Dinámica Pulmonar de Estructuras Anatómicas de Interés en Imágenes 4DCT / Pulmonary Dynamics of Anatomical Structures of Interest in 4DCT Images

Resumen: El presente trabajo muestra una aplicación del algoritmo Chan-Vese para la segmentación semi-automática de estructuras anatómicas de interés (pulmones y tumor pulmonar) en imágenes de 4DCT de tórax, así como su reconstrucción tridimensional. La segmentación y reconstrucción se realizó en 10 imágenes de TAC, las cuales conforman un ciclo inspiración-espiración. Se calculó el desplazamiento máximo para el caso del tumor pulmonar usando las reconstrucciones del inicio de la inspiración, el inicio de la espiración, y la información del voxel. El método propuesto logra segmentar de manera apropiada las estructuras estudiadas sin importar su tamaño y forma. La reconstrucción tridimensional nos permite visualizar la dinámica de las estructuras de interés a lo largo del ciclo respiratorio. En un futuro se espera poder contar con mayor evidencia del buen desempeño del método propuesto y contar con la retroalimentación del experto clínico, ya que el conocimiento de características de estructuras anatómicas, como su dimensión y posición espacial, ayuda en la planificación de tratamientos de Radioterapia (RT), logrando optimizar las dosis de radiación hacia las células cancerosas y minimizarla en órganos sanos. Por lo tanto, la información encontrada en este trabajo puede resultar de interés para la planificación de tratamientos de RT.

Abstract: This paper presents an application of the Chan-Vese algorithm for a semi-automatic segmentation of anatomical structures of interest (lungs and lung tumor) in thorax 4DCT images, as well as its threedimensional reconstruction. Segmentations and reconstructions were performed in 10 CT images, which conform an inspiration-expiration cycle. The maximum displacement of the lung tumor was calculated using the reconstructions of the beginning of inspiration, beginning of expiration, and the voxel size information. The proposed method was able to succesfully segment the studied structures regardless of their size and shape. The threedimensional reconstruction allow us to visualize the dynamics of the structures of interest throughout the respiratory cycle. In the near future, we are expecting to be able to have more evidence of the good performance of the proposed segmentation approach, and to have feedback from a clinical expert, giving the fact that the knowledge of anatomical structures characteristics, such as their size and spatial location, may help in the planning of radiotherapy treatments (RT), optimizing the radiation dose to cancer cells and minimizing it in healthy organs. Therefore, the information found in this work may be of interest for the planning of RT treatments.

Sistema de Apoyo para la Cuantificación Semiautomática de Fibrosis Pulmonar en Imágenes de TAC / Support System for Semiautomatic Quantification of Pulmonary Fibrosis in CT Images

Resumen: En este trabajo se presenta un método para calcular los niveles de fibrosis pulmonar en imágenes de tomografía axial computarizada. Se utilizó un algoritmo de segmentación semiautomática basado en el método de Chan-Vese. El método mostró similitudes de forma cualitativa en la región de la fibrosis con respecto al experto clínico. Sin embargo es necesario validar los resultados con una base de datos mayor. El método propuesto aproxima un porcentaje de fibrosis de forma fácil para apoyar su implementación en la práctica clínica minimizando la subjetividad del experto médico y generando una estimación cuantitativa de la región de fibrosis.

Abstract: A method to estimate the pulmonary fibrosis in computed tomography (CT) imaging is presented. A semi-automatic segmentation algorithm based on the Chan-Vese method was used. The proposed method shows a similar fibrosis región with respect to clinical expert. However, the results need to be validated in a bigger data base. The proposed method approximates a fibrosis percentage that allows to achieve this procedure easily in order to support its implementation in the clinical practice minimizing the clinical expert subjectivity and generating a quantitative estimation of fibrosis region.

Registro elástico de imágenes médicas multimodales basado en medidas de variabilidad local / Non-rigid Multimodal Medical Image Registration Based on Local Variability

En este artículo se propone un enfoque no paramétrico para el registro elástico de imágenes médicas multimodales, cuya idea principal radica en el uso de medidas de variabilidad local, basadas en la entropía, la varianza o una combination de ambas. La metodología empleada consiste en encontrar el campo vectorial de los desplazamientos entre los pixeles de las imágenes candidata y patrón empleando una tecnica compuesta por tres pasos: primero, se obtiene una aproximación del campo vectorial por medio de un registro paramétrico entre ambas imágenes; segundo, se mapean las imágenes registradas paramétricamente a un espacio de intensidades donde pueden ser comparadas; tercero, se obtiene el flujo óptico entre las imágenes en el espacio al que fueron mapeadas. El algoritmo propuesto se evalúo usando un conjunto de imágenes de resonancia magnética y tomografía computarizada adquiridas desde diferentes vistas, las cuales fueron deformadas sintéticamente. Los resultados obtenidos en la estimación del campo de desplazamientos con las cuatro medidas de variabilidad local propuestas muestran un error medio menor que 1.4 mm, y en el caso de la entropía menor a 1 mm. Además, se demuestra la convergencia del algoritmo con ayuda de la entropía conjunta. Asó, la metodología descrita representa una nueva alternativa para el registro elástico multimodal de imágenes médicas.

In this work, we present a novel approach for multimodal elastic registration of medical images, where the key idea is to use local variability measures based on entropy, variance or a combination of these metrics. The proposed methodology relies on finding the displacements vector field between pixels of a source image and a target one, using the following three steps: first, an initial approximation of the vector field is achieved by using a parametric registration based on particle filtering between the images to align; second, the images previously registered are mapped to a common space where their intensities can be compared; and third, we obtain the optical flow between the images in this new space. To evaluate the proposed algorithm, a set of computed tomography and magnetic resonance images obtained in different views, were modified with synthetic deformation fields. The results obtained with the four proposed local variability measures show an average error of less than 1.4 mm, and in the case of the entropy less than 1 mm. In addition, the convergence of the algorithm is highlighted by the joint entropy. Therefore, the described methodology could be considered as a new alternative for multimodal elastic registration of medical images.