SEGMENTACION DE ORGANOS

MAYGUALIDA SANCHEZ FLORES, MARIANO RIVERA

1.

I NTRODUCCI ON

La segmentaci n de im genes m dicas consiste en separar el area (u organo) de o a e inter s de lo dem s organos, esto con la nalidad de obtener una mejor visibilidad e a del organo que ayude a un mejor diagn stico m dico o a un tratamiento adecuado. o e En el presente trabajo se abordara la segmentaci n de cerebro/no cerebro utilizano do la base de datos de Harvard IBSR [3] la cual contiene 20 cerebros de sujetos normales, sin embargo cabe mencionar que es un algoritmo dise ado para segn mentar distintos tipos de organos. Para el caso de estudio de pelado de cerebro, se necesita un campo de etiquetas binario para realizar la segmentaci n. El Presente o documento tiene la siguiente estructura: en la secci n 2 se revisa el m todo proo e puesto por Rivera et al. en [1] ya que este trabajo toma su base en el, en la secci n o 3 se describe en que consiste la propuesta de segmentaci n. La secci n 4 contiene o o los experiemtnos realizados as como los resultados obtenidos. Las conclusiones se muestran en la parte 5 de este documento. 2. Q UADRATIC M ARKOVIAN P ROBABILITY F IELDS

Recientemente, Rivera et al., en su trabajo: Quadratic Markovian Probability Fields for Image Binary Segmentation, mostraron un modelo de campos aleatorios de Markov para segmentaci n de im genes binaria que calcula la probabilidad de o a cada pixel de pertenecer a una clase dada. A continuaci n se hace un breve resumen o de este m todo. Sean las verosimilitudes normalizadas correspondientes a la primer e y segunda clase: (1) para k = 1, 2; con (2) se denen las distancias: (3)
Date: 20 de Julio de 2008.
1

vk (x, ) =

vk (x, k ) , s(x, )

s(x, ) =

def k

vk (x, k ),

dk (x) = log vk (x, k ).

def

Entonces el m todo QMPF consiste minimizar la siguiente funci n de Costo e o cuadr tica sin restricciones: a (4) Q() =
xR

2 (x) [d1 (x) ]+(1(x))2 [d2 (x) ]+

yNx

((x)(y))2 .

Las propiedades de convergencia de (4) est n establecidas en [1]. a Para nuestro problema de segmentaci n de organos se necesita un mapa de etio quetas binario, por lo cual usaremos QMPF para estimar la probabilidad de que un pixel pertenezca a un determinada clase. Cada imagen a segmentar g tiene asociada un trimapa que es un mapa de etiquetas con las siguientes clases {Brain, No Brain, Unknown} para determinar el objeto de inter s (cerebro), el fondo y la e zona de incertidumbre es decir, el area donde se desconoce a que clase pertenece dicho voxel. Si consideramos que la informaci n dada por el trimapa es perfecta, o es decir que no existe error en la clasicaci n de cada voxel respecto a las clases o o del trimapa (Mayorga [4]), la funci n de energa a minimizar por Gauss-Seidel es dada por: (5) Q1 () =
xU

2 (x) [DB (x)]+(1(x))2 [DN (x)] +

xU yNx

wx,y ((x)(y))2 .

con: (6) (7) DB (x) = log vB (x), DN (x) = log vN (x).

def def

donde wx,y es una funci n indicadora de discontinuidad en la imagen g, se busca o que tienda a 1 cuando no exista discontinuidad al rededor de x, y que tienda a 0 cuando existan discontinuidades, y vB (x), vB (x), son las verosimilitudes de cada voxel para la clase Brain y No Brain, calculadas con en [1] y = 0. Igualando a cero el gradiente de (14) y resolviendo para (x) obtenemos la ecuaci n que nos brinda una iteraci n de Gauss-Seidel para el sistema con diagonal o o dominante: DN (x) + sNx wx,y p(x) x U. (8) p(x) = DB (x) + DN (x) + yNx wx,y Al iterar 8 se garantiza que, partiendo de una x [0, 1] se obtenga el valor estimado p(x) [0, 1].

3.

