Generación de modelos 3D de tumor desde imágenes DICOM, para planificación virtual de su recesión
Resumen
Las imágenes médicas son imprescindibles para la realización del diagnóstico, planificación de cirugía y evolución de la patología. El avance de la tecnología ha desarrollado nuevas técnicas para obtener imágenes digitales con más detalles, esto a su vez ha llevado a tener desventajas, entre ellas: el análisis de grandes volúmenes de información, tiempo prolongado para determinar una región afectada y dificultad para definir el tejido maligno para su posterior extirpación, entre las más relevantes. Este artículo presenta una estrategia de segmentación de imágenes y la optimización de un método de generación de modelos tridimensionales. Se implementó un prototipo en el que se logró evaluar los algoritmos de segmentación y técnica de reconstrucción 3D permitiendo visualizar el modelo del tumor desde diferentes puntos de vista mediante realidad virtual. En esta investigación, se evalúa el costo computacional y la experiencia del usuario, los parámetros seleccionados en términos de costo computacional son el tiempo y el consumo de RAM, se utilizaron 140 imágenes MRI cada una de ellas con dimensiones de 260x320 píxeles, y como resultado, se obtuvo un tiempo aproximado de 37.16s y el consumo de memoria RAM es de 1.3GB. Otro experimento llevado a cabo es la segmentación y reconstrucción de un tumor, este modelo está formado por una malla tridimensional que contiene 151 vértices y 318 caras. Finalmente, se evalúa la aplicación con una prueba de usabilidad aplicada a una muestra de 20 personas con diferentes áreas de conocimiento, los resultados muestran que los gráficos presentados por el software son agradables, también se evidencia que el software es intuitivo y fácil de usar. También mencionan que ayuda a mejorar la compresión de imágenes médicas.
Palabras clave
imágenes médicas, k-means, malla 3D, modelo 3D, segmentación de imágenes, usabilidad
Citas
[1] O. Quintana, “Los objetivos de la medicina,” Revista de Calidad Asistencial, vol. 18(2), pp. 132-135, 2003. https://doi.org/10.1016/S1134-282X(03)77587-3
[2] R. León-Barua, and R. Berendson-Seminario, “Theorical Medicine. Definition of medicine and its relation to biology,” Rev. Med. Hered., vol. 7(1), pp. 1-3, 1996. https://doi.org/10.20453/rmh.v7i1.499
[3] S. Sierre, D. Teplisky, and J. Lipsich, “Vascular malformations: an update on imaging and treatment,” Arch. Argent. Pediatr., vol. 114(2), pp. 167-176, 2016. http://doi.org/10.5546/aap.2016.167
[4] P. Soffia, C. Ubeda, P. Miranda, and L. Rodríguez, “Radioprotección al día en radiología diagnóstica: Conclusiones de la Conferencia Iberoamericana de Protección Radiológica en Medicina (CIPRaM) 2016,” Rev. Chil. Radiol., vol. 23(1), pp. 15-19, 2017. http://doi.org/10.4067/S0717-93082017000100004
[5] E. Bosch, “Sir Godfrey Newbold Hounsfield y la tomografía computada, su contribución a la medicina moderna,” Rev. Chil. Radiol., vol. 10(4), pp. 183-185, 2004. http://doi.org/10.4067/S0717-93082004000400007
[6] I. D. Aristizábal, “The magnetic resonance and its agro-industry applications, a review,” Rev. Fac. Nal. Agr., vol. 60(2), pp. 4037-4066, 2007.
[7] G. Schmidt, “Introducción,” Ecografía: De la imagen al diagnóstico. Spain: Panamericana, 2007.
[8] J. A. Ruiz-Guijarro, “Tomografía por emisión de positrones (PET): evolución y futuro,” Radiobiología, vol. 7, pp. 148-156, 2007.
[9] G. Sakas, “Trends in medical imaging: From 2D to 3D,” Computer & Graphics, vol. 26(4), pp. 577-587, Aug. 2002. https://doi.org/10.1016/S0097-8493(02)00103-6
[10] G. Li, D. Citrin, K. Camphausen, B. Mueller, C. Burman, B. Mychalczak, R. W. Miller, and Y. Song, “Advances in 4D medical Imaging and 4D Radiation Therapy,” Technology in Cancer Research an Treatment, vol. 7(1), pp. 67-81, Feb. 2008. https://doi.org/10.1177/153303460800700109
[11] D. R. Ortega, and A. M. Iznaga, “Técnicas de Segmentación de Imágenes Médicas,” in 14 Convención científica de ingeniería y arquitectura, Habana, Cuba, 2008, pp. 1-7.
