Procesamiento de imgenes en Medicina Nuclear

Margarita Nez
Escuela Universitaria de Tecnologa Mdica UdelaR, Montevideo, Uruguay Comit de Tecnlogos de ALASBIMN

2008

Procesamiento de Imgenes en Medicina Nuclear

1. INTRODUCCIN. Los programas de adquisicin de datos constituyen una pequea fraccin del software para aplicaciones clnicas disponible en una computadora de medicina nuclear. Una vez adquiridos, los datos generalmente deben sufrir algn tipo de procesamiento a fin de que la informacin recogida adquiera o aumente su valor diagnstico. La mayora de los paquetes de software clnico contienen programas de procesamiento que pueden ser clasificados bajo una de las siguientes categoras generales: procesamiento cualitativo, anlisis cuantitativo, reconstruccin de imgenes de tomografa por emisin (SPECT y PET), y fusin de imgenes de diferentes modalidades. 2. PROCESAMIENTO CUALITATIVO DE LAS IMGENES. Debemos comenzar por reconocer que una imagen adquirida por un sistema de deteccin (p.ej. una gamacmara), queda almacenada en la computadora bajo forma de una o ms matrices, es decir, un conjunto de unidades o pixeles, cada uno de los cuales contiene un nmero igual a la cantidad de eventos radioactivos que recibi el detector en dicha posicin del espacio. En medicina nuclear, las matrices por lo general miden 64x64, 128x128 o 256x256 pixeles. El conjunto de pixeles de una matriz conteniendo informacin forma la imagen centellogrfica. El propsito de un procesamiento cualitativo es en general transformar la presentacin de una imagen a fin de resaltar ms adecuadamente las caractersticas de valor diagnstico de la misma. Antiguamente, la computadora era utilizada solamente como un dispositivo de almacenamiento. Utilizando los datos de la adquisicin almacenados en la computadora, se realizaban exposiciones repetidas de un film fotogrfico por el mtodo de prueba y error hasta que se obtena la densidad fotogrfica adecuada, ahorrando as el tiempo que se invertira en repetir el estudio al paciente. Desde estos modestos comienzos, el software para procesamiento de imgenes se ha expandido incluyendo sofisticados algoritmos para: resaltar caractersticas especficas de la imagen original, manipular la presentacin de la imagen, corregir las distorsiones causadas por los equipos de adquisicin. realizar otros anlisis matemticos a fin de extraer informacin de utilidad diagnstica. Esta variedad de operaciones es factible por el hecho de tener los datos de la imagen almacenados en forma numrica, lo que permite su manipulacin matemtica. a) Mtodos convolutivos de procesamiento de la imagen (filtros de suavizado). Uno de los primeros intentos para mejorar la calidad de las imgenes radioisotpicas consisti en la utilizacin de filtros de suavizado con la finalidad de reducir el "ruido" de la imagen. Por el momento, definamos "ruido" como un conjunto de detalles indeseables contenidos en la imagen debido al relativo bajo nmero de cuentas adquirido. Al igual que en acstica o en electrnica, la seal original puede estar contaminada con seales accesorias que dificultan su comprensin, y al igual que en esas disciplinas, en imagenologa se aplican filtros para remover en lo posible las seales indeseables. Como resultado de la interferencia del ruido, una superficie slida del objeto en estudio aparece irregular y sus bordes mal definidos. En realidad, lo que da a la imagen un aspecto inhomogneo son las variaciones en el nmero de cuentas por pixel en una regin determinada de la imagen, por lo cual debemos aplicar un mtodo para que dicha zona presente una apariencia ms regular.

 Filtro de promedio no ponderado. Un mtodo comnmente utilizado para mejorar la calidad de la imagen consiste en remover el ruido aplicando un filtro de suavizado, que consiste en promediar las cuentas por pixel en la imagen. El filtro ms popular es el llamado de 9 puntos. En realidad, el suavizado de 9 puntos consiste en mover una "submatriz" o "mscara" por encima de toda la matriz original de la imagen. Esta mscara est formada por un bloque de 3x3 pixeles, cada uno teniendo un valor de 1/9 del total de cuentas en la mscara. Cuando la mscara se superpone a un conjunto de nueve pixeles de la imagen original, hace que el pixel central se parezca ms a sus pixeles vecinos porque reemplaza las cuentas originales que contiene por el promedio de cuentas de esos nueve pixeles. A medida que la mscara contina desplazndose sobre la matriz original, cada pixel central sufre el mismo proceso hasta que al final se forma una imagen procesada en la cual cada pixel se distingue menos de sus pixeles vecinos. La mscara o submatriz de 3x3 pixeles se denomina "kernel de convolucin" y el proceso de aplicarla a una imagen se denomina filtrado de convolucin. La nueva imagen tendr un aspecto ms "borroso" pero ms homogneo que la imagen original, al eliminar las fluctuaciones del conteo estadstico. El filtrado de 9 puntos asume que cada uno de los pixeles vecinos afecta el conteo del pixel central de modo equivalente. En realidad, por lo general un kernel para filtrado de convolucin asume que el pixel ubicado a mayor distancia del centro influye menos que uno ubicado ms prximo. Un filtro de nueve puntos ampliamente utilizado da un "peso" distinto a cada uno de los pixeles del bloque de 3x3 adjudicando un factor de ponderacin a cada pxel de acuerdo a su posicin, de la siguiente manera:

Esto significa que las cuentas en el pixel central reciben la consideracin ms importante durante el proceso de promediado, y "pesan" el doble que los pixeles inmediatamente vecinos. Las cuentas de los pixeles que se ubican en las esquinas diagonales de la mscara se consideran menos importantes y "pesan" solamente 1/4 durante el proceso de promediado. La suma es dividida por 16, que representa la suma de los coeficientes de ponderacin del filtro. El algoritmo de promediado ponderado del pxel lleva a las cuentas del pxel central a aproximarse a las de sus vecinos, pero no tanto como en el caso del promedio no ponderado. Por tanto, la imagen obtenida luego del filtrado se ver menos "borroneada" y poseer una mayor resolucin espacial porque cada pxel retiene algo ms de sus caractersticas originales. En suma, el procedimiento de suavizado implica modificar la distribucin de cuentas de la imagen original al desplazar una "mscara" sobre cada pxel de dicha imagen. Esta "mscara" o kernel de convolucin, constituida por un grupo de coeficientes o factores de ponderacin, es usada para calcular un nuevo valor de un pxel dado. Luego de multiplicar las cuentas del pxel por el correspondiente coeficiente de ponderacin, los productos son sumados para generar un promedio ponderado que se asignar al pxel central. El procedimiento general para un filtro de convolucin de 3x3 se ilustra en el esquema. Las letras minsculas a,b,c,d,e,f,g,h,i, son los factores de ponderacin o coeficientes del kernel de convolucin 3x3, mientras que las letras maysculas son las correspondientes cuentas de los pixeles de la imagen original, siendo E' el valor suavizado. Si todos los "pesos" de la mscara fuean iguales, las cuentas del pixel resultante seran simplemente iguales al promedio de cuentas de los pixeles vecinos. De otra forma, las cuentas sern el resultado del promedio ponderado. El nuevo pixel promedio no reemplaza el valor original de la imagen sino que se crea una nueva matriz sobre la que se almacenar los nuevos valores.

