Search

This work evaluates the performance of some methods oriented towards the generation of the volume of four subdural hematomas (SDH), present in multi-layer computed tomography images. To do this, firstly, a reference volume is specified: the volume obtained by a neurosurgeon using the manual planimetric method (MPM); which allows the generation of manual segmentations of space-occupying lesions. In this case, these volumes are matched with the SDH. In parallel, the volumetry of the 4 SDHs 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 the calculation of the volume of the hematoma under the assumption that the SDH has an ellipsoidal shape. In third place, SDH’s are studied through an intelligent automatic technique (SAT) that generates the three-dimensional segmentation of each SDH. 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 5%. Este trabajo evalúa el rendimiento de algunos métodos orientados a la generación del volumen de cuatro hematomas subdurales (SDH), presentes en imágenes de tomografía computarizada multicapa. Para hacer esto, en primer lugar, se especifica un volumen de referencia: el volumen obtenido por un neurocirujano utilizando el método planimétrico manual (MPM); que permite la generación de segmentaciones manuales de lesiones ocupantes de espacio. En este caso, estos volúmenes se comparan con el SDH. Paralelamente, se obtiene la volumetría de los 4 SDH, considerando tanto la versión original del método ABC / 2 como dos de sus variantes, identificadas en este documento como el método ABC / 3 y el método 2ABC / 3. Los métodos ABC permiten el cálculo del volumen del hematoma bajo el supuesto de que el SDH tiene una forma elipsoidal. En tercer lugar, los SDH se estudian a través de una técnica automática inteligente (SAT) que genera la segmentación tridimensional de cada SDH. Finalmente, el error relativo porcentual se calcula como una métrica para evaluar las metodologías consideradas. Los resultados muestran que el método SAT exhibe el mejor rendimiento generando un porcentaje de error promedio de menos del 5%.

This work evaluates the performance of computational methods aimed at volume generation of five intracerebral hematomas (ICH), present in multi-layer computed tomography images, by means of three complementary steps. First. A ground truth volume or reference volume (RV) is considered. This RV is obtained, by a neurosurgeon, using the manual planimetric method (MPM). In a second step, the volumetry of the 5 ICH’s 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 calculating hematoma volume under the geometric assumption that the ICH has an ellipsoidal shape. In a third step, a smart automatic technique (SAT) is implemented to generate the three-dimensional segmentation of each ICH. In the context of the present work, the expression SAT method is used to refer to the new methodology proposed to calculate the volume of the ICH. In order to evaluate the performance of the SAT, the Dice coefficient (Dc) is used to compare the dilated segmentations of the ICH with the ICH segmentations generated, manually, by a neurosurgeon. Finally, the percentage relative error is calculated as a measure to evaluate the methodologies considered. The results show that the SAT method exhibits the best performance, generating an average percentage error of less than 3%. Este trabajo evalúa el rendimiento de los métodos computacionales dirigidos a la generación de volumen de cinco hematomas intracerebrales (HIC), presentes en imágenes de tomografía computarizada de múltiples capas, por medio de tres pasos complementarios. Primero. Se considera un volumen básico o volumen de referencia (RV). Este RV es obtenido, por un neurocirujano, usando el método planimétrico manual (MPM). En un segundo paso, la volumetría de los 5 ICH se obtiene considerando tanto la versión original del método ABC / 2 como dos de sus variantes, identificadas en este trabajo como el método ABC / 3 y el método 2ABC / 3. Los métodos ABC permiten calcular el volumen del hematoma bajo la suposición geométrica de que el ICH tiene una forma elipsoidal. En un tercer paso, se implementa una técnica automática inteligente (SAT) para generar la segmentación tridimensional de cada ICH. En el contexto del presente trabajo, la expresión método SAT se utiliza para referirse a la nueva metodología propuesta para calcular el volumen del ICH. Para evaluar el rendimiento del SAT, el coeficiente de Dice (Dc) se usa para comparar las segmentaciones dilatadas de la ICH con las segmentaciones ICH generadas, manualmente, por un neurocirujano. Finalmente, el error relativo porcentual se calcula como una medida para evaluar las metodologías consideradas. Los resultados muestran que el método SAT muestra el mejor rendimiento, generando un porcentaje de error promedio de menos del 3%.

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.

