ABSTRACT
En este artículo se describen las adaptaciones hechas al algoritmo MARACAS para segmentar y cuantificar estructuras vasculares en imágenes TAC de la arteria carótida. El algoritmo MARACAS, que está basado en un modelo elástico y en un análisis de los valores y vectores propios de la matriz de inercia, fue inicialmente diseñado para segmentar una sola arteria en imágenes ARM. Las modificaciones están principalmente enfocadas a tratar las especificidades de las imágenes TAC, así como la presencia de bifurcaciones. Los algoritmos implementados en esta nueva versión se clasifican en dos niveles. 1. Los procesamientos de bajo nivel (filtrado de ruido y de artificios direccionales, presegmentación y realce) destinados a mejorar la calidad de la imagen y presegmentarla. Estas técnicas están basadas en información a priori sobre el ruido, los artificios y los intervalos típicos de niveles de gris del lumen, del fondo y de las calcificaciones. 2. Los procesamientos de alto nivel para extraer la línea central de la arteria, segmentar el lumen y cuantificar la estenosis. A este nivel, se aplican conocimientos a priori sobre la forma y anatomía de las estructuras vasculares. El método fue evaluado en 31 imágenes suministradas en el concurso Carotid Lumen Segmentation and Stenosis Grading Grand Challenge 2009. Los resultados obtenidos en la segmentación arrojaron un coeficiente de similitud de Dice promedio de 80,4% comparado con la segmentación de referencia, y el error promedio de la cuantificación de estenosis fue 14,4%.
This paper describes the adaptations of MARACAS algorithm to the segmentation and quantification of vascular structures in CTA images of the carotid artery. The MARACAS algorithm, which is based on an elastic model and on a multi-scale eigen-analysis of the inertia matrix, was originally designed to segment a single artery in MRA images. The modifications are primarily aimed at addressing the specificities of CT images and the bifurcations. The algorithms implemented in this new version are classified into two levels. 1. The low-level processing (filtering of noise and directional artifacts, enhancement and pre-segmentation) to improve the quality of the image and to pre-segment it. These techniques are based on a priori information about noise, artifacts and typical gray levels ranges of lumen, background and calcifications. 2. The high-level processing to extract the centerline of the artery, to segment the lumen and to quantify the stenosis. At this level, we apply a priori knowledge of shape and anatomy of vascular structures. The method was evaluated on 31 datasets from the Carotid Lumen Segmentation and Stenosis Grading Grand Challenge 2009. The segmentation results obtained an average of 80:4% Dice similarity score, compared to reference segmentations, and the mean stenosis quantification error was 14.4%.
ABSTRACT
En este artículo se propone un modelo estadístico de volumen parcial (VP) para mejorar la segmentación 3D de imágenes de tomografía computarizada (TC) cardiaca. Los efectos causados por el VP representan un reto en la separación arterial de las cavidades cardiacas, porque causan desbordamientos y segmentaciones erróneas. La propuesta incluye un campo aleatorio de Markov junto con un esquema de pesos modificado. Además, se utilizaron fantasmas sintéticos para evaluar la precisión del método, así como para determinar los parámetros de configuración ideales. Se usaron las imágenes de ocho pacientes, a fin de evaluar el método sobre datos reales, y se comparó el desempeño del esquema de pesos modificado con el esquema tradicional. También se demostró la capacidad del método para mejorar la segmentación cuando se usa en conjunto con un algoritmo de extracción de la línea central arterial.
In this article it is proposed a statistic model of Partial Volume (VP in spanish) to improve the 3D segmentation of Heart CT images. The effects caused by the VP represent a challenge in the arterial separation of the heart cavities because they cause overflowing and wrong segmentations. The proposal includes a random Markov field along to a modified weight scheme. Besides, synthetic ghosts where used to asses the precision of the method as well as to determine the parameters of ideal settings. The images of eight patients were used to evaluate the method based on real data and the performance of the modified weight scheme was compared with the traditional scheme. The ability of the method to improve the segmentation was proved when it was used along with a central arterial line extraction algorithm.