Presentación de PowerPoint -...
Transcript of Presentación de PowerPoint -...
SISTEMA DE APOYO PARA
IDENTIFICACIÓN Y ESTIMACIÓN DE
VOLUMETRÍA DE NÓDULOS PULMONARES
Pontificia Universidad Javeriana
Autor. José Alejandro León Andrade
Directores: Andrea del Pilar Rueda Olarte
Carlos Alberto Parra Rodríguez
Bogotá, Junio 2015
CIS1510AP04
[En línea]. Disponible en:
http://imdillano.com/site/images/institucional/tac/tac3.jpg. [Accedido: 03-jun-
2015].
1
CONTENIDO
1. Introducción
2. Descripción
3. Análisis
4. Diseño
5. Implementación
6. Resultados
7. Conclusiones] [En línea]. Disponible en: http://1.bp.blogspot.com/-c3lZneSV-B0/VHKkngu2V9I/AAAAAAAAAHo/24CRz0lo25Q/s1600/_w8z2829.jpg.
[Accedido: 03-jun-2015].
2
INTRODUCCIÓN – PULMÓN
[En línea]. Disponible en: http://www.cun.es/material-audiovisual/infografia/nodulo-pulmonar Accedido: 03-jun-2015].
• Nódulos
oUno de los problemas
radiológicos más
frecuentes.
oAcumulación de células
de origen diferente a las
células normales del
pulmón. Puede ser
benigno o maligno.3
INTRODUCCIÓN – DETECCIÓN
Tomografía Axial Computarizada (TAC) de tórax.
Tomografía por Emisión de Positrones (PET).
Broncoscopia
Punción percutánea
Videotoracoscopia
LA ÚLTIMA DECISIÓN ES DEL MÉDICO ESPECIALISTA[En línea]. Disponible en: http://www.cun.es/material-audiovisual/infografia/nodulo-pulmonar Accedido: 03-jun-2015].
4
CONCEPTOS BÁSICOS – IMAGEN MÉDICA
Representación de unaimagen tridimensional
Escala Hounsfield para estructuras de interés
- «MOTE: Modelos Matema ticos III: Vectores y Matrices». [En linea]. Disponible en: http://moteorg.blogspot.com/2013/09/modelos-matematicos-iii.html. [Accedido: 17- may-2015].
- A. T. Reali, Radiodiagnostico y Radioterapia. Lulu, 2012.
5
CONCEPTOS BÁSICOS – NÓDULO PULMONAR
Características
[En línea]. Disponible en: http://www.cun.es/material-audiovisual/infografia/nodulo-pulmonar Accedido: 03-jun-2015].
6
CONCEPTOS BÁSICOS – NÓDULO PULMONAR
Nódulo calcificado
Nódulo grandeNódulo pegado
a pleura
Nódulo pequeño
[En línea]. Disponible en: http://www.via.cornell.edu/databases/lungdb.html Accedido: 03-jun-2015].
7
INTRODUCCIÓN – JUSTIFICACIÓN
[En línea]. Disponible en: http://www.cun.es/material-audiovisual/infografia/nodulo-pulmonar Accedido: 03-jun-2015].
O. Dume nigo Arias, B. de Armas Pe rez, A. Gil Hernandez, y M. V. Gordis Aguilera, «No dulo pulmonar solitario: Que hacer», Rev. Cuba. Cir., vol. 46, n.o 2, 2007.
90%
70-80%
85%
70%
Hallazgo casual
Tasa de curación
(Cáncer en estadio I)
Cáncer detectado son
estadio I.
Nódulos menores o
iguales de 10 mm son
benignos.
68%Nódulos malignos
diagnosticados
previamente como
indeterminados
20-30%Carcinomas presentados
como un Nódulo Pulmonar
Solitario (NPS)
40-50%NPS son lesiones malignas,
la mayoría carcinomas
primitivos de pulmón.
8
INTRODUCCIÓN – PROBLEMA
¿Cómo generar una aplicación con una interfaz gráfica quefacilite a un médico la lectura e interpretación de imágenesde TAC de tórax, para la identificación de estructuras delpulmón y de nódulos pulmonares?
• Aplicación intuitiva.