La idea bsica del filtrado espacial, entonces, es producir una nueva imagen mediante la sustitucin de las cuentas originales por otras modificadas por la "mscara". Pueden conseguirse diversos efectos en la imagen original asignando diferentes coeficientes a los pixeles de la "mscara" y al usar "mscaras" de diferentes tamaos. El suavizado "mediano" y la deteccin de bordes son ejemplos de manipulacin de la imagen variando los coeficientes del kernel de convolucin. El suavizado mediano es un tipo de filtro en el cual al pixel central se asigna el valor mediano de los pixeles de la "mscara", en vez del promedio ponderado. El valor mediano es aquel valor de cuentas mayor al del 50% de los pixeles, pero tambin menor del 50% restane. En un histograma de distribucin de cuentas, el pixel mediano se sita exactamente en el medio. El filtro mediano es til para eliminar la contribucin de los pixeles que contienen valores extremos, y resulta en una imagen ms homognea pero con menos detalles. Debe tomarse en cuenta que los filtros de suavizado disminuyen la resolucin espacial de la imagen y deben aplicarse conociendo este efecto. Siempre se trata de alcanzar un compromiso entre la disminucin del "ruido" y la prdida de resolucin. El "resalto de bordes" es la operacin opuesta al suavizado de la imagen. Mientras el suavizado intenta reducir el contraste entre los pixeles adyacentes, el resalto de bordes pretende acentuar el contraste. A pesar de este efecto opuesto, el resalto de bordes puede llevarse a cabo usando la misma tcnica que el suavizado; la nica diferencia radica en los coeficientes de la "mscara". Si al pixel central de la "mscara" se le asigna un valor positivo y a los pixeles circundantes valores negativos, entonces la convolucin de la imagen original producir una nueva imagen que acentuar los bordes y los detalles de la imagen. Un ejemplo de kernel para resaltar bordes:

La "mscara" siempre contiene un nmero impar de filas y columnas, de modo que siempre existe un pixel en el centro exacto. Las dimensiones de la "mscara", medidas en trminos de nmero de pixeles por lado, varan de acuerdo a la ecuacin: (2N + 1) x (2N + 1). Si N=1, la mscara medir 3x3; si N=2, la mscara ser 5x5, y as sucesivamente. En general, una "mscara" de mayor tamao ser ms eficaz para eliminar el "ruido" de la imagen,

sin suavizar demasiado la imagen original, pero el cmputo insumir ms tiempo. Como se ve, al duplicar el tamao de la "mscara", existe una cuadruplicacin del nmero de pixeles y por tanto el tiempo de computacin se multiplica por 4. Por esta razn, la "mscara" de 3x3 es la ms ampliamente utilizada. b) Mtodos de Fourier para manipulacin de imgenes. Los filtros de convolucin manipulan los datos en el dominio del espacio, como por ejemplo lneas, puntos y variables de intensidad. Un mtodo alternativo al filtrado de convolucin, es el uso de los filtros de Fourier. El resultado final de los filtros de Fourier es el mismo que un filtro de convolucin con la excepcin de que el filtro de Fourier manipula los datos en el dominio de las frecuencias en vez de hacerlo en el dominio del espacio. En realidad, el filtro de Fourier es una equivalencia matemtica exacta de un filtro de convolucin. Fundamentos del anlisis de Fourier. Cuando uno trabaja con un filtro de Fourier, los datos de la imagen estn representados como una serie de ondas seno y coseno, cada una con una diferente frecuencia espacial, fase y amplitud. El suavizado de la imagen o el resalte de los bordes se logra al eliminar o suprimir los componentes de ondas de alta y baja frecuencia respectivamente, por lo tanto un filtro de Fourier tambin se conoce como un filtro de frecuencia espacial. El proceso de remover frecuencias indeseables en la imagen involucra tres pasos diferentes: o transformar la imagen del dominio del espacio al dominio de las frecuencias, o atenuar selectivamente la amplitud de las frecuencias indeseables y o transformar la imagen modificada en el dominio de la frecuencia al dominio del espacio nuevamente. El mayor escollo para comprender los filtros de Fourier radica en el primer paso: transformar la imagen del dominio del espacio al dominio de las frecuencias. Cmo podemos transformar una imagen visual con sus puntos, lneas y planos, con sus colores y matices de gris al mundo mstico de las frecuencias y las amplitudes? La metamorfosis es fcil de entender si pensamos acerca de la relacin entre la msica escrita por el compositor y la msica ejecutada por la orquesta. La orquesta produce un sonido compuesto que cambia de un momento al siguiente a medida que los diferentes instrumentos tocan sus propios tonos con distinta intensidad y a distinta secuencia de tiempo. La msica puede ser almacenada grabando en una cinta o un disco las variaciones momentneas de la presin del aire contra el micrfono. El mtodo que graba el sonido como funcin del tiempo se dice que opera en el dominio del tiempo. Por otra parte, un aspirante a compositor podra transcribir el sonido de la orquesta a un grupo de notas en una escala musical. Cada nota en una escala musical representa una nica y distintiva frecuencia de sonido. Adems de las notas de la escala, la partitura tambin describe el preciso momento en que una nota debe comenzar y la intensidad relativa a la cual debe ser interpretada, lo cual podra equivaler a la fase y la amplitud de cada nota. Por tanto, una partitura describe cada nota a ser interpretada por el instrumento en trminos de la frecuencia, la amplitud y la fase del sonido. El mtodo que registra un sonido en trminos de fase y amplitud de sus varias frecuencias se dice que trabaja en el dominio de las frecuencias. Al hacer tal cosa, el aspirante a compositor est realizando una transformada de Fourier de la msica interpretada por la orquesta del dominio del tiempo al dominio de la frecuencia. Cuando un msico lee la partitura y produce un sonido utilizando su instrumento, est realizando una transformada inversa de Fourier. Por tanto, la msica es cambiada del dominio de las frecuencias al dominio del tiempo. Bsicamente, la transformada de Fourier es simplemente una manera de transcribir informacin de un tipo de notaciones a otro o dicho de otra manera, una forma diferente de describir el mismo fenmeno. A pesar de que utilizamos como ejemplo una funcin que vara con el tiempo, el anlisis de Fourier puede ser utilizado para resolver una variedad de problemas mediante funciones matemticas que se pueden aproximar a una suma de ondas peridicas. En medicina nuclear, utilizamos el mtodo de Fourier para describir la resolucin de una gamacmara y para

