CONTORNEADO AUTOMÁTICO(AUTOMATIC CONTOURING)

Por Armando Alaminos Bouza

Continuing Education Program.World Congress on Medical Physics and Biomedical Engineering. Toronto, Junio de 2015

El contorneado de la anatomía entra en una categoria de métodos para procesamiento de imágenes que se denominan como segmentación de imágenes (image segmentation).

¿Qué es la segmentación de imágenes? Una definición informal puede ser: La segmentación es la separación de objetos presentes en la imagen del fondo que los rodea.

Imagen de: P. Arbelaez and L. Cohen. Constrained Image Segmentation from Hierarchical Boundaries. In CVPR 2008.

Una definición matemática formal de la segmentación no será presentada, pero los interessados pueden encontrarla en: “Image Segmentation in the Last 40 Years”, Yu-Jin Zhang, Encyclopedia of Information Science and Technology (2nd Edition). Information Resources Management Association, USA.

Número de records en “EI Compendex” de 1965 a 2004 con el tema “image segmentation”. Buscando en mayo de 2015 localicé 322 publicaciones recientes

¿ Por qué esa proliferación de algoritmos sobre segmentación de imágenes ? Además de la importancia del tema está el hecho de que no exista una teoria general de la segmentación y lo más importante: ningún algoritmo automático de segmentación creado hasta hoy es universalmente válido.

La segmentación en radioterapia es fundamental en todas las modalidades de tratamiento modernas, desde la 3D-CRT hasta la IGRT, IMRT, etc.

La anatomía segmentada es necesaria para conformar los haces, para posicionar al paciente, para evaluar el impacto radiobiológico de la dosis administrada sobre los PTVs y sobre los OARs, para optimizar en todas las modalidades de planificación inversa, localizar estructuras ocultas con base en atlas, etc.

El nivel de detalle de contorneado o segmentación que exige la radioterapia actual torna esta actividad como una de las más consumidoras de tiempo en el proceso de planificación. Por eso, diversos proyectos e investigadores trabajan en el desarrollo de algoritmos que permitan la segmentación automática.

Según algunos autores, la segmentación automática tendría potencial para economizar entre 23 y 41% del tiempo total de planificación en radioterapia.

Por otra parte, el contorneado manual depende de la subjetividade del operador y diversos estúdios muestran que un mismo caso puede ser segmentado de formas significativamente diferentes por distintos expertos humanos.

La segmentación automática nos libra de la influencia subjetiva. Esta hipótesis es defendida por diversos autores. Pero esta suposición no es inmune a críticas, pues la segmentación automática varia si se emplean diferentes algoritmos o si dentro del mismo algoritmo variamos sus parámetros de control.

Métodos de segmentación automática frecuentes en Radioterapia.

Sin conocimiento previo

Con conocimiento previo

Umbral adaptativo (adaptative thresholding)Detección de bordes.Divisor de aguas (watershed)

Basados en atlasBasado en multi-atlas.

Métodos híbridos

Ejemplo de segmentación, sin conocimiento prévio, por umbral adaptativo (adaptative thresholding). Satisfactorio para fronteras de alto contraste.

Dependencia de la segmentación por umbral (threshold) en relación a los parámetros iniciales.

Segmentación con la ayuda de registro multimodal de imágenes.

En radioterapia tenemos una razón fuerte para depender de la imagen de tomografía (TC): la relación entre unidades Houndsfield y densidad electrónica nos permite corregir heterogeneidades.

Infelizmente, la TC presenta poco contraste entre tejidos blandos y esto dificulta mucho la segmentación automática.

Tenemos el recurso de registrar modalidades como la TC y la resonancia magnética (RM) y utilizar esta última en la segmentación. Además, podemos emplear varias secuencias de RM, cada una destacando las fronteras de determinada estructura.

El registro multimodal y la fusión de imágenes pueden resolver fronteras de bajo contraste en la tomografía

Variabilidad de las fronteras y otros factores que afectan la autosegmentación. Ejemplos clínicos de próstata.

• Bajo contraste en fronteras.

• Artefactos de la CT.• Implantes previos.• Llenado variable de

órganos vecinos que deforman la próstata.

Tomado de Yan Zhou y Xio Han, Elekta Inc.Maryland Heights, 2014. online :http://stmi2014.ece.cornell.edu/papers/STMI-P-3.pdf

Resultados del método propuesto por los autores anteriores.

Tres pacientes diferentes, axial, sagital y coronal.

Frontera roja corresponde al método automático con multi-atlas.

Frontera amarilla es un experto humano considerado el resultado ideal.

“Vision 20/20: Perspectives on automated image segmentation for Radiotherapy”, Sharp G., et.al., Med. Phys. 2014 May; 41(5).

Resultado de una evaluación clínica de segmentación basada en atlas para radioterapia de próstata. Autor: Christoffer Granberg, Supervisores: Anders Montelius, Anders Ahnesjö y otros. 2011. Sistema comercial : VelocityAI. 10 pacientes delineados 3 veces: manual, atlas y multi-atlas.Reducción de tiempo media de 26%, caso de multi-atlas, mejor resultado.Disponible online : http://umu.diva-portal.org/smash/get/diva2:422758/FULLTEXT01.pdf

En el mismo estudio anterior se evaluó el grado de satisfacción de los oncólogos-radioterapeutas con el empleo de la segmentación automática. (siempre necesita verificación y edición antes de tratar)

Disponible online : http://umu.diva-portal.org/smash/get/diva2:422758/FULLTEXT01.pdf

Esta imagen sorprendente nos aleja de la segmentación en radioterapia, al menos en los dias actuales. Dada la importancia y elegancia de esta modalidad de segmentación en la medicina, no puedo pasarla por alto. Imagen de Tensor de Difusión

“Diffusion Tensor Imaging” (DTI)Muestra la dirección preferencial de difusión de las moléculas de agua (anisotropía). Por ello forman un mapa de fibras neurales, usualmente llamado de tractografía. Ya se extendió su empleo a fibras y músculo cardíaco.Para obtener el tensor de difusión de cada voxel necesitamos al menos 6 adquisiciones com direcciones diferentes del gradiente

Conclusiones:1. Los métodos de contorneo automático pueden disminuir

significativamente el tiempo total de planificación en RT.2. Los métodos automáticos actuales necesitan revisión y

edición del experto (radioterapeuta).3. Las técnicas de segmentación automática aún están en

pleno desarrollo y debemos esperar mejoras significativas en un futuro próximo.

4. En este momento los métodos basados en registro de multi-atlas seguido por optimizaciones son los más satisfactorios para fronteras de bajo contraste.

5. En fonteras de alto contraste diversos métodos, sin atlas, resultan en buenas soluciones (umbral, watershed, etc.).

6. El registro multimodal de imágenes puede mejorar el contraste de algunas fronteras anatómicas y facilitar la segmentación automática.