Creatools: una plataforma para el desarrollo de software de procesamiento de imágenes médicas. Aplicación a la segmentación de arterias coronarias y a la detección automática de lesiones en imágenes de angiotac / Creatools: a framework for the development of medical image processing software. Application for the segmentation of coronary arteries and for the automatic detection of lesions in CT images

En este artículo se presenta un software de código abierto, llamado CreaTools, cuyo principal objetivo es el procesar y facilitar la visualización de imágenes médicas. Este software flexible funciona en diferentes sistemas operativos (Linux, Mac OS X, Windows), se desarrolla en el lenguaje de programación C++ para asegurar una fácil integración de módulos C++ y proporciona a los usuarios herramientas computacionales para construir interfaces gráficas de usuario (GUI), incluidos los datos de entrada/salida (manejo de archivos), la visualización, la interacción y el procesamiento de datos. Este artículo muestra también la utilidad de CreaTools mediante un proyecto de investigación que consiste en la detección automática de lesiones arteriales. Los algoritmos desarrollados han sido implementados en una interfaz gráfica amigable con visualización 3D e interacción. Ejemplos de tales algoritmos incluyen la extracción de ejes de arterias y la generación de modelos descriptivos de arterias con lesiones y sin lesiones.

Adaptación del llgoritmo maracas para segmentacón de la arteria carótida y cuaantificación de estenosis en imágenes aac / Adaptation of the MARACAS Algorithm for Carotid Artery Segmentation and Stenosis Quantification on CT Images

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%.

Mejoramiento de la segmentación arterial coronaria a través del modelamiento del volumen parcial en imágenes de tomografía computarizada / Coronar y arter y segmentation improvement thro ugh partial volume modeling in CT images

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.

Modelamiento en 3D de patologías vasculares a partir de imágenes de resonancia magnética sustraída / 3D Modeling of Vascular Pathologies from contrast enhanced magnetic resonance images (MRI)

Este artículo presenta un método para la generación de modelos vasculares en 3D, a partir de imágenes de resonancia magnética (IRM), usando un algoritmo de fast marching. Los principales aportes del método propuesto en este artículo son la utilización de la imagen original como base para la definición de la función de velocidad que rige el desplazamiento de la interfaz y la selección automática del tiempo en el cual la interfaz logra segmentar la arteria. El método fue validado en imágenes de arterias carótidas patológicas y de fantasmas vasculares. Una apreciación cualitativa de los modelos vasculares obtenidos muestra una extracción adecuada de la pared vascular. Una validación cuantitativa demostró que los modelos generados dependen de la escogencia de los parámetros del algoritmo, al inducir un error máximo de 1,34 vóxeles en el diámetro de las estenosis medidas.

Segmentación y visualización arterial en ARM y TAC / Segmentation and arterial visualization in MRA and CT

Este artículo describe un método para la extracción automática de estructuras vasculares en imágenes médicas en 3D. El método utiliza un algoritmo iterativo que adiciona puntos al esqueleto del vaso y detecta bifurcaciones que analizan el contenido de una esfera que se mueve a lo largo de su línea central. En cada iteración se realiza una segmentación (extracción del vaso) local dentro de la esfera. Esta acción emplea un algoritmo de K-medias, que separa vaso y fondo utilizando métricas diferentes para cada grupo; adicionalmente, una medida del cilindricidad, basada en la comparación del volumen segmentado contra un modelo construido del vaso, se usa como el criterio de parada del algoritmo. El método fue aplicado a 16 ARM y a 12 TC 3D de diversas regiones anatómicas: arterias carótidas, árbol pulmonar, arterias coronarias y aorta. El algoritmo detectó y manejó eficientemente las bifurcaciones. Cada imagen fue procesada en menos de cinco minutos, lo cual es bastante rápido como para ser utilizada en una rutina clínica.