manipular informacin almacenada en una imagen. Del mismo modo, para analizar imgenes es ms fcil transformar primero los datos al dominio de las frecuencias, trabajar en l para eliminar el ruido y otras frecuencias indeseables y luego transformarla de nuevo al dominio del espacio. El trabajo de transformar la imagen de un dominio al otro bien vale la pena, considerando la flexibilidad del mtodo de Fourier para realizar una gran variedad de operaciones. Filtros de Fourier. Manteniendo la analoga de la msica en el dominio de las frecuencias, podemos aplicar la misma metodologa para el anlisis de una imagen. El anlisis de Fourier asume que una funcin matemtica puede ser representada por una suma de ondas seno y coseno de distinta frecuencia, amplitud y fase. Los detalles finos y los bordes ntidos de una imagen son predominantemente construidos por componentes de alta frecuencia, mientras que la parte de baja resolucin de una imagen contiene ms que nada componentes de baja frecuencia. Profundicemos en la transformacin de una imagen radioisotpica del dominio del espacio al dominio de la frecuencia. Dado que los datos de la imagen se almacenan en forma numrica, se pueden traducir a un grupo de funciones matemticas. El objetivo es transformar ese grupo de funciones al dominio de las frecuencias mediante una transformada de Fourier. La idea de que un rgano tal como el hgado, por ejemplo, pueda ser descrito por un juego de ecuaciones matemticas no es tan ridcula. Asumamos que un centellograma fue adquirido en una matriz de 64x64. Si graficamos el nmero de cuentas en cada pixel a lo largo de una lnea de la matriz, digamos la lnea 34, obtenemos una curva con 64 puntos. En medicina nuclear, llamamos a dicha curva perfil de actividad. Podemos hacer lo mismo para cada lnea de la matriz y obtener un juego de 64 perfiles de actividad. Sin embargo, cada curva (y por tanto cada perfil) es en realidad una representacin grfica de una funcin matemtica. En una matriz de 64x64 habra 64 ecuaciones y una matriz de 128x128 estara compuesta por 128 ecuaciones simultneas. Utilizando la transformada de Fourier, la ecuacin que representa el perfil de actividad puede ser reconstruida como una suma de trminos seno y coseno, cada uno con diferente amplitud y frecuencia. La transformada de Fourier es simplemente una receta matemtica para que la computadora descifre la fase y la amplitud (tambin conocidas como coeficientes de Fourier) de todas las frecuencias que integran el perfil de actividad. Despus de realizar la transformada de Fourier en cada lnea de pixeles de la matriz, se ha cumplido el traslado de los datos de la imagen del dominio del espacio al dominio de las frecuencias. La siguiente tarea es filtrar las frecuencias indeseables de la imagen. Recordemos que los trminos de alta frecuencia son responsables por los bordes ntidos y detalles finos. Desafortunadamente estos componentes de alta frecuencia estn contaminados de una gran cantidad de ruido estadstico. Los bordes de un rgano tienen a menudo una apariencia irregular porque estn predominantemente construidos por componentes de alta frecuencia y stos contienen considerable ruido estadstico debido al relativo bajo nmero de cuentas recolectado en esa regin. Estos componentes de alta frecuencia pueden ser suprimidos utilizando un filtro pasabajo, tambin conocido como filtro de suavizado. Un filtro pasabajo acta como un tamiz, reteniendo en la imagen slo aquellos componentes con una baja frecuencia y eliminando los componentes con altas frecuencias. Como resultado, la imagen filtrada tiene una mejor apariencia y aspecto ms homogneo, pero los detalles estn borroneados debido a que los componentes de alta frecuencia se ven atenuados. El filtro pasa-bajo consiste en multiplicar las amplitudes de los componentes de alta frecuencia en la imagen original por un factor modificante que puede tener un valor entre 0 y 1. Si la amplitud de una frecuencia es multiplicada por 0, la contribucin de esa frecuencia a la imagen resultante se elimina. Si el factor de multiplicacin es >0 pero <1, la expresin de esa frecuencia en la imagen resultante es disminuida. Si deseamos destacar los bordes, utilizaramos un filtro pasa-alto para permitir expresarse a todos los componentes de alta frecuencia mientras se eliminan o disminuyen los componentes de baja frecuencia. Si lo que deseamos es que la imagen resultante contenga slo aquellos aspectos ubicados dentro de un cierto rango de frecuencias, utilizaremos un filtro pasa-banda.

Un filtro pasabanda es un tamiz matemtico que permite retener slo aquellos componentes dentro de una limitada banda de frecuencias y eliminar todos los dems componentes por encima o por debajo de la banda permitida. La funcin del filtro pasabanda es similar a la funcin del analizador de altura de pulsos de la gamacmara, que permite registrar slo aquellos fotones dentro de cierta ventana de energa. El paso final en el proceso es traer nuevamente los datos de la imagen modificada del dominio de la frecuencia al dominio del espacio. El procedimiento matemtico para este paso final es llamado transformada inversa de Fourier. Se ha discutido solamente la tcnica utilizando una transformada de Fourier monodimensional, pero existen varias tcnicas de procesamiento de imgenes que utilizan una transformada de Fourier bidimensional, lo cual no es otra cosa que la sumatoria de dos procesos de transformada monodimensional. Primero se realiza una transformada monodimensional para cada lnea de pixeles como se describi anteriormente; luego se realiza una nueva transformada monodimensional en cada uno de los coeficientes resultantes en cada columna. Tanto los filtros de Fourier como los filtros de convolucin pueden realizar la tarea de remover los aspectos indeseables de una imagen con la misma eficacia. Sin embargo, la tcnica de convolucin es usada ms frecuentemente en el procesamiento de imgenes en medicina nuclear, y una de las razones es el tiempo de computacin ya que la tcnica de convolucin es ms rpida que la tcnica de Fourier cuando los kernel son ms pequeos de 9x9. Sin embargo, con el advenimiento de computadoras ms potentes el tiempo de procesamiento ha dejado de ser una consideracin importante. El mtodo de Fourier puede generar algunos artefactos en la imagen si no se cuidan algunos detalles computacionales, lo cual es una de las razones por las que la tcnica de convolucin a veces es preferida para el suavizado o para el resaltado de bordes. 3. ANLISIS CUANTITATIVO DE LOS ESTUDIOS. Si la virtud de la medicina nuclear frente a modalidades de imgenes competitivas es su habilidad para evaluar las funciones fisiolgicas, la justificacin de una computadora para medicina nuclear es la posibilidad de realizar una evaluacin cuantitativa de los datos fisiolgicos obtenidos. Las variadas tcnicas de suavizado y mejoramiento del contraste son interesantes y a veces necesarias, pero la importancia de estas operaciones pasan a un segundo plano frente al anlisis cuantitativo de los datos. Una caracterstica comn a la mayora de los anlisis cuantitativos, ya se trate de estudios dinmicos o estticos, es que tienden a calcular un ndice numrico como expresin de una funcin fisiolgica de un rgano. Muchos de estos ndices numricos se han transformado en trminos comunes, como por ejemplo la fraccin de eyeccin cardaca, el flujo plasmtico renal efectivo, la funcin renal por separado, el vaciamiento gstrico, etc. Diversas operaciones computacionales son similares para muchos estudios funcionales. El procedimiento de cuantificacin de un estudio dinmico, por ejemplo, involucra la construccin de una regin de inters (ROI) en la imagen de un rgano, calculando el nmero de cuentas dentro del ROI y generando una curva que representa las variaciones de cuentas en funcin del tiempo. Basado en la curva de actividad/tiempo, se pueden derivar uno o ms ndices numricos representativos de la funcin del rgano en estudio. a) Creacin de ROIs. Dibujar una ROI es uno de los primeros pasos en casi todas las operaciones de cuantificacin de imgenes. La ROI generalmente constituye el contorno de un rgano cuya funcin fisiolgica se desea evaluar al cuantificar la cantidad de actividad que atraviesa dicha regin. Es necesario delinear el rgano de inters porque solamente queremos cuantificar la actividad dentro del rgano que se investiga y no en otras estructuras anatmicas incluidas en el campo de visin de la gamacmara.

