Resultados experimentales para la segmentación

En la figura 5.1 se tiene una imagen axial al nivel del pecho obtenida por tomografía computarizada, en dicha imagen se realizara la segmentación de los dos pulmones y del tejido muscular que los rodean usando el algoritmo de la región creciente.

Como se explicó en el capítulo 3, al realizar una segmentación se deben de tener ciertas métricas que indiquen dónde se encuentra un objeto y dónde no lo está. Se mencionó también que en el caso de la segmentación usando el algoritmo de la

región creciente, que el primer paso a seguir es el de considerar un pixel “base” o “semilla” el cual indicará en dónde se encuentra el objeto que se quiere segmentar. En esta etapa se comienza por segmentar el pulmón izquierdo de la figura 5.1. Nótese en la imagen 5.2 que el pixel semilla se ha elegido dentro del objeto a segmentar (el pulmón izquierdo).

En la figura 5.3, se puede apreciar claramente la segmentación del órgano ya mencionado. Los beneficios y los usos de realizar una segmentación se han discutido ya en el capítulo 3.

Figura 5.3. Segmentación del pulmón izquierdo de la figura 5.1.

En las figuras 5.4 a 5.7 se pueden observar los resultados de usar la segmentación por medio del algoritmo de la región creciente del pulmón derecho y el tejido circundante a ambos tejidos. Es importante hacer énfasis en que el éxito de la segmentación se basa en elegir el pixel semilla en el área correcta de la imagen a segmentar.

Figura 5.4 Elección del pixel semilla en el tejido circundante a los pulmones

Figura 5.6. Elección del pixel semilla en pulmón derecho que ahora es la zona a segmentar.

En la figura 5.8, se tiene una imagen axial del cerebro obtenida por resonancia magnética de un paciente masculino de 8 años que presenta movimientos involuntarios en el momento de realizar la prueba.

En el capítulo 2, se hizo mención de dos tipos de inconsistencias que están presentes en la mayoría de las imágenes médicas obtenidas por cualquier método de adquisición ya estudiados. Dichas inconsistencias fueron definidas como artefactos de imagen de los cuales se tienen el artefacto de efecto de volumen parcial y el artefacto de falta de homogeneidad en la imagen.

En el caso de la imagen 5.8, los movimientos involuntarios del paciente ocasionaron la falta de homogeneidad en la imagen y como resultado los algoritmos de segmentación usados tendrán una efectividad que no será del 100%.

Con la finalidad de lograr una eficiencia lo más aproximada al 100%, se debe de escoger el pixel semilla en aquella parte de la imagen donde la falta de homogeneidad sea mayor y la relación entre los pixeles sea máxima. En la figura 5.9, se escoge el pixel semilla en la parte inferior izquierda del cerebro con la finalidad de reducir al máximo los efectos de falta de homogeneidad.

En la figura 5.10 se logra apreciar la segmentación obtenida que es de un 92%, el cual para propósitos pediátricos es aceptable. Sin embargo, se puede ver claramente como la falta de homogeneidad en la imagen afecta la segmentación. En los bordes del cerebro que es el objeto segmentado se puede notar fácilmente como no todo el tejido fue segmentado completamente, esto debido a que los pixeles en esas zonas mostraron mayor afectación por el movimiento involuntario del paciente.

Finalmente en la figura 5.11, se aprecia el contorno de la imagen segmentada donde es importante notar como aquellos pixeles con menos homogeneidad no fueron segmentados.

Figura 5.9. Elección del pixel semilla en la zona que presenta más homogeneidad.

Figura 5.11. Segmentación final de la figura 5.8. En esta imagen se puede apreciar aquellas irregularidades en el contorno debido a la falta de homogeneidad en la imagen original.

Sin embargo, si el objetivo es el de segmentar el ventrículo cerebral, los resultados son mucho mejores ya que la homogeneidad en esa parte de la imagen es mayor. La figura 5.12 y 5.13, muestran los resultados obtenidos.

Figura 5.12. Elección del pixel semilla en el ventrículo cerebral.

Acorde a la OMS (Organización Mundial de la Salud), hay cuatro etapas en el desarrollo de un tumor [12]. Las primeras dos etapas se consideran como tumores benignos y se pueden tratar con cirugía. Las etapas tres y cuatro son tumores considerados como malignos y pueden ser tratados ya sea con cirugía, radioterapia o quimioterapia.

Como se mencionó en capítulos anteriores, uno de los principales objetivos dentro de la segmentación de las imágenes médicas es la de proporcionar un diagnostico fiable. Se mencionó también que la segmentación es usada ampliamente en la detección de tumores malignos dentro del cuerpo humano con la finalidad de poder determinar el tamaño que abarcan dentro de un determinado órgano o tejido y saber con la mayor precisión y en dado momento cuál será la dosis de radiación o quimioterapia a utilizar. En la figura 5.14 se puede observar una imagen obtenida

A B

Figura 5.14. 5.14A Imagen axial obtenida por MR del cerebro humano con tumor maligno. 5.14B, Tumor Extirpado mediante cirugía.

por resonancia magnética de un paciente con un tumor en etapa 4. La figura 5.15 y la figura 5.16 muestran su segmentación correspondiente.

En las siguientes imágenes se muestran los resultados de la segmentación de algunos tejidos en el cuerpo humano y el objetivo de la segmentación en los mismos. La figura 5.17 y 5.18 muestran imágenes obtenidas por tomografía computarizada de dos pacientes con una hernia al nivel de los pulmones, la segmentación puede ser usada para determinar el tamaño de la hernia e identificar la cantidad de tejido comprometido dentro de una operación.

Figuras 5.18.Iimagen por CT de paciente con hernia al nivel de los pulmones.

La segmentación de imágenes médicas también puede ser utilizada con fines ilustrativos, esto para determinar las dimensiones de un órgano o un tejido dentro del cuerpo humano y la forma y espacio que ocupan dentro del cuerpo. En la figura 5.19 muestra una imagen coronal obtenida por resonancia magnética donde se puede apreciar la segmentación del sistema digestivo y las dimensiones que ocupa dentro del cuerpo humano. La figura 5.20 muestra la segmentación de una fractura en el hueso escafoides dentro del pie humano.

Figura 5.19. Imagen coronal obtenida por MR del sistema digestivo.

Se utilizan principalmente en las enfermedades relacionadas con los pulmones las imágenes que se obtienen por gammagrafía y por tomografía axial computarizada, Realizar una segmentación no es una tarea sencilla debido a los múltiples artefactos que se presentan en las mismas. En la figura 5.21 se muestra una imagen coronal obtenida por gammagrafía de paciente con contracción en el pulmón izquierdo. La segmentación puede ser utilizada para aproximar el porcentaje en la cual dicho órgano ha sido comprometido.

Figura 5.21. Imagen coronal obtenida por gammagrafía que muestra contracción en pulmón izquierdo.