Segmentación del hipocampo en imágenes T1-MRI por el método Patch-Match
98
0
0
Texto completo
(2) ii.
(3) UNIVERSIDAD POLITÉCNICA DE MADRID ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA Y DISEÑO INDUSTRIAL Grado en Ingenierı́a Electrónica y Automática Industrial TRABAJO FIN DE GRADO. Segmentación del hipocampo en imágenes T1-MRI por el método Patch-Match. Firma Autor. Firma Tutor.
(4) iv.
(5) v Copyright c 2017. Sergio Liébana Cerezo Esta obra está licenciada bajo la licencia Creative Commons Atribución-NoComercial-SinDerivadas 3.0 Unported (CC BY-NC-ND 3.0). Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by-nc-nd/3.0/deed.es o envı́e una carta a Creative Commons, 444 Castro Street, Suite 900, Mountain View, California, 94041, EE.UU. Todas las opiniones aquı́ expresadas son del autor, y no reflejan necesariamente las opiniones de la Universidad Politécnica de Madrid..
(6) vi.
(7) vii. TÌtulo: Segmentación del hipocampo en imágenes T1-MRI por el método Patch-Match Autor: Sergio Liébana Cerezo Tutor: Carlos Platero Dueñas. EL TRIBUNAL Presidente: Vocal: Secretario:. Realizado el acto de defensa y lectura del Trabajo Fin de Grado el dı́a ....... de .................... de ... en .........., en la Escuela Técnica Superior de Ingenierı́a y Diseño Industrial de la Universidad Politécnica de Madrid, acuerda otorgarle la CALIFICACIÓN de:. VOCAL. SECRETARIO. PRESIDENTE.
(8) viii.
(9) Agradecimientos En primer lugar quiero agradecerles a mis padres todo lo que han hecho y han dado siempre por mı́, su confianza en mı́, ayudándome y apoyándome en mis peores momentos para que al final siempre consiga sacar fuerzas de donde parece que no las hay y también por inculcarme desde siempre los valores de esfuerzo, responsabilidad y sacrificio para poder conseguir lo que uno se propone, no habrı́a llegado hasta aquı́ sin ellos. También a mis padrinos, unos segundos padres que en ningún momento han dejado de estar pendientes de mı́ y de mostrarme su apoyo en todo lo que hago. Y a toda mi familia que siempre se han ofrecido a ayudarme en lo que pudieran. También quiero dar las gracias a mi tutor, Carlos Platero, por abrirme las puertas para participar en un proyecto como este en el que he podido darme cuenta de la importancia de la investigación y la ingenierı́a en todos los campos, por guiarme, ayudarme y estar pendiente de mı́ durante todo el desarrollo del proyecto y por todos sus comentarios en clase a lo largo de la carrera para intentar hacernos abrir los ojos a lo que de verdad significa ser ingeniero. A mi amiga Marina, ”Palo”, por animarme a entrar en este proyecto y por haber estado ahı́ tanto en los buenos como en los malos momentos, una amiga que vale oro. A Pablo, buen amigo desde el primer dı́a que entré en la escuela y que me ha ayudado más que nadie durante toda la carrera, con el que las risas están a la orden del dı́a. A mi amiga y compañera Lin, sin ella todo habrı́a resultado mucho más difı́cil y que es un ejemplo de trabajo y esfuerzo para cualquiera. En definitiva, a todos mis amigos que me han acompañado durante esta época de mi vida y que espero conservar en las que vienen por delante, Carlos, Pilar, Lalo, Inés, Samu... todos aquellos que de alguna manera han aportado su granito de arena para que todo fuera más llevadero. Y como no, a mi amiga Lorena, que siempre ha estado ahı́ para cuidarme, apoyarme, para aguantarme en mis momentos de estrés y con la que es imposible aburrirse y en el peor de los momentos es capaz de hacerme sonreir. Muchas gracias a todos.. ix.
(10) x. AGRADECIMIENTOS.
(11) Resumen La neuroimagen es una de las técnicas gracias a las cuales se está consiguiendo avanzar en el estudio y la comprensión de las enfermedades neurodegenerativas como el Alzheimer. En este proyecto se realiza un análisis de algunas de las técnicas de neuroimagen que son empleadas para obtener la segmentación de las subestructuras corticales en imágenes de resonancia magnética (MRI) y se lleva a cabo la implementación en Matlab de un método de segmentación longitudinal del hipocampo basado en la técnica del Patch Match. Mediante la implementación de este método se consiguen obtener marcadores como el volumen hipocampal y su rugosidad superficial, los cuales pueden ser analizados posteriormente para evaluar su eficacia en el diagnóstico de la enfermedad de Alzheimer. Los resultados de la segmentación obtenidos por el método implementado son comparados con la segmentación individual de las imágenes realizada por el método Patch Match y con la segmentación longitudinal llevada a cabo por la técnica de cortes en grafo.. Palabras clave: Alzheimer, hipocampo, neuroimagen, MRI, segmentación, Patch Match, FreeSurfer, biomarcadores, Matlab.. xi.
(12) xii. RESUMEN.
(13) Abstract Neuroimaging is one of the techniques through which progress is being made in the study and understanding of neurodegenerative diseases such as Alzheimer’s. In this project an analysis of some of the neuroimaging techniques that are used to obtain the segmentation of cortical substructures in magnetic resonance imaging (MRI) is presented and too the implementation in Matlab of a method of longitudinal segmentation of the hippocampus based on the Patch Match technique. Through the implementation of this method, it is possible to obtain markers such as hippocampal volume and its surface roughness, which can be analyzed later to evaluate its effectiveness in the diagnosis of Alzheimer’s disease. The results of the segmentation obtained by the implemented method are compared with the individual segmentation of the images performed by the Patch Match method and with the longitudinal segmentation carried out by the technique of graph cuts.. Alzheimer, hippocampus, neuroimaging, MRI, segmentation, Patch Match, FreeSurfer, biomarkers, Matlab. Keywords:. xiii.
(14) xiv. ABSTRACT.
(15) Índice general. Agradecimientos. IX. Resumen. XI. Abstract. XIII. Índice. XVII. 1. Introducción. 1. 1.1. Motivación del proyecto . . . . . . . . . . . . . . . . . . . . . . . . .. 1. 1.2. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 2. 1.3. Estructura del documento . . . . . . . . . . . . . . . . . . . . . . . .. 2. 2. Estado del arte. 3. 2.1. La enfermedad del Alzheimer. . . . . . . . . . . . . . . . . . . . . . .. 3. 2.2. Neuroimagen: Resonancia Magnética. . . . . . . . . . . . . . . . . . .. 4. 2.3. Biomarcadores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 5. 2.4. Atlas: HarP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 7. 2.5. Segmentación de imágenes. . . . . . . . . . . . . . . . . . . . . . . . .. 8. 2.5.1. Segmentación basada en registro de imágenes. . . . . . . . . .. 9. 2.5.2. Segmentación basada en patches. . . . . . . . . . . . . . . . . 10 2.6. Patch Match. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3. Recursos utilizados en el análisis y la segmentación de imágenes MRI 21 xv.
(16) ÍNDICE GENERAL. xvi. 3.1. FreeSurfer. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.1.1. Instalación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.1.2. Configuración. . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3.2. FSL. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2.1. Instalación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2.2. FLIRT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.3. ANTs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.3.1. Instalación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.3.2. Configuración. . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.4. ADNI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.5. MATLAB. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.6. PuTTY. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.7. FilleZilla. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.8. BrainSuite. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.9. CMake. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.10. Visual Studio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 4. Preprocesado de las imágenes. 31. 4.1. Descarga de las imágenes. . . . . . . . . . . . . . . . . . . . . . . . . 31 4.2. Skull-Stripping. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 4.3. Registro al espacio MNI152. . . . . . . . . . . . . . . . . . . . . . . . 35 5. Métodos de segmentación. 39. 5.1. Segmentación longitudinal de FreeSurfer. . . . . . . . . . . . . . . . . 39 5.1.1. CROSS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 5.1.2. BASE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.1.3. LONG. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 5.1.4. Registro al espacio normalizado. . . . . . . . . . . . . . . . . . 47 5.2. Segmentación de las imágenes por el método Patch Match. . . . . . . 50.
(17) ÍNDICE GENERAL. xvii. 5.2.1. Algoritmo Patch Match 4D. . . . . . . . . . . . . . . . . . . . 54 6. Implementación de funciones MEX 6.1. Funciones MEX.. 59. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59. 6.2. Adaptación del algoritmo de Patch Match a una función MEX. . . . . 62 6.2.1. Manejo de imágenes multidimensionales. . . . . . . . . . . . . 62 6.2.2. Implementación de la función de Patch Match. . . . . . . . . . 65 7. Resultados y discusión. 69. 7.1. Clasificación de los resultados de segmentación. . . . . . . . . . . . . 69 8. Conclusiones. 73. 8.1. Conclusión. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 8.2. Desarrollos futuros. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 Bibliografia. 75.
(18) xviii. ÍNDICE GENERAL.
