Search

This paper presents the evaluation of two computational techniques for smoothing noise that might be present in synthetic images or numerical phantoms of magnetic resonance (MRI). The images that will serve as the databases (DB) during the course of this evaluation are available freely on the Internet and are reported in specialized literature as synthetic images called BrainWeb. The images that belong to this DB were contaminated with Rician noise, this being the most frequent type of noise in real MRI images. Also, the techniques that are usually considered to minimize the impact of Rician noise on the quality of BrainWeb images are matched with the Gaussian filter (GF) and an anisotropic diffusion filter, based on the gradient of the image (GADF). Each of these filters has 2 parameters that control their operation and, therefore, undergo a rigorous tuning process to identify the optimal values that guarantee the best performance of both the GF and the GADF. The peak of the signal-to-noise ratio (PSNR) and the computation time are considered as key elements to analyze the behavior of each of the filtering techniques applied. The results indicate that: a) both filters generate PSNR values comparable to each other. b) The GF requires a significantly shorter computation time to soften the Rician noise present in the considered DB. Este artículo presenta la evaluación de dos técnicas computacionales para el suavizado de ruido, que puede estar presente en imágenes sintéticas o phantoms numéricos de resonancia magnética (MRI). Las imágenes que servirán como bases de datos (DB) para el desarrollo de la mencionada evaluación están disponibles, de manera libre, en la Internet y se reportan, en la literatura especializada, como imágenes sintéticas denominadas BrainWeb. Las imágenes pertenecientes a esta DB fueron contaminadas con ruido Riciano debido a que este es el tipo de ruido más frecuente en imágenes de MRI reales. Por otra parte, las técnicas consideradas para minimizar el impacto de este ruido, en la calidad de las imágenes de la BrainWeb, se hacen coincidir con el filtro Gausiano (GF) y un filtro de difusión anisotrópica, basado en el gradiente de la imagen (GADF). Cada uno de estos filtros posee 2 parámetros que controlan su funcionamiento y, por ende, deben someterse a un proceso de entonación riguroso para identificar los valores óptimos que garanticen el mejor desempeño tanto del GF como del GADF. El pico de la relación señal a ruido (PSNR) y el tiempo de cómputo son considerados como elementos clave para analizar el comportamiento de cada una de las técnicas de filtrado aplicadas. Los resultados indican que: a) Ambos filtros generan valores de PSNR comparables entre sí. b) El GF requiere de un tiempo de cómputo, significativamente, menor para suavizar el ruido Riciano presente en la DB considerada.

This work evaluates the performance of some methods employed for assessing the volume of seven subdural hematomas (EDH), present in multi-layer computed tomography images. Firstly, a reference volume is considered to be that obtained by a neurosurgeon using the manual planimetric method (MPM). Secondly, the volume of the 7 EDHs is obtained considering both the original version of the ABC/2 method and two of its variants, identified in this paper as ABC/3 method and 2ABC/3 method. The ABC methods allow for calculation of the volume of the hematoma under the assumption that the EDH has an ellipsoidal shape. In third place, an intelligent automatic technique (SAT) is implemented that generates the three-dimensional segmentation of each EDH and from it the volume of the hematoma is calculated. The SAT consists of the pre-processing, segmentation and post-processing stages. In order to make judgments about the performance of the SAT, the Dice coefficient (Dc) is used to compare the dilated segmentations of the EDH with the EDH segmentations generated manually. Finally, the percentage relative error is calculated as a metric to evaluate the methodologies considered. The results show that the SAT method exhibits the best performance generating an average percentage error of less than 2%.

Through this work we propose a computational technique for the segmentation of magnetic resonance images (MRI) of a brain tumor, identified as high grade glioma (HGG), specifically grade III anaplastic astrocytoma. This technique consists of 3 stages developed in the threedimensional domain. They are: pre-processing, segmentation and post-processing. The pre-processing stage uses a thresholding technique, morphological erosion filter (MEF), in gray scale, followed by a median filter and a gradient magnitude algorithm. On the other hand, in order to obtain a HGG preliminary segmentation, during the segmentation stage a clustering algorithm called region growing (RG) is implemented and it is applied to the preprocessed images. The RG requires, for its initialization, a seed voxel whose coordinates are obtained, automatically, through the training and validation of an intelligent operator based on support vector machines (SVM). Due to the high sensitivity of the RG to the location of the seed, the SVM is implemented as a highly selective binary classifier. During the post-processing stage, a morphological dilation filter is applied to preliminary segmentation generated by RG. The percent relative error (PrE) is considered by comparing the segmentations of the HGG, generated manually by a neuro-oncologist, with the dilated segmentations of the HGG, obtained automatically. The combination of parameters linked to the lowest PrE, allows establishing the optimal parameters of each computational algorithms that make up the proposed computational technique. The obtained results allow reporting a PrE of 11.10%, which indicates a good correlation between the manual segmentations and those produced by the computational technique developed. A través de este trabajo se propone una técnica computacional para la segmentación de un tumor cerebral, identificado como un glioma de alto grado (HGG) de tipo astrocitoma anaplásico de grado III, que está presente en las imágenes de resonancia magnética (MRI). Esta técnica consta de 3 etapas desarrolladas en el dominio tridimensional. Ellas son: preprocesamiento, segmentación y postprocesamiento. La etapa de preprocesamiento utiliza una técnica de umbralización, un filtro de erosión morfológica (MEF), en escala de grises, seguido de un filtro de mediana y de un algoritmo de magnitud de gradiente. Por otro lado, con el propósito de generar una segmentación preliminar del HGG, durante la etapa de segmentación se implementa un algoritmo de agrupamiento, llamado crecimiento de regiones (RG), que se aplica a las imágenes preprocesadas. El RG requiere para su inicialización la ubicación de un vóxel semilla cuyas coordenadas se obtienen, automáticamente, a través del entrenamiento y la validación de un operador inteligente basado en máquinas de vectores de soporte (SVM). Debido a la alta sensibilidad del RG a la ubicación de la semilla, la SVM se implementa como un clasificador binario altamente selectivo. Durante la etapa de post-procesamiento, se aplica un filtro de dilatación morfológica a la segmentación preliminar, generada por RG. El error relativo porcentual (PrE) se considera para comparar las segmentaciones de la HGG generadas de forma manual por un neurooncólogo, con las segmentaciones dilatadas de la HGG, obtenidas automáticamente. La combinación de parámetros vinculados al PrE más bajo permite establecer los parámetros óptimos de cada uno de los algoritmos computacionales que componen la técnica computacional propuesta. Los resultados obtenidos permiten reportar un PrE de 11.10%, lo cual indica una buena correlación entre las segmentaciones manuales y las producidas por la técnica computacional desarrollada.