La manera habitual de dibujar una ROI es mediante un dispositivo como un joystick, un trackball, o un mouse. Llevando el cursor a diferentes posiciones de la pantalla, se va trazando una lnea hasta completar la ROI. Tambin existen mtodos automticos o semi-automticos. Dado que el propsito de la ROI es aislar la actividad dentro del rgano para ser cuantificada, su trazado debe ser una representacin lo ms aproximada posible de los verdaderos contornos del rgano. Para algunos estudios como el renograma, el operador puede utilizar un juicio subjetivo para crear la ROI deseado, porque la relacin de rgano a fondo es elevada y slo estamos interesados en los cambios relativos de cuentas dentro de la ROI de una imagen a otra. Sin embargo, como regla general los bordes del rgano no estn muy bien definidos debido a baja resolucin, movimiento del rgano, baja cantidad de cuentas, actividad superpuesta de estructuras vecinas, etc. Bajo dichas circunstancias, el juicio visual para definir el contorrno del rgano puede resultar dificultoso. La subjetividad del anlisis y la destreza para dibujar tambin hacen que el trazado de la ROI sea variable entre distintos operadores. La sustraccin de cuentas del background de la imagen ayuda a incrementar el contraste y esto frecuentemente mejorara la definicin de los contornos del rgano antes de dibujar la ROI. Alternativamente, el operador puede determinar un umbral de cuentas en la escala de colores para alcanzar aproximadamente el mismo efecto visual en el monitor de lo que sera una sustraccin de actividad de fondo. Sin embargo, estas dos operaciones deben ser utilizadas con cautela. En muchas imgenes de bajo conteo y de bajo contraste como por ejemplo en los estudios de galio, el background puede ser tan alto como el 50 a 60 % de las cuentas mximas por pixel dentro de la ROI. Un umbral demasiado alto o una sustraccin excesiva de background pueden subestimar el tamao real del rgano. El aumento del contraste por tcnicas de convolucin o Fourier son utilizadas pocas veces para procesar previamente la imagen, especialmente por la posibilidad de causar distorsiones en los datos resultantes que pueden afectar la exactitud de la ROI. Con algunas imgenes de bajo conteo, a veces es til el suavizado de la imagen con un filtro de 9 puntos despus de la sustraccin de background para reducir el ruido estadstico. Debido a los problemas inherentes a la evaluacin subjetiva, se han desarrollado ciertos algoritmos con el propsito de identificar con precisin el borde del rgano objetivamente y en forma reproducible. Estos algoritmos son conocidos como mtodos de deteccin automtica de contorno. La mayora de estos mtodos utilizan la primera o segunda derivada de los perfiles de actividad para estimar el borde del rgano, y se basa en el gradiente de cuentas. Estos mtodos de gradiente parten de la premisa que en el borde de un rgano el pixel muestra una brusca modificacin del nmero de cuentas. La premisa tiene sentido si pensamos en el borde un rgano como una fina membrana que separa el interior del rgano conteniendo un alto nivel de actividad, de un bajo nivel de actividad de fondo. La ubicacin de esta membrana por tanto corresponde al punto de transicin donde las cuentas cambian rpidamente de un valor alto a un valor muy bajo. Este punto de transicin corresponde o bien al punto mximo o al punto mnimo en la primera derivada del perfil y se asume que corresponde al borde del rgano. Sin embargo, la mayora de los programas para deteccin de bordes usa la curva de segunda derivada en vez de la primera derivada para construir la ROI del borde. En un ejemplo idealizado, la segunda derivada es casi simtrica en los bordes y tiene forma de dos picos, facilitndo a la computadora la ubicacin de los contornos. Los puntos con valor 0 en la curva de segunda derivada corresponden a los puntos mximo y mnimo de la curva de primera derivada. En la mayora de los programas de deteccin de bordes, este punto 0 es automticamente seleccionado como la primera aproximacin para dibujar el contorno. Sin embargo, debido al ruido estadstico, el bajo contraste y los bordes mal definidos de la imagen, el verdadero contorno podra estar localizado en cualquier lugar entre el punto 0 y el punto mximo de la segunda derivada. El punto mnimo de la segunda derivada no se usa porque el pixel correspondiente se localiza en el interior del rgano y al utilizarlo como borde se subestimara el verdadero tamao del rgano. En caso de que el punto 0 no se correlacione bien con el verdadero borde segn una inspeccin visual, el programa usualmente permite al operador especificar un valor diferente hasta lograr un resultado satisfactorio. El mismo procedimiento es repetido construyendo un perfil de actividad para cada lnea de pixeles que pasan a travs del rgano de inters; los puntos son despus conectados a fin de construir una

ROI que represente el borde del rgano. La mayora de los programas para deteccin automtica de contornos comienzan solicitando al operador que coloque una ROI groseramente como un rectngulo o un crculo sobre el rgano cuyos contornos se desean determinar. La computadora entonces dibuja varios radios desde el centro geomtrico del ROI. Para cada radio, se calcula la segunda derivada desde el centro hacia afuera y se eligen los puntos que al unirse definirn el contorno. Los programas clnicos actuales usados para deteccin automtica de bordes involucran muchos detalles sutiles, tales como sustraccin de background, deteccin de umbrales, suavizado de imgenes, etc. a fin de obtener una ROI tan prxima al borde verdadero del rgano como sea posible. Estos mtodos funcionan admirablemente bien para rganos con alta captacin y relacin favorable con respecto al fondo. Para imgenes con un bajo contraste como aquellas obtenidas con el pool cardaco con escaso marcado de eritrocitos, los ROI generados por la computadora pueden ser errticos. Para este tipo de imgenes es necesario alguna sustraccin de background para incrementar el contraste, as como suavizado de 9 puntos para disminuir el ruido antes de aplicar el algoritmo de contornos automticos. Para algunas imgenes de pool cardaco, la separacin entre el ventrculo y las estructuras adyacentes est tan mal definida que debemos recurrir al dibujo manual de las ROI o utilizar imgenes funcionales como la fase y amplitud como gua para detectar los bordes. Una ventaja de los mtodos de deteccin automtica de contornos es la reproducibilidad de las ROI. Si el estudio es razonablemente de buena calidad, siempre resulta una ROI exactamente igual, independientemente del operador. Esta consistencia en la reproducibilidad es valiosa cuando se desean realizar estudios secuenciales de seguimiento, a fin de observar la direccin de los cambios en el estado fisiolgico del rgano ms que su valor absoluto. Para imgenes muy ruidosas, la reproducibilidad puede ser considerablemente menor. b) Generacin y procesamiento de curvas. En muchos estudios dinmicos, como por ejemplo el renograma, estamos ms interesados en las caractersticas del flujo del radiotrazador que en la visualizacin de los detalles anatmicos del rgano involucrado. El punto de partida para analizar cuantitativamente el patrn de flujo es la construccin de una curva de actividad vs tiempo, una grfica del nmero de cuentas dentro del ROI en funcin del tiempo. La curva resultante es entonces utilizada para extraer uno o ms ndices numricos para valorar la funcin fisiolgica del rgano. Sin embargo, los anlisis cuantitativos de las curvas pueden ser difciles si existen grandes fluctuaciones en los datos como resultante de problemas en la definicin del ROI, pobre estadstica de conteo y otras variables en el proceso de medida. A menos que pueda eliminarse en forma significativa el ruido estadstico de los datos de la curva, la informacin que sta contiene puede estar severamente distorsionada y los datos obtenidos sern poco confiables. Un mtodo para remover el ruido es realizar una operacin de suavizado de la curva (tambin llamado suavizado temporal, en contraposicin al suavizado espacial bidimensional de las imgenes). La ms simple de las operaciones de suavizado es a ojo y consiste en dibujar una nueva curva que pase en forma equidistante a travs de los puntos del graficado original. Este mtodo simple obviamente consume tiempo de operador y es subjetivo, inapropiado para el trabajo clnico de rutina. Afortunadamente hay muchas tcnicas matemticas de suavizado que se pueden implementar fcilmente en la computadora. Mtodo de promedios mviles: es similar al mtodo de reemplazo de los promedios para el suavizado espacial de las imgenes. Un ejemplo de un algoritmo de promedios mviles es el suavizado de 3 puntos, en el cual el valor numrico de un punto de inters es reemplazado por el promedio de los datos contenidos en el propio punto y sus dos puntos vecinos. Ynueva= [Y(n-1) + Y(n) + Y(n+1)] / 3

