El objetivo final de este trabajo es contar con un esquema de segmentación eficiente y calibrado para poder medir la evolución de un tumor a lo largo de un tratamiento oncológico. Para ello, con el fin de realizar un estudio preliminar del comportamiento del algoritmo, se utilizó el simulador TumorSim (Anexo 10.2) con el objeto de crear una serie de tres imágenes de resonancia magnética que representen la evolución de un tumor cerebral sometido a un tratamiento oncológico. En la misma (ver primera columna de la Figura 47) puede observarse cómo el tamaño del tumor se ve reducido en las sucesivas etapas, simulando una evolución positiva en el tratamiento.
Para realizar las mediciones de volumen sobre el tumor y poder otorgar al especialista médico un indicador que ayude a determinar el éxito o fracaso del tratamiento, se utilizó el esquema de procesamiento definido en la Sección 4, cuyos parámetros fueron estimados haciendo uso de las nociones presentadas en los análisis de sensibilidad de las secciones 7.1 y 7.2.
Figura 47: Izq: Corte transversal (a la misma altura) de tres MRI temporalmente espaciadas correspondientes a un tumor evolucionando positivamente frente a un tratamiento oncológico. Centro: Corte transversal de la matriz de probabilidades espaciales de ocurrencia del tumor (Ground Truth) en ese corte. Der: Corte correspondiente a la malla extraída del Ground Truth con 0.4% de probabilidad y utilizado en la estimación del ICS.
En primera instancia, se generó una segmentación inicial utilizando el algoritmo de Crecimiento de Regiones con los parámetros t=47, p=0.6 y r=3. Posteriormente, se extrajo la malla que contiene a cada uno de los volúmenes, y se la utilizó como inicialización del algoritmo de superficies activas que realizó 200 iteraciones y fue parametrizado con a=b=50, p=10, q=1, k=7,
∆t = 0.001 y r=1. Finalmente, se extrajo el volumen de cada una de las superficies resultantes y se informó su disminución porcentual en cada etapa de la serie (ver Tabla 3).
Etapa Volumen (m3) Mejora porcentual respecto
del estado anterior
Tumor inicial 64624.78 -
Primer control 41370.83 Disminución del 35,98%
Dado que las imágenes sintéticas fueron generadas con el simulador TumorSim, y que éste ofrece el Ground Truth de referencia para cada una de ellas (ver Figura 47), fue posible utilizar la métrica ICS (definida en la Sección 4.5.1) para medir la calidad de los resultados. En la Tabla 4 se presenta el valor de ICS para cada segmentación, donde la malla de referencia utilizada corresponde al umbralado del Ground Truth con una de 0.4. En dicha tabla puede observarse una mejora de alrededor del 18% en la calidad de la segmentación al refinarla por medio del algoritmo de Modelos Deformables.
Etapa
ICS entre el Ground Truth y la salida del
algoritmo de Crecimiento de Regiones
ICS entre el Ground Truth y la salida del algoritmo de Modelos Deformables Mejora obtenida Tumor inicial 0,8167 0,9702 18,79% Primer control 0,7999 0,9380 17,26% Segundo control 0,7943 0,9403 18,38
Tabla 4: Comparativa entre la calidad de la segmentación generada por el algoritmo de Crecimiento de Regiones y los resultados refinados por el Modelo Deformable, con respecto al Ground Truth.
La Figura 48 muestra las mallas extraídas para los distintos estadíos del tumor considerados, a partir del resultado del algoritmo de Crecimiento de Regiones. En la Figura 49 pueden observarse superposiciones entre las mallas finales correspondientes a cada estadío del tumor, que permiten realizar comparaciones visuales entre ellas. Finalmente, en la Figura 50 puede observarse la reconstrucción volumétrica del resultado de la segmentación (en verde) junto a la imagen MRI original.
Figura 48: Mallas extraídas a partir del resultado del algoritmo de Crecimiento de Regiones y utilizadas como inicialización del algoritmo de Modelo Deformable para cada uno de los estadíos del tumor presentados en la Figura 47.
