Algoritmo de segmentación y cuantificación de la estenosis en estructuras vasculares Juan Sebastián Ruiz – [email protected] Ricardo Arcila Toro – [email protected]

El algoritmo que a continuación se plantea, es una adaptación e implementación práctica de la modificación del algoritmo MARACAS para la cuantificación de la estenosis publicada por Marcela Hernández en conjunto con el laboratorio IMAGINE de la universidad de los andes, y el laboratorio CREATIS. Con base en el algoritmo presentado a continuación se desarrollaron 2 módulos en python para la plataforma Slicer 3d mediante los cuales se implementó efectivamente el algoritmo.

muchas mas acciones sean tomadas en consideración. A partir de ese primer algoritmo maracas, el grupo de investigación imagine de la universidad de los andes propuso una adaptación en las cuales se tenia en cuenta una fase de preprocesamiento gráfico de manera que las 3 fases iniciales del algoritmo maracas pudieran llevarse a cabo, y su resultado tuviera una mayor precisión. A continuación se puede observar el algoritmo propuesto por el grupo Imagine:

El algoritmo maracas es un algoritmo de análisis asistido por computadora de resonancia magnética para angiografía, el cual está basado originalmente en un modelo que fue inicialmente diseñado para segmentar una sola arteria en imágenes ARM (angiografía por resonancia magnética); sin embargo, el laboratorio IMAGINE de la universidad de los andes realizó una adaptación del mismo, de manera que se tuvieran en cuenta las especificidades de las imágenes TAC, así como la presencia de bifurcaciones. El algoritmo MARACAS originalmente esta comprendido por 3 etapas: extracción de la línea central, segmentación del lumen arterial, y cuantificación de la estenosis. Los cuales, en términos de alto nivel, son los pasos necesarios para realizar la detección de puntos anómalos; no obstante, la implementación de estos pasos requiere que

Fig. 1- Modificación del algoritmo MARACAS

Se pueden observar 2 niveles de procedimientos, procedimientos de bajo nivel los cuales están enfocados a mejorar la calidad de la imagen y presegmentarla, y la segunda categoría son procedimientos de alto nivel, los cuales están enfocados en extraer la línea central de la arteria, segmentar el lumen y cuantificar la

estenosis. La última categoría de procedimientos hace parte del algoritmo MARACAS original. Dado que los algoritmos de segmentación son sumamente susceptibles a degradaciones en la imagen y que las imágenes CT son propensas al ruido, es necesario agregar una etapa de filtrado al algoritmo, en función de que los resultados arrojados por este sean de mayor precisión. En este caso particular se utilizó un filtro de reducción de ruido Non-Local Means Filter. En la etapa de realce de las estructuras y presegmentación se basa en el principio de que diferentes tipos de estructuras y tejidos aparecen cada uno de manera diferente en las imágenes de CT (siglas en ingles de tomografía computarizada) de manera que en esta etapa se definen umbrales con el objetivo de clasificar los tejidos en las siguientes clases: hueso/calcificaciones, lumen, posible lumen los cuales son voxeles (unidad equivalente a un pixel para una imagen de 3 dimensiones) que típicamente pertenecen a los bordes y no se pueden clasificar en una categoría y por ultimo otros tejidos. Después de la etapa de realce y presegmentación se encuentran las etapas de procesamiento de alto nivel . Dado que en la implementación actual del algoritmo no se tienen en cuenta bifurcaciones, este paso será obviado; sin embargo es de resaltar, que hace parte de la propuesta de adaptación del laboratorio imagine. El algoritmo propuesto a continuación esta diseñado para ser aplicado sobre imágenes de tomografía axial computarizada, o tomografía computarizada, obtenidas

después de la inyección de un radiocontraste que realce el lumen arterial. El algoritmo que se propuso como base de la solución al problema que se desea resolver en este proyecto de grado, es una aproximación semi-automática a la detección de anomalías cardiovasculares la cual consta de 4 pasos: Selección del área de interés: La primera etapa contiene la parte no automática del algoritmo, y es la selección de la estructura de interés. Esta etapa consiste en que el usuario selecciona la estructura vascular que desea analizar. Esta etapa fue implementada mediante el uso de la herramienta de level tracing del módulo de segmentación manual que posee el Slicer 3d:

Figura 2 – Selección de la estructura vascular

Segmentación del lumen arterial La segunda etapa del algoritmo consiste en segmentar el lumen arterial (o en su caso general, la estructura), a partir del área seleccionada en la primera etapa. Esto con el fin de transformar los datos que se encuentran en las imágenes CT, a datos

computarizados; más específicamente, a un conjunto de voxeles (pixeles 3d) los cuales puedan ser analizados y procesados por la aplicación. Este paso se hace a partir de la intensidad (representada en el nivel de gris de los voxeles en las imágenes CT) de los voxeles del área seleccionada. Para su implementación nos encontramos con 2 opciones: la primera seria, realizar la segmentación manualmente, corte a corte, y esta sería recomendada únicamente cuando la arteria (o estructura en su caso general) es lo suficientemente pequeña, como por ejemplo las arterias coronarias; la segunda opción, la cual es utilizada para la ilustración del algoritmo en este documento, seria realizar la segmentación automáticamente, a partir del área seleccionada, mediante el módulo Robust Statistics Segmenter de la plataforma Slicer3d, este método es recomendado para la segmentación de estructuras de mayor volumen, por ejemplo la arteria aorta la disyuntiva con respecto a los métodos de segmentación se presenta gracias a que el nivel de precisión del módulo Robust Statistic Segmenter es muy baja al manejar áreas de tamaño mínimo. A continuación es posible observar el resultado de la etapa de segmentación del lumen arterial, aplicada a la arteria aorta previamente seleccionada.