[12] A. L. Bokde, S. J. Teipel, R. Schwarz, G. Leinsinger, K. Buerger, T. Moeller, H. J. Möller, and H. A. Hampel, “Reliable manual segmentation of the frontal, parietal, temporal, and occipital lobes on magnetic resonance images of healthy subjects,” Brain research protocols, vol. 14(3), pp. 135-145, Mar. 2005. https://doi.org/10.1016/j.brainresprot.2004.10.001
[13] S. L. Cichosz, S. Vangsgaard, A. S. Jørgensen, K. E. Kannik, E. Steffensen, and S. F. Eskildsen, “Brain tumor segmentation from MRI: a comparative study,” in IADIS Multi Conference on Computer Science and Information Systems, Germany, 2010, pp. 401-406.
[14] J. Jaya, and K. Thanushkodi, “Certain investigation on MRI segmentation for the implementation of CAD system,” WSEAS Transactions on Computers, vol. 10(6), pp. 189-198, Jun. 2011.
[15] K. Selvanayaki, and M. Karnan, “CAD system for automatic detection of brain tumor through magnetic resonance image-A review,” International Journal of Engineering Science and Technology, vol. 2(10), pp. 5890-5901, Oct. 2010.
[16] K. P. Wong, “Medical image segmentation: methods and applications in functional imaging”, in Handbook of biomedical image analysis. New York: Springer, 2005, pp. 111-182. https://doi.org/10.1007/0-306-48606-7_3
[17] J. Weese, and C. Lorenz, “Four challenges in medical image analysis from an industrial perspective,” Medical Image Analysis, vol. 33, pp. 44-49, Oct. 2016. https://doi.org/10.1016/j.media.2016.06.023
[18] M. AI-Ayyoub, S. AIZu’bi, Y. Jararweh, M. A. Shehab, and B. B. Gupta, “Accelerating 3D medical volume segmentation using GPUs,” Multimedia Tools and Applications, vol. 77(3), pp. 4939-4958, Dec. 2016. https://doi.org/10.1007/s11042-016-4218-0
[19] I. Scholl, T. Aach, T. M. Deserno, and T. Kuhlen, “Challenges of medical image processing,” Comput. Sci. Res. Dev., vol. 26(1-2), pp. 5-13, Dec. 2011. https://doi.org/10.1007/s00450-010-0146-9
[20] A. Fedorov, D. Clunie, E. Ulrch, C. Bauer, A. Wahle, B. Brown, M. Onken, J. Riesmeier, S. Pieper, R. Kikinis, J. Buatti, and R. R. Beichel, “DICOM for quantitative imaging biomarker development: a standards based approach to sharing clinical data and structured PET/CT analysis results in head and neck cancer research,” PeerJ, vol. 4, pp. 2057-2081, May. 2016. https://doi.org/10.7717/peerj.2057
[21] C. J. Roth, L. M. Lannum, and C. L. Joseph, “Enterprise Imaging Governance: HIMSS-SIIM Collaborative White Paper,” J. Digit. Imaging, vol. 29(5), pp. 539-546, Jun. 2016. https://doi.org/10.1007/s10278-016-9883-z
[22] S. Sornapudi, R. J. Stanley, W. V. Stoecker, H. Almubarak, R. Long, S. Antani, G. Thoma, R. Zuna, and S. R. Frazier, “Deep Learning Nuclei Detection in Digitized Histology Images by Superpixels,” J. Pathol. Inform., vol. 8(38), pp. 1-12, Mar. 2017. https://doi.org/10.4103/jpi.jpi_74_17
[23] P. Mildenberger, M. Eichelberg, and E. Martin, “Introduction to the DICOM standard,” Eur Radiol., vol. 12(4), pp. 920-927, Apr. 2002. https://doi.org/10.1007/s003300101100
[24] J. C. Ramírez-Giraldo, C. Arboleda-Clavijo, and C. H. McCollough, “Tomografía computarizada por rayos X: fundamentos y actualidad,” Revista Ingeniería Biomédica, vol. 2(4), pp. 54-66, Nov. 2008.
[25] N. Pebet, “Resonancia Nuclear Magnética,” in XIII Seminario de Ingeniería Biomédica, Montevideo, Uruguay, 2004, pp. 1-5.
[26] A. Marangoni, “A.I. Arrival on Radiology-Threat or Challenge to Update?,” Rev. Argent. Radiol., vol. 82(2), pp. 55-56, Jun. 2018. https://doi.org/10.1055/s-0038-1656546
[27] L. Caponetti, G. Castellano, and V. Corsini, “MR Brain Image Segmentation: A Framework to Compare Different Clustering Techniques,” Information, vol. 8(4), pp. 138-159, Nov. 2017. https://doi.org/10.3390/info8040138
[28] B. Gharnali, and S. Alipour, “MRI Image Segmentation Using Conditional Spatial FCM Based on Kernel-Induced Distance Measure,” Engineering, Rechnology and Applied Science Research, vol. 8(3), pp. 2985-2990, Jun. 2018.