Figura 49:Comparativa por superposición (izq.), corte en un plano (centro) y diferencia de volumen en dicho plano (der.) de las mallas de superficie del tumor entre tiempos sucesivos: Tumor Inicial y Primer control (arriba) y entre el Primer control y Segundo control (abajo).
Figura 50: Reconstrucción volumétrica de una MRI de cabeza junto a la malla resultado de la segmentación (verde) del tumor cerebral realizada con el programa MITK3M3.
8 Conclusiones y trabajos futuros
A lo largo de este trabajo se presentó un esquema híbrido para la segmentación de tumores cerebrales en Imágenes de Resonancia Magnética. El enfoque consta de un pipeline en el que se destacan el algoritmo de Crecimiento de Regiones y el de Modelos Deformables Paramétricos o Superficies Activas. El esquema fue evaluado sobre imágenes individuales correspondientes a tumores simulados con la herramienta TumorSim y luego aplicado sobre una serie de imágenes de MRI temporalmente espaciadas que representan la evolución de un tumor sometido a un tratamiento oncológico. El simulador ofrece (además de las imágenes concretas) información de referencia o Ground Truth que fue utilizada para medir la calidad de las segmentaciones realizadas. Para aplicar el desarrollo sobre estas imágenes, fue necesario llevar a cabo un análisis de sensibilidad de los parámetros de cada algoritmo con el objeto de determinar una configuración que pueda ser aplicada sobre este tipo de imágenes. Los resultados reportados demuestran que el esquema desarrollado se adapta de manera muy satisfactoria a la segmentación de tumores en Imágenes de Resonancia Magnética simuladas con contraste de Gadolinio. La calidad de las segmentaciones alcanza valores de hasta 0.97, superando levemente a otros esquemas reportados que utilizan un indicador similar, como por ejemplo en [Pra09]. La utilización de imágenes de resonancia magnética simuladas permitió contar con información de referencia para evaluar la calidad de los resultados; sin embargo, la aplicación del esquema en imágenes reales constituye uno de los trabajos futuros a realizar en el corto plazo.
Motivados por las nuevas investigaciones en el área de procesamiento y reconstrucción de imágenes médicas tendientes a mejorar la definición de las mismas, se intentó dotar de mayor escalabilidad al pipeline diseñado. Para ello, se planteó un esquema de paralelización para implementar el algoritmo de Modelos Deformables, uno de los algoritmos más costosos del pipeline propuesto. Éste algoritmo tiene la virtud de ser trivialmente paralelizable (por la limitada dependencia entre variables), lo que fue aprovechado para llevar a cabo una adaptación paralelizada en GPU (utilizando el lenguaje OpenCL) y en CPU (utilizando los threads nativos del lenguaje Java). Los resultados alcanzados fueron satisfactorios en el caso de GPU, reportando un Speed Up de aproximadamente 18x cuando se procesan mallas con un alto grado de
refinamiento. En el caso de las implementaciones en CPU, los resultados no fueron favorables debido al overhead introducido por el manejador de threads Java al realizar la conmutación de contexto entre procesos cuyo procesamiento individual no es demasiado costoso. Una alternativa que no fue evaluada pero que podría resultar conveniente, es utilizar bibliotecas Java especializadas en el manejo de threads. Otra de las estrategias que podría haber sido considerada es la denominada Streap Mining [Coo11]. Ésta técnica es aplicada cuando se desea paralelizar una gran cantidad de tareas muy livianas y consiste en agruparlas en bloques de procesamiento serial que aumenten los requerimientos de cálculo de cada proceso, disminuyendo el grado de paralelización pero bajando también el tiempo consumido por el overhead de cambio de contexto. Ambas opciones no fueron consideradas en este trabajo dado que se priorizó la utilización de una tecnología más novedosa y que presente mayores desafíos como la GPU. Sin embargo, se plantean como posibles trabajos futuros.
