ETSIDI universidad politecnica de madrid

Segmentaci´ on de subestructuras corticales del cerebro humano desde im´ agenes T1-MR

Tutor: D. Carlos Platero Due˜ nas Graduado: Juan Manuel Au˜ n´on Rodr´ıguez de los Santos Marzo 2015

´Indice general 1. Introducci´ on 1.1. Procedimiento y t´ecnicas: Adquisici´on y tratamiento de las MRI 1.1.1. Adquisici´ on de las im´ agenes de resonancia . . . . . . . . . 1.1.2. Tratamiento y procesamiento de las im´agenes . . . . . . . 1.2. Objetivo del trabajo . . . . . . . . . . . . . . . . . . . . . . . . . 1.3. Estructura del trabajo . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

3 4 4 5 6 6

2. C´ alculo de ICV, estado de la t´ ecnica 2.1. Shiva et al. 2010 . . . . . . . . . . . . . . . . . . . . . . . . 2.1.1. M´etodo soluci´ on: RBM . . . . . . . . . . . . . . . . 2.1.2. Conclusiones . . . . . . . . . . . . . . . . . . . . . . 2.2. Leung et al. 2011 . . . . . . . . . . . . . . . . . . . . . . . . 2.2.1. Descripci´ on del m´etodo . . . . . . . . . . . . . . . . 2.2.2. Resultados usando MAPS . . . . . . . . . . . . . . . 2.2.3. Conclusiones . . . . . . . . . . . . . . . . . . . . . . 2.3. Ramirez et al. 2011 . . . . . . . . . . . . . . . . . . . . . . . 2.3.1. C´ alculo de volumen pvSH y dwSH dentro del SH . . 2.3.2. Procesamiento de las im´agenes . . . . . . . . . . . . 2.3.3. Segmentaci´ on pvSH y dwSH . . . . . . . . . . . . . 2.3.4. Segmentaci´ on pvSH y dwSH (lagunar y no lagunar) 2.3.5. Salida final . . . . . . . . . . . . . . . . . . . . . . . 2.4. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.1. Todo el cerebro . . . . . . . . . . . . . . . . . . . . . 2.4.2. Regiones . . . . . . . . . . . . . . . . . . . . . . . . . 2.5. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

7 7 8 9 9 10 11 12 12 13 14 15 15 16 16 16 16 17

3. Extracci´ on del cr´ aneo 3.1. ¿Qu´e es el Protocolo ENIGMA? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2. Procedimiento y pasos a seguir para el c´alculo del ICV . . . . . . . . . . . . . . . . . . . . 3.3. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18 18 19 27

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

Cap´ıtulo 1

Introducci´ on La enfermedad del Alzheimer, considerada seg´ un los expertos como la enfermedad m´as importante del s.XXI, afecta a d´ıa de hoy aproximadamente a 44 millones de personas en todo nuestro planeta, y lo que es peor, las previsiones son bastante pesimistas ya que se estima que su tendencia ser´a ascendente, hasta alcanzar los 135 millones de afectados en 2050. En Espa˜ na afecta al 4.2 % de la poblaci´ on entre 65 y 74 a˜ nos, al 12.5 % entre 75 y 84 a˜ nos y a m´as del 27 % de las personas que superan los 85 a˜ nos. Por estos motivos, el Alzheimer es una de las principales preocupaciones de los gobiernos en todo el mundo. Actualmente no hay ning´ un tipo de tratamiento eficaz capaz de hacerle frente (el 99.6 % de los ensayos cl´ınicos de estos tratamientos fracasan, seg´ un estudio publicado por Cleveland Clinic). Se sabe que existen ciertos tipos de prote´ınas implicadas en el desarrollo de la enfermedad, como un fragmento de una prote´ına, el p´eptido amiloide, y la prote´ına tau entre otras. La evoluci´ on de la enfermedad no es lineal y presenta fases de empeoramiento r´apido y repentino, por lo que su desarrollo es impredecible. El Dr. Guillermo Garc´ıa Ribas, m´edico especialista en la secci´on de Neurolog´ıa en el Hospital Ram´ on y Cajal y Co-coordinador del proyecto “Know Alzheimer ”, describe el desarrollo de la enfermedad a partir de un proceso de precipitaci´ on de las prote´ınas mencionadas anteriormente, que al volverse insolubles y depositarse en la zona de conexi´on de las neuronas, se producen alteraciones, terminando incluso con la propia destrucci´ on. El mismo Dr. Garc´ıa Ribas compara este proceso de insolubilidad con el que sucede en la alb´ umina, prote´ına presente en la clara del huevo, que en condiciones normales se muestra en estado “l´ıquido”, pero cuando se expone a una elevada temperatura, se solidifica y deja de ser soluble. Algo similar sucede en las neuronas. A decir verdad, el Alzheimer es una enfermedad relativamente “desconocida”. Su estudio ha sido bastante complicado: el deterioro y atrofias de las estructuras cerebrales afectadas s´olo pueden ser analizadas una vez fallece el paciente; tambi´en es dif´ıcil determinar qu´e prote´ınas son m´as influyentes, o por qu´e determinadas prote´ınas sufren ese proceso de precipitaci´on, debido a la gran cantidad de prote´ınas que se conocen (alrededor de 10.000) as´ı como el gran n´ umero de ellas presentes en una c´elula (entre 800 y 900 millones). Gracias a los avances en estos estudios, hoy sabemos que la enfermedad comienza con la atrofia de la corteza entorhinal y se va extendiendo hacia el hipocampo, ´areas altamente implicadas en el proceso de memoria, y de ah´ı hacia el resto del tejido cerebral.

3

Segmentaci´on de subestructuras corticales del cerebro humano desde im´agenes T1-MR

1.1.

Procedimiento y t´ ecnicas: Adquisici´ on y tratamiento de las MRI

Tal y como se ha mencionado antes, la u ´nica manera de saber con certeza cu´ales han sido las zonas afectadas es el an´ alisis post-morten del paciente, y como es evidente, es importante en lo que se refiere a ampliar nuestro conocimiento de la enfermedad, pero no de cara a proporcionar una cura o un tratamiento que retarde su desarrollo. Es por esto que se precisa de un m´etodo que ayude a los m´edicos a dar un diagn´ostico prematuro al paciente.

1.1.1.

