana de la forma y apariencia derivada de las muestras de entrenamiento.

Modelo de forma activa
Modelo de apariencia activa

Segmentación mediante contornos activos

Los métodos de contorno activos consisten en una curva elástica aproximada que, colocada sobre una imagen, empieza a deformarse a partir de una forma inicial con el fin de delimitar las regiones de interés en la escena. Esta deformación se produce mediante la aplicación de fuerzas internas, intrínsecas al modelo activo deformable (Snake) y que controlan la suavidad de la curva, así como mediante fuerzas externas, procedentes de la imagen bajo tratamiento, que empujan al Snake hacia las características salientes de la imagen.

Aplicación de contornos activos

Segmentación de abajo hacia arriba

Este enfoque detecta el límite del ventrículo izquierdo usando detección de bordes que constituye características para representar el límite del objeto. A pesar de que estos métodos cuentan con una baja complejidad computacional son sensibles a las condiciones iniciales y generalmente carecen de robustez a las condiciones de la imagen.

Ejemplo de segmentación de abajo hacia arriba

Segmentación guiada por base de datos

Este enfoque utiliza técnicas de aprendizaje supervisado. En concreto, se desarrolla un modelo de aprendizaje discriminativo basado en técnicas de refuerzo para la segmentación del ventrículo izquierdo a partir de imágenes ecográficas. Otro punto importante en este método es su independencia con respecto a una conjetura inicial. Sin embargo, estos métodos tienen varias deficiencias. Además de la alta complejidad del proceso de búsqueda, se necesita una gran cantidad de imágenes de entrenamiento para estimar los parámetros del modelo y la robustez de las condiciones de imagen ausentes del conjunto de entrenamiento.

Conclusiones

En este primer artículo se introdujo a lo que son las imágenes ecográficas, dándole especial énfasis a las imágenes ecocardiográficas, de igual forma se mencionan los artefactos o problemas que de forma intrínseca poseen este tipo de imágenes al momento de ser obtenidas y que complican realizar su segmentación. Se menciona la importancia de este tipo de análisis ya que se encuentra relacionado a uno de los órganos más importantes del ser humano: el corazón, y mediante estas técnicas es posible determinar la estructura del mismo, determinar su función y detectar algún tipo de patología. Se explicaron brevemente las principales técnicas de segmentación y se mostraron ejemplos de cada una, con el fin de darle al lector una idea del resultado obtenido de cada método.

Share on facebook
Share on twitter
Share on linkedin

No Comments yet!

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

¡Conozcámonos mejor!

Te haremos llegar las novedades de SoldAI, ofertas exclusivas, notificaciones, y mucho más.

¡Deja tu correo, tenemos mucho que contarte!