donde Y(nueva) es el nuevo valor suavizado del punto n, Y(n) es el valor original en ese punto, mientras Y(n-1) e Y(n+1) son los datos en los puntos inmediatamente antes y despus de Y(n) respectivamente. Este nuevo valor suavizado no es utilizado para calcular el siguiente promedio. En vez de eso, el dato suavizado es guardado en una tabla separada y slo los datos originales son utilizados para calcular el promedio mvil. Dos caractersticas comunes de la utilizacin del mtodo de los promedios mviles para el suavizado de una curva: o la tcnica tiende a suavizar las fluctuaciones extremas de los datos, o el primero y el ltimo punto no son generalmente promediados porque cada uno de esos puntos presenta datos a uno solo de sus lados. El nmero de puntos incluidos en el promedio mvil puede ser cualquier nmero impar comenzando por el 3 (3, 5, 7, 9, etc.), por ejemplo, en un promedio mvil de 5 puntos la expresin se transforma en: Ynueva= [Y(n-2) + Y(n-1) + Y(n) + Y(n+1) + Y(n+2)] / 5 Slo un nmero impar de puntos es utilizado para evitar que los puntos suavizados se inclinen en una direccin de la curva. Cuanto ms cantidad de puntos en el promedio mvil, mayor el efecto de suavizado. Debemos tomar en consideracin que el suavizado de una curva no necesariamente implica que sea ms representativa del fenmeno real. Por el contrario, el suavizado excesivo de una curva aleja la representacin grfica de la realidad del fenmeno que se desea analizar, por lo cual la aplicacin de esta herramienta exige cautela y experiencia del operador. Mtodo de promedios mviles ponderados: en el mtodo de promedios mviles se asume que los datos de ambos lados de un punto de inters, no importa cun lejos de ste, tienen igual importancia. Sin embargo, sabemos intuitivamente que la importancia de un punto de la curva disminuye a medida que la distancia al punto de inters se incremente. Por tanto, el problema causado por promediar un gran nmero de puntos de la curva puede ser parcialmente corregido aplicando un "peso" determinado para cada punto. La curva suavizada con el mtodo de los promedios ponderados retiene ms de las caractersticas de la curva original que la curva suavizada con un promedio mvil simple. Suavizado de datos por medio de ajustes de la curva. Los mtodos de promedios mviles ponderados y no ponderados tratan las fluctuaciones locales de una curva como si fueran ruido al azar. Las operaciones de promediado son intentos para disminuir el ruido estadstico haciendo que cada punto tome una transicin ms gradual con respecto a sus vecinos. Estos mtodos no asumen cul es el patrn particular de la curva o cul debera ser la funcin matemtica resultante de los datos. Un mtodo ms sofisticado de suavizado de la curva, el anlisis por regresin, asume que la curva se ajusta a cierta funcin matemtica. El procedimiento de ajuste de la curva por regresin o por mnimos cuadrados es el mtodo analtico para describir con el menor error los parmetros de la funcin deseada. El procedimiento de ajuste de curva lineal por mnimos cuadrados es quizs el mtodo ms comn y se aplica a una gran variedad de datos de curvas. Los datos que no siguen una lnea recta en el graficado original pueden ser lineales despus de una transformacin apropiada. Por ejemplo, cuando la actividad decrece exponencialmente con el tiempo, se obtiene una curva de tipo exponencial. Sin embargo, la curva exponencial se vuelve una lnea recta en un graficado semi-logartmico, cuando el logaritmo de la actividad se grafica en funcin del tiempo. La mayor parte de los procedimientos de ajuste exponencial de curvas encontrados en paquetes de software de medicina nuclear son meramente una extensin del procedimiento de ajuste lineal de mnimos cuadrados realizando primero una transformacin logartmica de la variable dependiente. Para curvas que no cambian montonamente en una direccin, el ajuste de mnimos cuadrados es inapropiado. Por ejemplo, la curva de volumen obtenida de un pool cardaco gatillado es ajustada mejor por una curva coseno, la curva de primer paso de pulmn para

clculo de cortocircuito cardaco se analiza ajustando los datos originales a dos funciones gamma para caracterizar el flujo sistmico y el flujo pulmonar. En estos dos ejemplos de ajuste no lineal de mnimos cuadrados, intentamos encontrar una ecuacin matemtica de forma que minimice las diferencias entre los datos originales y el valor calculado. Tcnicas miscelneas de manipulacin de curvas. Existen otras operaciones aritmticas como la integracin del rea bajo la curva y las operaciones aritmticas (suma, sustraccin, multiplicacin y divisin de una curva por una constante o por otra curva.) Estas operaciones son simples y su accin sobre los datos de la curva es obvia y su disponibilidad es imprescindible en un paquete de software de medicina nuclear. El escribir un programa de computacin para suavizado de curvas, deteccin de bordes o anlisis compartimental de funciones fisiolgicas es simple. Elegir los modelos matemticos, los parmetros de ajuste de curvas y los criterios para juzgar la bondad del ajuste es mucho ms difcil. La computadora es conveniente y objetiva, pero las operaciones que realiza son vulnerables al ruido que contienen los datos y al desvo de los datos obtenidos del paciente de las suposiciones utilizadas para aplicar el modelo matemtico elegido. c) Situacin especial: procesamiento de imgenes de PCV multigatillado. Los estudios de pool sanguneo cardaco multi-gatillado son frecuentemente usados en medicina nuclear para el clculo de la FEVI y el anlisis de la motilidad parietal ventricular. Anlisis cualitativo de datos. Uno de los caminos ms efectivos para evaluar la contractilidad cardaca es la presentacin cclica de una serie de imgenes multi-gatilladas en una sucesin rpida para crear una impresin de cine del latido cardaco. Aunque esta evaluacin visual de la funcin cardaca es subjetiva, se ha demostrado que la magnitud y la localizacin de una anormalidad sospechada en el movimiento parietal tiene una buena correlacin con la cinecoronariografa. La presentacin simultnea en modo cine de las imgenes multi-gatilladas adquiridas en diferentes proyecciones es especialmente til para observar las regiones de contraccin anormal de la pared. Debido a la relativamente pobre estadstica de conteo, es usualmente necesaria la manipulacin de imgenes, siendo el suavizado espacial, temporal y la normalizacin de cuentas los tres procesamientos ms frecuentemente usados. o Suavizado espacial. Para imgenes con bajo contraste, tales como las que usualmente corresponen a un estudio de pool sanguneo, la sustraccin de cuentas de background es fundamental para incrementar el contraste. Sin embargo, esta operacin tambin reduce el nmero de cuentas totales, resultando en una imagen ms ruidosa. Por tanto, es comn que cada frame en la serie sea suavizada espacialmente utilizando el filtro ponderado de 9 puntos, o incluso un filtro mediano. El propsito de suavizar la imagen es reducir el ruido de las altas frecuencias. o Suavizado temporal. En la prctica clnica, se adquieren entre 16 y 32 frames para representar el ciclo cardaco completo. El suavizado temporal es usualmente aplicado a la serie de imgenes para producir una variacin gradual en las cuentas de un frame al siguiente, reduciendo as el efecto de pestaeo generado por los cambios abruptos de cuentas por pixel entre sucesivos frames. El nmero de cuentas en un pxel dado de un frame, al ser suavizado temporalmente, es sustituido por un promedio ponderado de cuentas en el pixel correspondiente de los frames que lo preceden y lo suceden (similar a lo que acontece con los puntos de una curva de actividad/tiempo cuando es suavizada). Usualmente, los coeficientes de ponderacin son los mismos que los utilizados en el kernel de 9 puntos (esto es 1, 2, 1). Dado que el primer frame no tiene uno que lo preceda, las cuentas del pxel son promediadas tomando un factor de ponderacin promedio del primer y el segundo frame. El ltimo frame de la serie de imgenes es suavizado usando una tcnica llamada envolvente (wrapped around) la cual toma un promedio ponderado de cuentas en los pixeles correspondientes del ltimo y el primer frame, ya que se asume que el primer y el ltimo frame de la serie son en realidad dos intervalos de tiempo adyacentes en el ciclo cardaco. Sin embargo, las cuentas de los pixeles de primer frame