Adquisici´ on de las im´ agenes de resonancia

Una de las t´ecnicas m´ as importantes y que ha tomado mayor relevancia es el procesamiento y segmentaci´on de las im´ agenes de tomograf´ıa o resonancia magn´etica de la cabeza, m´etodo por el cual se obtiene informaci´on de las estructuras o tejidos analizados a trav´es del fen´omeno de la resonancia magn´etica. El procedimiento de adquisici´ on de las im´agenes es el siguiente: El paciente se introduce en una m´aquina de resonancia o esc´aner, formada por una gran cantidad de componentes magn´eticos colocados con gran precisi´on para obtener la informaci´on de los n´ ucleos at´omicos de la zona a estudiar. Un im´ an superconductor (elemento principal) genera un campo magn´etico constante muy potente que afecta a los n´ ucleos at´ omicos de la zona objetivo, produci´endose una alineaci´on de los momentos magn´eticos de dos tipos: todos los momentos magn´eticos alineados en el mismo sentido (estado o direcci´ on paralela) o en sentidos opuestos (anti-paralela). La orientaci´on de los momentos junto con la intensidad del campo, caracter´ıstica particular de cada m´aquina y que var´ıa entre los 0.5 y 3 T (m´ as utilizadas 1.5T y 3T), determina la frecuencia de resonancia magn´etica y el porcentaje de n´ ucleos at´ omicos en cada uno de los dos estados anteriores, proporci´on gobernada por las leyes estad´ısticas de Maxwell-Boltzmann. A continuaci´ on se emite la radiaci´on electromagn´etica a una frecuencia de resonancia determinada y los n´ ucleos que estaban en el estado paralelo pasar´an a estado anti-paralelo (de baja a alta energ´ıa) y tras un breve per´ıodo de tiempo, vuelven a emitir la energ´ıa, cuya informaci´on se recoge con el instrumental oportuno (bobina en funciones de antena (receptora y transmisora), amplificador y sintetizador de radiofrecuencia). Uno de los inconvenientes es que al generarse un campo magn´etico constante, la frecuencia de resonancia emitida por los n´ ucleos con el mismo momento ser´a la misma, impidiendo que se tenga informaci´ on espacial de los n´ ucleos at´omicos, y por lo tanto haciendo imposible diferenciar las distintas partes o tejidos que se analizan. Es por esto que se utilizan una serie de bobinas llamadas de gradiente, dispuestas de manera ortogonal, de modo que al emitir un campo magn´etico con una intensidad controlada, modifican la frecuencia de resonancia de los n´ ucleos para que cada regi´ on del espacio est´e caracterizada por una frecuencia de resonancia distinta. La informaci´on final obtenida ser´a procesada por un equipo inform´atico para poder obtener finalmente el volumen de im´ agenes del cerebro del paciente.

ETSIDI - UPM

4

Segmentaci´on de subestructuras corticales del cerebro humano desde im´agenes T1-MR

1.1.2.

Tratamiento y procesamiento de las im´ agenes

Una vez terminado el proceso de adquisici´on se debe pasar a la fase de tratamiento y segmentaci´ on de las im´agenes para obtener resultados concluyentes. Lo normal es que encontremos las im´agenes guardadas como ficheros de tipo ANALYZE (que est´an formados por dos archivos, uno de tipo *.img, que guarda los datos de la imagen, y otro de tipo *.hdr, que guarda informaci´on sobre los t´ıtulos) o en formato NIFTI (archivos *.nii o *.nii.gz), que poco a poco se est´a convirtiendo en el nuevo formato est´andar de im´ agenes m´edicas. El tratamiento de las im´ agenes consiste en las diferentes t´ecnicas de transformaci´on con el objetivo de preparar las im´ agenes para que puedan ser analizadas por un especialista. Para ello ser´an necesarias diferentes herramientas software, como por ejemplo: Insight Toolkit (ITK): Conjunto de librer´ıas de software libre cuya funci´on principal es el procesamiento y la segmentaci´ on de im´ agenes m´edicas. Est´an escritas en c´odigo C/C++ y pueden utilizarse en cualquier plataforma (MacOS, Linux, Windows), para lo cual requieren de la herramienta de metacompilaci´ on CMake, que definir´a las opciones de compilaci´on. FSL: Biblioteca de herramientas software para el an´alisis de im´agenes FMRI, MRI y DTI y datos de im´agenes cerebrales (segmentaci´ on, transformaci´on y registro de im´agenes), que puede ser utilizada en cualquier plataforma o sistema operativo. Ser´a una herramienta de vital importancia en este trabajo. Los pasos que seguimos en este trabajo para el tratamiento de las im´agenes son los siguientes: 1. Correcci´ on de la orientaci´ on: Es importante que la cabeza del paciente est´e centrada y sin ning´ un tipo de inclinaci´ on para que los tratamientos posteriores no sean defectuosos, como por ejemplo, la extracci´ on del cerebro que realiza la herramienta de FSL BET, la cual se ve bastante perjudicada por este factor. 2. Extracci´ on del cr´ aneo (Skull Stripping): T´ecnica que separa el tejido cerebral (materia gris, materia blanca y fluido cerebrospinal) del resto de tejidos de la cabeza (dura madre, tejido ´ oseo, nervio ´ optico, etc.). Para ello, como ya hemos mencionado antes, emplearemos BET, y para que los resultados sean lo m´ as precisos posibles, debemos ajustar el valor del centro de gravedad de la cabeza del paciente (opci´ on ’-c’), dado a partir de sus 3 coordenadas espaciales, as´ı como el valor del umbral de intensidad fraccional (opci´on ’-f’) que determina d´onde est´a el l´ımite de la segmentaci´ on final del cerebro. 3. Correcci´ on de bias: Operaci´ on que se utiliza para corregir la falta de homogeneidad en la intensidad de la imagen debida a los artefactos magn´eticos que se encargan de las adquisici´ on de las im´agenes de resonancia magn´etica. 4. Registro de las im´ agenes: En esta etapa se intentan establecer relaciones entre las im´agenes de los pacientes a estudiar (objetivo) y una imagen de referencia (MNI152) para alinearlas espacialmente a trav´es de transformaciones espaciales. Las transformaciones pueden afectar a la orientaci´ on, traslaci´on o tama˜ no de la imagen, denominadas transformaciones lineales o ”transformaciones r´ıgidas”, sin que se produzcan cambios en las diferencias geom´etricas entre las im´agenes.

ETSIDI - UPM

5

Segmentaci´on de subestructuras corticales del cerebro humano desde im´agenes T1-MR

Para llevar a cabo estas transformaciones disponemos de una herramienta de FSL, llamada FLIRT ; por el contrario, existen otras transformaciones que pueden alterar dichas diferencias geom´etricas, denominadas transformaciones el´ asticas o ”transformaciones no-r´ıgidas que son capaces de deformar la imagen objetivo para alinearla con la imagen de referencia. La calidad del registro se conocer´ aa partir de diferentes par´ ametros que conoceremos m´as adelante. 2

5. Segmentaci´ on Multi-Atlas: Mediante el uso de varios atlas probabil´ısticos (etiquetas de diferentes zonas del cerebro, marcadas o delineadas manualmente por un experto) y su propagaci´ on sobre la imagen objetivo, se llevan a cabo diferentes segmentaciones de la regi´on deseada en la imagen objetivo. Todas estas segmentaciones resultantes mediante una t´ecnica de fusi´on de etiquetas dar´ an lugar a la segmentaci´ on final, que ser´a la mejor y m´as ´optima. A grandes rasgos, estos pasos resumen el proceso que se sigue desde que adquirimos la imagen del paciente hasta que conseguimos aislar la regi´on de inter´es, que en este caso es la zona del hipocampo, para despu´es analizarla y poder determinar el nivel de atrofia que presenta el paciente y que le dar´ a al especialista una idea del desarrollo de la enfermedad.

1.2.

