High grade glioma segmentation in magnetic resonance imaging
Resumen
Through this work we propose a computational technique
for the segmentation of magnetic resonance images
(MRI) of a brain tumor, identified as high grade glioma
(HGG), specifically grade III anaplastic astrocytoma. This
technique consists of 3 stages developed in the threedimensional
domain. They are: pre-processing, segmentation
and post-processing. The pre-processing stage uses
a thresholding technique, morphological erosion filter
(MEF), in gray scale, followed by a median filter and a
gradient magnitude algorithm. On the other hand, in order
to obtain a HGG preliminary segmentation, during the
segmentation stage a clustering algorithm called region
growing (RG) is implemented and it is applied to the preprocessed
images. The RG requires, for its initialization, a
seed voxel whose coordinates are obtained, automatically,
through the training and validation of an intelligent operator
based on support vector machines (SVM). Due to
the high sensitivity of the RG to the location of the seed,
the SVM is implemented as a highly selective binary classifier.
During the post-processing stage, a morphological
dilation filter is applied to preliminary segmentation generated
by RG. The percent relative error (PrE) is considered
by comparing the segmentations of the HGG, generated
manually by a neuro-oncologist, with the dilated segmentations
of the HGG, obtained automatically. The combination
of parameters linked to the lowest PrE, allows establishing
the optimal parameters of each computational
algorithms that make up the proposed computational
technique. The obtained results allow reporting a PrE of
11.10%, which indicates a good correlation between the
manual segmentations and those produced by the computational
technique developed. A través de este trabajo se propone una técnica computacional
para la segmentación de un tumor cerebral,
identificado como un glioma de alto grado (HGG) de tipo
astrocitoma anaplásico de grado III, que está presente en
las imágenes de resonancia magnética (MRI). Esta técnica
consta de 3 etapas desarrolladas en el dominio tridimensional.
Ellas son: preprocesamiento, segmentación y
postprocesamiento. La etapa de preprocesamiento utiliza
una técnica de umbralización, un filtro de erosión morfológica
(MEF), en escala de grises, seguido de un filtro de
mediana y de un algoritmo de magnitud de gradiente. Por
otro lado, con el propósito de generar una segmentación
preliminar del HGG, durante la etapa de segmentación se
implementa un algoritmo de agrupamiento, llamado crecimiento
de regiones (RG), que se aplica a las imágenes
preprocesadas. El RG requiere para su inicialización la ubicación
de un vóxel semilla cuyas coordenadas se obtienen,
automáticamente, a través del entrenamiento y la validación
de un operador inteligente basado en máquinas de
vectores de soporte (SVM). Debido a la alta sensibilidad
del RG a la ubicación de la semilla, la SVM se implementa
como un clasificador binario altamente selectivo. Durante
la etapa de post-procesamiento, se aplica un filtro de dilatación
morfológica a la segmentación preliminar, generada
por RG. El error relativo porcentual (PrE) se considera
para comparar las segmentaciones de la HGG generadas
de forma manual por un neurooncólogo, con las segmentaciones
dilatadas de la HGG, obtenidas automáticamente.
La combinación de parámetros vinculados al PrE más bajo
permite establecer los parámetros óptimos de cada uno de
los algoritmos computacionales que componen la técnica
computacional propuesta. Los resultados obtenidos permiten
reportar un PrE de 11.10%, lo cual indica una buena
correlación entre las segmentaciones manuales y las producidas
por la técnica computacional desarrollada.