(19) Índice de figuras 2.1. Cerebro sano y con Alzheimer . . . . . . . . . . . . . . . . . . . . . .. 4. 2.2. Elementos de una máquina de resonancia magnética . . . . . . . . . .. 5. 2.3. Muestra de la variación volumétrica del hipocampo según el grado de presencia de la enfermedad. . . . . . . . . . . . . . . . . . . . . . . .. 6. 2.4. La corteza cerebral envuelve el cerebro. Se representa en color oscuro.. 7. 2.5. Estructuras incluidas en el hipocampo durante las votaciones . . . . .. 8. 2.6. Diferentes operaciones que componen la transformación afı́n: Rotación, cizallamiento, translación y escalado. . . . . . . . . . . . . . . . 10 2.7. Ejemplo de transformación no rı́gida. . . . . . . . . . . . . . . . . . . 10 2.8. Pasos para preparar la biblioteca de atlas . . . . . . . . . . . . . . . . 11 2.9. Máscara de inicialización del hipocampo . . . . . . . . . . . . . . . . 12 2.10. Esquema de la segmentación de un vóxel xi incluido en la máscara de inicialización según el método de Coupe . . . . . . . . . . . . . . . . 13 2.11. Comparación de la segmentación obtenida por los distintos métodos para el mejor sujeto (arriba), un sujeto medio (centro) y el peor sujeto (abajo). Se muestra la segmentación manual (rojo), la segmentación basada en patches (verde), basada en la mejor plantilla (azul) y basada en apariencia (amarillo) con sus correspondientes ı́ndices kappa. Se observa que los ı́ndices kappa más altos en los tres sujetos se dan en el método propuesto basado en patches. . . . . . . . . . . . . . . . 14 2.12. Esquema del método PatchMatch optimizado. CI- Inicialización restringida, PS- Propagación, CRS- Búsqueda aleatoria restringida. . . . 17 2.13. Conjunto que opera el método propuesto. Búsqueda de los patches por el método PatchMatch, fusión del etiquetado y obtención de un mapa de estimación de las etiquetas. . . . . . . . . . . . . . . . . . . 18 3.1. Atlas probabilı́stico MNI152 . . . . . . . . . . . . . . . . . . . . . . . 24 xix.
(20) ÍNDICE DE FIGURAS. xx. 3.2. Logo de la iniciativa ADNI . . . . . . . . . . . . . . . . . . . . . . . . 26 3.3. Importancia global de ADNI. Se muestra en azul las regiones donde se investiga siguiendo los protocolos de ADNI. . . . . . . . . . . . . . 27 4.1. Acceso a las imágenes de ADNI. . . . . . . . . . . . . . . . . . . . . . 32 4.2. Direcitorio para la selección de las imágenes a descargar. . . . . . . . 32 4.3. Imagen sin procesar tras su descarga e imagen tras haber realizado el skull-stripping. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 4.4. Atlas probabilı́stico MNI152 . . . . . . . . . . . . . . . . . . . . . . . 36 4.5. Imagen tras realizar el skull-stripping (izquierda) e imagen tras haber realizado el registro al espacio MNI152 (derecha). . . . . . . . . . . . 36 5.1. Diagrama de los pasos que componen el procesamiento longitudinal . 40 5.2. Atlas GCA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41. 5.3. Diagrama de flujo de los pasos seguidos durante el CROSS . . . . . . 42 5.4. imagen original (izquierda), imagen tras el procesamiento del CROSS (derecha) e imagen del etiquetado obtenido (abajo). . . . . . . . . . . 43 5.5. Imágenes del paciente obtenidas tras el CROSS (arriba) e imagen de la plantilla resultante (abajo). . . . . . . . . . . . . . . . . . . . . . . 45 5.6. Imágen obtenida tras el CROSS (izquierda) e Imagen obtenida tras el LONG (Derecha) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.7. Imágen obtenida tras el CROSS (izquierda) e imagen obtenida tras el registro al espacio MNI152 con ANTs (Derecha) . . . . . . . . . . . 49 5.8. Visualización de la funcionalidad introducida en el paso de propagación 4D. El patch del scan 2 de coordenadas (x,y,z,2) y su patch asociado en los atlas se comparan con el mismo patch del scan anterior (x,y,z,1) y siguiente (x,y,z,3) y sus asociados . . . . . . . . . . . . . . 56 6.1. Interfaz gráfica de CMake. Aparece resaltado en un recuadro rojo arriba el lugar donde seleccionar los directorios de los archivos fuente y los binarios. Abajo a la izquierda las opciones de configurar y generar el proyecto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61.
(21) Índice de tablas 7.1. Resultados de clasificación obtenidos para los tres métodos utilizando el volumen hipocampal. . . . . . . . . . . . . . . . . . . . . . . . . . . 70. xxi.
(22) xxii. ÍNDICE DE TABLAS.
(23) Capı́tulo 1. Introducción 1.1.. Motivación del proyecto. La enfermedad del Alzheimer se ha convertido en una de las enfermedades neurodegenerativas más comunes en la sociedad moderna y es a su vez una de las más desconocidas para la medicina. Por ello, actualmente uno de los objetivos principales en el campo de la investigación médica es conocer más a fondo esta enfermedad, investigar sobre las causas que la provocan y sus efectos. De esta manera, se podrán encontrar biomarcadores que permitan diagnosticar antes la enfermedad para poder aplicar un tratamiento con el que frenar su avance. Los biomarcadores son, entre otras cosas, variables cuyas medidas pueden utilizarse de manera objetiva para llevar a cabo el diagnóstico de una enfermedad. El principal efecto fı́sico asociado a esta enfermedad tiene lugar sobre determinadas estructuras cerebrales variando su morfologı́a y su volumen. Una de las más afectadas, y sobre la que se centra este trabajo, es el hipocampo. Para estudiar estas estructuras es necesario recurrir a la neuroimagen mediante imágenes de resonancia magnética (MRI- Magnetic Resonance Imaging ). Este estudio se presenta largo y costoso para los especialistas ya que requiere de la segmentación manual de las estructuras cerebrales que se pretenden analizar. Por ello, actualmente se está trabajando para desarrollar métodos de segmentación automatizados que ayuden a agilizar el proceso de segmentación y que además sean capaces de evaluar el área de estudio comparando con una base de imágenes cuya segmentación ha sido realizada anteriormente por expertos. Estas imágenes se denominan atlas. Estos métodos de segmentación aún están en proceso de desarrollo ya que es necesario comprobar su fiabilidad y que sean lo más próximo posible a la segmentación manual. 1.
(24) 2. CAPÍTULO 1. INTRODUCCIÓN. 1.2.. Objetivos. En este proyecto se pretende desarrollar un método de segmentación del hipocampo a partir de imágenes de resonancia magnética cerebrales potenciadas en secuencia T1 (T1-MRI). Además, se pretende que este método permita obtener distintas caracterı́sticas propias del hipocampo para su posterior análisis. Ası́ mismo, el desarrollo de este método se acompañará de un análisis longitudinal a lo largo de dos años de un número determinado de pacientes. Estos pacientes, están clasificados en distintos grupos según sea el grado de avance de la enfermedad del Alzheimer en cada uno de ellos. El objetivo final es colaborar en el desarrollo de algoritmos y herramientas de análisis que permitan ayudar a la detección y el diagnóstico temprano de biomarcadores del Alzheimer.. 1.3.. Estructura del documento. A continuación y para facilitar la lectura del documento, se detalla el contenido de cada capı́tulo. En el capı́tulo 1 se presentas una breve introducción sobre el tema a tratar en el proyecto, ası́ como los objetivos de este. En el capı́tulo 2 se realiza un repaso al estado de la técnica de los ámbitos que abarca el proyecto. En el capı́tulo 3 se presentan las herramientas, los recursos y los materiales empleados en la segmentación y análisis de las imágenes. En el capı́tulo 4 se presenta la obtención de las imágenes y las técnicas de preprocesado a las que son sometidas. En el capı́tulo 5 se exponen los métodos de segmentación estudiados y se presenta el método implementado. En el capı́tulo 6 se explica la realización de las funciones MEX para la optimización del método implementado. En el capı́tulo 7 se muestran los resultados de segmentación obtenidos por el método implementado. En el capı́tulo 8 se exponen las conclusiones y posibles mejoras y lı́neas de trabajo para continuar el proyecto..
