Sistema automatizado de apoyo al diagnostico de lesiones en imagenes de mamografias. Segunda parte. Situacion referencial
Autor: Dr. Juan José Bedolla Solano | Publicado:  10/02/2012 | Radiodiagnostico y Radioterapia , Articulos | |
Sistema automatizado diagnostico lesiones imagenes mamografias. Segunda parte. Referencias .9

Una técnica algo más precisa consiste en la umbralización local. En este caso el valor de umbral se determina localmente para ventanas de menor tamaño, en función de los niveles de gris de los píxeles contenidos en la ventana. Una de las técnicas más populares para la segmentación de algunos tipos de tumor, caracterizados por presentar un nivel de brillo superior al del tejido circundante, es la conocida como region growing. La idea básica de este algoritmo es determinar un conjunto de semillas en la imagen y a continuación hacer crecer de manera iterativa dichas semillas, mediante la adición de píxeles vecinos cuyas características sean similares a la de la semilla. Cuando la región deja de crecer, se compara el nivel de intensidad medio de la misma con la intensidad de las regiones de alrededor, para determinar si se trata de una región sospechosa o no.

Las claves para el correcto funcionamiento de este algoritmo radican en el criterio de selección de semillas así como en el criterio utilizado para determinar si un píxel debe o no añadirse a la región.

Una técnica muy similar es la conocida como region clustering. En este caso las regiones se buscan directamente, sin necesidad de establecer semillas iniciales. El algoritmo de k-medias es una técnica de agrupamiento o clustering ampliamente utilizada. Otros algoritmos clásicos utilizados habitualmente para la segmentación de tumores son aquellos basados en la detección de bordes como los filtros de Sobel, Prewitt, Laplaciano, etc.

Otra técnica ampliamente utilizada es el emparejamiento de patrones o template matching. Esta aproximación trata de segmentar las anomalías buscando en la imagen patrones que guarden cierta similitud con un conjunto de prototipos obtenidos previamente de una muestra de entrenamiento. Cuando el tamaño de los patrones (anomalías) a segmentar se desconoce, es necesario disponer de un conjunto de prototipos que abarque todas las escalas posibles, o analizar la imagen de test a distintas escalas.

Substracción de imágenes: mediante la substracción de imágenes se pueden localizar diferencias entre dos imágenes médicas de un mismo paciente tomadas en distintos momentos. Para que esta aproximación genere resultados aceptables, es necesario realizar un alineamiento elástico entre ambas imágenes. Las diferencias encontradas entre una y otra imagen serán regiones sospechosas, aunque entre estas regiones puede haber un número importante de falsos positivos. Es necesario, por tanto, un posterior análisis basado en algún tipo de características, que ayude a reducir los falsos positivos. En los casos de órganos simétricos, como por ejemplo la mama, es posible también buscar diferencias entre las imágenes de cada órgano (por ejemplo mamografías del pecho izquierdo y derecho) tomadas en la misma sesión.

Técnicas multiescala: en ocasiones el tamaño de los tumores puede variar considerablemente. En este sentido, las técnicas multiescala pueden facilitar la detección de los mismos. Para ello, el método de detección escogido se aplica a diferentes escalas y se combina, de algún modo, el nivel de sospecha detectado en cada una de las escalas. Por otro lado, mediante la transformación discreta de wavelets (DWT), también es posible hacer un análisis multiescala de la imagen.

Extracción de características y selección

Una vez segmentada la imagen, puede ser necesario extraer características de las distintas regiones de interés (ROI) seleccionadas para determinar con mayor precisión el nivel de sospecha. El espacio de características puede ser muy grande y complejo, debido a la gran variabilidad que puede darse tanto en el tejido sano como en el canceroso.

Sin embargo, no todas las características obtenidas son igualmente significativas. Usar un número excesivo de características puede incrementar la complejidad del clasificador y degradar el rendimiento del mismo. La extracción y selección de características es una etapa clave para la correcta detección de tumores, ya que el rendimiento del sistema de CAD depende más de la optimización de la extracción y selección de características que del método de clasificación. Dependiendo del tipo de características que se extraigan de la imagen, el espacio de características puede dividirse en tres categorías: características de intensidad, características geométricas y características de textura.

a) Las características de intensidad es la aproximación más simple. Básicamente consiste en utilizar los valores de niveles de gris de cada ROI para caracterizar la misma. Otras aproximaciones utilizan características que representen la diferencia entre el nivel de gris medio de la ROI y el nivel de gris medio de los píxeles que circundan la ROI.

b) Las características geométricas o morfológicas se basan en la forma de la ROI, calculándose a partir del área y borde de la misma (área, perímetro, convexidad, momentos de primer, segundo y tercer orden, oblicuidad, etc.).

c) Las características de textura pueden obtenerse a partir de técnicas muy diversas, entre las que cabe destacar las matrices de concurrencia, también llamadas Matrices de Dependencia de Niveles de Gris o Space Gray Level Dependence Matrices (SGLDM), los vectores de estadísticas de diferencia de nivel de gris (GLDS) o las características de Run Length Statistics (RLS).