• Aplicación sencilla de usar.
• Hacer uso de algoritmos ya existentes.
• Aplicaciones similares en el mercado.
[En línea]. Disponible en: http://aluminiosvillalba.coremtheme.com/wp-
content/blogs.dir/32/files_mf/1365530395preguntas.jpg Accedido: 03-jun-2015].9
Implementar una aplicación
usando visión por computador,
para ayudar a un médico en la
identificación, ubicación y
estimación de la volumetría de
nódulos pulmonares, en
tomografía axial computarizada
(TAC) de tórax.
DESCRIPCIÓN – OBJETIVO GENERAL
[En línea]. Disponible en: http://img.directindustry.es/images_di/photo-
g/pantalla-lcd-tft-aplicaciones-medicas-1920-x-1200-25098-8239944.jpg.
[Accedido: 03-jun-2015].
10
• Evaluar los diferentes métodos que se emplean en la segmentación
y visualización de imágenes médicas de TAC de tórax.
• Diseñar un sistema para generar un modelo en 3D de los pulmones,
que ayude a identificar nódulos pulmonares y estimar su
volumetría, a partir de imágenes TAC de tórax.
• Implementar el sistema diseñado, junto con una interfaz 3D
interactiva.
• Realizar pruebas funcionales y de usabilidad con tomografías de
diferentes pacientes.
• Analizar los resultados, con el fin de refinar la herramienta de
software realizada.
DESCRIPCIÓN – OBJETIVOS ESPECÍFICOS
11
DESCRIPCIÓN – METODOLOGÍAFLUJOS DE TRABAJO
Iteración 2 Iteración 3 Iteración 4 Iteración 5 Iteración 6
Implementación
Pruebas
Documentación
Gestión de proyecto
Iteración 1
ELABORACIÓNCONCEPCIÓN CONSTRUCCIÓN
Modelo
Requerimientos
Análisis y diseño
Metodología ágil de proceso unificado (AUP)12
DISEÑO – ARQUITECTURA
Arquitectura PipelineArquitectura MVC
[En línea]. Disponible en: http://www.itk.org/itkindex.html. [Accedido: 03-jun-2015].
[En línea]. Disponible en: http://www.vtk.org [Accedido: 03-jun-2015].
[En línea]. Disponible en: http://www.qt.io/about-us/ [Accedido: 03-jun-2015].
Visualization ToolkitInsight Segmentation and Registration
Toolkit
QT
13
ANÁLISIS – CASOS DE USO
Casos de uso básicos
14
ANÁLISIS – CASOS DE USO
Casos de uso algoritmo
15
ANÁLISIS – CASOS DE USO
Casos de uso otras opciones
16
DISEÑO– MODELO DE DOMINIO
Modelo de dominio de la aplicación
17
IMPLEMENTACIÓN - ALGORITMO
Algoritmo de la aplicación
Inicio
Preprocesamiento
Pulmones
Mediastino
Obtener Vasos y árbol bronquial
Obtener imagen de entrada
Imagen en escala de gris
Umbralización Umbralización Umbralización
Imagen de candidatos
Fin
Cuerpo
OR
Imagen de valores propios
Imagen de contraste local
AND
Contorno
Segmentación de estructuras importantes
Detección de candidatos
1
1
18
IMPLEMENTACIÓN - PRE PROCESAMIENTO
Imagen de entrada Filtro mediana radio 5
InicioFiltro
mediana(radio)radio Mediana
Obtener imagen de entrada
Imagen de entrada
Obtener histogramaImagen de entrada Fin
19
IMPLEMENTACIÓN – SEGMENTACIÓN PULMONES
Obtener pulmones(semillas)
Semillas
Mediana
Máscara de pulmones
Obtener Contorno de Pulmones 2
Contorno pulmones
Crecimiento de
regionesCierre Contorno
Perfil de intensidad
de borde
20
IMPLEMENTACIÓN – SEGMENTACIÓN MEDIASTINO
Obtener Mediastino
Máscara de pulmones
Máscara de mediastino
Máscara de pulmones Máscara del