no son promediadas con las del ltimo frame, ya que los ltimos cuadros de la serie tienen invariablemente menos cuentas debido a variaciones de muestreo resultantes de la fluctuacin del intervalo R-R. o Normalizacin. Idealmente, los ltimos cuadros deberan tener cerca del mismo nmero de cuentas que los iniciales. Sin embargo, debido a la contraccin arrtmica o a variaciones fisiolgicas del ciclo cardaco durante la adquisicin, los ciclos ms cortos provocan que los cuadros finales contengan menos cuentas que los iniciales (generalmente se afectan las 2-3 ultimas frames). Puede hacerse que esos frames tengan el mismo nmero de cuentas totales que el resto, multiplicando el nmero de cuentas en cada pixel por un factor de normalizacin. Este factor para un frame dado se calcula como la relacin entre el nmero de cuentas totales en el primer frame y el nmero de cuentas totales en el frame a ser corregido. Luego de la normalizacin, los ltimos frames de la serie tendrn un nmero de cuentas totales similar al primero. El proceso de normalizacin es comnmente utilizado para reducir el efecto de pestaeo de la presentacin en modo cine, y habitualmente se aplica antes del suavizado temporal. Tambin corrige la cada final de la curva de volumen ventricular, aunque no suele afectar el resultado del calculo cuantitativo. La normalizacin es til cuando las variaciones en la duracin del ciclo cardaco son pequeas, ya que con grandes fluctuaciones en el intervalo R-R las cuentas acumuladas en un momento dado provendrn de diferentes fases del ciclo y los resultados sern poco confiables. En estas circunstancias se debe usar un programa de rechazo de latidos durante la adquisicin del estudio, que eliminan aquellos desviados en cierto porcentaje (usualmente 10-20%) de la duracin R-R media (ventana de aceptacin). Luego de estos pasos de preprocesamiento, se puede evaluar la motilidad parietal visualizando en modo cine, el patrn contrctil de las imgenes suavizadas y normalizadas. En general, es posible mostrar varias ventanas de cine a la vez lo cual facilita la comparacin de mltiples estudios de un mismo paciente, por ejemplo en reposo y esfuerzo. Se ha demostrado que la visualizacin simultnea en modo cine es un mtodo sensible y exacto para detectar disfunciones cardacas. Anlisis cuantitativo de datos. La FEVI es considerada por los cardilogos uno de los parmetros diagnsticos y pronsticos ms importantes de la funcin de bomba del corazn. Por tanto, es importante calcular este ndice de forma rpida, segura y consistente. Se pueden derivar otros muchos ndices numricos como la tasa mxima de eyecci y la tasa mxima de llenado a partir de los mismos datos utilizados para calcular la FEVI. El estudio de pool cardaco de equilibrio se basa en la presuposicin que la actividad vista por la gamacmara es directamente proporcional al volumen sanguneo. Por lo tanto, los cambios en la actividad de una cavidad cardaca, estn directamente relacionados con el cambio de volumen sanguneo en esa cavidad. o Regin de inters sobre el VI. La clave para calcular la FE satisfactoriamente es el trazado de una ROI exacta y consistente sobre el VI. Se requiere del dibujo de 4 ROIs: una sobre la imagen del VI en fin de distole, otra sobre el VI en la imagen de fin de sstole y las correspondientes reas de fondo para sustraer el background de ambas imgenes. Una vez corregidas las cuentas de fondo en las imgenes de fin de distole y fin de sstole, se calcula la FE de acuerdo a la frmula: FE = [(ctas FD ctas FS) / ctas FD] x 100 Se han desarrollado varios mtodos (ya descriptos) para detectar automticamente el contorno ventricular ahorrando tiempo y evitando subjetividades. El borde puede ser consistentemente detectado por la computadora cuando se obtienen altas estadsticas de conteo y el ventrculo est anatmicamente aislado de otras estructuras cardacas. Cuando la estadstica es baja y la actividad de fondo relativamente alta, por ejemplo por un pobre marcado de los glbulos rojos, un observador entrenado podr definir los bordes ventriculares en forma ms exacta que la propia computadora.

o Curva de volumen. La curva de actividad/tiempo del VI o curva de volumen, es generada para mostrar los cambios de volumen sanguneo del VI en el transcurso de un ciclo cardaco completo. Basados en la curva de volumen se pueden derivar varios ndices numricos, de los cuales los 3 ms importantes son: la FEVI, la tasa mxima de eyeccin y la tasa mxima de llenado. La FEVI cuya frmula se describe ms arriba, se expresa como un porcentaje y su valor se ve significativamente afectado por la sustraccin de background: si sta no se realiza o se subestima, la FEVI ser menor, mientras que si se resta excesivamente (p. ej. rea de BKG colocada sobre algn rgano), el valor de FEVI ser ms alto. La tasa mxima de eyeccin es la mxima pendiente negativa de la curva de volumen (fase sistlica de la curva), mientras que la tasa mxima de llenado es la mayor pendiente positiva (fase diastlica de la curva). Quizs debido a la incerteza acerca de los valores normales de estos dos parmetros, en la prctica son utilizados slo ocasionalmente. Imgenes funcionales. No son generadas para resaltar la resolucin espacial de las imgenes originales sino para ilustrar los cambios relativos de cuentas en cada pxel como ayuda en la evaluacin de la funcin cardaca. o La imagen de FE es un ejemplo de imagen funcional y es producida aplicando la frmula de FE a las imgenes de FD y FS pxel a pxel. La FE para cada pxel se muestra en un cdigo de color y la imagen resultante nos proporciona una representacin de la distribucin espacial de la FE. o La imagen de volumen de eyeccin (stroke volume) se obtiene sustrayendo la imagen sistlica de la diastlica. La imagen resultante tiene forma de herradura y refleja la distribucin relativa de actividad eyectada del ventrculo durante la sstole. Esta imagen representa cualitativamente la contribucin relativa de las diferentes regiones del ventrculo al volumen eyectado. o La imagen paradojal es smilar pero inversa a la imagen de volumen de eyeccin, producida sustrayendo la imagen distolica de la imagen sistlica. En un corazn normal hay ms cuentas en el ventrculo durante la distole que durante la sstole. Cuando la imagen diastlica es sustrada de la sistlica, la imagen paradojal contendr valores negativos en la regin de los ventrculos. Sin embargo, si existe una disquinesia (movimiento anormal) de la pared ventricular libre, el segmento anormal protruye hacia fuera del rea ventricular. Como resultado, el segmento disquintico dar valores positivos en la imagen paradojal. o Anlisis de fase. El anlisis de fase de un estudio cardaco multigatillado resulta en dos imgenes, la imagen de fase y la imagen de amplitud. La imagen de fase es una representacin grfica de la sincronizacin contrctil de cada segmento cardaco, mientras que la imagen de amplitud mide la intensidad dela contraccin y es en principio proporcional al volumen de eyeccin. El anlisis de fase trata cada pxel en forma independiente, construyendo una curva de actividad/tiempo correspondientes a cada pxel en la totalidad de cuadros de la serie. Para un estudio adquirido con 24 frames en matriz de 64x64, tendramos 4096 curvas de actividad/tiempo para describir la variacin de actividad durante el intervalo R-R. El anlisis de fase comienza realizando una transformada de Fourier de cada curva de actividad/tiempo de cada pxel. De esta TF se obtienen dos ndices numricos que son la amplitud y el ngulo de fase. Bsicamente, la amplitud define la magnitud de la contraccin y el ngulo de fase define el momento del ciclo en que sta ocurre. Se dice que dos pixeles estn en fase (sincronizados) si su mxima variacin de cuentas (contraccin) coincide en el tiempo. La imagen de fase se construye de la siguiente manera: arbitrariamente se asigna un ngulo de fase de 0 a todos los pixeles en el ventrculo derecho e izquierdo al comienzo de la sstole, por lo cual el ngulo de fase de los pixeles en la aurcula deberan estar a 180. Sin embargo, dado que la sangre no es eyectada simultneamente de todas las regiones auriculares y ventriculares, existe una distribucin de ngulos de fase dentro de cada cmara cardaca. Cuando se grafica los ngulos de fase de todos los pixeles correspondientes a la imagen cardaca, se obtiene un histograma con dos picos: el primero, alrededor del 0 corresponde a los ventrculos y el pico alrededor del ngulo 180 corresponde a las aurculas. A cada rango de ngulos de fase se asigna un color diferente (p. ej., cada 5) a fin de que en la imagen de fase se distingan fcilmente los sectores que se contraen en forma asincrnica.