P ROPUESTA DE SEGMENTACI ON

Nuestra propuesta de segmentaci n consta de una fase de registro en la que reo gistramos la imagen del cerebro a registrar G con un atlas F , que es una imagen
2

de otro cerebro de la que tenemos el modelo m para la segmentaci n de cereo bro/No crebro proporcionada por un experto y adem s contamos con su trimapa a T . As mediante la fase de registro estimamos el modelo mF , y el trimapa T de la imagen a segmentar. Cabe mencionar que el registro se hace en dos pasos, en el primero se registran ambas im genes tal como se encuentran, mediante este paso se a estima m1 que servir para realizar una segmentaci n inicial G y la segmentaci n a o o F mediante m , en el segundo paso se registran F y G para obtener el modelo nal estimado mF . El dividir la fase de registro en dos pasos mejora los resultados ya que al momento de realizar el segundo paso se registra solo el area de inter s. e Consideramos que al momento de estimar el trimapa de una imagen existe error en la asignaci n de los voxeles respecto a las clases, esto es que un voxel pudo o ser mal clasicado. De acuerdo a [1] se calculan las verosimilitudes para cada voxel. Posteriormente se calculan unas nuevas verosimilitudes tomando informaci n o proporcionada por el trimapa de la imagen dentro de una vecindad, entonces: (9) con: (10) y (11) deniendo: (12) (13) DB (x) = log vB (x), DN (x) = log vN (x).
def def

vB (x) =
yNx

yNx

vB (y) pB (y)
yNx

vB (y) pB (y) +

vN (y) pN (y)

0.8 si map(x)= B pB (x) = 0.4 si map(x) =U 0.2 si map(x) =N vN (x) = 1 vB (x pN (x) = 1 pB (x)

Entonces la funci n de energa a minimizar es: o (14) Q2 () =

xM

2 (x) [DB (x)]+(1(x))2 [DN (x)]+

yNx

wx,y ((x)(y))2 .

donde M es regi n delimitada por el trimapa, es decir se calcula para toda la o imagen y no solo para los voxeles clasicados como Unknown. 4. E XPERIMENTOS

e Anteriormente Mayorga [4] en su tesis de Maestra, propuso un m todo de segmenntaci n basado en trimapas, donde se consideraba que el trimapa estimado o para la imagen a segmentar no tenia errores, en los siguientes resultados se mostrara que si se considera que el trimapa estimado no es perfecto, adem s la propuesta a de modicar la verosimilutud de cada voxel tomando encuentra la informaci n o
3

proporcionada por el trimapa, los resultados obtenidos mejoran considerablemente, para validar nuestros resultados se utilizaran las siguientes m tricas: e Si el campo de etiquetas verdadero es gL y el estimado es fL y GL FL
def

{r : gL (r) = 1}, {r : fL (r) = 1},

def

entonces se dene la m trica de Tanimoto T M [5] como: e def |FL GL | (15) T M (fL , gL ) = . |FL GL | y el ndice de similaridad SI |FL GL | def . (16) SI (fL , gL ) = 2 |FL | + |GL | se puede demostrar que SI 2T M / (1 + T M ) y como las m tricas est n entre e a [0, 1] se tiene que T M SI . 4.1. Resultados sobre los 20 cerebros de IBSR. El presente m todo requiere e como entrada de una imagen como atlas y de la segmentaci n dada por un experto o para dos m scaras, la primera contiene lquido cefaloraqudeo, materia gris y maa teria blanca, la segunda s lo materia gris y blanca. La salida del m todo propuesto o e son la segmentaci n estimada para cada una de las m scaras del sujeto a segmeno a tar. e En la tabla 1, se muestra el valor del ndice de similaridad y m trica de Tanimoto, para los 19 cerebros de la base de datos IBSR para la primera m scara. Mientras a que los resultados para la m scara2 se muestra en la tabla 2. a
Sujeto IBSR 01 IBSR 02 IBSR 03 IBSR 04 IBSR 05 IBSR 06 IBSR 07 IBSR 08 IBSR 09 IBSR 010 IBSR 011 IBSR 012 IBSR 013 IBSR 014 IBSR 015 IBSR 017 IBSR 018 Media Mnimo M ximo a M. Tanimoto m todo Mae yorga 0.730451 0.752873 0.796771 0.808319 0.79267 0.78873 0.799763 0.777322 0.779644 0.726788 0.62855 0.74669 0.771998 0.787165 0.792463 0.767952 0.797127 0.767369 0.62855 0.808319 Ind. Similaridad m todo e Mayorga 0.844232 0.859016 0.886892 0.894 0.884346 0.881889 0.888742 0.874711 0.87618 0.84178 0.771914 0.854977 0.87133 0.880909 0.884217 0.868747 0.887113 0.867705588 0.771914 0.894178 M. Tanimoto, para seg. Propuesta 0.865858 0.878896 0.845883 0.870952 0.890885 0.889135 0.832069 0.735471 0.861185 0.70002 0.79172 0.849874 0.843056 0.866285 0.846649 0.83862 0.873545 0.840006059 0.70002 0.890885 Ind. similaridad, para seg. Propuesta 0.928107 0.935545 0.916508 0.931025 0.942294 0.941314 0.908338 0.847575 0.925416 0.823544 0.883754 0.918845 0.914846 0.928352 0.916957 0.912228 0.932505 0.912186 0.823544 0.942294

