Estrategia basada en realce por similaridad local para la segmentación computacional de la vena cava superior en imágenes de tomografía computarizada cardiaca
Resumen
El artículo propone una estrategia para segmentar
la vena cava superior (VCS) en 20imágenes
tridimensionales (3-D) de tomografía
computarizada multicapa, correspondientes al ciclo cardiaco
completo de un paciente. Esta estrategia consta de
las etapas de pre-procesamiento, segmentación y entonación
de parámetros. La etapa de pre-procesamiento se
divide en dos fases. En la primera, denominada fase de
filtrado, se emplea una técnica denominada realce por
similaridad local (LSE) con el propósito de disminuir el impacto
de los artefactos y atenuar el ruido en la calidad
de las imágenes. Esta técnica, combina un filtro promediador,
un filtro detector de bordes (denominado black
top hat) y un filtro gaussiano (GF). En la segunda, identificada
como fase de definición de una región de interés
(ROI), se consideran las imágenes filtradas, máquinas de
soporte vectorial de mínimos cuadrados e información a
priori para aislar las estructuras anatómicas que circundan
la VCS. Por otra parte, durante la etapa de segmentación
3-D se implementa un algoritmo de agrupamiento, denominado
crecimiento de regiones (RG), el cual es aplicado
a las imágenes pre-procesadas. Durante la entonación de
parámetros, de la estrategia propuesta, el coeficiente de
Dice (Dc) es utilizado para comparar las segmentaciones,
de la vena cava superior, obtenidas automáticamente, con
la segmentación de la VCS generada, manualmente, por
un cardiólogo. La combinación de parámetros que generó
el Dc más elevado considerando el instante de diástole se
aplica luego a las 19 imágenes tridimensionales restantes,
obteniéndose un Dc promedio superior a 0.88 lo cual indica
una buena correlación entre las segmentaciones generadas
por el experto cardiólogo y las producidas por la
estrategia desarrollada. The article proposes a strategy to segment the
superior vena cava (VCS) into 20-dimen- sion
(3-D) images of multi-layer computed tomography,
corresponding to the complete cardiac cycle of a
patient. This strategy consists of the stages of pre-processing,
segmentation and intonation of parameters. The
pre-processing stage is divided into two phases. In the
first phase, called the filtering phase, a technique called
local similarity enhancement (LSE) is used in order to reduce
the impact of the artifacts and to attenuate noise
in the quality of the images. This technique combines an
averaging filter, an edge detector filter (called black top
hat) and a Gaussian filter (GF). In the second, identified as
a region of interest (ROI) definition phase, we consider filtered
images, least squares vector support machines and
a priori information to isolate the anatomical structures
that surround the VCS. On the other hand, during the 3-D
segmentation stage a clustering algorithm, called region
growth (RG), is implemented, which is applied to the preprocessed
images. During the intonation of parameters,
of the proposed strategy, the Dice coefficient (Dc) is used
to compare the segmentations of the superior vena cava,
obtained automatically, with the segmentation of the VCS
generated manually by a cardiologist. The combination of
parameters that generated the highest Dc considering
the instant of diastole is then applied to the remaining 19
three-dimensional images, obtaining an average Dc higher
than 0.88 which indicates a good correlation between
the segmentations generated by the expert cardiologist
and those produced by the strategy developed.