Segmentación de sub-estructuras corticales del cerebro humano desde imágenes T1-MR Juan Manuel...
-
Upload
lidia-lagos-gonzalez -
Category
Documents
-
view
223 -
download
0
Transcript of Segmentación de sub-estructuras corticales del cerebro humano desde imágenes T1-MR Juan Manuel...
Segmentación de sub-estructuras corticales del
cerebro humano desde imágenes T1-MR
Juan Manuel Auñón RodríguezTrabajo Fin de Grado
1.INTRODUCCIÓN
● 1.1 Motivos del estudio.
● 1.2 Objetivos.
● 1.3 Estructura del proyecto.
1.1 Motivos del estudio
● 47,5 millones de afectados en todo el planeta; 7,7 millones de nuevos casos al año (OMS).
● En España:o 4,2 % (65 - 74 años).o 12,5 % (75 - 84 años).o 27 % (+ 85 años).
“La enfermedad del s. XXI”
ORGANISMOS, FUNDACIONES, COLABORADORES
● Fundación Reina Sofía:
4.775.250 euros desde 2008 para proyectos de investigación sobre la enfermedad.
● Fundación Cien:
Impulsoras del “Proyecto Vallecas”.
● Proyecto Know Alzheimer.
● Organización Mundial de la Salud (OMS).
● Asociación Internacional del Alzheimer (ADI).
1.2 Objetivos del Proyecto.
● Objetivo Final: Aplicación software para realizar un diagnóstico precoz de enfermedades relacionadas con el deterioro cognitivo leve y demencia, Alzheimer.
● Objetivo del Proyecto: Tratamiento de las imágenes de la base de datos PV y ADNI para desarrollar una aplicación semi-automática que permita el cálculo del Volumen Intracraneal de manera robusta.
Objetivo claro:
1.3 Estructura del Proyecto.- Capítulo 1: Introducción.
- Capítulo 2: Estado de la técnica (Shiva et al. 2010, Leung et al. 2011, Stein et al. 2012, Ramírez et al. 2011, Boccardi et al. 2010).
- Capítulo 3: Experimentación, Parte I: Preparación del volumen de imágenes.
- Capítulo 4: Experimentación, Parte 2: Extracción del tejido no cerebral, BET , y corrección del campo de intensidad, FAST.
- Capítulo 5: Experimentaión, Parte 3: FLIRT, transformación desde el espacio nativo al de referencia y viceversa.
- Capítulo 6: Cálculo del Volumen Intracraneal (ICV) y DICE (referencia MNI152 e inversa).
2. Conceptos previos
Proyecto Vallecas
163 imágenes de resonancia magnética T1, de las cuales:
● 53 son de pacientes sanos o “pacientes de control”. ● 39 son de pacientes con deterioro cognitivo leve (MCI) amnésico diagnosticado. ● 58 son de pacientes con deterioro cognitivo leve amnésico de múltiples dominios diagnosticado. ● 13 de pacientes con la enfermedad del Alzheimer diagnosticada.
Han sido analizadas 158.
2.1. Volumen de Imágenes
ADNI
19 Imágenes de pacientes con sus respectivsa etiquetas de los hipocampos.
Etiquetas de los hipocampos de 86 pacientes.
2.2 Volumen Intracraneal (ICV)- Cierto grado de implicación con el desarrollo de determinadas
enfermedades neurodegenerativas (Shiva et al. 2010, Stein et al. 2012).
ICV = Volumen Materia Blanca + Volumen Materia Gris.
- Es poco vulnerable a cambios patológicos.
- Objetivo: aplicación robusta e insensible para el cálculo de ICV del paciente (Imágenes de pacientes del Proyecto Vallecas).
2.3 ENIGMA (Protocol for brain and intracraneal
volumes)
“Enhancing Neuro Imaging Genetics through Meta-Analysis”
Red de investigadores expertos en genómica de imagen, neurología y psiquiatría, con el fin principal de comprender el cerebro.
Finalidad:
● crear red de personas con intereses comunes e impulsar este campo.
● asegurar resultados y replicarlos a la comunidad.
● compartir información.
● formación de usuarios: talleres y conferencias.
Método de trabajoSiguiendo el protocolo ENIGMA:
1. Chequeo para detectar posibles errores en traslación y rotación y corregirlos.
Usamos el software libre 3DSlicer para corregir error de orientación de la cabeza de los pacientes.
2. Extracción gruesa del cráneo:
BET, estableciendo centro de gravedad (‘- c’) y valor para el umbral (‘- f’). Confección de archivo .txt que contenga número de identificación del paciente y los valores del pto. de gravedad y los umbrales (grueso, fino)
3. Corrección del campo de intensidades en la imagen:
FAST, generando salida corregida (‘- b’) y evitando que se cree una estimación del volumen parcial de la imagen (‘-- nopve’). Aplicamos la corrección sobre la imagen original.