En la imagen de amplitud, se representa la mxima amplitud de la curva de actividad /tiempo correspondiente a cada pxel de la imagen. Asumiendo que las cuentas son proporcionales al volumen sanguneo, la magnitud del cambio en la curva de actividad/tiempo es proporcional a los cambios de volumen en ese pxel durante el ciclo cardaco. A diferencia del volumen de eyeccin que se obtiene sustrayendo la imagen sistlica de la diastlica (mide por tanto la variacin entre dos momentos del ciclo), la imagen de amplitud mide el cambio total de volumen sin considerar en qu etapa del ciclo cardaco tuvo lugar ese cambio. Por lo tanto, la imagen de amplitud es una representacin verdadera del volumen sanguneo eyectado durante el ciclo. Sin embargo, es necesario contar con la informacin de fase pues las reas disquinticas (por tanto no efectivas en la eyeccin) tambin aparecen representadas en la imagen de amplitud. En consecuenci, observando la imagen de fase y la de amplitud se obtiene informacin condensada en 2 imgenes acerca de la contractilidad parietal regional. 4. RECONSTRUCCIN DE IMGENES TOMOGRFICAS. Con la tcnica de adquisicin de imgenes de SPECT, la responsabilidad del sistema es generar informacin tridimensional a partir de una serie de imgenes en dos dimensiones. Los algoritmos de reconstruccin son utilizados para generar estas imgenes tridimensionales, de las cuales se pueden obtener cortes tomogrficos a cualquier nivel y en cualquier plano. Existen bsicamente dos tipos de mtodos de reconstruccin tomogrfica: las tcnicas de retroproyeccin y las iterativas. a) Tcnicas de reconstruccin por retroproyeccin. El mtodo de reconstruccin por retroproyeccin es quizs el ms simple de todos los mtodos y el ms ampliamente utilizado. Es una composicin de todas las imgenes planares en cada parada alrededor del cuerpo del paciente. Existen dos tipos de retroproyeccin: simple y filtrada. Retroproyeccin simple. La retroproyeccin involucra la traslacin de los datos planares adquiridos a una matriz de reconstruccin. Las matrices de reconstruccin son perpendiculares a las matrices de las imgenes planares en que se adquirieron los datos al girar el detector alrededor del paciente (normalmente, en nmero de 60-64 a 120-128). Habr tantas matrices de reconstruccin como lneas en las matrices de adquisicin (p. ej., si la adquisicin se realiz en matriz de 64x64, existirn 64 matrices de reconstruccin). La sumatoria o apilamiento de las matrices de reconstruccin, darn lugar a un volumen (en este caso un cubo) conteniendo la informacin tridimensional del rgano en estudio. Cada unidad de esta matriz cbica final se denomina voxel, el cual puede ser imaginado como un pequeo cubo de un pxel de lado. En el caso de la retroproyeccin simple, la informacin de fotones recibida por un pxel es trasladada a todos los dems pixeles perpendiculares al detector, dando lugar a lo que se denomina suma de rayos. Si el objeto en estudio tiene forma puntual, la proyeccin del punto desde cada matriz de adquisicin hacia la matriz de reconstruccin dar lugar a una serie de lneas o rayos cuyo entrecruzamiento dar lugar a una representacin de ese punto. El resultado es una imagen reconstruida que brinda la localizacin correcta del punto pero a la vez contiene tantas lneas entrecruzadas que da a la imagen aspecto de estrella. En una imagen ms compleja, este efecto es muy distorsionante y resta utilidad diagnstica a menos que se utilicen otras tcnicas para eliminarlo. Retroproyeccin filtrada. La tcnica ms comnmente utilizada para compensar el efecto de la retroproyeccin simple es la que utiliza filtros, representando una forma fcil y efectiva para remover el patrn en estrella generado alrededor del objeto de inters. En vez de retroproyectar la imagen sin procesar, sta es antes filtrada (en realidad, el filtrado se puede hacer antes o despus de la retroproyeccin). Otro trmino usado para denominar el filtrado es convolucin, por lo que la funcin de filtrado en general es llamada kernel de convolucin.

