Search

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.

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.

En el siguiente artículo se da a conocer el uso de la estrategia similaridad local, en la segmentación tridimensional (3D) de la válvula pulmonar en 20 imágenes cardiacas de tomografía computarizada multicapa, correspondientes al ciclo cardiaco completo de un sujeto. La estrategia consta de las siguientes etapas: a) pre-procesamiento, b) segmentación y c) entonación de parámetros. La etapa a) se aplica, preliminarmente al instante de diástole final y se divide en dos fases denominadas: Filtrado y Definición de una región de interés (ROI) y se emplea la técnica denominada realce por similaridad local (LSE). La aplicación de estas fases tiene por finalidad abordar los problemas de ruido, artefactos y bajo contraste que poseen las mencionadas imágenes. La etapa b) permite la segmentación de la válvula pulmonar, mediante un algoritmo de agrupamiento denominado crecimiento de regiones (RG) el cual es aplicado a las imágenes pre-procesadas. El RG es inicializado con un vóxel “semilla” el cual es detectado mediante un operador de inteligencia artificial denominado máquinas de soporte vectorial de mínimos cuadrados (LSSVM). Finalmente, durante la etapa c), una métrica denominada coeficiente de Dice (Dc) es utilizada para comparar las segmentaciones obtenidas mediante la estrategia propuesta y la segmentación generada, manualmente, por un cardiólogo. La combinación de técnicas de filtrado que genera el Dc más elevado considerando el instante de diástole se aplica posteriormente a las 19 imágenes 3D restantes, obteniéndose un Dc promedio comparable con el reportado en la literatura especializada. In the following article, the use of the local similarity strategy in the three-dimensional (3D) segmentation of the pulmonary valve in 20 cardiac multilayer computed tomography images corresponding to the complete cardiac cycle of a subject is reported. The strategy consists of the following stages: a) pre-processing, b) segmentation and c) intonation of parameters. Step a) is applied, preliminary to the final diastole instant and is divided into two phases called: Filtering and Definition of a region of interest (ROI) and using the so-called local similarity (LSE) technique. The application of these phases is intended to address the problems of noise, artifacts and low contrast that these images have. Stage b) allows segmentation of the pulmonary valve, using a clustering algorithm called region growth (RG) which is applied to the pre-processed images. The RG is initialized with a “seed” voxel which is detected by an artificial intelligence operator called least squares vector support machines (LSSVM). Finally, during step c), a metric called Dice coefficient (Dc) is used to compare the segmentations obtained by the proposed strategy and the segmentation generated manually by a cardiologist. The combination of filtering techniques that generates the highest Dc considering the instant of diastole is subsequently applied to the remaining 19 3D images, obtaining an average Dc comparable to that reported in the specialized literature.