[29] R. Ahmmed, A. Rahman, and F. Hossain, “Fuzzy Logic Based Algorithm to Classify Tumor Categories with Position from Brain MRI Images,” in 3rd International Conference on Electrical Information and Communication Technology (EICT), Khulna, Bangladesh, 2017, pp. 1-6. https://doi.org/10.1109/eict.2017.8275232
[30] M. Jaros, P. Strakos, T. Karásek, L. Ríha, A. Vasatová, M. Jarosová, and T. Kozubek, “Implementation of K-means segmentation algorithm on Intel Xeon Phi and GPU: Application in medical imaging,” Advances in Engineering Software, vol. 103, pp. 21-28, Jan. 2017. https://doi.org/10.1016/j.advengsoft.2016.05.008
[31] K. Wagstaff, C. Cardie, S. Rogers, and S. Schroedl, “Constrained k-means clustering with background knowledge,” in ICML 01 Proceedings of the Eighteenth International Conference on Machine Learning, San Francisco, United States, 2001, pp. 577-584.
[32] D. Boening, A. Gauthier-Kemper, B. Gmeiner and J. Klingauf, “Cluster Recognition by Delaunay Triangulation of Synaptic Proteins in 3D,” Adv. Biosys., vol 1(10), pp. 1700091(1-8), Aug. 2017. https://doi.org/10.1002/adbi.201700091
[33] S. Jaramillo, W. Osorio, and J. C. Espitia. “Avances en el tratamiento del glioblastoma multiforme,” Univ. Méd., vol. 51(2), pp. 186-203, Apr. 2010. https://doi.org/10.11144/Javeriana.umed51-2.atgm
[34] K. Clark, B. Vendt, K. Smith, J. Freymann, J. Kirby, P. Koppel, S. Moore, S. Phillips, D. Maffitt, M. Pringle, L. Tarbox, and F. Prior, “The Cancer Imaging Archive (TCIA): Maintaining and Operating a Public Information Repository”, Journal of Digital Imaging, vol. 26 (6), Dec. 2013, pp 1045-1057. https://doi.org/10.1007/s10278-013-9622-7
[35] E. R. Lara, I. María, and A. Barrera, “RENTOL: A Clustering Algorithm Based on K-means,” Research in Computing Science, vol. 128, pp. 149-157, 2016. https://doi.org/10.13053/rcs-128-1-14
[36] M. A. Barajas, R. M. Reyes, A. A. Maldonado, A. I. García, and J. D. Rivera, “Análisis de cuestionarios para la evaluación de la usabilidad en programas de computadora,” E-Gnosis, vol. 16, pp. 158-162, 2018.
[37] R. Indraswari, T. Kurita, A. Z. Arifin, N. Suciati, and E. R. Astuti, “Multi-projection deep learning network for segmentation of 3D medical images,” Pattern Recognition Letters, vol. 125, pp. 791-797, Aug. 2019. https://doi.org/10.1016/j.patrec.2019.08.003
[38] H. Imai, S. Matzek, T. D. Le, Y. Negishi, and K. Kawachiya, “Fast and accurate 3D medical image segmentation with data-swapping method,” Arxiv, Pre-print, pp. 1-13, 2019.
[39] M. Maitra, and K. Jaman, “3D unsupervised modified spatial fuzzy c-means method for segmentation of 3D brain MR image,” Pattern Analysis and Applications, vol. 22(4), pp. 1561-1571, Mar. 2019. https://doi.org/10.1007/s10044-019-00806-2
[40] X. Zhang, H. Xhao, X. Li, Y. Feng, and H. Li, “A multi-scale 3D Otsu thresholding algorithm for medical image segmentation,” Digital Signal Processing, vol. 60, pp. 186-199, Aug. 2017. http://doi.org/10.1016/j.dsp.2016.08.003
[41] Y. Zhang, S. Miao, T. Mansi, and R. Liao, “Unsupervised X-ray Image Segmentation with Task Driven Generative Adversarial Networks,” Medical Image Analysis, vol. 62, pp. 1-20 Feb. 2020. http://doi.org/10.1016/j.media.2020.101664
[42] W. Zhao. and Z. Zeng, “Multi Scale Supervised 3D U-Net for Kidney and Tumor Segmentation”, Arxiv, Pre-print, 2019. https://doi.org/10.24926/548719.007
[43] Q. Dou, L. Yu, H. Chen, Y. Jin, X. Yang, and P. A. Heng, “3D deeply supercised network for automated segmentation of volumetric medical images,” Medical Image Anslysis, vol. 41, pp. 40-54, May. 2017. https://doi.org/10.1016/j.media.2017.05.001
[44] H. R. Roth, H. Oda, X Zhow, N. Shimizu, Y. Yang, Y. Hayashi, and K. Mori, “An application of cascade 3D fully convolutional networks for medical image segmentation,” Compterized Medical Imaging and Graphics, vol. 66, pp. 90-99, Mar. 2018. https://doi.org/10.1016/j.compmedimag.2018.03.001