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


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


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


Casos de uso algoritmo

15


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 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



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


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


Vasos – Árbol

bronquial (grises)

Segmentación

Vasos – Árbol

bronquial

Región de

búsqueda

Obtener Vasos



Obtener Máscara de Región de interés

1

Obtener imagen de interés

Imagen de entrada

Obtener Región de búsqueda.Vasos- Árbol bronquial


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)


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)


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)


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

Presentación de PowerPoint -...

Documents

Transcript of Presentación de PowerPoint -...