(25) Capı́tulo 2. Estado del arte La enfermedad del Alzheimer ha sido un importante objeto de estudio durante las últimas décadas. Debido a ello, hay una gran cantidad de información que es necesario conocer para poder llevar a cabo una correcta investigación. Con el fin de facilitar lo máximo posible la comprensión de los temas tratados en este proyecto, a lo largo de este capı́tulo se va a realizar un análisis y explicación de diversos aspectos y estudios realizados sobre esta enfermedad.. 2.1.. La enfermedad del Alzheimer.. La enfermedad del Alzheimer es un tipo de enfermedad neurodegenerativa progresiva. Fue diagnosticada por primera vez en el año 1906 por Alois Alzheimer. Sin embargo, hasta la segunda mitad del siglo XX no se empezó a tener en consideración como causa de demencia. Finalmente, se ha reconocido como la causa más común de demencia entre la gente mayor. El aumento de esta enfermedad es en parte debido al incremento de la esperanza de vida en los paı́ses desarrollados, ya que esta enfermedad aumenta su riesgo de aparición a partir de los 65 años. El conocimiento sobre las causas y efectos de este tipo de enfermedades se ha incrementado en los últimos 30 años gracias al avance de la técnica y de nuevos métodos de estudio como la neuroimagen [1]. De momento no existe cura contra esta enfermedad, que va empeorando de manera progresiva a lo largo de un periodo medio de unos ocho o diez años desde la detección de los primeros sı́ntomas hasta la muerte del paciente. El Alzheimer se caracteriza por el deterioro progresivo de determinadas áreas del cerebro, lo que provoca sı́ntomas como desorientación, pérdidas de memoria, problemas en el aprendizaje, etc. Uno de los motivos por los cuales es complicada la detección temprana de la enfermedad es que en las primeras etapas los sı́ntomas son muy leves, por lo que se pueden confundir fácilmente con un envejecimiento normal u otro tipo de demencia. Numerosos estudios han demostrado que una de las áreas del cerebro que se ve 3.
(26) 4. CAPÍTULO 2. ESTADO DEL ARTE. Figura 2.1: Cerebro sano y con Alzheimer. más afectada es el hipocampo. Esta zona del cerebro está asociada a la formación de nuevos recuerdos, a la orientación espacial y a la detección de estı́mulos. Por ello, se produce la pérdida de la memoria reciente y de facultades intelectuales ası́ como también puede provocar desorientación y favorecer la aparición de ansiedad y depresión. A lo largo del desarrollo de la enfermedad tienen lugar variaciones importantes en el volumen y la morfologı́a del hipocampo, llegando a presentar una reducción anual del cinco por ciento en las fases más avanzadas [2]. Esta atrofia comienza en las primeras etapas del deterioro cognitivo y su gravedad aumenta con el deterioro de este. Debido a esto, la volumetrı́a del hipocampo es una herramienta de utilidad diagnostica que permite evaluar la gravedad de la enfermedad.. 2.2.. Neuroimagen: Resonancia Magnética.. Para poder estudiar el volumen del hipocampo es necesario recurrir a la neuroimagen. Antes del desarrollo de esta, la única manera de estudiar el deterioro de las estructuras cerebrales era tras la muerte del paciente. Esto ayudaba a conocer el deterioro que podı́an alcanzar las estructuras cerebrales y a comprender la enfermedad, pero no servı́a para contribuir al desarrollo y seguimiento de un tratamiento que permita tratarla ni para poder obtener biomarcadores con los que diagnosticarla de manera temprana. Gracias a los avances en neuroimagen ahora sı́ se puede estudiar la evolución del deterioro de las estructuras cerebrales durante la vida del paciente. Lo más utilizado son las imágenes por resonancia magnética (MRI), ya que aporta mejores matices y evita la exposición a radiaciones que pueden ser perjudiciales. El uso de este tipo de imágenes permite obtener, de manera no invasiva, información sobre la estructura y composición del cerebro, especialmente las áreas formadas por materia gris. Esta técnica, combina el uso de imanes capaces de generar campos magnéticos de gran intensidad con potentes ondas de radio para crear imágenes de los tejidos internos y el cerebro..
(27) 2.3. BIOMARCADORES.. 5. Figura 2.2: Elementos de una máquina de resonancia magnética. La MRI está basada en el principio de la resonancia magnética nuclear. Este principio consiste en crear un campo magnético constante de alta intensidad que se centre en la zona que se pretende estudiar. Este campo afecta a los núcleos atómicos de los átomos provocando una alineación de sus momentos magnéticos. Esta alineación puede ser en el mismo sentido, conocida como alineación paralela, o en sentido contrario, lo cual se denomina alineación antiparalela. La intensidad del campo y la orientación de estos momentos define la frecuencia de resonancia magnética, ası́ como el porcentaje de núcleos atómicos en cada estado. Posteriormente los núcleos en estado paralelo se pasan a antiparalelo mediante la emisión de radiación electromagnética a una frecuencia determinada. Esto hace que los átomos emitan energı́a durante un breve periodo de tiempo que es recogida por el instrumental adecuado para ser procesada e interpretada. La intensidad del campo magnético utilizado puede ir desde los 0,3T a los 7T. En este proyecto las imágenes con las que se trabaja están ponderadas en T1 ya que es la más común con la que se trabaja en los hospitales.. 2.3.. Biomarcadores.. Uno de los objetivos de la investigación en el campo del Alzheimer es la búsqueda de biomarcadores que ayuden a poder realizar un diagnóstico temprano de la enfermedad. Un biomarcador es una variable biológica medible y cuyos valores están estudiados de tal manera que puede utilizarse para llevar a cabo un diagnóstico objetivo y fiable de una enfermedad. Hasta el dı́a de hoy todavı́a no se ha encontrado ningún biomarcador que permita llevar a cabo un diagnóstico temprano y definitivo de la enfermedad. Como posibles biomarcadores se están realizando investigaciones por distintas ramas [3]: Marcadores genéticos: se ha observado que alteraciones o mutaciones en de-.
(28) 6. CAPÍTULO 2. ESTADO DEL ARTE. terminados genes están asociadas a la aparición de la enfermedad. También, ciertos cromosomas parecen poder ser indicativo de riesgo de desarrollar la enfermedad como el alelo e4 del gen APOE (cromosoma 19). Este alelo aparece en mayor cantidad en los sujetos con enfermedad del Alzheimer en comparación con los sujetos de control. Propiedades del lı́quido cefalorraquı́deo y del plasma: uno de los elementos con más posibles biomarcadores es el lı́quido celaforraquı́deo, sin embargo, la extracción de este no es algo muy común en pacientes con demencia. Principalmente, en los pacientes con Alzheimer se observa una disminución de la concentración de ab42 y un aumento de tau fosforilada. Por otro lado, también se estudia la existencia de posibles biomarcadores en plasma ya que su detección serı́a más rápida y sencilla, sin la necesidad de llevar a cabo una prueba invasiva como la punción lumbar. Esta opción ofrece menos posibilidades y hasta el momento no se ha encontrado nada que pueda evidenciar la existencia de la enfermedad debido a la barrera hematoencefálica. Neuroimagen: otra rama de estudio, es la observación de cambios en distintas estructuras cerebrales mediante la neuroimagen. Los principales biomarcadores que se estudian a través de la neuroimagen son: • Volumetrı́a hipocampal: como ya se ha comentado anteriormente, el hipocampo es una de las estructuras con mayor deterioro a lo largo de la enfermedad. Por ello, su volumen es uno de los principales posibles biomarcadores a tener en cuenta, ya que su disminución se produce desde las primera etapas de la enfermedad.. Figura 2.3: Muestra de la variación volumétrica del hipocampo según el grado de presencia de la enfermedad.. • Rugosidad superficial: esta caracterı́stica es complementaria a la volumetrı́a hipocampal. Debido a su propia atrofia, la rugosidad superficial del hipocampo aumenta con el deterioro de este. • Espesor de la corteza cerebral: también se ha observado una disminución de la corteza cerebral en ciertos puntos como en la zona del lóbulo temporal. Además, el espesor de la corteza entorrinal se utiliza actualmente para el diagnóstico de la enfermedad..
(29) 2.4. ATLAS: HARP. 7. Figura 2.4: La corteza cerebral envuelve el cerebro. Se representa en color oscuro.. En este proyecto se trabaja en el ámbito de la neuroimagen, por lo que se va a tratar de proporcionar mecanismos que faciliten y agilicen lo máximo posible el análisis de las imágenes y la obtención de datos relevantes para la investigación y detección de posibles biomarcadores.. 2.4.. Atlas: HarP. Los atlas son un conjunto de imágenes MRI en las cuales la estructura anatómica de interés ha sido previamente segmentada por expertos. En los atlas de imágenes cerebrales, a cada una de las estructuras que componen el cerebro se le asigna un etiquetado, lo que permite conocer cual es la estructura que se pretende segmentar. Estos atlas se utilizan para ayudar a la segmentación de la imagen de un paciente mediante la comparación de los atlas con la imagen. Para que el proceso sea lo más preciso posible, es necesario que la segmentación manual de los diferentes atlas se lleve a cabo en base a unos criterios comunes en todos ellos. Para ello, se han desarrollado diversos protocolos de segmentación que intentan establecer un estándar en la forma y la delimitación del hipocampo. En 2010 comenzó una iniciativa promovida por investigadores de ADNI y el European Alzheimer Disease Consortium (EADC) cuyo objetivo es unir los criterios de los 12 protocolos más utilizados para la segmentación manual de imágenes de resonancia magnética del hipocampo y las diferentes partes que lo componen. Ası́ es como nace el Harmonized Hippocampal Protocol (HarP o HHP), que permite crear un acuerdo sobre los lı́mites del hipocampo y la forma de segmentarlo. Como se describe en el artı́culo ”The EADC-ADNI Harmonized Protocol for manual hippocampal segmentation on magnetic resonance: Evidence of validity”[4], para llevarlo a cabo se siguió un procedimiento delphi, que consiste en realizar votaciones sobre los distintos criterios de una serie de expertos hasta conseguir que sus opiniones converjan y se puedan unir en uno solo. Para realizar la votación se pusieron en contacto con 16 expertos, incluidos los autores de los 12 protocolos más influyentes. Estos, eran invitados a responder a una serie de cuestiones basadas en su experiencia.
