Segmentación de tejidos con contornos difusos en imágenes radiológicas

Abstract

En la presente tesis se han desarrollado dos algoritmos innovadores para la segmentación de tumores retroperitoneales en imágenes radiológicas en 3D, ambos basados en la metodología de relajación convexa. Un algoritmo hace uso de dos etiquetas y el otro implementa una metodología multietiquetas. Los algoritmos permiten a los oncólogos radioterápicos y cirujanos la selección semiautomática de los tumores para planificar los tratamientos radioterápicos y las cirugías, en los casos en los que fuera necesario. Los algoritmos desarrollados sólo requieren como entrada el contorno no preciso del tumor en un corte 2D del TAC. La principal novedad de los algoritmos radica en la introducción de la Distancia Acumulada de Gradiente de Volumen (DAGV) previa a la optimización. En ese sentido, la información del gradiente es introducida en el término regional junto con la información de la intensidad. El término de regularización, que penaliza la longitud del contorno, proporciona sólo una visión a nivel de vóxel y la DAGV a nivel local. La gran importancia de estos algoritmos también reside en que no se ha detectado en la literatura ningún estudio que se centre en la segmentación de este tipo de tumor, el tumor retroperitoneal. Con los dos algoritmos desarrollados se segmentaron 19 casos de TAC de pacientes reales compuestos por 275 cortes en total de tumores retroperitoneales. Los resultados se compararon con la selección manual de los mismos tumores proporcionados por un panel de expertos. Tras la evaluación se seleccionó el algoritmo de multietiquetas con una etapa de post-procesamiento usando un disco de 5 píxeles de radio como elemento estructural, por ser esta implementación la que proporcionó los mejores resultados. A continuación, se comparó el algoritmo con un banco de algoritmos de segmentación basados en metodologías de umbralización, Level-set basado en bordes [1] y Level-set basado en regiones [2] disponibles en la literatura. El algoritmo diseñado también se comparó con varios algoritmos de segmentación disponibles en aplicaciones comerciales para la planificación de radioterapia y de cirugía. En concreto, como planificador de radioterapia se comparó con el planificador Pinnacle [3] y como planificador de cirugía se comparó con VirSSPA [4-6] con los algoritmos de segmentación que tiene implementados basados en umbralización, crecimiento de regiones y crecimiento de regiones con paso adaptativo. Se evaluaron 24 parámetros relativos a la evaluación de la región, de la proximidad al contorno, del volumen y del tiempo computacional, y se compararon los resultados obtenidos con los resultados proporcionados por los diferentes algoritmos de segmentación de la literatura. El algoritmo multietiquetas diseñado obtuvo los mejores resultados en 20 de los 24 parámetros. En concreto, la segmentación proporcionada por el algoritmo multietiquetas desarrollado alcanzó unos resultados del 90% en Sensibilidad, 100% en Especificidad, 84% en PPV, 77% de coeficiente Jaccard, 100% Exactitud, 67% Conformidad, 87% de Sensibilidad ηsbl y de coeficiente Dice, 100% de Recall y 96% de Precisión, entre otros parámetros. Los cuatro parámetros en los que el algoritmo diseñado no obtuvo los mejores resultados fueron en el tiempo computacional y en el cálculo del volumen estimado a través del análisis de Bland-Altman. En estos cuatros parámetros, el algoritmo que proporcionó mejores resultados fue el de umbralización, pero con una leve mejoría respecto al algoritmo diseñado de multietiquetas. El coste computacional del algoritmo de umbralización es menor, porque el procesamiento es más simple. En cambio, aunque según el análisis de Bland-Altman el volumen resultante por el algoritmo de umbralización se asemeja más al volumen real, dichos volúmenes no solapan bien, dado que la Sensibilidad y Sensibilidad ηsbl, son mejores para el algoritmo diseñado. En relación a los algoritmos implementados en las soluciones comerciales de planificadores de radioterapia y cirugía, el algoritmo diseñado también proporcionó los mejores resultados en todos los parámetros analizados. Se evaluó también la variabilidad entre observadores en la delimitación manual de los tumores y se demostró que el algoritmo propuesto puede ayudar en casos difíciles de segmentar y que presentan diferentes lecturas, reduciendo por tanto la variabilidad en la práctica clínica. También se analizó la dependencia del algoritmo diseñado y seleccionado respecto a los parámetros de inicialización. Se demostró que el algoritmo es robusto a la inicialización. En otras palabras, con el algoritmo diseñado, la variabilidad entre usuarios debida a la segmentación manual de los tumores se reduce. Esto implica que, con el algoritmo, se les proporciona a los oncólogos radioterápicos un sistema de delimitación del volumen tumoral que posibilita el aumento de la uniformidad en el diseño de los tratamientos de radioterapia y, por tanto, la reducción en la variabilidad en la práctica clínica.