Objetivo del trabajo

Tal y como sugieren algunos autores en sus publicaciones, se sabe que el tama˜ no de ciertas estructuras cerebrales est´ a determinado por el tama˜ no total de la cabeza [1] (Shiva et al. 2010 ), as´ı como que la variaci´on en las mismas puede ser un indicador de la presencia de alg´ un tipo de enfermedad neurodegenerativa [3] (Ramirez et al. 2011 ). De estos autores y sus procedimientos, trabajos y conclusiones se hablar´ a m´ as adelante en el cap´ıtulo 2. El objetivo de este trabajo consiste en el desarrollo de una aplicaci´on software que sea capaz de realizar todo el proceso de tratamiento de la imagen de un paciente objetivo, as´ı como realizar la correcta segmentaci´on de la regi´ on de inter´es, el hipocampo, y de este modo ofrecerle al especialista los medios y datos pertinentes para que pueda dar un diagn´ostico de la enfermedad con mayor antelaci´on, mejorando as´ı las prestaciones actuales. Sin embargo, en primera instancia y como ya se habr´a podido dar cuenta, la primera tarea consistir´ a en desarrollar un programa que se encargue de llevar a cabo el c´ alculo del volumen intracraneal (ICV) del paciente, dato importante que puede servirnos como indicador del posible desarrollo de una enfermedad neurodegenerativa.

1.3.

Estructura del trabajo

La estructura que va a presentar el trabajo es la siguiente: 1. Cap´ıtulo 2: en este cap´ıtulo se habla del estado de la t´ecnica, las principales publicaciones que nos guiar´an en la labor del c´ alculo del ICV, los m´etodos seguidos por los diferentes autores y algunas conclusiones al respecto. 2. Cap´ıtulo 3: cap´ıtulo dedicado a la explicaci´on del m´etodo que se ha utilizado en este proyecto para la extracci´ on del cr´ aneo de las im´agenes proporcionadas por el Proyecto Vallecas (PV), etapa importante en el c´ alculo del ICV. 3. ...

ETSIDI - UPM

6

Cap´ıtulo 2

C´ alculo de ICV, estado de la t´ ecnica En este apartado se pretende poner en conocimiento, de todo aquel que est´e interesado en la materia, del punto en el que se encuentra la t´ecnica para el c´alculo del ICV. Se procede a resumir las publicaciones que se han utilizado como gu´ıa en el procedimiento desarrollado en este trabajo, teniendo en cuenta las consideraciones de los diferentes autores, resultados y conclusiones.

2.1.

Shiva et al. 2010

En este paper, titulado “Desarrollo de un m´ etodo robusto para el c´ alculo del volumen intracraneal y la relevancia de las diferentes intensidades del campo magn´ etico usado por los esc´ aneres de RM (3T y 1.5T)”, se desarrolla un m´etodo robusto capaz de determinar el ICV sin que se vea afectado por la variaci´ on en la fuerza del campo magn´etico del esc´aner con el que se toman las im´agenes de resonancia magn´etica de los pacientes. Como se ha mencionado, el tama˜ no de la cabeza es un factor importante, as´ı que en primer lugar corrigen esta caracter´ıstica. El hecho de analizar la influencia de la intensidad del campo en la adquisici´on de im´agenes viene a partir de la aparici´ on de variaciones en la intensidad en el fluido cerebrospinal (CSF). Estas variaciones se refieren a diferencias sistem´ aticas en la intensidad de este tejido en la zona de de los ventr´ıculos y las cisternas, a 3T y 1.5T. Se intenta normalizar la falta de homogeneidad en la intensidad por medio de los tres m´etodos m´ as conocidos: FAST: paquete que corrige la polarizaci´on del campo provisto en la biblioteca FSL, que incorpora el modelo de Campos Aleatorios Ocultos de Markov y algoritmo EM para resolver los problemas de falta de homogeneidad. SPM5: herramienta para normalizaci´on espacial, clasificaci´on de tejidos y correcci´on de la polarizaci´on. N3: no necesita de ning´ un modelo de clases de tejido para la correcci´on de las no uniformidades de la intensidad. Emplea un n´ ucleo de deconvoluci´on para afinar la intensidad del histograma que ha sido suavizada. Los resultados que se obtienen tras aplicar estos tres m´etodos no solventan el problema, motivo por el cual se propone como soluci´ on un m´etodo automatizado, “Reverse MNI Brain Masking”, basado en mapas de probabilidad de tejidos en el espacio est´andar MNI. 7

Segmentaci´on de subestructuras corticales del cerebro humano desde im´agenes T1-MR

El procedimiento de trabajo que siguen es el siguiente: Cada volumen de im´agenes se procesa en dos etapas: (1) Correcci´ on de no-uniformidad (empleando los tres algoritmos ya mencionados) y (2) medida del ICV, mediante dos algoritmos de los que hablaremos a continuaci´on (SPM variando par´ametros (SPMA y SPMB) y BET) adem´ as del propuesto como soluci´on. Para cada volumen, la porci´on intracraneal identificada fue evaluada y comparada con un patr´on: la medida del ICV realizada manualmente por un experto. La m´etrica utilizada para la comparaci´on fue la diferencia relativa del volumen y su magnitud, expresada como porcentaje del ICV promedio, y una superposici´on espacial, expresada a trav´es del DICE: %ADIF FV2 −V1 = DC =

2.1.1.

|V2 − V1 | × 100 (V2 + V1 )/2

2 × N (A ∩ B) N (A) + N (B)

M´ etodo soluci´ on: RBM

El m´etodo RBM usa la suma de los tres mapas de probabilidad obtenidos con SPM5 sin ning´ un umbral para estimar la m´ ascara probabil´ıstica del ICV en el espacio est´andar. En SPM5, los mapas de probabilidad son estimados usando una versi´on modificada de los mapas probabil´ısticos de tejidos ICBM, los cuales derivan de 452 im´ agenes T1-W, que han sido alineadas con atlas espaciales, corregidas de las no-homogeneidades y clasificadas en materia gris (GM), blanca (WM) y CSF. Estos datos fueron registrados afinmente al espacio MNI y muestreados a 2 mm de resoluci´on. La deformaci´on invertida del espacio est´andar al espacio del sujeto nativo, derivada de la segmentaci´on unificada de SPM5, fue usada para deformar la m´ ascara probabil´ıstica del ICV en el espacio est´andar de cada imagen al espacio nativo a trav´es de la interpolaci´ on del“vecino m´as cercano”. La normalizaci´on inversa se hizo usando SPM5 y estableciendo el marco l´ımite y el tama˜ no de los v´oxeles a unos valores no finitos. La imagen resultante fue umbralizada al 90 % de probabilidad y el volumen del ICV fue medido como el n´ umero de v´ oxeles resultantes multiplicado por el volumen de un u ´nico voxel. El diagrama de flujo del proceso del m´etodo RBM es mostrado a continuaci´ on.

Figura 2.1: Diagrama de flujo del m´etodo RBM

ETSIDI - UPM

8

Segmentaci´on de subestructuras corticales del cerebro humano desde im´agenes T1-MR

2.1.2.