Al aplicar el algoritmo sobre una serie de imágenes que simulan el crecimiento de un tumor cerebral a lo largo de un tratamiento oncológico, fue posible determinar el porcentaje de variación del volumen del tumor, brindando un elemento más al especialista médico en el proceso de toma de decisiones. Existen actualmente indicadores particulares del área oncológica, pensados para estandarizar la medición del éxito o fracaso de un tratamiento oncológico, como el RECIST (Response Evaluation Criteria in Solid Tumours) [The00][Eis09]. Se plantea entonces como trabajo futuro el estudio de dichos indicadores y la implementación de herramientas computacionales capaces de estimarlos.
En la actualidad, uno de los temas de mayor relevancia en el área de procesamiento de imágenes médicas es la incorporación de interactividad al proceso de segmentación [Lef03a] [Let04] [Cat04] [Mal09] [Sch11] con el objeto de mejorar, por medio de la participación del usuario, los resultados obtenidos. Dichos procesos de segmentación interactiva requieren de tiempos de respuesta muy cortos por parte de los algoritmos involucrados; además, la visualización de los resultados parciales ha de ser realizada velozmente para dotar de fluidez al proceso. La paralelización en placas gráficas brinda dos ventajas fundamentales en este proceso: por un lado, su capacidad inherente de paralelización de cálculo permite procesar grandes volúmenes de información en muy poco tiempo; por otro lado, una vez que dichos datos han sido procesados pueden ser directamente visualizados si se utilizan las estructuras adecuadas dado que residen en
la memoria de video, disminuyendo al máximo el tiempo de copia de datos entre CPU y GPU. Por esta razón, el uso de la tecnologías GPGPU resulta sumamente adecuado para la resolución de este tipo de problemáticas, y presenta nuevos desafíos a ser estudiados. En este sentido, la implementación del algoritmo de Crecimiento de Regiones en placa gráfica constituye otro de los trabajos futuros a ser implementados en el corto plazo, para completar la paralelización de todo el esquema.
9 Artículos científicos generados
En el marco de este Trabajo Final fueron generados dos artículos científicos publicados en congresos nacionales, y uno que ha sido enviado y se encuentra en etapa de revisión por parte de los pares evaluadores.
• [Fer11a] Segmentación de MRI aplicada al análisis de la evolución de tumores en
series temporalmente espaciadas. Ferrante E, del Fresno M, Escobar P, Massa, J. Proceedings del Simposio Argentino de Informática y Salud, 40 JAIIO. p. 124-130, ISSN: 1853- 1881. Córdoba, Argentina (2011)
En este artículo se presenta la primera fase del trabajo en la que se aplica y calibra el algoritmo de Crecimiento de Regiones para la segmentación de tumores en imágenes de resonancia magnética. La implementación presentada fue realizada en C++.
• [Fer11b] Detección y reconstrucción de geometrías a partir de imágenes de resonancia magnética para seguimiento de tumores. Ferrante E, del Fresno M, D’Amato J, Vénere M. Mecánica Computacional, Vol XXX, p.1903-1914. ISSN: 1666-6070. (2011)
En este artículo se presenta una segunda etapa del trabajo en la que se trabajó en la generación de mallas de superficie a partir de los resultados anteriores, y su posterior suavizado para alcanzar resultados visualmente más cercanos a la realidad.
• [Orl12] Un enfoque híbrido para la segmentación de tumores en MRI. Orlando J I, Ferrante E, Manterola H L, del Fresno M. Enviado para su revisión al CAIS 2012 (Congreso Argentino de Informática y Salud). La Plata, Argentina. (2012)
En este artículo se presenta el esquema de segmentación completo, incluyendo el refinamiento por medio del método de superficies activas. Se modifica además el criterio de crecimiento del algoritmo de Crecimiento de Regiones incorporando operadores de textura. Todo el esquema es portado a la plataforma Java.
10 Anexos
En esta sección se presentan dos anexos que pueden resultar de utilidad para comprender en su totalidad el trabajo presentado.