mediastinoMáscara del mediastino
– apertura21
IMPLEMENTACIÓN – SEGMENTACIÓN VASOS, ÁRBOL BRONQUIAL
Máscara de región de interés Región de interés
Obtener Vasos
Máscara de mediastino
Máscara de pulmones
Obtener Máscara de Región de interés
1
Obtener imagen de interés
Imagen de entrada
Obtener Región de búsqueda.Vasos- Árbol bronquial
Región de Búsqueda
22
IMPLEMENTACIÓN – SEGMENTACIÓN VASOS, ÁRBOL BRONQUIAL
𝐻 =
𝐼𝑥𝑥 𝐼𝑥𝑦 𝐼𝑥𝑧𝐼𝑦𝑥 𝐼𝑦𝑦 𝐼𝑦𝑧𝐼𝑧𝑥 𝐼𝑧𝑦 𝐼𝑧𝑧
Definición de Matriz
Hessiana
ESTRUCTURAS:
- Tubulares brillantes: 𝜆1 ≈ 0 𝑦 𝜆2 ≪ 0 𝑦 𝜆3 ≪ 0
- Tubulares oscuras: 𝜆1 ≈ 0 y 𝜆2 ≫ 0 𝑦 𝜆3 ≫ 0
- Planas brillantes: 𝜆1 ≈ 0 𝑦 𝜆2 ≈ 0 𝑦 𝜆3 ≪ 0
- Planas oscuras: 𝜆1 ≈ 0 𝑦 𝜆2 ≈ 0 𝑦 𝜆3 ≫ 0
- Esféricas brillantes: 𝜆1 ≪ 0 𝑦 𝜆2 ≪ 0 𝑦 𝜆3 ≪ 0
- Esféricas oscuras: 𝜆1 ≫ 0 𝑦 𝜆2 ≫ 0 𝑦 𝜆3 ≫ 0
𝑓 𝜆 = det(𝜆𝐼 − 𝐴)Definición de función de
valores propios
𝜆1 < 𝜆2 < |𝜆3|
Vasos y árbol bronquial son tubulares
23
IMPLEMENTACIÓN – SEGMENTACIÓN VASOS, ÁRBOL BRONQUIAL
Vasos – Árbol
bronquial (grises)
Segmentación
Vasos – Árbol
bronquial
Región de
búsqueda
Obtener Vasos
Máscara de mediastino
Máscara de pulmones
Obtener Máscara de Región de interés
1
Obtener imagen de interés
Imagen de entrada
Obtener Región de búsqueda.Vasos- Árbol bronquial
Región de Búsqueda
24
IMPLEMENTACIÓN – IMÁGENES DE CANDIDATOS - HU
Imagen en escala de grises (HU) Umbralización por criterio de HU
Imagen 1: Intensidad (Escala Hounsfield)Obtener Imágenes de candidatos (Escala de gris)
Región de Búsqueda
Obtener imágen de candidatos en escala de gris
UmbralImagen en
escala de grisesUmbralización
Umbralización de imagen original
Imagen 1: Criterio de Intensidad
25
IMPLEMENTACIÓN – IMÁGENES DE CANDIDATOS –VALORES PROPIOS
𝐶𝜆1 =
𝜆1, 𝜆1 > 0𝜆3, 𝜆1 ≤ 0 𝑦 𝜆2 > 0 𝑦 𝜆3 > 00, 𝐶𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Método Valores propios
Imagen con criterio de 𝜆1Umbralización de imagen
con criterio de 𝜆1
Imagen 2: Criterio de valores propios
Obtener Imágenes de candidatos (Escala de gris)
Región de Búsqueda
Obtener imagen de valores propios
UmbralImagen de
valores propiosUmbralización
Umbralización de valores propios
26
𝜆1 > 𝜆2 > |𝜆3|
IMPLEMENTACIÓN – IMÁGENES DE CANDIDATOS – CONTRASTE LOCAL
Imagen de contraste
localUmbralización de imagen
de contraste local
)𝑓 ∘ 𝑏 = 𝑓 − (𝑓 ∘ 𝑏
Top-hat
Obtener Imágenes de candidatos (Escala de gris)
Región de Búsqueda
Obtener imagen de Contraste Local
UmbralImagen de
contraste localUmbralización
Umbralización de contraste local
Imagen 3: Criterio de contraste local
27
IMPLEMENTACIÓN – IMAGEN DE CANDIDATOS
Obtener candidatos
Umbralización de valores propiosUmbralización de contraste local Umbralización de imagen original
2Fin
Segmentación de candidatosContorno de pulmones
3
Segmentación de candidatos
Imagen 1
Imagen 2
Imagen 3
AND ∑
+
-
28
IMPLEMENTACIÓN – INTERFAZ GRÁFICA
29
IMPLEMENTACIÓN – INTERFAZ GRÁFICA
30
IMPLEMENTACIÓN – VISUALIZACIÓN DE ALGORITMO
Panel de selección de imagenPanel de selección de imagen
31
IMPLEMENTACIÓN – VOLUMETRÍA
Ventana de volumetría
32
IMPLEMENTACIÓN – MODELO 3D
Ventana de modelo 3D
33
IMPLEMENTACIÓN – APLICACIÓN
34
• Funcionamiento de cada elemento.