Este kernel de convolucin es diseado viendo la fuente desde cada ngulo del detector (y desde cada lnea de la matriz de adquisicin) como un perfil de cuentas. A ese perfil de cuentas se le asignan valores negativos a cada lado. Los componentes negativos de cada proyeccin tienden a cancelar parcialmente los componentes positivos de otras proyecciones, con lo cual el patrn en estrella es reducido especialmente en las proximidades de la imagen reconstruida, la cual adquiere un aspecto ms fiel a la imagen del objeto original. El propsito del filtro es preservar lo ms posible la seal y reducir el ruido. Los filtros determinan qu frecuencias de los datos de proyeccin se aceptan como vlidas y son utilizadas en la reconstruccin de la imagen. Eliminan o disminuyen los artefactos de la imagen reconstruida y corrigen el borroneado que resulta naturalmente de la suma de los datos de proyeccin. Los filtros pueden ser diseados de forma que su comportamiento sea predecible o sea que se seleccione el filtro de acuerdo a la forma en la cual afectar la imagen final. En general, cuanto ms densidad de informacin (cuentas) tenga un estudio, mayor ser la relacin seal/ruido lo cual resultar en una mejor imagen y menor ser la necesidad de filtrar el ruido. b) Tcnicas de reconstruccin iterativa. La tcnica iterativa, tambin llamada algebraica, fue una de las primeras aplicadas en medicina nuclear para la reconstruccin de imgenes tomogrficas. Fue casi totalmente reemplazada por las tcnicas de retroproyeccin ya que requera demasiado tiempo computacional, pero actualmente con la disponibilidad de equipos potentes est regresando dado que brinda mejor calidad de imagen y la cuantificacin es ms exacta. El mtodo de retroproyeccin, basado en las frecuencias espaciales, brinda un mtodo de reconstruccin muy eficiente pero asume que los datos son proyecciones simples de suma de rayos. Cuando estn presentes otros efectos como la atenuacin, scatter y ruido estadstico, estos mtodos son susceptibles de crear artefactos. El mtodo de reconstruccin iterativa ms general y toma en cuenta todas esas variables. La clave de la reconstruccin iterativa es una buena comprensin del proceso de recoleccin de datos de forma que pueda ser modelado en la computadora. El mtodo iterativo est basado en una serie de aproximaciones secuenciales. Comienza con una retroproyeccin simple que genera una primera imagen reconstruida. Luego se reproyectan los datos de esa imagen, desde la matriz de reconstruccin hacia las matrices de adquisicin (mtodo inverso al de la retroproyeccin). Como los datos originales de las matrices de adquisicin son conocidos, la diferencia entre los datos reproyectados y los originales representan el error producido en el proceso de reconstruccin. Este error es usado para corregir la imagen reconstruida, la cual es reproyectada nuevamente y comparada otra vez con los originales. Este proceso se repite varias veces, hasta llegar a un resultado casi perfecto. El mtodo iterativo tiene la gran ventaja de permitir incluir muchas variables que afectan la imagen: atenuacin, scatter, resolucin del colimador, etc. y por tanto pueden incorporarse las correcciones respectivas. 5. FUSIN DE IMGENES. a) Consideraciones generales. Dada la importancia de contar a la vez con informacin anatmica y fisiolgica as como la disponibilidad de mtodos estructurales y funcionales, a veces ya incorporados en equipos hbridos tales como PET/CT y SPECT/CT, la fusin de imgenes de diferentes modalidades est cobrando gran inters para el diagnstico mdico no invasivo y para guiar la terapia. Debe realizarse una distincin entre fusin y registro de imgenes. En trminos generales, la fusin implica un aprovechamiento sinrgico de imgenes relacionadas espacialmente. Los ejemplos incluyen no solamente la presentacin combinada de estudios antomo-funcionales sino el uso de datos registrados para definicin de regiones de inters, correccin de atenuacin o del efecto del volumen parcial, etc. Sin embargo, todas las aplicaciones de la fusin dependen del desarrollo y empleo de algoritmos para el correcto registro espacial de las imgenes.

Existen numerosos algoritmos para el registro, todos los cuales incluyen la optimizacin de la similitud entre una imagen a la que se asignan parmetros mviles (imagen flotante) y una imagen fija de referencia. El algoritmo de registro debe necesariamente contar con una o ms medidas de similitud entre las imgenes a registrar. Estas medidas determinan la robustez y flexibilidad del algoritmo utilizado. Se han sugerido varios tipos de medidas de similitud, que generalmente incluyen 3 categoras: basadas en marcas externas, basadas en contornos o superficies, y basadas en intensidad de voxels. La eleccin de la medida de similitud depende, de alguna manera, de su aplicacin. La mayora de los problemas prcticos iniciales con respecto al registro de imgenes se han superado y existe actualmente amplia disponibilidad de software comercial. Diversos estudios han demostrado que puede lorarse una exactitud del orden de medio pxel para imgenes de diferentes modalidades y para todo registro en general. Aunque el registro basado en el hardware utilizando instrumentos hbridos es prcticamente automtico y muy preciso, el uso de herramientas de software para manipular y fusionar imgenes procedentes de equipos remotos (o adquiridas en diferentes momentos) continuar jugando un importante papel en medicina nuclear. b) Algoritmos generales para el registro de imgenes. Dados dos juegos de imgenes (normalmente 3D), el registro requiere la determinacin de transformaciones que deben ser aplicadas a una imagen (conocida como imagen flotante) para conseguir su alineacin con la segunda imagen (conocida como imagen de referencia). Para determinar las transformaciones necesarias normalmente se requiere una bsqueda iterativa mediante la cual se intenta optimizar una medida de la similitud entre la imagen flotante transformada y la imagen de referencia. Esto generalmente se logra usando un algoritmo de optimizacin automtico. Existen dos tipos bsicos de transformaciones que pueden ser aplicadas para la alineacin de imgenes: Rgidas: asume que slo son necesarias la traslacin y/o rotacin. No rgidas: es aplicable cuando no se puede asumir la rigidez de las estructuras a registrar. Una transformacin no-rgida permite cambios de forma globales o regionales a travs de transformaciones ms complejas. Para el registro de imgenes de crneo es usualmente adecuado el uso de transformaciones rgidas, mientras que las imgenes de otras regiones u rganos pueden requerir transformaciones no rgidas. En cuanto a su aplicacin prctica, se distinguen 3 clases de registro de imgenes: Intra-modalidad, intra-sujeto: es la comparacin de estudios seriados de la misma modalidad, usando algoritmos relativamente simples que se adaptan bien para transformaciones rgidas. Un ejemplo de aplicacin de este tipo de registro es para la comparacin de estudios de SPECT cerebral ictal e interictal. Intra-modalidad, inter-sujeto: la alineacin de estudios de mltiples pacientes es bastante comn para el establecimiento de un rango normal o para la realizacin de anlisis poblacionales. Sin embargo, la coincidencia de imgenes entre individuos no es trivial y requiere transformaciones no-rgidas. Un ejemplo es la evaluacin de activacin cerebral en grupos de pacientes usando el mapeo estadstico paramtrico (statistical parametric mapping o SPM). Inter-modalidad, intra-sujeto: es probablemente el rea de mayor inters y consiste en el registro de imgenes de un mismo paciente provenientes de distintas modalidades, donde los parmetros a alinear pueden tener valores bien diferentes. Esto requiere de algoritmos ms sofisticados que aquellos que manejan una comparacin directa de valores. Debe asumirse un modelo rgido o no rgido, dependiendo de la aplicacin. El registro de imgenes PET o SPECT con CT o MRI caen en esta categora.

Procesamiento de Imgenes en Medicina Nuclear.

1. INTRODUCCIN. 2. PROCESAMIENTO CUALITATIVO DE LAS IMGENES. a) Mtodos convolutivos de procesamiento (filtros de suavizado). Filtro de promedio no ponderado. Filtro de promediado ponderado. Suavizado mediano. Resalto de bordes. b) Mtodos de Fourier para manipulacin de imgenes. Fundamentos del anlisis de Fourier. Filtros de Fourier. 3. ANLISIS CUANTITATIVO DE LOS ESTUDIOS. a) Creacin de ROIs. b) Generacin y procesamiento de curvas. Mtodo de promedios mviles. Mtodo de promedios mviles ponderados. Suavizado de datos por medio de ajustes de la curva. Tcnicas miscelneas de manipulacin de curvas. c) Situacin especial: procesamiento de imgenes de PCV multigatillado. Anlisis cualitativo de datos. Suavizado espacial. Suavizado temporal. Normalizacin. Anlisis cuantitativo de datos. Regin de inters sobre el VI. Curva de volumen. Imgenes funcionales. La imagen de FE. La imagen de volumen de eyeccin. La imagen paradojal. Anlisis de fase. 4. RECONSTRUCCIN DE IMGENES TOMOGRFICAS. a) Tcnicas de reconstruccin por retroproyeccin. Retroproyeccin simple. Retroproyeccin filtrada. b) Tcnicas de reconstruccin iterativa. 5. FUSIN DE IMGENES. a) Consideraciones generales. b) Algoritmos generales para el registro de imgenes (rgidos y no rgidos). Intra-modalidad, intra-sujeto. Intra-modalidad, inter-sujeto. Inter-modalidad, intra-sujeto.