(30) 8. CAPÍTULO 2. ESTADO DEL ARTE. y a cada uno de ellos se le informaba de las repuestas dadas por el resto. En las cuestiones planteadas a los expertos se les pedı́a que explicaran razonadamente que estructuras incluirı́an en el hipocampo. Tras ello, las respuestas razonadas de cada uno se mostraban anónimante al resto y se iban realizando votaciones repitiendo de manera consecutiva este proceso hasta conseguir que convergieran en un criterio común. Tras llevar a cabo las votaciones y llegar a un consenso, se obtuvo como resultado la inclusión en la segmentación de la cabeza, cuerpo y cola del hipocampo ası́ como del alveus, la fimbria y el subiculum entero. Todas estas estructuras en su conjunto dan lugar al modelo definitivo de la segmentación manual del hipocampo.. Figura 2.5: Estructuras incluidas en el hipocampo durante las votaciones. Gracias al protocolo HarP actualmente es posible comparar directamente la precisión de los resultados de segmentación llevados a cabo en diferentes estudios y con diferentes algoritmos, lo que facilita y agiliza la investigación.. 2.5.. Segmentación de imágenes.. La segmentación de una imagen consiste en extraer de ella determinados objetos que nos son de interés. Este proceso permite separar la información útil de la no relevante, facilitando el análisis de las partes segmentadas y desechando la información que no interesa para el estudio. Como se mencionó anteriormente, la segmentación manual de imágenes médicas de resonancia magnética es un proceso costoso para los expertos ya que requiere de mucho tiempo de dedicación. Para poder facilitar este trabajo se han desarrollados algoritmos de segmentación que realizan una segmentación automática o semiautomática de las imágenes. Para realizar la agrupación de los vóxeles pertenecientes a una determinada estructura los algoritmos se basan en las siguiente propiedades básicas de los valores del nivel de grises de los vóxeles: Discontinuidad: trata de dividir la imagen en función de los cambios bruscos de los niveles de gris. Estos cambios hacen referencia a bordes o lineas que definen el contorno de un objeto. Similitud: al contrario que en la discontinuidad, la imagen se divide agrupando los vóxeles que tienen niveles de grises similares. En lo que se refiere a imágenes cerebrales, la segmentación trata de separar las.
(31) 2.5. SEGMENTACIÓN DE IMÁGENES.. 9. distintas subestructuras corticales del cerebro. Ası́, se consigue facilitar el estudio independiente de cada una de estas estructuras, pudiendose llevar a cabo observaciones sobre cambios en el volumen, la morfologı́a u otras propiedades. Existen numerosos métodos de segmentación de entre los cuales a continuación se explicarán algunos de ellos que están implicados en este proyecto. 2.5.1.. Segmentación basada en registro de imágenes.. La segmentación del hipocampo es complicada debido a su pequeño tamaño, alta variabilidad, bajo contraste y lı́mites discontinuos en las MRI. Hasta la fecha se han desarrollado numerosos métodos de segmentación. El desarrollo de estas técnicas de manera robusta y fiable se está convirtiendo en uno de los grandes desafı́os en las MRI. De entre los métodos de segmentación que se están desarrollando destacan los que utilizan una biblioteca de plantillas o atlas gracias a su gran precisión. Para poder comparar imágenes MRI de un paciente con un conjunto de atlas es necesario que todas las imágenes se encuentren en un determinado espacio normalizado. El proceso para transformar las imágenes a este espacio se conoce como registro. Es decir, el registro de imágenes consiste en aplicar transformaciones espaciales sobre estas de tal manera que queden todas alineadas en el mismo espacio estereotáxico. Gracias al desarrollo del registro de imágenes se ha conseguido aumentar la precisión en la detección de pequeñas diferencias entre varias imágenes. Registro afı́n y registro no rı́gido.. Se pueden definir dos tipos de registro en función de la clase de transformaciones que se realicen sobre las imágenes: Registro afı́n: es aquel que realiza transformaciones lineales de rotación, translación y escalado para conseguir la alineación de las imágenes en el mismo espacio. Estas transformaciones se realizan de manera global a toda la imagen por lo que no se pueden aplicar localmente a una sección de esta. Este tipo de transformaciones se llevan a cabo cuando no es necesario deformar localmente ninguna estructura para conseguir la alineación de las imágenes (figura 2.6). Registro no rı́gido: es aquel que es capaz de deformar la morfologı́a de las imágenes de manera local para alinearlas. Este registro puede estar basado en intensidad o en la geometrı́a. En el ámbito de la medicina, los más utilizados son los basados en intensidad, que son aquellos en los que la información importante está en los valores de intensidad de la imagen (figura 2.7). En este trabajo se aplica el registro afı́n de tal manera que se pueden realizar las transformaciones necesarias para transformar las imágenes de los pacientes al espacio normalizado de los atlas. Al estar todas las imágenes alineadas en el mismo espacio es posible realizar una comparativa entre los patches de los atlas y de las imágenes de los pacientes para poder llevar a cabo la segmentación..
(32) 10. CAPÍTULO 2. ESTADO DEL ARTE. Figura 2.6: Diferentes operaciones que componen la transformación afı́n: Rotación, cizallamiento, translación y escalado.. Figura 2.7: Ejemplo de transformación no rı́gida.. 2.5.2.. Segmentación basada en patches.. Actualmente, los métodos de segmentación más empleados y que más se están sometiendo a investigación y desarrollo son los que utilizan patches para la observación y comparación de las distintas caracterı́sticas de las imágenes. Un patch es un conjunto de vóxeles próximos. A continuación se presenta un resumen de algunos artı́culos publicados que estudian y presentan diferentes métodos para llevar a cabo este tipo de segmentación. En el artı́culo “Patch-based segmentation using expert priors: application to hipocampus and ventricle segmentation” [5] se presenta un método basado en patches con fusión de etiquetas con ponderación donde la importancia de cada muestra depende únicamente de la similitud de la intensidad de los patches de los atlas con el de la imagen de estudio. Los métodos basados en la comparación de patches aportan un gran rendimiento a pesar de su simplicidad. En este artı́culo se propone realizar una aproximación no-local basada en patches utilizando como atlas una segmentación manual llevada a cabo por expertos. Este método se diferencia de los otros en que mientras otros métodos trabajan a nivel de estructuras anatómicas, este lo hace a una escala más fina utilizando patches..
(33) 2.5. SEGMENTACIÓN DE IMÁGENES.. 11. Por lo tanto, logra el etiquetado de cada vóxel individualmente comparando su patch de alrededor con los patches de los atlas, en los cuales, el etiquetado de los vóxeles centrales es conocido. Cuando el patch de la imagen de estudio es similar en intensidad a uno de los de los atlas sus vóxeles centrales se consideran pertenecientes a la misma estructura o tejido y el patch del atlas se utiliza para estimar el etiquetado final del patch asociado de la imagen. Además, en este método se utiliza la diferencia de intensidad entre el patch de estudio y el del atlas para realizar una fusión de etiquetas ponderada basada en estimadores no-locales. Estos estimadores son el contraste y la luminosidad. De esta manera se da una ponderación mayor a las muestras en las cuales los estimadores mencionados sean más similares. Finalmente, se hace una fusión de los etiquetados en función de las ponderaciones calculadas. Para llevar a cabo el método propuesto las imágenes que van a conformar la biblioteca de atlas deben pasar por varias etapas de procesado. Estas etapas consisten en la reducción del ruido o denoising y la corrección de la no homogeneidad para asegurarse de que tejidos iguales tengan intensidades iguales en todas las imágenes. Posteriormente se realiza un registro afı́n para pasarlas a un espacio estereotáxico común. Por último, se normaliza la intensidad y se recorta la imagen alrededor de una región de interés (ROI- Region of Interest) para reducir el tamaño de la biblioteca. Después de estos pasos los atlas ya están preparados para el proceso de la segmentación (figura 2.8).. Figura 2.8: Pasos para preparar la biblioteca de atlas.