Conclusiones

El ICV es un dato bastante adecuado para la normalizaci´on de ciertas estructuras del cerebro, adem´ as de ser menos vulnerable a los cambios patol´ogicos. Se ha visto que en im´agenes a 1.5T, el CSF del espacio subaracnoideo y el ventricular no presentan contraste de intensidad, mientras s´ı lo hace a 3T. Para estas u ´ltimas im´agenes se ha demostrado que el CSF cisternal es eliminado debido a las diferencias sistem´ aticas de intensidad entre dicho tejido y el CSF intraventricular. Las medidas realizadas subestiman la diferencia real de la intensidad entre ambos tejidos debido a que la mayor´ıa del tejido subaracnoideo se encuentra en la parte central del espacio de la imagen. Por tanto, parece que el fen´omeno de la alta intensidad es debido a los artefactos de adquisici´ on (brillos centrales del 30 % a 3T y sin embargo 5 % a 1.5 T). Se propone como medida para reducir la sobreintensidad central usar un conjunto de bobinas para la se˜ nal de recepci´on, aunque a´ un as´ı, es muy dif´ıcil eliminar la falta de homogeneidad en la imagen a 3T por medio de los algoritmos tradicionales. Tambi´en se ha encontrado que usando m´etodos similares para la segmentaci´on de im´agenes en T1 se excluye un porci´ on bastante importante de CSF, lo que supone una fuente de error sistem´ atico en la estimaci´on del ICV. El m´etodo RBM proupuesto en este paper y basado en m´ascaras enst´andar en el espacio MNI, derivadas de los mapas probabil´ısticos MNI de tejidos y realizar la transformaci´on inversa para deformar el espacio de la m´ascara est´ andar del cerebro a cada imagen en el espacio nativo, lo cual les ha proporcionado unos datos alentadores (ICC = 0.99).

2.2.

Leung et al. 2011

“MAPS: un m´ etodo autom´ atico, preciso y robusto para la extracci´ on del cerebro utilizando una biblioteca de plantillas” es un art´ıculo que se centra en la comparaci´on de 4 m´etodos de extracci´on del cr´ aneo como son BET, BSE, HWA y en el propio algoritmo propuesto MAPS (“Multi-Atlas Propagation and Segmentation”). Todos ellos se aplicaron para el tratamiento de 682 im´agenes a 1.5 T y 157 im´agenes a 3T procedentes de ADNI, ponderadas en T1. Utilizaremos como patr´on las segmentaciones semiautom´ aticas delineadas por expertos. Los resultados demuestran que la mediana del ´ındice de Jaccard para MAPS supera a los otros m´etodos, adem´as de ser similar tanto a 1.5T como a 3T, y el percentil de 1 a 99 del ´ındice de Jaccard era menor en MAPS que en el resto. Generalmente la acci´ on de separar el cerebro del cr´aneo consiste en separar la materia gris y blanca del resto de tejidos, aunque dependiendo de la aplicaci´on, se incluir´an ciertas partes del CSF. Existe una cierta variabilidad en la segmentaci´on del tejido cerebral puesto que a veces se incluye el tronco del cerebro y el cerebelo y se excluye la m´edula espinal y cervical. El par´ametro que mide la similitud entre los m´etodos autom´ aticos y los manuales o semi-autom´aticos es el ´ındice de Jaccard (volumen en com´ un(intersecci´ on) entre volumen total(uni´on)), clasificado entre 0.8 y 0.94. Un aspecto relevante de las t´ecnicas de extracci´ on del cerebro es que son muy buenas para determinar variaciones o atrofias en ciertas estructuras del cerebro, signo de padecer enfermedades neurodegenerativas como el Alzheimer. ADNI (Alzheimer Disease Neuroimaging Initiative) es un estudio que proporciona datos importantes para probar los m´etodos autom´ aticos de extracci´on en im´agenes de diferente morfolog´ıa, tomadas con diferentes aparatos o incluso con diferentes caracter´ısticas.

ETSIDI - UPM

9

Segmentaci´on de subestructuras corticales del cerebro humano desde im´agenes T1-MR

Los m´etodos con los que comparamos la t´ecnica propuesta en el art´ıculo son: 1. BET: Como ya se ha comentado es una herramienta de la biblioteca FSL que posee un algoritmo de extracci´ on del cerebro. El modo en que se ejecuta el algoritmo es mediante la implementaci´ on de una envoltura de un modelo deformable que se ajusta a la superficie del cerebro apoy´ andose en citerios de suavidad y umbrales de intensidad local. 2. BSE: Usa un operador Mar-Hildreth en 2D para la detecci´on de los bordes del cerebro despu´es de un filtrado de difusi´ on anisotr´ opica. Finalmente se usa una serie de morfolog´ıas matem´ aticas para la extracci´ on del tejido cerebral. 3. HWA: Es la t´ecnica de extracci´ on de cr´aneos de la aplicaci´on software FreeSurfer, que combina algoritmosy modelos de superficies deformables. El algoritmo de cuencas proporciona una estimaci´ on inicial robusta del volumen del cerebro para el modelo deformable para adaptarse a una superficie lisa alrededor del cerebro. Un atlas estad´ıstico se utiliza para validar y corregir la extracci´ on del cerebro.

2.2.1.

Descripci´ on del m´ etodo

MAPS es un t´ecnica de segmentaci´ on multi-atlas en la cual se seleccionan diversos atlases desde una biblioteca de im´ agenes etiquetadas y propaga las etiquetas a la imagen objetivo despu´es del registro de la imagen, para despu´es aplicar t´ecnicas de fusi´on de etiquetas, dando lugar a una segmentaci´ on ´ optima (m´as robusta y precisa). La biblioteca de im´ agenes consiste en 682 im´agenes a 1.5T y su correspondiente segmentaci´ on semiautom´atica. Como lo que se pretende es relacionar y comparar la imagen objetivo con los atlases de la biblioteca, lo primero que se hace es pasar los atlases al mismo espacio de referencia, y para ello se realiza registro af´ın en un sujeto con un volumen cerebral cercano a la media del valor del volumen del resto. El algoritmo de registro af´ın se basa en la maximizaci´on de la correlaci´on cruzada normalizada entre la imagen fuente y la objetivo, usando un esquema de optimizaci´on descendente del gradiente conjugado. Desde que se usan las segmentaciones semiautom´aticas como patrones, ha sido utilizado en todos los experimentos el m´etodo de “dejar uno fuera”, excluyendo la imagen que se est´a segmentando desde la biblioteca y por tanto esta consiste en 681 im´agenes. Pasos para realizar la extracci´ on del cerebro: 1. Registro af´ın de la imagen objetivo sobre la de referencia, la cual es una mezcla de todas las presentes en la biblioteca. 2. Las que presenten mayor coincidencia son clasificadas en cuanto a su similitud por medio de la correlaci´ on cruzada entre la imagen objetivo y las segmentaciones en la biblioteca. Una vez clasificados del mejor al peor, se coge el mejor subconjunto para propagar las etiquetas de los cerebros segmentados no dilatados a la imagen objetivo por medio de registro af´ın y registro no r´ıgido, basado en deformaci´ on libre de forma. 3. El nivel de gris de todo el cerebro segmentado en la imagen objetivo es umbralizado entre 60 % y 160 % de la intensidad media de la segmentaci´on, seguido de una dilataci´on condicional 2-voxel entre 60 % y 160 % de la misma.

ETSIDI - UPM

10

Segmentaci´on de subestructuras corticales del cerebro humano desde im´agenes T1-MR

4. La fusi´ on de etiquetas combina m´ ultiples segmentaciones del cerebro objetivo para generar una segmentaci´ on m´ as ´ optima, dando lugar a los“ Cerebros MAPS no dilatados”. Tras una dilataci´ on 2-voxel para recuperar el tejido perdido, obtenemos los “Cerebros MAPS ”.

Figura 2.2: Diagrama de flujo del m´etodo MAPS

2.2.2.