TABLA 1. Indices de similaridad y m tricas de Tanimoto T M , e para los m todos de P.P. Mayorga y el propuesto para la m scara1. e a
4

Sujeto IBSR 01 IBSR 02 IBSR 03 IBSR 04 IBSR 05 IBSR 06 IBSR 07 IBSR 08 IBSR 09 IBSR 10 IBSR 11 IBSR 12 IBSR 13 IBSR 14 IBSR 15 IBSR 17 IBSR 18 Media Mnimo M ximo a

M. Tanimoto m todo Mae yorga 0.735648 0.757717 0.796318 0.806633 0.797539 0.800622 0.800597 0.782496 0.783208 0.758651 0.62889 0.751697 0.774681 0.792825 0.792378 0.777981 0.80194 0.77293 0.62889 0.80663

Ind. Similaridad m todo e Mayorga 0.847692 0.86216 0.886611 0.892968 0.887368 0.889273 0.889257 0.877978 0.878426 0.862765 0.77217 0.85825 0.873037 0.884442 0.884164 0.875129 0.890085 0.87128 0.77217 0.89296

M. Tanimoto, para seg. Propuesta 0.850836 0.864564 0.797981 0.861739 0.876494 0.8733 0.816499 0.696368 0.850768 0.70097 0.77475 0.836599 0.830048 0.851204 0.832015 0.816854 0.860712 0.82304 0.69637 0.87649

Ind. similaridad, para seg. Propuesta 0.919407 0.927363 0.887641 0.925736 0.934183 0.932365 0.898981 0.814019 0.919368 0.82038 0.873081 0.911031 0.907133 0.919622 0.908306 0.899196 0.925143 0.90135 0.81401 0.93418

TABLA 2. Indices de similaridad y m tricas de Tanimoto T M , e para los m todos de P.P. Mayorga y el propuesto para la m scara2. e a

5.

C ONCLUSIONES

Presentamos un algoritmo autom tico de segemntaci n de im genes m dicas de a o a e prop sito general basado en el trabajo de Rivera et al. [2]. La fase de registro consta o de dos pasos los cuales mejoran notablemente la estimaci n de los modelos de la o imagen a registrar, el c lculo de las verosimilitudes agregando informaci n apriori a o proporcionada por el trimapa y el considerar que la estimaci n del trimapa no es o perfecta provee al algoritmo qmpf rapidez en el proceso de minimizaci n realizada o mediante un algoritmo Gauss-Seidel, el cual puede efectuarse de manera multigrid reduciendo el tiempo de ejecuci n y de forma iterativa obteniendo mnimos locales o seg n requiera el problema. u R EFERENCIAS
[1] Mariano Rivera and Pedro P. Mayorga Quadratic Markovian Probability Fields for Image Binary Segmentation. [2] Mariano Rivera, Omar Ocegueda and Jose L. Marroquin EntropyControlled Quadratic Markov Measure Field Models for Efcient Image Segmentation. [3] Center for Morphometric Analysis at Massachusetts General Hospital. IBSR (Internet Brain Segmentation Repository). Available at http://www.cma.mgh.harvard.edu/ibsr/ [4] Pedro Pablo Mayorga Alvarez. Segmentaci n de organos apoyado en el uso asistido y automao tizado de trimapas. Tesis de Maestra en Computaci n, CIMAT (2006). o [5] Pattern Classication and Scene Analysis by Duda and Hart, 1973, p. 216