(34) 12. CAPÍTULO 2. ESTADO DEL ARTE. El primer paso para llevar a cabo la segmentación consiste en restringir la zona a segmentar mediante la creación de una máscara de inicialización. Esto consiste en seleccionar los vóxeles de la ROI que pueden aportar más información. La selección de los vóxeles se realiza utilizando la unión de todas las segmentaciones manuales llevadas a cabo por expertos en los atlas. De esta manera se asegura que la máscara envuelva toda la estructura que se desea segmentar (figura 2.9).. Figura 2.9: Máscara de inicialización del hipocampo. Tras esto, se seleccionan los atlas más similares a la imagen de estudio. La selección de más de un atlas permite eliminar posibles errores que podrı́an ser introducidos individualmente por alguno de ellos. Para seleccionar los atlas se utiliza la suma de diferencias al cuadrado (SSD). Después, se lleva a cabo una búsqueda de los patches más similares en una región cúbica alrededor de la zona de estudio. La función que rige la medida de similitud de los patches es la siguiente:. ss =. 2µi µs,j 2σi σs,j ∗ 2 2 σ i + σ 2 s,j i + µ s,j. µ2. Donde µ es la media y σ la desviación estándar. El subı́ndice i representa el vóxel objetivo y el subı́ndice s,j los vóxeles de referencia. Tras obtener los atlas más similares es necesario realizar una fusión del etiquetado obtenido para los vóxles. Para cada uno de los vóxeles objetivo la fusión de las etiquetas ponderadas obtenidas se realiza con la función: PN P v(xi ) =. s=1. j∈Vi. PN P s=1. w(xi , xs,j )ys,j. j∈Vi. w(xi , xs,j ). Donde ys,j es la etiqueta dada por el experto al vóxel xs,j y w(xi , xs,j )es el peso asignado a ys,j por la comparación de los patches. Este peso se calcula cuando la medida de similitud ss supera un umbral th con la siguiente expresión:.
(35) 2.5. SEGMENTACIÓN DE IMÁGENES.. w(xi , xs,j ) = exp(. 13. −||P (xi ) − P (xs,j )||22 ) h2 (x). Donde P(xi ) representa el patch cúbico centrado en xi .. Figura 2.10: Esquema de la segmentación de un vóxel xi incluido en la máscara de inicialización según el método de Coupe. Finalmente, solo se consideran los atlas más similares para realizar la ponderación del etiquetado, que son aquellos cuyas localizaciones en el espacio estereotáxico no son muy lejanas y cuyo entorno de vecindad es similar al del vóxel que se está estudiando. No se tienen en cuenta todos los atlas de la biblioteca porque cuanto mayor sea el número de atlas a tener en cuenta, mayor será la carga computacional, elevando demasiado el tiempo de procesamiento. Debido a esto es necesario buscar el número de atlas óptimo con el cual se obtenga una buena relación precisión-tiempo de ejecución. Al final del artı́culo se realiza una comparativa con otros dos métodos de segmentación ya desarrollados. Estos métodos son el método basado en la apariecia y el de selección de la mejor plantilla. Como se puede observar en la figura 2.11 la comparación muestra que el método de segmentación presentado en el artı́culo obtiene mejores resultados que los otros dos..
(36) 14. CAPÍTULO 2. ESTADO DEL ARTE. Figura 2.11: Comparación de la segmentación obtenida por los distintos métodos para el mejor sujeto (arriba), un sujeto medio (centro) y el peor sujeto (abajo). Se muestra la segmentación manual (rojo), la segmentación basada en patches (verde), basada en la mejor plantilla (azul) y basada en apariencia (amarillo) con sus correspondientes ı́ndices kappa. Se observa que los ı́ndices kappa más altos en los tres sujetos se dan en el método propuesto basado en patches.. En otro artı́culo llamado “A supervised Patch-based approach for human brain labeling” [6] también se presenta un método de segmentación basado en la intensidad de los patches. En este caso, la similitud entre las imágenes se representa en un grafo ponderado en función del rango de diferencia de intensidad entre el patch de estudio y el de los atlas. En el paper se propone utilizar dos métodos de tipo pointwise, que son aquellos que aportan una estimación para cada vóxel. Estos métodos son el método pair-wise que consiste en realizar un registro de cada uno de los atlas a la imagen de estudio, y posteriormente fusionar los resultados, y el método group-wise que utiliza todos los atlas para aplicar a la imagen de estudio un etiquetado borroso. Otro método propuesto con el que comparan los métodos de pointwise es el multipoint, que permite obtener una estimación del etiquetado para todo el patch en vez de únicamente para un solo vóxel. De esta manera se consigue obtener varios etiquetados para cada vóxel y se utiliza la votación por mayorı́a para fusionarlos. La votación por mayorı́a consiste en considerar que todos los atlas tienen el mismo peso, por lo tanto cuando un vóxel recibe más de X votaciones de una región se considera que dicho vóxel pertenece a esa región. En caso de no superarlo se considera como fondo de la imagen. Además,en este artı́culo también se propone una mejora para el método multipoint reduciendo el número de operaciones a realizar y consiguiendo ası́ reducir el tiempo de ejecución (fast-multipoint)..
(37) 2.5. SEGMENTACIÓN DE IMÁGENES.. 15. Por otro lado, Platero [7] presenta un método cuyo objetivo es combinar la información de una base de atlas para aumentar la fiabilidad de la segmentación y también su velocidad. Este método se basa en un procedimiento de fusión de etiquetas basado en patches y en un etiquetado basado en cortes de grafo. Los patches y su ponderación son calculados en función de sus medidas de intensidad y su etiquetado. Este método está englobado por cuatro pasos principales. Primero, es necesario realizar un preprocesado de las imágenes que consiste en llevar a cabo el skull-stripping de estas, es decir, eliminar todas las partes de la imagen que no pertencen a estructuras cerebrales. Posteriormente, se lleva a cabo la normalización de las imágenes llevándolas todas al mismo espacio estereotáctico. Durante este paso también se define una región de interés ROI, que es una región mı́nima que contiene la estructura que se desea estudiar. Esto permite reducir la información menos relevante de la imagen. Una vez que las imágenes han sido preprocesadas y se han llevado al espacio normalizado mediante transformaciones afines, se realiza un registro no rı́gido de los atlas en la ROI de la imagen del paciente normalizada utilizando atlas-warping. El objetivo es fusionar estos atlas para calcular el etiquetado. Se consigue utilizando cortes de grafo basados en la minimización de una función de energı́a pseudo-booleana. Esta función es la siguiente: E(S) =. X. ψx (S(x); θ1 (I, A)) + λ. X. ψxy (S(x), S(y); θ2 (I)). x,y∈ε. x∈Ω. Donde θ1 y θ2 son los parámetros del modelo para esta ROI y λ un parámetro ajustable que determina la compensación entre los potenciales unarios y a pares. Los potenciales unarios (ψx ) contienen información sobre la forma y la apariencia de las estructuras a segmentar, mientras que los de orden dos (ψxy ) generan suavizado combinando información sobre la intensidad y el entorno. Después, otro conjunto de atlas es alineado con la ROI de la imagen a segmentar esta vez mendiante transformaciones afines y con ellos se realiza una nueva estimación del etiquetado de cada vóxel de la imagen de estudio. Este conjunto de atlas se selecciona aplicando la diferencia de suma de cuadrados (SSD) ya que permite calcular la similitud entre la intensidad de los patches. La fusión de las etiquetas se calcula con un modelo multi-punto definido por la siguiente función: PNA P S(x) =. i=1 y∈Ω ωi (x, y)S̃i (y) PNA P i=1 y∈Ω ωi (x, y). Donde NA es el número de atlas seleccionados, PSi (y) es un patch etiqueta que pertenece al atlas i, PS (x) es una estimación de la etiqueta del patch de la imagen de estudio y ωi (x,y) es la ponderación asignada a ese punto en la plantilla i. Para combinar las estimaciones del etiquetado calculadas sobre este conjunto de atlas se utliza la votación por mayorı́a..
(38) 16. CAPÍTULO 2. ESTADO DEL ARTE. Finalmente, el último paso consiste en realizar el etiquetado final para llevar a cabo la segmentación combinando las estimaciones de los etiquetados obtenidas en cada uno de los dos conjuntos de atlas seleccionados anteriormente. Mediante la colaboración entre el método de etiquetado basado en patches y la fusión de etiquetas a través el registro no rı́gido de los atlas da lugar a un aumento de la eficiencia computacional y a una mejora de los resultados de segmentación.. 2.6.. Patch Match.. El método patch match consiste en encontrar similitudes entre los patches de distintas imágenes. Se utiliza para calcular la correspondencia entre una imagen de un paciente y un conjunto de imágenes o biblioteca de atlas. Esta correspondencia puede estar basada en distintas caracterı́sticas como la intensidad, la texturar o la forma de las imágenes. Uno de los métodos pioneros en este campo fue el presentado por Barnes. Su algoritmo buscaba la correspondencia entre patches de dos imágenes en 2D. Es decir, para cada patch de la primera imagen encontaba uno similar en la segunda. A partir de este algoritmo se han llevado a cabo investigaciones y desarrollos para poder llevarlo a las tres dimensiones y ası́ utilizarlo en la segmentación de estructuras anatómicas. Este es el caso del método OPAL (Optimized PatchMatch Algorithm), presentado por Giraud [8]. Este método consiste en un algoritmo de patchMatch optimizado para la fusión de etiquetas que además, utiliza una biblioteca de plantillas para llevar a cabo la segmentación. Este algoritmo se basa principalmente en tres pasos, inicialización restringida, propagación y búsqueda aleatoria. El paso de la inicialización restringida consiste en asignar de manera aleatoria a cada patch p(xi ) = (x,y,z) de la imagen a segmentar un patch p(xj ) = ((x’,y’,z’),t) en una de las plantillas de la biblioteca siendo t el subı́ndice de esta plantilla. Para restringir esta asignación, se define en la plantilla un área centrada en las coordenadas (x,y,z) correspondientes al vóxel central (x,y,z) del patch de la imagen a segmentar. Es dentro de este área donde se debe encontrar el patch asignado. Con esta restricción se consigue evitar que el algoritmo encuentre patches similares en términos de intensidad en puntos muy alejados espacialmente lo que aportarı́a errores a la segmentación ya que a pesar de que cada cerebro es distinto sus estructuras se encuentran ubicadas en zonas similares y más aún después de haber llevado a cabo el registro de las imágenes. Además de reducir el error,con esta medida también se consigue aumentar la velocidad del algoritmo. En el paso de propagación se parte de la idea de que si un patch de la imagen a segmentar p(xi ) tiene una buena relación con un determinado patch de las plantillas p(xj ) entonces los patches adyacentes de p(xi ) tienen altas probabilidades de coincidir con los adyacentes de p(xj ). Por ello, en el paso de propagación el algoritmo realiza la comprobación de la similitud de los 6 vecinos adyacentes (arriba, abajo, izquierda, derecha, delante y detrás). Es decir, por ejemplo, para el caso del patch superior a p(xi ), lo que hace el algoritmo es ir al patch que se le ha asignado al superior en el primer paso y fijarse en el patch que se encuentra debajo de él en.
