Segmentación de la válvula pulmonar a partir de imágenes de tomografía cardiaca usando una estrategia basada en realce por similaridad local

Abstract

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.