Independientemente del tipo de características obtenidas en primera instancia, se puede aplicar el Análisis de Componentes Principales (PCA) para decorrelar las distintas características y reducir su número. En este sentido, las técnicas más utilizadas son la selección de características por etapas mediante el Análisis Lineal Discriminante y los Algoritmos Genéticos.

Clasificación

Una vez que las características han sido extraídas y seleccionadas, estas deben ser clasificadas para determinar el grado de sospecha Cada clasificador puede tener su propia región del espacio de características donde su rendimiento es mejor, por lo que la combinación de distintos clasificadores puede mejorar significativamente el rendimiento global. Los clasificadores pueden combinarse en paralelo, en cascada o de forma jerárquica.

Evaluación del modelo

Un método ampliamente utilizado para la comparación de clasificadores binarios en general y para la clasificación de tumores en particular, es el análisis mediante curvas ROC (Receiver Operating Characteristic), en las que se muestran los verdaderos positivos en función de los falsos positivos

Cuando el sistema a evaluar no es puramente de clasificación, sino de detección y localización, en el que puede observarse más de un tumor en la imagen, entonces el método más adecuado para la evaluación es el basado en curvas Free-ROC (FROC). En este caso, se muestra la relación entre los verdaderos positivos y el número medio de falsos positivos por imagen.

Detección de cáncer de mama

El cáncer de mama es, tras el de pulmón, el tipo de cáncer que tiene mayor índice de mortalidad entre las mujeres. En cuanto a incidencia, ocupa también el segundo lugar tras el cáncer de piel. La probabilidad de que una mujer desarrolle un cáncer de mama invasivo (tumor en estado avanzado) durante su vida está entre el 8 y el 13%.

Dependiendo de la severidad del cáncer (tamaño y localización) éste se clasifica en distintas fases o estadios. En el caso del cáncer de mama, estas fases van de la 0 (cáncer incipiente) hasta la IV (cáncer avanzado con metástasis). En la Tabla 5, se muestran los porcentajes de supervivencia tras los 5 primeros años para cada una de estas fases. Como puede observarse, las probabilidades de curación decrecen drásticamente a medida que aumenta la severidad del cáncer. 

diagnostico_lesiones_mamografias/fase_supervivencia

Tabla 5. Índice de supervivencia tras los 5 primeros años de haberse detectado un cáncer de mama (Fuente: American Cancer Society).

Métodos actuales en el diagnóstico del cáncer de mama

Actualmente, los métodos más utilizados en el diagnóstico precoz del cáncer de mama son la autoexploración y la mamografía. Mediante la autoexploración sistemática, es posible detectar bultos u otros cambios en el seno, que pueden indicar la presencia de un tumor.

La mamografía es un test de imagen en el que se utilizan rayos X de baja radiación y películas de alta resolución. Hoy en día este test es la técnica más efectiva, de bajo coste y alta sensibilidad para el diagnóstico del cáncer de mama. Permite detectar entre un 85 y un 90% de los tumores, antes incluso de que estos puedan detectarse por palpación.. De un modo u otro, cuando se detecta una anomalía, se realizan otras pruebas de imagen para obtener un diagnóstico más preciso. Dichas pruebas pueden consistir en una nueva mamografía más detallada (nuevos ángulos, o mayor detalle en ciertas áreas), una ecografía o, de manera menos frecuente, una resonancia magnética, o una termografía.

Otras partes de este trabajo
Este trabajo consta de distintas partes. A continuación se listan todas:
  1. Sistema automatizado de apoyo al diagnostico de lesiones en imagenes de mamografias. Primera parte. Generalidades
  2. Sistema automatizado de apoyo al diagnostico de lesiones en imagenes de mamografias. Segunda parte. Situacion referencial
  3. Sistema automatizado de apoyo al diagnostico de lesiones en imagenes de mamografias. Tercera parte. Metodologia


Categorías
Buscar publicaciones:



 Búsqueda Avanzada




  Revista Electrónica de PortalesMedicos.com

Revista de Medicina y Ciencias de la Salud, de periodicidad quincenal, dirigida a los profesionales de la Salud de habla hispana. ISSN 1886-8924