Through this work we propose a computational technique for the segmentation of a brain tumor, identified as low grade glioma (LGG), specifically grade II astrocytoma, which is present in magnetic resonance images (MRI). This technique consists of 3 stages developed in the three-dimensional domain. They are: pre-processing, segmentation and postprocessing. The percent relative error (PrE) is considered to compare the segmentations of the LGG, generated by a neuro- oncologist manually, with the dilated segmentations of the LGG, obtained automatically. The combination of parameters linked to the lowest PrE, allow establishing the optimal parameters of each computational algorithm that makes up the proposed computational technique. The results allow reporting a PrE of 1.43%, which indicates an excellent correlation between the manual segmentations and those produced by the computational technique developed. Por medio de este trabajo proponemos una técnica computacional para la segmentación de un tumor cerebral, identificado como glioma de bajo grado (LGG), específicamente astrocitoma de grado II, que está presente en imágenes de resonancia magnética (MRI). Esta técnica consiste en 3 etapas desarrolladas en el dominio tridimensional. Ellos son: pre procesamiento, segmentación y post procesamiento. El porcentaje de error relativo (PrE) se considera para comparar las segmentaciones de la LGG, generadas por un neurooncólogo de forma manual, con las segmentaciones dilatadas de la LGG, obtenidas automáticamente. La combinación de parámetros vinculados al PrE más bajo permite establecer los parámetros óptimos de cada algoritmo computacional que compone la técnica computacional propuesta. Los resultados permiten informar un PrE de 1.43%, lo que indica una excelente correlación entre las segmentaciones manuales y las producidas por la técnica computacional desarrollada.

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%.

We propose an intelligent computational technique for the image segmentation of a type IV brain tumor, identified as multiform glioblastoma (MGB), which is present in multi-layer computed tomography images. This technique consists of 3 stages developed in the three-dimensional domain. They are: pre-processing, segmentation and validation. During the validation stage, the Dice coefficient (Dc) is considered in order to compare the segmentations of the MGB, obtained automatically, with the segmentations of the MGB generated manually, by a neuro-oncologist. The combination of parameters linked to the highest Dc, allows to establish the optimal parameters of each of the computational algorithms that make up the proposed nonlinear technique. The obtained results allow to report a Dc higher than 0.88, validating a good correlation between the manual segmentations and those produced by the computational technique developed. Proponemos una técnica computacional inteligente para la segmentación de imágenes de un tumor cerebral tipo IV, identificado como glioblastoma multiforme (MGB), que está presente en imágenes de tomografía computarizada de múltiples capas. Esta técnica consiste en 3 etapas desarrolladas en el dominio tridimensional. Ellos son: preprocesamiento, segmentación y validación. Durante la etapa de validación, se considera el coeficiente de dados (Dc) para comparar las segmentaciones del MGB, obtenidas automáticamente, con las segmentaciones del MGB generado manualmente, por un neurooncólogo. La combinación de parámetros vinculados a la mayor Dc permite establecer los parámetros óptimos de cada uno de los algoritmos computacionales que conforman la técnica no lineal propuesta. Los resultados obtenidos permiten informar una Dc superior a 0,88, validando una buena correlación entre las segmentaciones manuales y las producidas por la técnica computacional desarrollada.

In this work an adaptation of the Cross Industry Standard Process for Data Mining (CRISP-DM) methodology, in the context of digital medical image processing is proposed. Specifically, synthetic images reported in the literature are used as numerical phantoms. Construction of the synthetic images was inspired by a detailed analysis of some of the imperfections found in the real multilayer cardiac computed tomography images. Of all the imperfections considered, only Poisson noise was selected and incorporated into a synthetic database. An example is presented in which images contaminated with Poisson noise are processed and then subject to two classical digital smoothing techniques, identified as Gaussian filter and anisotropic diffusion filter. Additionally, the peak of the signal-to-noise ratio (PSNR) is considered as a metric to analyze the performance of these filters.