Resultados usando MAPS

MAPS tiene la mediana m´ as alta del ´ındice de Jaccard y BSE la menor mediana del evaluador falso positivo. HWA de FreeSuerfer, sigue de cerca a MAPS en cuanto al valor m´as bajo para la mediana del evaluador falso negativo. Adem´ as, MAPS tiene el menor rango del primer al centil 99 del ´ındice de JAccard, evaluador falso positivo y falso negativo. Tambi´en se ha observado que mientras no fallan las segmentaciones mediante MAPS o HWA, fallan 2 por BET y 3 por BSE. En t´erminos de precisi´ on MAPS ETSIDI - UPM

11

Segmentaci´on de subestructuras corticales del cerebro humano desde im´agenes T1-MR

mejora los resultados a los obtenidos por los otros m´etodos (En el ´ındice de Jaccard, el orden de mayor a menor ´ındice es MAPS, HWA, BET y BSE; para el error falso positivo, en orden ascendente y a 1.5T es, BSE, MAPS, BET y HWA y para 3T, HWA, MAPS; BET y BSE; para el error falso negativo, en orden ascendente para 3T, HWA, MAPS; BET y BSE ), mientras que si hablamos de tiempo computacional, HWA y BSE tardan 1 minuto por imagen, BET 10 minutos y MAPS 19 horas, algo que juega bastante en su contra.

2.2.3.

Conclusiones

A pesar de que todos los m´etodos de extracci´on del cerebro mostraban buenos resultados en cuanto al ´ındice de Jaccard se refiere, MAPS ten´ıa mejor precisi´on y menor variabilidad a dicha precisi´ on. Si hablamos del error falso negativo y falso positivo, los que menos ten´ıan eran HWA y MAPS (mejor el u ´ltimo de los dos), lo cual significa que son los que mejor mantienen los voxeles detectados como del cerebro y adem´ as los que mejor eliminaban aquellos no considerados como del cerebro, aunque MAPS ten´ıa mejores resultados.

2.3.

Ramirez et al. 2011

En este paper se pretende desarrollar un m´etodo de an´alisis de volumen intracraneal que pueda asociar los or´ıgenes patopsicol´ ogicos de enfermedades como el Alzheimer o deterioros cognitivos vasculares, a un fen´omeno conocido como hiperintensidades subcorticales (SH), com´ unmente observado en im´ agenes de RM de cerebros de pacientes de edad avanzada. Gracias a esta herramienta, se podr´ıa cuantificar la enfermedad a nivel de los peque˜ nos vasos sangu´ıneos subcorticales en el tejido cerebral. La soluci´ on, “Lesion Explorer”, un software creado a partir de m´etodos ya publicados sobre segmentaci´on volum´etrica comprehensiva y creaci´ on de parcelas sobre flujos de im´agenes. La SH es un problema que se observa en im´agenes de RM en T2 en pacientes de elevada edad. Las correlaciones clinico-patol´ ogicas sugieren or´ıgenes vasculares degenerativos. Se suele dar en pacientes que adem´as presentan factores de riesgo cerebrovascular como diabetes e hipertensi´on, y est´a asociado a un mayor riesgo de deterioro cognitivo, derrame cerebral, trastornos en la capacidad motora y los trastornos neuro-psiqui´ atricos. Detectar este problema es importante a la hora de evaluar en detalle los efectos de los factores de riesgo vasculares en las enfermedades cerebrovascular abierta y encubierta y en la demencia. A pesar de que visualmente podr´ıa realizarse una evaluaci´on r´apida, es mejor aplicar estudios de segmentaci´on basados en la intensidad, que proporcionan una mayor precisi´on en la estimaci´ on de la cantidad de SH (adem´ as cuantifican la extensi´on y la localizaci´on). Las t´ecnicas de segmentaci´ on de tejidos en T1 sobresegmentan la GM en T2 (no segmentan correctamente las hiperintensidades). La segmentaci´ on cuantitativa se aplica para captar el SH en im´agenes T2, PD y FLAIR, y emplean las t´ecnicas de: agrupamiento difuso incluyendo clases de lesiones. curvas gaussianas ajustadas para determinar la intensidad de los puntos de corte de la lesi´ on, intensidad modal de corte aplicada a los histogramas de intensidad rodaja por rodaja. combinaci´ on de algoritmos de K-vecinos m´as cercanos corregistro a plantillas normales comparando la probabilidad de SH por voxeles de las im´ agenes FLAIR con los mapas de probabilidad de WM usando una funci´on por pesos. ETSIDI - UPM

12

Segmentaci´on de subestructuras corticales del cerebro humano desde im´agenes T1-MR

Las t´ecnicas totalmente automatizadas son de gran fiabilidad y se aplican preferiblemente a estudios de gran calado. Requieren im´ agenes FLAIR, en las que se puede diferenciar mejor el SH que en T2 y PD, aunque sean menos sensibles a la detecci´on de lesiones tal´amicas focales. Se sugiere dividir en dos tipos el SH, para abordar la hip´ otesis de heterogeneidad dentro del mismo: “deep white SH”(dwSH) y “SH periventricular”(pvSH). Algunos estudios demuestran la relaci´on del volumen de ambos con problemas de rendimiento motor, cognitivo y comportamental, atrofia de GM y dilataci´on ventricular.

2.3.1.

C´ alculo de volumen pvSH y dwSH dentro del SH

Ante la falta de un m´etodo est´ andar para la determinaci´on del pvSH, se suelen utilizar los siguientes m´etodos, aunque se prefieren los m´etodos en los que se reconoce la naturaleza del SH v´ıa 3D: crear una l´ınea de corte lateral 2D desde el ventr´ıculo en rodajas axiales. Podemos calcularla por dos m´etodos: 1. distancia proporcional desde el borde ventricular hasta duramadre. 2. Tambi´en puede calcularse tomando una distancia arbitraria de los voxeles del exterior del ventr´ıculo hasta el centro semioval. fundamentado en principios anat´ omicos, sugieren en clasificar el SH alrededor del ventr´ıculo en un radio de 13mm como pvSH. El dwSH incluye los espacios perivasculares y los infartos lacunares rellenos de l´ıquido qu´ıstico. Los espacios Virchow-Robin(VR) son extensiones del espacio subaracnoideo relleno de CSF en la vaina que rodea los vasos sangu´ıneos. Aparecen como puntos hiperintensos o l´ıneas en las im´agenes en T2, isointensas en las PD y generalmente menores de 1mm de di´ametro. Su tama˜ no, forma y apariencia diferencial en T2 y PD permiten que sean distinguidos de otros tipos de SH. Las lagunas est´ an asociadas a la edad, hipertensi´on, incremento del riesgo de accidente cerebrovascular, y se encuentran en el 8-11 % de los ancianos. Los llamados infartos encubiertos es aquel tejido entre 315mm de di´ ametro, hipo-intensos en T1 e hiper-intensos en T2 y PD. Su presencia se asocia con riesgo de demencia y est´ a relacionado con la p´erdida del metabolismo de la glucosa del l´obulo frontal. Sin embargo, sin un corregistro entre la segmentaci´on en T1 y PD-T2, el contraste por comparaci´ on de lagunas y espacios VR es dif´ıcil de cuantificar, solamente con im´agenes FLAIR. Un beneficio adicional de la segmentaci´ on de tejidos en T1 combinado con la segmentaci´on de SH en PD-T2 es que permite, para tejidos volum´etricos relativos, comparaciones entre GM, WM, CSF ventricular y CSF sulcal. Sin embargo, la volumetr´ıa del cerebro en global proporciona una informaci´on limitada. La cuantificaci´ on regional, dentro de los m´etodos ROI o de plantillas, se ha convertido en la expectaci´on est´ andar para cualquier procedimiento de segmentaci´ on de MRI. La necesidad de un m´etodo, individual y comprehensivo, que segmente con fiabilidad el cerebro en compartimentos de tejidos por regiones e incluya los subtipos de SH es algo importante. Es por eso que “Lesion Explorer” (LE) es la soluci´ on que se ha tomado en este trabajo. Fue construido a partir de 3 componentes para el an´ alisis de 8 tipos de tejido cerebral (GM, WM, sCSF, vCSF, lagunar y no lagunar pvCSF y dwCSF), que siguen: Protocolo de segmentaci´ on autom´atica de im´agenes en T1. Procedimiento de parcelaci´ on semi-autom´atica para extracci´on del cerebro. ETSIDI - UPM