Fig. 3 – Segmentación resultante de la arteria aorta vista desde los planos: axial, sagital y coronal respectivamente

División del volumen segmentado La tercera etapa del algoritmo consiste en dividir el volumen 3d segmentado anteriormente en sub-secciones. Este paso del algoritmo fue pensado, de manera que el procesamiento del volumen segmentado fuera menos costoso, al disminuir el número total de “áreas” que deben ser analizadas por la aplicación. Este paso fue implementado mediante el desarrollo de un módulo de extensión, llamado “Pre-diagnosis data treatment”, para la plataforma Slicer 3d el cual se encarga de interceptar planos cuyo vector normal sea paralelo a la línea central de la estructura vascular. Actualmente en el módulo se encuentra implementado el caso particular para el análisis de la arteria aorta; sin embargo, es posible extender este módulo, de manera que pueda analizar otras estructuras claves mediante el uso del método de reformatización multi-planar del Slicer 3d “Reformat”. La longitud de los segmentos es parametrizable; sin embargo, si la longitud de los segmentos es demasiado grande, el algoritmo pierde precisión para señalar la ubicación de las anomalías; y si es muy pequeño, el algoritmo se vuelve demasiado costoso en términos de procesamiento; pueden llegarse a utilizar segmentos hasta de 0,01 milímetros. Para la implementación del caso particular de análisis de la arteria aorta, se utilizaron segmentos de 5 milímetros; elección basada en datos experimentales. A continuación se puede observar el resultado de la etapa de división del volumen segmentado sobre el análisis de la arteria aorta. Para el desarrollo de este módulo se utilizaron a su vez, el módulo de edición de segmentación del Slicer 3d de manera que se pudieran

interceptar los anteriormente.

planos

mencionados

Fig. 4 – A la derecha, el ancho de una sub-sección. A la izquierda, el resultado de la etapa de división del volumen segmentado

Cuantificación de la estenosis, y señalamiento de la sección anómala La cuarta y última etapa del algoritmo consiste en seleccionar el segmento con menor volumen, y debido a que todos tienen la misma longitud, las únicas variaciones entre 2 sub-secciones arbitrarias se dan en el área segmentada de las secciones cruzadas cuyo plano sea normal a la línea central de la arteria, la sub-sección de menor volumen, será entonces la sub-sección en donde se presente la mayor variación en el lumen de la arteria. Al seleccionar dicha sub-sección (sección más patológica), se compara con otra cuyo volumen se acerque más al volumen promedio de todos los segmentos (sección de referencia) y se obtiene el porcentaje de estenosis mediante la siguiente fórmula:

En donde Sp representa el volumen de la sub-sección más patológica, y Sr es la subsección de referencia. El grado de estenosis determinado a partir de la anterior fórmula, es un numero de 0 a 100 en donde 0 representa que no hay obstrucción, y 100

representa un vaso completamente obstruido. Este cuarto y último paso es particular al caso de las arterias y las anomalías que se den en ellas, y es implementado mediante el desarrollo de un módulo de extensión para la plataforma Slicer 3d llamado “ACARDI”, el cual se encarga de realizar la selección de la subsección más patológica, mostrar el porcentaje de obstrucción obtenido a partir de la fórmula ilustrada anteriormente, así como mostrar el corte transversal en la vista axial, en el cual se encuentra dicha obstrucción. A continuación es posible ver el resultado final del algoritmo aplicado a partir de datos sintéticos que representan una obstrucción de alrededor del 50% en la arteria aorta.

Fig. 5 – Obstrucción Sintética desde las vistas axial y coronal respectivamente

En los resultados ilustrados a continuación (fig. 6) se pueden ver el porcentaje de obstrucción en el segmento más patológico, y las coordenada de la sección transversal en donde se encuentra dicha obstrucción, desde la vista axial.

Resultados Para probar la solución propuesta en este documento, se contó con el apoyo y supervisión del doctor Alfonso Holguín, el doctor Jose Luis Mera, y el doctor Juan Camilo Castro; pertenecientes al departamento de imágenes diagnósticas de la clínica fundación Valle del Lili; el cual proveyó de 2 estudios CT coronarios, así como los análisis realizados por los especialistas nombrados, sobre cada estudio. Fig. 6 – Resultados arrojados por el módulo de diagnóstico de apoyo

Es posible obtener una representación en 3 dimensiones de la arteria segmentada, lo cual puede facilitar su posterior análisis, a partir del uso del módulo de creación de volúmenes 3d del Slicer. A continuación se puede ver su resultado.