(39) 2.6. PATCH MATCH.. 17. Figura 2.12: Esquema del método PatchMatch optimizado. CI- Inicialización restringida, PS- Propagación, CRS- Búsqueda aleatoria restringida.. la plantilla ya que es el correspondiente en posición a p(xi ). En el caso de que este nuevo patch sea más próximo a p(xi ) que el patch asignado en el primer paso (p(xj )) entonces p(xj ) se descarta y se asigna p(xi ) al nuevo patch. Este procedimiento se repite con cada uno de los patches adyacentes. Esto permite que la correspondencia del patch se mueva entre las plantillas ya que no todos (el central y los adyacentes) se habrán asignado a la misma. Además, este paso es acelerado ya que al estar los patches solapados no es necesario comparar todos los vóxeles. Se aplica un SSD de tal manera que solo se procesan los vóxeles no solapados. Por último, el paso de la búsqueda aleatoria restringida consiste en realizar en la plantilla un muestreo en busca de un patch que sea más parecido al de la imagen que el que se ha seleccionado en el paso anterior. Esta búsqueda se realiza dentro de la misma plantilla en un área determinada alrededor del patch seleccionado durante la propagación. El área de búsqueda se va reduciendo hasta que queda en un único vóxel. En el caso de que haya algún patch cuya diferencia con el de la imagen de.
(40) 18. CAPÍTULO 2. ESTADO DEL ARTE. estudio sea menor, se selecciona este y se descarta el anterior. Una vez que el método OPAL ha concluido y se han obtenido los patches similares para cada vóxel de la imagen a segmentar pasa a ejecutarse un método de fusión de las etiquetas. Con este método se consigue obtener una estimación del etiquetado de la imagen a partir de los resultados obtenidos con el método OPAL.. Figura 2.13: Conjunto que opera el método propuesto. Búsqueda de los patches por el método PatchMatch, fusión del etiquetado y obtención de un mapa de estimación de las etiquetas.. En el método OPAL se propone realizar una paralelización de los tres pasos haciendo que múltiples threads independientes ejecuten el algoritmo de PatchMatch. Cuando distintos PatchMatch independientes, ejecutados en distintos threads, dan a un vóxel el mismo patch se obtiene redundancia. Esta redundancia es posteriormente utilizada para asignar una ponderación a las etiquetas durante el proceso de fusión. Estas etiquetas se fusionan según su relevancia para calcular un mapa de estimación de la segmentación final. Para obtener la segmentación final y llevar a cabo la ponderación del método de fusión solo se tienen en cuenta los k patches más similares de la biblioteca de plantillas que se han obtenido. La expresión que define la fusión de sus etiquetas es la siguiente: P L(P (xi )) =. xj,t ∈ki. P. ω(xi , xj,t )l(P (xj,t )). xj,t ∈ki. ω(xi , xj,t ). donde P(xj,t ) es el patch asignado en la plantilla t al patch P(xi ) de la imagen, ω(xi ,xj,t ) es la ponderación asignada y l(P(xj,t )) la etiqueta binaria dada por el experto en el vóxel xj,t . La ponderación se calcula con la siguiente expresión:. ω(xi , xj,t ) = exp(1 −. ||P (xi ) − P (xj,t )||22 ) h(xi )2. Por último se agrega el mapa de estimación para obtener la segmentación final. El mapa de estimación se calcula con la siguiente expresión:.
(41) 2.6. PATCH MATCH.. 19. PN F=. i=1. Fi. N. Gracias a que con este método se consigue disminuir en gran proporción los costes de computación, se propone llevar a cabo un análisis multiescala, con diferentes tamaños de los patches, y multicaracterı́stica, fijándose no solo en las intensidades sino también en los bordes o en las texturas..
(42) 20. CAPÍTULO 2. ESTADO DEL ARTE.
(43) Capı́tulo 3. Recursos utilizados en el análisis y la segmentación de imágenes MRI El análisis y segmentación de imágenes médicas MRI engloba un gran número de herramientas y materiales necesarios para llevarlos a cabo. Es importante conocerlos y entender su funcionamiento antes de empezar a utilizarlos. En este capı́tulo se presentan los recursos que han sido utilizados para llevar a cabo el proyecto y se realiza una descripción de los mismos explicando, en el caso de que sea necesario, la forma de instalarlos y configurarlos para su utilización. Todos los software utilizados son gratuitos y de código abierto.. 3.1.. FreeSurfer.. FreeSurfer es un software de código abierto capaz de procesar y analizar imágenes cerebrales de tipo MRI funcional y estructural, PET o de difusión. Permite llevar a cabo un gran número de operaciones sobre las imágenes como por ejemplo skullstripping, la reconstrucción de estructuras corticales y subcorticales a partir de la información contenida en las MRI, la segmentación de estas estructuras, ası́ como su etiquetado y la medición de algunas propiedades del cerebro que se analizarán más adelante.. 3.1.1.. Instalación.. Para llevar a cabo la instalación el primer paso es descargar el programa del enlace https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall#Download. El programa corre en Linux por lo que es necesario que este sea nuestro sistema operativo o tener una máquina virtual. Una vez descargado, el programa no requiere de instaladores, sino que basta con descomprimirlo y ponerlo en un directorio fijo como /usr/local. Para descomprimirlo 21.
(44) 22CAPÍTULO 3. RECURSOS UTILIZADOS EN EL ANÁLISIS Y LA SEGMENTACIÓN DE IMÁGENES MRI. es necesario poner en la terminal: 1. tar xzvf freesurfer - Linux - centos4_x86_64 - stable - pub - v5 .1.0. tar . gz. Para ubicarlo en el directorio /usr/local se escribe lo siguiente: 1. sudo mv freesurfer / usr / local. Una vez instalado es necesario obtener el fichero de licencia. Esta se obtiene de manera gratuita en el siguiente enlace https://surfer.nmr.mgh.harvard.edu/ registration.html. Es necesario escribir la licencia obtenida en el fichero .license del directorio de FreeSurfer. Para ello se escribe lo siguiente en la terminal: 1. sudo gedit / usr / local / freesurfer /. license. Con este comando se abrirá el archivo .license con el editor de texto donde podremos pegar la licencia.. 3.1.2.. Configuración.. Una vez que FreeSurfer ya está instalado podemos empezar a utilizarlo. Para ello, siempre que queramos iniciarlo debemos escribir antes unas instrucciones de configuración en la terminal que sirven para indicar a la máquina donde está ubicado el programa. Estas instrucciones varian dependiendo del tipo de terminal que se esté utilizando. En nuestro caso utilizamos el BASH por lo que debemos escribir las siguientes instrucciones: 1 2 3. export FREESURFER \ _HOME =/ usr / local / freesurfer source $ / usr / local / freesurfer / SetUpFreeSurfer . sh export SUBJECTS \ _DIR = < directorioDeTrabajo >. La última lı́nea de instrucciones sirve para definir el directorio de trabajo. No serı́a necesario incluirla en el caso de que se quisiera trabajar en el propio directorio de FreeSurfer. En el caso de que la terminal sea de tipo TCSH las instrucciones necesarias son: 1 2 3 4. chsh -s / bin / tcsh setenv FREESURFER \ _HOME =/ usr / local / freesurfer setenv SUBJECTS_DIR < directorioDeTrabajo >/ data source $FREESURFER_HOME / SetUpFreeSurfer . sh. Llegados a este punto ya podemos empezar a procesar las imágenes. En el capı́tulo siguiente se explican los comandos de este programa utilizados para llevar a cabo el procesamiento y la segmentación de las imágenes..