13

Segmentaci´on de subestructuras corticales del cerebro humano desde im´agenes T1-MR

LE ha sido comparado frente a otros m´etodos alternativos (K-vecinos m´as cercanos y 2 m´etodos de evaluaci´on visual). Se tiene en cuenta un estudio publicado bajo el marco de la ETF en relaci´ on a los cambios en WM. Se acept´ o SH aquel ejido que apareciera en ambas im´agenes de PD y T2 y adem´ as si ten´ıa al menos 5mm de di´ ametro. El grado de severidad del SH va desde 0 a 3.

2.3.2.

Procesamiento de las im´ agenes

Componente 1 Brain-Sizer: La extracci´ on del cerebro y segmentaci´on del tejido se lleva a cabo usando un actualizado procedimiento “Cabeza hacia cerebro” (CHC). Las im´ agenes de PD y T2 son corregistradas a T1 usando transformaciones r´ıgidas, gracias a AIR5 y una funci´ on de coste promedio de la imagen. Sin embargo se perdi´o el alineamiento con algunos sujetos, y se uso FLIRT de FSL y una funci´on de coste de informaci´on mutua normalizada para realizar de nuevo el corregistro. La automatizaci´on del m´etodo se consigui´o con un procedimiento a trav´es de una plantilla de referencia, obtenida como promedio de 50 cerebros escaneados (extra´ıdos previamente usando nuestros m´etodos anteriores). La plantilla fue corregistrada a cada imagen en T1 y su matriz de transformaci´ on inversa fue usada para mover la m´ascara binaria de la plantilla de CHC al sujeto, utilizando interpolaci´ on por vecino m´as cercano. La plantilla de transformaci´on espacial de la m´ascara binaria de CHC en el sujeto se suaviza usando un filtro gaussiano en 3D (sigma=2). La intensidad de las im´ agenes T2 y PD fue normalizada. Los voxeles mayores a una intensidad de 0.9995 en la plantilla de transformaci´ on de la m´ ascara binaria de CHC suavizada y los voxeles mayores a un valor determinado de un umbral predefinido normalizado para T2 y PD, se aceptaron como tejido cerebral, creando la primera m´ ascara binaria correcta CHC del sujeto. Cada una de ellas fue suavizada usando un filtro gaussiano recursivo 3D y los voxeles mayores a 0.5 fueron aceptados como cerebro para crear la m´ascara final. Esta u ´ltima fue chequeada manualmente y corregida de errores, usando un software propio de edici´ on de im´ agenes y el paquete itk/SNAP. Todo el proceso dura alrededor de 1 a 10 min. El cerebelo y los ventr´ıculos se removieron manualmente por un m´etodo de segmentaci´on de im´ agenes en T1, usando un software casero para edici´on de im´agenes. El re-etiquetado de los v´oxeles del CSF al CSF ventricular fue abordado por medio de implantar una semilla en los voxeles del CSF en la segmentaci´ on de T1 con la imagen T1 de referencia. Se realiz´o a mano para segmentar correctamente las hiperintensidades periventricular y sucortica. Estos pasos suponen 30-45 min de intervenci´on. Componente 2SABRE: Semi-Automated Brain Regi´ on Extraction Es una actualizaci´ on de los m´etodos anteriores. R´apido y fiable y se usa para extraer 26 regiones del cerebro proporcionales a el tama˜ no de la cabeza. Se ha utilizado este m´etodo para estudio de la Esclerosis M´ ultiple y demencia frontotemporal. Un grupo de marcadores se trazan en la m´ascara T1 usando un renderizador de volumen en 3D y regiones de inter´es en 2D con ANALYZE. Realizar los marcadores lleva unos 20 min. Una versi´ on actualizada toma una versi´on propia modificada de itk-SNAP y reduce los tiempos en 5-10 min. Componente 3LE: Lesion Explorer) En este momento, todos los voxeles han sido clasificados como WM/GM/CSF ventricular/CSF sulcal/. LE puede ser considerado como una correcci´on de la segmentaci´on original de T1, donde los voxeles son reclasificados como SH, usando informaci´on adicional de PD y T2.

ETSIDI - UPM

14

Segmentaci´on de subestructuras corticales del cerebro humano desde im´agenes T1-MR

Para una segmentaci´ on m´ as precisa y profunda se usan m´etodos automatizados. La segmentaci´ on de SH se aborda con un modelo de umbralizaci´on adaptativo local, para tratar la falta de homogeneidad. Las segmentaci´ on T1 se usa como m´ ascara corregistrada con PD y T2 para el m´etodo de CHC y remover el CSF ventricular. Las im´ agenes se dividen en peque˜ nas regiones 3D para calcular umbrales, basado en histogramas de intensidad de las im´ agenes T2 y PD. La media m´axima y local se usa para estimar la intensidad de corte para SH: T = mean + P (max − mean) donde P (umbral fraccional) nos permite calibrar al usuario (entre 0 y 1) para diferentes patolog´ıas. Las dos segmentaciones de SH, para T2 y PD, se combinan con una operaci´on AND y el volumen final es un volumen etiquetado que contiene la segmentaci´on SH. Se genera una m´ascara vCSF-CP (plexo coroideo) de la segmentaci´ on T1 y se cierne alas siguientes operaciones morfol´ogias: dilataci´ on 2D (radio 1, elemento estructurante = cruz). cierre 2D (radio 1, elemento estructurante = esfera). Se genera una m´ ascara sCSF-GM a partir del algoritmo FCM, que es una t´ecnica de agrupamiento no supervisado que se utiliza para los conjuntos de datos de partici´on en C ¸ ¸clases diferentes. Cada punto de datos se le asigna un grado de pertenencia difuso que representa el grado en que un punto de datos pertenece a cada una de las clases. Se usan 4 clases, fondo, CSF, GM y WM, y el resultado es umbralizado creando una m´ ascara de CSF y otra eliminando el vCSF y dejando el sCSF. Los voxeles no conectados en 3D en la m´ ascara sCSF tambi´en se eliminan. El compartimento de m´ascara GM se obtiene de la estimaci´on teniendo en cuenta que los voxeles de este tipo de tejido se encuentran rodeando al sCSF. La m´ascara sCSF-GM se obtiene: dilataci´ on 3D radio 1, elemento estructurante = esfera) en la m´ascara de sCSF. filtro medio 2D (radio 1). cierre 2D (radio 1, elemento estructurante = cruz). Los voxeles que no pertenecen a ninguna de las m´ascaras anteriores se clasifican como voxeles no SH. Un procedimiento, derivado del paquete itk-SNAP, con un operador de entrenamiento se lleva a cabo para eliminar cualquier falso positivo que haya en la imagen, proceso que dura entre 10 y 20 minutos.