• Integración del sistema.
• Verificación de errores en cada
método, elemento.
• Creación de algoritmo adicional.
RESULTADOS – PRUEBAS DE SISTEMA
[1]
[2]
[1] [En línea]. Disponible en: https://cdn0.iconfinder.com/data/icons/customicondesign-office6-shadow/256/checklist.png Accedido: 03-jun-2015].
[2][En línea]. Disponible en: https://supervisionassist.com/assets/img/tour/checklist.png Accedido: 03-jun-2015].
35
RESULTADOS – PRUEBAS DE ENTREGA• Base de datos etiquetada: ELCAP Public Lung Image Database. [En
línea]. Disponible en:
http://www.via.cornell.edu/databases/lungdb.htmlAccedido: 03-jun-2015].
TAC
Nódulos en imagen
etiquetada
Nódulos en imagen
obtenida Porcentaje de acierto
3 7 4 57,1
4 23 14 60,9
6 9 5 55,6
7 2 1 50,0
8 6 5 83,3
9 8 6 75,0
10 7 5 71,4
11 9 6 66,7
12 19 14 73,7
13 11 10 90,9
15 11 5 45,5
18 4 2 50,0
Total 116 77 66,4
36
RESULTADOS – PRUEBAS DE USABILIDAD
• Selección de tres perfiles:
• Ingeniero de sistemas experto en
aplicaciones con interfaz de usuario.
• Ingeniero de sistemas e investigador
experto en procesamiento de imágenes
medicas.
• Estudiante de Doctorado en ingeniería, con
experiencia en procesamiento y análisis de
imágenes médicas.
• Prueba del sistema en su totalidad.
• Calificaciones numéricas.
• Percepción de utilidad.
• Percepción general.
• Conclusiones:
• Función de histograma no es tan
importante.
• Valores de entrada deben ser
restringidos.
• Datos de encabezado de DICOM poco
relevantes.
• Recorte de mediastino no es útil.
• En general la aplicación es útil e
intuitiva.
37
CONCLUSIONES
1. Tiempo de ejecución y procesamiento.
2. Tamaño de los nódulos en relación con los algoritmos
usados.
3.Contexto en el que se desarrolla la aplicación.
[1]
[2]
[3]
[1] [En línea]. Disponible en: http://www.blogmatico.com/wp-content/uploads/2009/10/iobit_game_booster_beta_2.jpg Accedido: 03-jun-2015].
[2][En línea]. Disponible en: http://www.teledet.com.uy/figuras/fig49.jpg Accedido: 03-jun-2015].
[3] [En línea]. Disponible en: https://fundamentodemercadotecnia04.wordpress.com/files/2009/04/microentorno.jpg Accedido: 03-jun-2015].
Se realizó una aplicación prototipo de acuerdo a los
requerimientos obtenidos, las pruebas realizadas y el
contexto de la aplicación.
38
CONCLUSIONES
4. Interacción 3D (Manipulación,
navegación, selección).
5. Imagen de candidatos.
6. Público objetivo y trabajo futuro.
• Médicos radiólogos.
• Médicos en general.
• Estudiantes de medicina.
• Facultad de Ingeniería.
• Hospital San Ignacio.
39
GRACIAS
40