Through this work we propose a computational technique for the segmentation of a brain tumor, identified as meningioma (MGT), which is present in magnetic resonance images (MRI). This technique consists of 3 stages developed in the three-dimensional domain: pre-processing, segmentation and post-processing. The percent relative error (PrE) is considered to compare the segmentations of the MGT, generated by a neuro-oncologist manually, with the dilated segmentations of the MGT, obtained automatically. The combination of parameters linked to the lowest PrE, provides the optimal parameters of each computational algorithm that makes up the proposed computational technique. Results allow reporting a PrE of 1.44%, showing an excellent correlation between the manual segmentations and those produced by the computational technique developed. Este trabajo propone una técnica computacional para la segmentación de un tumor cerebral, identificado como meningioma (MGT), que está presente en imágenes de resonancia magnética (MRI). Esta técnica consta de 3 etapas desarrolladas en el dominio tridimensional: preprocesamiento, segmentación y postprocesamiento. El porcentaje de error relativo (PrE) se considera para comparar las segmentaciones de la MGT, generadas por un neurooncólogo de forma manual, con las segmentaciones dilatadas de la MGT, obtenidas automáticamente. La combinación de parámetros vinculados al PrE más bajo proporciona los parámetros óptimos de cada algoritmo computacional que conforma la técnica de cálculo propuesta. Los resultados permiten informar un PrE de 1.44%, mostrando una excelente correlación entre las segmentaciones manuales y las producidas por la técnica computacional desarrollada.

Mediante este trabajo se propone una técnica computacional no lineal para segmentar un hematoma epidural (EDH), presente en imágenes de tomografía computarizada multicapa. Esta técnica consta de 4 etapas desarrolladas en el dominio tridimensional. Ellas son: pre-procesamiento, segmentación, pos-procesamiento y entonación de parámetros. La etapa de pre-procesamiento se divide en dos fases. En la primera, denominada definición de un volumen de interés (VOI), se emplea un algoritmo de umbralización por bandas el cual permite, fundamentalmente, acotar el EDH considerado. En la segunda fase, identificada como filtrado, se aplica un banco de algoritmos computacionales para disminuir el impacto de los artefactos y atenuar el ruido presente en las imágenes. Los algoritmos que conforman esta fase son: el filtro de erosión morfológica (MEF) y el filtro de mediana (MF). Por otra parte, durante la etapa de segmentación se implementa un algoritmo de agrupamiento, denominado crecimiento de regiones (RG), el cual es aplicado a las imágenes pre-procesadas. A fin de compensar el efecto del MEF el EDH, segmentado preliminarmente, es sometido a la etapa de pos-procesamiento la cual se basa en la aplicación de un filtro de dilatación morfológica de tipo binaria (MDF). Durante la entonación de parámetros, el coeficiente de Dice (Dc) es utilizado para comparar las segmentaciones dilatadas del EDH, obtenidas automáticamente, con la segmentación del EDH generada por un neurocirujano de manera manual. La combinación de parámetros que generan el Dc más elevado, permite establecer los parámetros óptimos de cada una de los algoritmos computacionales que conforman la técnica no lineal propuesta. Los resultados obtenidos permiten reportar un Dc superior a 0.90 lo cual indica una buena correlación entre las segmentaciones generadas por el experto neurocirujano y las producidas por la técnica computacional desarrollada. The main is to propose a non-linear computational technique to segment an epidural hematoma (EDH), present in multilayer computed tomography images. This technique consists of 4 stages developed in the three-dimensional domain: preprocessing, segmentation, post-processing and intonation of parameters. The pre-processing stage is divided into two phases. In the first one, called the definition of a volume of interest (VOI), a thresholding algorithm by bands is used, which allows, fundamentally, to delimit the EDH considered. In the second phase, identified as filtering, a bank of computational algorithms is applied to reduce the impact of the artifacts and attenuate the noise present in the images. The algorithms that make up this phase are: the morphological erosion filter (MEF) and the median filter (MF). On the other hand, during the segmentation stage a grouping algorithm is implemented, called growth of regions (RG), which is applied to the preprocessed images. In order to compensate the effect of the MEF, the EDH, preliminarily segmented, is submitted to the post-processing stage, which is based on the application of a morphological dilation filter of binary type (MDF). During the intonation of parameters, the coefficient of Dice (Dc) is used to compare the dilated segmentations of the EDH, obtained automatically, with the segmentation of the EDH generated by a neurosurgeon manually. The combination of parameters that generate the highest Dc, allows to establish the optimal parameters of each of the computational algorithms that make up the proposed nonlinear technique. The obtained results allow to report a Dc superior to 0.90 which indicates a good correlation between the segmentations generated by the expert neurosurgeon and those produced by the developed computational technique.

Pasantía (Profesional en Mercadeo y Negocios Internacionales). Universidad Autónoma de Occidente, 2007 Pregrado Profesional en Mercadeo y Negocios Internacionales

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.