(45) 3.2. FSL.. 3.2.. 23. FSL.. FSL es una biblioteca de software, desarrollado por FMRIB analysis group, para el análisis de imágenes cerebrales MRI (imágenes de resonancia magnética estructurales), fMRI (imágenes de resonancia magnética funcionales) y DTI(imágenes de resonancia magnética de difusión). Se compone un gran número de herramientas estadı́sticas y de análisis. Este software se puede utilizar mediante interfaz gráfica, la cual es muy intuitiva y fácil de comprender, o a través de la terminal de Linux. En nuestro caso hemos decidido utilizarlo a través de la terminal ya que permite exprimir al máximo el potencial de la aplicación y consume menos recursos de la máquina. 3.2.1.. Instalación.. Para instalar el software de FSL debemos entrar en su página oficial https:// fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation y pinchar en el enlace donde pone Download FSL. Tras aceptar los términos y condiciones de uso y rellenar una serie de datos que nos solicita la página ya se puede empezar a descargar el software para el sistema operativo que seleccionemos. Como en nuestro caso queremos instalarlo en Linux debemos ir a la sección de advanced users donde podemos seleccionar el sistema operativo y pulsar en Download. Al hacer click aquı́, nos llevará a la página web de de NeuroDevian. Una vez en ella, seleccionamos Install this package y siguiendo las instrucciones del instalador terminamos el proceso de instalación. Por último, es necesario configurar la terminal para poder utilizar FSL desde ella. Para ello volvemos a la página de FSLInstalation y pinchamos en el enlace llamado shell setup guide, en el cual, nos explican los cambios que debemos realizar dependiendo del tipo de terminal que utilicemos. Si estamos utilizando el bash, su configuración se guarda en los ficheros .bash profile o .profile por lo que debemos acceder a ellos o crearlos y escribir las siguientes instrucciones: 1 2 3 4. FSLDIR =/ usr / local / fsl . $ { FSLDIR }/ etc / fslconf / fsl . sh PATH = $ { FSLDIR }/ bin : $ { PATH } export FSLDIR PATH. En donde debemos sustituir /usr/local/fsl por el directorio donde tenemos guardado el software en nuestro equipo. En el caso de que estemos utilizando la terminal del tipo TCSH la configuración se guarda en .tcsh por lo que accedemos a este archivo y escribimos lo siguiente: 1 2 3. setenv FSLDIR / usr / local / fsl source $ { FSLDIR }/ etc / fslconf / fsl . csh setenv PATH $ { FSLDIR }/ bin : $ { PATH }. Igual que en el caso anterior debemos sustituir /usr/local/fsl por el directorio.
(46) 24CAPÍTULO 3. RECURSOS UTILIZADOS EN EL ANÁLISIS Y LA SEGMENTACIÓN DE IMÁGENES MRI. donde tenemos guardado el software en nuestro equipo. LLegados a este punto ya podemos empezar a utilizar el amplio abanico de herramientas que nos ofrece este software. Dependiendo de las operaciones que queramos realizar sobre las imágenes y del tipo de imagen que estemos estudiando disponemos de un gran número módulos o paquetes especializados cada uno de ellos en distintos aspectos. En nuestro caso utilizaremos el conjunto de herramientas FLIRT que se especializa en el registro afı́n de las imágenes.. 3.2.2.. FLIRT.. FLIRT es una herramienta perteneciente al software proporcionado por FSL cuya función principal es el registro de imágenes mediante la aplicación de una matriz de transformación utilizando transformaciones afines. También ayuda a definir los grados de libertad para la transformación, el método de interpolación y a eliminar el problema de los mı́nimos locales en las funciones de coste [9], para lo cual realiza un suavizado de estas funciones. En este trabajo se va a utilizar para realizar el registro de las imágenes al espacio normalizado MNI152, el cual tomamos como referencia. Este es un atlas probabilı́stico que surge en el marco del proyecto ICBM [10] para realizar un mapeo estandarizado del cerebro humano. Para llevarlo a cabo se realizaron resonancias magnéticas de calidad elevada a 150 personas adultas sanas [11]. El alto grado de calidad de estas resonancias con respecto a las que se habı́an desarrollado previamente en la creación de otros atlas aportó un mayor contraste y mejor definición en la parte alta del cerebro y baja del cerebelo.. Figura 3.1: Atlas probabilı́stico MNI152. Al igual que con FreeSurfer, en el próximo capı́tulo se explicarán las funciones y los comandos de esta herramienta que se han utilizado para llevar a cabo el procesamiento de las imágenes..
(47) 3.3. ANTS. 3.3.. 25. ANTs. También para realizar el registro afı́n de las imágenes utilizamos ANTs (Advanced Normalization Tools). Este es un software de código abierto que fue originalmente creado para llevar a cabo el registro de imágenes con un alto o bajo nivel de deformación. Desde su creación ha ido incluyendo mejoras y herramientas que aportan un mejor registro cada vez mas rápido y eficiente y con mayor precisión, además, también se han incluido nuevas funcionalidades como la elaboración de plantillas, la normalización de modelos de transformación o la segmentación de imágenes con o sin modelos previos. Actualmente incluye la versión 4 del Insight Toolkit el cual presenta un gran número de importantes mejoras que hacen que ANTs sea considerado uno de los mejores algoritmos de deformación no lineal aplicados al registro de imágenes MRI del cerebro humano [12]. Se han llevado a cabo evaluaciones en las que se compara ANTs con otros softwares de registro de imágenes [13], demostrando importantes diferencias con otros los métodos de deformación de neuroimagen en los que también se llevan a cabo grandes deformaciones. Algunas de estas mejoras son la capacidad de realizar todo el registro en un único paso, lo que reduce la complejidad, y la implementación del multi-threading en la medida de similitud. 3.3.1.. Instalación.. La instalación de este software en Linux es fácil y rápida, sin embargo, pueden surgir algunos problemas debidos a que requiere tener instalados previamente git, cmake, ccmake y un compilador de c++. Tras asegurarnos de que estos programas están instalados en nuestra máquina debemos introducir las siguientes instrucciones en la terminal: 1 2 3 4. git clone git :// github . com / stnava / ANTs . git mkdir antsbin cd antsbin ccmake ../ ANTs. Después de esto se abre la interfaz gráfica de ccmake, donde debemos pulsar c y después g. Tras ello, volvemos a la terminal y escribimos 1. make -j 4. Y esperamos a que se complete la instalación. 3.3.2.. Configuración.. Antes de empezar a usar el programa desde la terminal debemos indicar al sistema en que directorio está ubicado y sobre cual estamos trabajando. Para ello, antes de.
(48) 26CAPÍTULO 3. RECURSOS UTILIZADOS EN EL ANÁLISIS Y LA SEGMENTACIÓN DE IMÁGENES MRI. hacer ninguna llamada a las funciones del programa debemos escribir los siguientes comandos en la terminal: 1 2 3. # ANTS export PATH =/ home / sliebana / antbin / bin : $PATH export ANTSPATH =/ home / sliebana / antbin / bin. Una vez introducidas estas instrucciones ya podemos utilizar el software instalado.. 3.4.. ADNI. Para llevar a cabo el proyecto es necesario seleccionar una amplia muestra de pacientes con sus respectivas imágenes MRI. Sobre estos pacientes se debe haber realizado un seguimiento periódico tomando imágenes cada cierto tiempo. Además, estas imágenes deben haber sido tomadas todas ellas utilizando el mismo tipo de máquina, con las mismas caracterı́sticas y siguiendo unos estándares comunes a todas ellas. Para ello, es necesario recurrir a una base de datos que reuna todas estas caracterı́sticas. En nuestro caso hemos seleccionado la aportada por el proyecto ADNI, ya que es la más utilizada en las investigaciones sobre el alzhéimer a nivel global. ADNI (Alzheimer’s Disease Neuroimaging Initiative) [14] es una iniciativa creada en 2003 en Estados Unidos por el Instituto Nacional de Aging, el Instituto Nacional de Imagen Biomédica y Bioingenierı́a (NIBIB), la Administración de Comida y Fármacos (FDA) y compañı́as farmaceúticas privadas sin ánimo de lucro. Su principal objetivo es comprobar si diferentes tipos de pruebas de neuroimagen, biomarcadores, y evaluaciones clı́nicas pueden combinarse para medir y estudiar el avance del Alzheimer en sujetos con distintas fases de desarrollo de la enfermedad y ası́, determinar biomarcadores especı́ficos que permitan detectarla en fases tempranas.. Figura 3.2: Logo de la iniciativa ADNI. Otros de los objetivos principales de ADNI es desarrollar métodos mejorados para los ensayos clı́nicos. Esto lo lleva a cabo proporcionando una gran base pública de datos de biomarcadores para su posterior análisis y exploración. Para ello el proyecto ADNI proporciona un gran número de imágenes MRI, biomarcadores de.