Fig. 7 – Representación 3d del lumen de la arteria aorta, en donde se puede apreciar una obstrucción.

Se obtuvieron errores porcentuales de cuantificación de la estenosis entre 20% y 50% en los estudios CT reales provistos por la fundación, y errores entre el 5% y el 20% en los estudios CT con datos sintéticos. Con respecto a la etapa de segmentación sobre los estudios CT reales, se obtuvieron errores entre el 20% y el 45% de voxeles que fueron segmentados de más, o quedaron excluidos, siendo el caso máximo, la segmentación de las arterias coronarias, la cual presento un error del 44.7% con respecto a la segmentación de referencia realizada por el especialista. Con respecto a los estudios CT sintéticos, el error de segmentación fue menor al 10%, lo cual permitió que la aplicación arrojara una cuantificación más precisa de la estenosis en esos casos. Los resultados muestran que los errores porcentuales de cuantificación por parte de la solución ACARDI vs el análisis de los especialistas, fueron mayores cuando la diferencia entre el volumen segmentado resultante de aplicar la 2 etapa del algoritmo con respecto al volumen de referencia tomado del análisis tradicional de los estudios CT, era más grande. Esto puede verse en los resultados obtenidos por ACARDI al ser aplicada para cuantificar la

estenosis en una arteria coronaria; la razón del error de segmentación es explicada en este mismo documento, en la sección donde se define la etapa de segmentación. De igual manera, las secciones con estenosis fueron particularmente difíciles de segmentar, dada la gran variación de intensidades que se presentan en ellas, gracias a la presencia de calcificaciones. Es posible reducir los errores del algoritmo, mediante mejoras que se proponen en la sección de conclusiones de este artículo. Conclusiones Se presenta en este documento, una técnica de cuantificación de estenosis para estudios CT. Esta técnica esta basada en las publicaciones del grupo IMAGINE, y el grupo de investigación biomédica de la universidad de los andes, encabezados por Marcela Hernández. Nuestros esfuerzos estuvieron enfocados, en desarrollar una técnica de cuantificación que fuera clara y de igual manera sirviera como base para otras personas del área de tecnologías de la información. A nuestro conocimiento, este es una de las pocas aproximaciones al diagnóstico automático de anomalías cardiacas; sin embargo, la solución planteada esta pensada para que sea mejorada con el menor esfuerzo posible. Los módulos que fueron desarrollados como parte de esta solución, se encuentran escritos, pensando en la legibilidad de su código, en lenguaje Python, mediante el cual es posible acceder a los otros módulos funcionales de la plataforma Slicer 3d, así como a las librerías vtk, itk, numpy; entre otras, las cuales forman el núcleo de la plataforma como tal. De igual manera, la plataforma ofrece una capa de

compatibilidad entre todos los módulos de la aplicación de manera que puede accederse a los módulos desarrollados como parte de esta solución, e integrarlos en soluciones para otras posibles áreas de la medicina. La solución presentada, posee 2 dificultades. En primer lugar, la falta de precisión de los algoritmos de segmentación disponibles tanto en la plataforma Slicer, como en otras fuentes de uso investigativo; lo cual introduce un error directamente proporcional al error porcentual del módulo de segmentación utilizado. En segundo lugar, la necesidad de que la selección de la estructura vascular sea lo suficientemente precisa, introduciendo así, el riesgo de que el algoritmo falle, dado que la selección no representa lo suficientemente bien, la intensidad de la estructura a segmentar. Pensando en estas principales dificultades, se proponen como parte de la solución, estas oportunidades de mejora: Primero, es posible convertir este algoritmo, de un proceso semi-automático, a un proceso automático, mediante el desarrollo de un atlas computarizado del sistema cardiovascular, el cual sea compatible con el módulo EMSegmenter plataforma Slicer 3d; sin embargo, el desarrollo de atlas se encuentra, por el momento, abierto únicamente para los desarrolladores del core del Slicer 3d y el na-mic kit; no obstante, se abrirá en un futuro cercano. De igual manera, el algoritmo puede ser extendido, para que tenga en cuenta los puntos de bifurcación, de manera que pueda ser extendido para que pueda ser aplicado a las arterias coronarias, así como al punto de bifurcación de la carótida. Otra de las posibles mejoras que se identificaron, fue la del desarrollo de un módulo de

segmentación, el cual posea una mayor precisión; pensando en esto, el algoritmo fue diseñado de manera que pudieran reemplazarse, o mejorarse, los módulos que implementan cada uno de sus pasos, sin afectar a los demás, ni alterar el funcionamiento correcto del mismo. Si bien la plataforma Slicer 3d actualmente no cuenta con el aval para su uso clínico, es una muy buena base para implementar y probar algoritmos, los cuales son productos de proyectos de investigación que utilicen en imágenes diagnósticas; dada la amplia documentación, metodología de desarrollo, comunidad desarrolladora, así como herramientas y componentes que facilitan las tareas anteriormente nombradas.