2.3.3.

Segmentaci´ on pvSH y dwSH

Una operaci´ on autom´ atica de conectividad 3D se aplica a la segmentaci´on del SH, en la que, todos los grupos de voxeles de SH conectados al ventr´ıculo se subclasifican en pvSH y los restantes como dwSH.

2.3.4.

Segmentaci´ on pvSH y dwSH (lagunar y no lagunar)

Como en el caso anterior, se utiliza la segmentaci´on T1 para analizar los voxeles SH segmentados como CSF se clasifican como fluido c´ıstico de tipo lagunar y el resto como no lagunar.

ETSIDI - UPM

15

Segmentaci´on de subestructuras corticales del cerebro humano desde im´agenes T1-MR

2.3.5.

Salida final

El resultado final es un perfil volum´etrico comprehensivo de vol´ umenes de tejido cerebral de un individuo con datos de la segmentaci´ on por regiones (GM, WM, vCSF, SCSF, lagunar y lagunar pvSH y lagunar y no lagunar dwSH). Los datos volum´etricos se organizan en i) todo el cerebro y ii) regiones SABRE. Se emplea el ´Indice de Similaridad (SI), para asegurar la concordancia espacial de los volumenes obtenidos por LE generados por cada evaluador: 2 × (Evaluador1 ∩ Evaluador2) SI = Evaluador1 + Evaluador2 donde Evaluador1 ∩ Evaluador2 se refieren al solapamiento por p´ıxeles entre los dos evaluadores. SI tiene valores entre 0 y 1 (0 = pobre solapamiento espacial y 1 = perfecto solapamiento). La fiabilidad inter-m´etodo de todo el cerebro se determin´o comparando el resultado de LE con el generado por m´etodos semi-autom´ aticos basado en K-vecinos m´as cercano. Se calcul´o el ICC para cada regi´on cerebral SABRE en los 20 participantes.

2.4. 2.4.1.

Resultados Todo el cerebro

La mediana absoluta de las diferencias de volumen entre los dos evaluadores fue de 230 mm3 , con un ICC = 0.99, p < 0.0001 y SI medio = 0.97, lo cual indica una excelente fiabilidad inter-evaluador para el solapamiento del total del cerebro y por p´ıxeles. Tambi´en se demuestra la elevada fiabilidad al compararlo con el m´etodo de los K-vecinos m´ as cercanos (ICC = 0.97, p < 0.0001), as´ı como para pvSH, por lo que dwSH no necesita an´ alisis, como tampodo la segmentaci´on lagunar.

2.4.2.

Regiones

La mediana absoluta de las diferencias de volumen entre las regiones SABRE fue de 13.83 mm3 con un ICC medio = 0.98 lo cual indica una excelente fiabilidad inter-evaluador.

Figura 2.3: Resumen del test de fiabilidad

ETSIDI - UPM

16

Segmentaci´on de subestructuras corticales del cerebro humano desde im´agenes T1-MR

2.5.

Conclusiones

LE es el componente final de un paquete segmentaci´on comprehensiva y por parcelas que proporciona un perfil volum´etrico de las im´ agenes de RM. Se puede utilizar con total fiabilidad en poblaciones de edad avanzada, tanto para estudios transversales como para longitudinales, con un protocolo de adquisici´ on estructural est´ andar. Brain-Sizer, proporciona una medida precisa de la capacidad total intracraneal del individuo, lo cual es un dato importante y que se usa para la correcci´on del tama˜ no cerebral.

ETSIDI - UPM

17

Cap´ıtulo 3

Extracci´ on del cr´ aneo El objetivo principal de este apartado consiste en desarrollar un m´etodo autom´atico o semi-autom´ atico que permita el c´ alculo del ICV del paciente. Definiremos por tanto el volumen intracraneal, para este caso concreto, como el tejido resultante de la suma del tejido perteneciente a la materia gris y el relativo a la materia blanca. Es importante hacer un inciso: tal y como se trata en [1], debido a la variaci´ on en la fuerza de los campos magn´eticos utilizados por los esc´aneres que se encargan de adquirir las im´ agenes de los pacientes, es necesario realizar un proceso de normalizaci´on de la intensidad en todo el volumen de im´agenes ya que se ha denotado que se producen cambios en la intensidad del fluido cerebrospinal (CSF) en las im´agenes tomadas a 3T en relaci´on con las tomadas a 1.5T. Este tejido es considerado en ciertas ocasiones como parte del volumen intracraneal, mientras que en [1] y siguiendo los pasos del “Protocolo ENIGMA” consideraremos el CSF como tejido no cerebral.

3.1.

¿Qu´ e es el Protocolo ENIGMA?

El Protocolo ENIGMA es un consorcio llevado a cabo por los principales pa´ıses del mundo y que cuenta con una red de investigadores expertos en gen´omica de imagen, neurolog´ıa y psiquiatr´ıa, con el fin principal de comprender el cerebro, tanto en el ´ambito estructural y anat´omico como desde un punto de vista funcional, bas´ andose en im´ agenes de RM, im´agenes funcionales de RM, DT, datos gen´eticos y una gran poblaci´ on de pacientes. Las siglas ENIGMA vienen del ingl´es “Enhancing Neuro Imaging Genetics through Meta-Analysis”que viene a significar el proceso de mejora de las neuroim´agenes gen´eticas gracias a un grupo de herramientas estad´ısticas capaces de sintetizar los datos arrojados por los estudios previos en este campo. Tal y como se explica en la p´ agina web oficial1 la red de trabajo ENIGMA ha combinado todos los datos de estudios anteriores para obtener una gran poblaci´on de muestra con la que se intenta detectar la importancia del efecto que los genes tienen sobre ciertas patolog´ıas, estructuras y comportamientos en nuestro cerebro.

1

http://enigma.ini.usc.edu

18

Segmentaci´on de subestructuras corticales del cerebro humano desde im´agenes T1-MR

Los objetivos para los cuales ha sido creada ENIGMA son claros: 1. formar una red de personas con ideas e intereses comunes, con la intenci´on de impulsar el campo de las im´ agenes en gen´etica. 2. asegurar resultados prometedores, los cuales se replican a trav´es de la colaboraci´on de los miembros, con el fin de satisfacer la demanda de la mayor´ıa de revistas y publicaciones. 3. compartir ideas, algoritmos, datos e informaci´on sobre los resultados o m´etodos obtenidos. 4. facilitar la formaci´ on y entrenamiento, a trav´es de talleres y conferencias sobre los m´etodos clave y la orientaci´ on actual que est´ a tomando este campo de investigaci´on.

3.2.