(49) 3.4. ADNI. 27. la sangre y del lı́quido espinal y ensayos clı́nicos y neuropsicológicos realizados en pacientes de control, con deterioro cognitivo leve (MCI) y sujetos con la enfermedad de Alzheimer (AD), todos ellos de más de 50 años. Además, se puede realizar un estudio de la evolución temporal de los pacientes ya que se aportan MRI tomadas de manera periódica sobre ellos. Esto permite observar la variación volumétrica del cerebro y las estructuras que lo componen. Con un gran número de investigadores trabajando con los mismos datos es posible comparar directamente las medidas de las diferentes estructuras cerebrales obtenidas con distintos algoritmos. Sin embargo, para llevar a cabo estas comparaciones es necesario que las imágenes de los distintos estudios que se quieran comparar tengan una serie de caracterı́sticas en común. Por ello, en ADNI también se propone definir unos métodos estandarizados en el proceso de toma de las imágenes y su posterior análisis y anima a los investigadores a utilizar estos estándares y publicar sus resultados sobre ellos. Estos métodos estandarizados aportan grandes ventajas como son un mayor rigor en los informes, la capacidad de comparar distintas técnicas utilizadas para un mismo objetivo y la posibilidad de poder reproducir los métodos que hayan obtenido mejores resultados. Uno de los estándares que presentan las bases de datos de ADNI es el protocolo HarP o HHP que define las estructuras cerebrales incluidas como parte del hipocampo siguiendo el criterio de expertos que anteriormente se ha desarrollado en el estado del arte.. Figura 3.3: Importancia global de ADNI. Se muestra en azul las regiones donde se investiga siguiendo los protocolos de ADNI.. El objetivo final de la iniciativa promovida por ADNI es que utilizando los datos que va agrupando se puedan explorar nuevas hipótesis, desarrollar nuevas técnicas de análisis y ayudar a decidir cuales de estas técnicas y que biomarcadores son los más adecuados para las pruebas sobre el alzhéimer. Las imágenes aportadas por ADNI permiten a los investigadores de todo el mundo aplicar distintas técnicas y algoritmos sobre la misma muestra de sujetos, lo cual facilita la comparación de los resultados obtenidos. Dentro de ADNI podemos encontrar los subproyectos ADNI-1, ADNI-GO y ADNI-2. En ADNI-1 se definen cinco muestras de datos estandarizados que difieren en la duración del seguimiento realizado sobre los pacientes. Este varı́a entre 1, 2 y 3 años. En total se presentan las imágenes MRI de 818 pacientes sobre los cuales ya se.
(50) 28CAPÍTULO 3. RECURSOS UTILIZADOS EN EL ANÁLISIS Y LA SEGMENTACIÓN DE IMÁGENES MRI. han terminado de realizar todas las pruebas periódicas previstas por lo que la base de datos ya está completa. Por otro lado, ADNI-GO y ADNI-2 continúan tomando imágenes y coleccionando datos, realizando seguimientos más largos de los pacientes y añadiendo nuevos estudios utilizando máquinas más potentes para la toma de las imágenes; por ejemplo, en el caso de ADNI-2 se toman únicamente imágenes MRI-3T y se incluye el etiquetado utilizando la técnica del etiquetado arterial de spin.. 3.5.. MATLAB.. Matlab es un potente programa utilizado para el cálculo numérico, análisis de datos y desarrollo de algoritmos escritos en un lenguaje propio de alto nivel (genera archivos .m). En este trabajo es utilizado para escribir los algoritmos que se emplean en el procesamiento de las imágenes. La idea es realizar dentro de estos algoritmos las llamadas a los comandos necesarios de otros programas como FreeSurfer, ANTs y FLIRT-FSL de tal manera que no sea necesario introducirlos manualmente en la terminal de Linux, sino que basta con ejecutar el script desde esta. Dentro del script se utiliza el comando system(), el cual introduce en la terminal una cadena de caracteres ejecutando una sentencia.. 3.6.. PuTTY.. PuTTY es un cliente de red de código abierto que soporta el protocolo SSH (Secure Shell)y que nos permite iniciar una sesión remota en otra máquina. Es utilizado para controlar un equipo con Linux desde otro con Windows. Simplemente introduciendo la dirección IP del escritorio de Linux se genera una terminal que actúa como si fuera la terminal propia del escritorio remoto de Linux. Es a través de este sistema como abrimos el Matlab y ejecutamos los scripts, ya que reduce los recursos utilizados por el equipo para la interfaz gráfica permitiendo ası́ dedicar el máximo de ellos al procesamiento de las imágenes.. 3.7.. FilleZilla.. FileZilla es un software libre que proporciona una interfaz gráfica para la visualización de las carpetas y archivos tanto de la máquina local en la que está instalado el programa como de una máquina remota con la que permite conectarse. Además, da la posibilidad de transferir archivos entre los distintos equipos utilizando protocolo FTP y SFTP. También permite crear directorios en la máquina remota y visualizar o editar los archivos de esta..
(51) 3.8. BRAINSUITE.. 29. Combinándolo con el uso del PuTTY resulta muy útil para poder llevar a cabo desde un mismo escritorio todas las operaciones sobre el procesamiento de las imágenes, creación de directorios para guardar los resultados, edición de los algoritmos y ejecución de estos desde la terminal sin necesidad de acceder remotamente a la máquina de Linux.. 3.8.. BrainSuite.. Es un software de código abierto que ofrece un gran número de herramientas para visualizar y llevar a cabo operaciones y análisis sobre imágenes de resonancia magnética (MRI) del cerebro humano. A pesar de las diferentes utilidades que ofrece, en este proyecto únicamente se utiliza para la visualización de las imágenes MRI correspondientes.. 3.9.. CMake.. CMake es un software libre de generación de código. Esta formado por un conjunto de herramientas que permiten contruir, probar y empaquetar el software. Se utiliza principalmente para controlar el proceso de compilación de los archivos fuentes. Permite elegir el entorno de desarrollo que se desea para los archivos generados. Es un software multiplataforma.. 3.10.. Visual Studio.. Visual Studio es un software que proporciona un entorno de desarrollo integrado el cual soporta distintos tipos de lenguaje: C, C++, Visual Basic, java, etc. En el caso de este proyecto se utilizará para desarrollar código en C++. Este software no es multiplataforma, solo puede utilizarse y crear aplicaciones para Microsoft Windows. El uso de este software en este proyecto tiene el objetivo de crear funciones MEX de los códigos desarrollados en Matlab para ası́ hacer las funciones más rápidas y eficientes. Más adelante se explicará esto con mayor detalle..
(52) 30CAPÍTULO 3. RECURSOS UTILIZADOS EN EL ANÁLISIS Y LA SEGMENTACIÓN DE IMÁGENES MRI.
(53) Capı́tulo 4. Preprocesado de las imágenes En este capı́tulo se presenta una descripción de todos los pasos necesarios para preparar la base de pacientes y procesar sus imágenes desde el proceso de descarga de estas de la web de ADNI hasta la obtención de las imágenes preparadas para llevar a cabo su segmentación.. 4.1.. Descarga de las imágenes.. Para llevar a cabo el proyecto es necesario disponer de un importante número de pacientes con sus respectivas imágenes MRI. Como se comentó en el capı́tulo anterior, se ha seleccionado la base de datos ofrecida por el proyecto ADNI como fuente de estas imágenes debido a su relevancia en las investigaciones a nivel mundial y a sus protocolos estandarizados. El primer paso para poder acceder a las imágenes es registrarse. Para ello hay que entrar en la página http://adni.loni.usc.edu/data-samples/access-data/. El registro consiste en rellenar una serie de formularios sobre el campo en el que se está trabajando y por qué estamos interesados en acceder a su base de datos. Tras completar los formularios, se recibirá en menos de una semana un mail confirmando el registro. Una vez completado el registro ya se puede acceder a la base de datos de imágenes. La descarga debe hacerse desde internet explorer ya que google chrome no permite la ejecución de applets de java. Tras acceder a la parte privada de la página web con el correo, hay que dirigirse a la colección de imágenes (figura 4.1). En esta sección se muestra un repositorio de imágenes en una estructura en árbol donde se encuentran las diferentes listas de pacientes dependiendo de la duración del tipo de estudio realizado. En nuestro caso, para descargar las imágenes que nos interesan debemos acceder a la lista ADNI1: Complete 2Yr 1.5T figura (4.2). Al hacer click sobre esta lista se mostrarán las imágenes de los pacientes clasificadas según la visita como 1 (screening, primera imagen que se ha tomado a cada paciente), 4 (correspondiente a 31.
(54) 32. CAPÍTULO 4. PREPROCESADO DE LAS IMÁGENES. las imágenes tomadas pasado el primer año)y 6 (las realizadas a los dos años). Salvo alguna excepción, únicamente es necesario descargar las imágenes de dos años ya que las anteriores ya habı́an sido descargadas previamente. Además, nos interesan aquellas cuyo proceso de adquisición esté marcado como SCALED y no SCALED2.. Figura 4.1: Acceso a las imágenes de ADNI.. Figura 4.2: Direcitorio para la selección de las imágenes a descargar.. Por cada paciente se descarga la imagen en formato .nii y un fichero XML con información sobre el paciente, como su edad, sexo, su diagnóstico, etc. Estos archivos se guardan en una estructura de directorios creada por ADNI que no es la que nos interesa. Para extraer de esta estructura las imágenes y los ficheros XML y guardarlos en los directorios deseados en una estructura más simple y con más fácil acceso desde Matlab, se utiliza el script de matlab ”getNIIFiles.m”, indicando.
Documento similar