Procedimiento y pasos a seguir para el c´ alculo del ICV

En nuestro caso hemos seguido el protocolo y algoritmo propuesto en ENIGMA para el c´ alculo del ICV usando la biblioteca FSL. El volumen de im´agenes que vamos a tratar pertenecen al proyecto puesto en marcha y desarrollado por la Fundaci´ on Reina Sof´ıa y la Fundaci´ on Cien, el “Proyecto Vallecas”, un plan de investigaci´ on que busca, a trav´es de todos los investigadores que colaboran en ´el, la posibilidad de dar un diagn´ ostico precoz y una evaluaci´on correcta a pacientes actuales y futuros de la enfermedad del Alzheimer. Cuenta con las im´ agenes de un total de 163 pacientes, de los cuales: 53 son pacientes sanos o “pacientes de control ”. 39 son pacientes con deterioro cognitivo leve (MCI) amn´esico diagnosticado. 58 son pacientes con deterioro cognitivo leve amn´esico de m´ ultiples dominios diagnosticado. 13 son pacientes con la enfermedad del Alzheimer diagnosticada. Nuestra labor estriba en procesar el conjunto de pacientes para obtener el valor de su ICV y someterlo a an´alisis por medio de una matriz de confusi´on que realizar´a una primera estimaci´on o diagn´ ostico discriminatorio de los pacientes. La primera tarea consiste en observar posibles alteraciones en las im´agenes, ya sean traslaciones, rotaciones o simplemente una mala adquisici´on. En un primer chequeo, se observa un grupo de 32 pacientes cuya imagen se ve perjudicada por alguno de los defectos posicionales mencionados anteriormente. A expensas de encontrar una herramienta software para corregirlos, los apartamos de la lista de pacientes a analizar, ya que falsear´ıan el resultado final. Tras haber le´ıdo los art´ıculos mencionados en la bibliograf´ıa y observar que ninguno de ellos considera la herramienta de extracci´ on de cr´ aneo de FSL, BET, como primera opci´on para llevar acabo la tarea, hemos cre´ıdo conveniente probarla, ya que los resultados obtenidos en ejercicios/trabajos anteriores daban buenos resultados.

ETSIDI - UPM

19

Segmentaci´on de subestructuras corticales del cerebro humano desde im´agenes T1-MR

La problem´ atica viene a ra´ız de dos par´ametros de suma importancia que intervienen en el algoritmo de extracci´on: coordenadas del centro de gravedad (coordenadas espaciales x, y ,z). umbral que estima el l´ımite donde acaba la segmentaci´on del tejido cerebral. Si estos valores no se modifican y se ejecuta BET con los valores por defecto debemos tener en cuenta que quiz´as la segmentaci´ on no sea la m´as adecuada debido a las siguientes consideraciones: 1. tomar el valor del centro de gravedad calculado por defecto por el algoritmo es un error, ya que en la imagen a´ un aparecen cuello, ojos, nervio ´optico, tejido del cuero cabelludo, etc. y en ocasiones no realiza correctamente la extracci´on. 2. el valor del umbral que utiliza BET por defecto est´a establecido en 0.5. Si tenemos en cuenta que tras la experiencia se sabe que valores cercanos a la unidad producen una segmentaci´on m´ as agresiva, tendremos todas las papeletas para que el resultado sea err´oneo. Por estos motivos se cree que las pruebas en [1] y [2] no dan como uno de los mejores m´etodos de skull stripping a BET ya que no han tenido en cuenta la importancia de establecer correctamente el centro de gravedad del cerebro del paciente, algo de vital importancia para la ejecuci´on del algoritmo. Se demuestra que aproximando el centro de gravedad manualmente, aunque sea paciente a paciente, y estableciendo el valor del umbral (opci´on ’-f’) en valores en torno a 0.2 y 0.3, los resultados de la segmentaci´on suelen ser bastante buenos (salvando algunas ocasiones), por no hablar de la rapidez del proceso. De esta manera, aunque el m´etodo no sea totalmente autom´atico y precisar´ıa de la implicaci´ on del usuario, la soluci´ on parece adecuada ya que la tarea de calcular el centro de gravedad es sencilla y con pr´actica, inmediata. Se ha utilizado FSL en un sistema con Ubuntu y se ha ejecutado BET desde la l´ınea de comandos. Debido al laborioso uso de la herramienta desde el terminal, se opt´o por crear un sencillo script en bash que nos permitiera manejar con mayor facilidad las im´agenes. El programa est´a pensado para dar la opci´on de ejecutar BET sobre una sola imagen o sobre un grupo de ellas y adem´as, que sea el usuario quien establezca el valor del centro de gravedad y del umbral. De manera convencional, BET se ejecuta de la siguiente manera: bet < ruta de la imagen de entrada > < ruta de la imagen resultante > [ opciones ]

Para el caso espec´ıfico que se quiera modificar el centro de gravedad de la imagen, establecer el valor del umbral y que BET genere una m´ ascara binaria de la segmentaci´on resultante, el c´odigo queda de la siguiente manera: bet < ruta de la imagen de entrada > < ruta de la imagen resultante > -c -f < valor umbral > -m

Las im´agenes de los pacientes est´ an nombradas de la siguiente manera: “id (n´ umero del paciente en tres d´ıgitos).nii.gz”. Como se puede ver, es bastante laborioso el manejo imagen por imagen para solo modificar el n´ umero del paciente. Es por esto de la necesidad de crear un script que vaya increment´ andolo por nosotros. Lo mismo sucede si queremos inspeccionar la imagen.

ETSIDI - UPM

20

Segmentaci´on de subestructuras corticales del cerebro humano desde im´agenes T1-MR

FSL cuenta con un visor, que desde la l´ınea de comandos se corresponde con la siguiente sentencia: fslview < ruta de la imagen >

ENIGMA nos facilita un c´ odigo a seguir para llevar a cabo el c´alculo del ICV: for subj_id in ‘ cat list_subjects . txt ‘ ; do bet $ { SUBJECTS_DIR }/ $ { subj_id } $ { SUBJECTS_DIR }/ $ { subj_id } _braintmp -f 0.2 fast -b -- nopve $ { SUBJECTS_DIR }/ $ { subj_id } _braintmp fslmaths $ { SUBJECTS_DIR }/ $ { subj_id } - div $ { SUBJECTS_DIR }/ $ { subj_id } _brai ntmp_bi as $ { SUBJECTS_DIR }/ $ { subj_id } _bi ascorrec ted bet $ { SUBJECTS_DIR }/ $ { subj_id } _bi ascorre cted $ { SUBJECTS_DIR }/ $ { subj_id } _brain -f 0.3 done

En esta primera etapa se propone la ejecuci´on de BET incluida en un bucle for, que recorre los elementos de un archivo .txt donde aparece el nombre o id del paciente a tratar. Probamos esta t´ecnica y se desisti´o en emplear este m´etodo por que no se consigui´o que se ejecutara correctamente, de manera que se fueron ejecutando cada paso de manera independiente, es decir, una vez que se realiza el primer BET, se pasa a ejcutar FAST en todas las im´agenes, y as´ı sucesivamente. A continuaci´ on se muestra el c´ odigo de los scripts utilizados: 1. BET.sh #! / bin / bash clear # cg_X =85 # cg_Y =109 # cg_Z =141 # umb =0.2 doc =" Documentos / resultados /" g_b =" _ " nombre_arch_u ="/ id_00 " nombre_arch_d ="/ id_0 " nombre_arch_c ="/ id_ " image_in_u ="/ home / juanmanuel / Documentos / T1s / id_00 " image_in_d ="/ home / juanmanuel / Documentos / T1s / id_0 " image_in_c ="/ home / juanmanuel / Documentos / T1s / id_ " image_out ="/ home / juanmanuel / Documentos / resultados /" # funcion para hacer bet por grupos de imagenes function bet_grupo { # imagen de comienzo menor que la 10 if [ $n - lt 10 ]; then # limite menor que la 10 if [ $d - lt 10 ]; then for (( i = $n ; i