4. Extracción más precisa del tejido no cerebral:
Repetir proceso de paso 2.
5. Obtención de la matriz de transformación que pasa del espacio nativo al de referencia y la transformación de la imagen:
FLIRT (para obtener la matriz), con opciones:-in: volumen de entrada.-ref: volumen de referencia.-omat: se guarda la matriz 4x4 que realiza el registro afín de la entrada al volumen de referencia.
FLIRT (para transformar la imagen), con opciones:-in, -ref.-o: imagen resultante.-init: indica que vamos a utilizar una matriz de transformación.-applyxfm: aplicar transformación.
6. Obtención de la matriz inversa y paso del espacio de referencia al espacio nativo:
FLIRT (para obtener la inversa de la matriz), con opciones:
FLIRT (para transformar la imagen), con opciones:-in, -ref, -o, -init, -applyxfm.
7. Cálculo del ICV por dos métodos:
• Suma de todos los píxeles >0 y multiplicar por el spacing (dimensión de un voxel).• Según propone ENIGMA: obtención del determinante de la matriz de transformación y
multiplicación por el ICV del paciente de referencia MNI 152 (1948105 mm3)
8. Cálculo de los DICE:
• DICE entre la imagen de referencia MNI 152 y la imagen del paciente pasada al espacio de referencia.
• DICE entre la propia imagen en el espacio nativo y la imagen en el espacio de referencia, aplicando transformación inversa y volviendo a pasar al espacio nativo.
9. Feedback
3. Experimentación, Parte I:
Preparación del volumen de imágenes.
3.1 Chequeo visual y corrección de errores
Principal error:Demasiada inclinación de la cabeza (33 pacientes).
Solución:
3DSlicer (Boccardi et al. 2010). Métodos denormalización de la orientación de la cabeza:
• Línea AC-PC• Rotación libre.
4. Experimentación, Parte II:
Extracción del tejido no cerebral, BET, y corrección del campo de
intensidad.
4.1 BET
“Brain Extraction Tool”Algoritmo de extracción del cráneo implementado en la biblioteca software FSL.
- Funcionamiento:
Modelo de superficies deformables que empieza encontrando el centro de gravedad y tesela la superficie del cerebro por medio de triángulos conectados (Clark et al., 2006).
- Comando:bet <input file> <output file> [options]
Usaremos las opciones ‘-c’ para modificar el centro de gravedad del cerebro, y ‘-f’, umbral que determina el finde la segmentación.
4.2 FAST
“FMRIB's Automated Segmentation Tool”Paquete implementado en FSL para corregir la polarización del campo.
- Funcionamiento:
El algoritmo consiste en la combinación del modelo de Campos Aleatorios Ocultos de Markov y el algoritmo EM para resolver los problemas de falta de homogeneidad.
- Comando
fast [options] <file (s)>
Usaremos las opciones ‘-b’, y ‘—nopve’ para que no se genere una estimación del volumen parcial
5. Experimentación, Parte III:
FLIRT, transformación desde el espacio nativo al de referencia y
viceversa
5.1 FLIRT “FMRIB's Linear Image Registration Tool” Herramienta totalmente automática y robusta de FSL para transformaciones lineales (afines) en el registro de
imágenes.
Usaremos esta herramienta para obtener las matrices de transformación de las imágenes y para la propia tansformación
- Comandoflirt [options] <file (s)>
Usaremos las opciones ‘-in’, ‘-ref’ y ‘-omat’ para la obtención de la matriz de transformación (fichero *.mat).Usaremos las opciones ‘-in’, ‘-ref’, ‘-out’, ‘-init’ y ‘-applyxfm’ para realizar transformación.
En caso de realizar la transformación inversa, lo único que varía es la manera de obtener la matriz:
- Comando:
convert_xfm [options] <file(s)>
Usaremos las opciones ‘-in’, ‘-ref’, ‘-out’, ‘-inverse’ y ‘-omat’ (fichero *.mat).
5.2 Sujeto referencia: MNI152Deriva de la media de152 imágenes estructurales tras un registro no lineal de alta dimensión en el sistema MNI152 coordinar común.
6. Cálculo de ICV, DICE y volumetría de los
hipocampos.
6.1 DICEConcepto estadístico que se utiliza para determinar la correlación entre dos muestras.
Intereses:
- Correlación entre el sujeto de referencia y la imagen original pasada al espacio de referencia.
- Correlación entre la imagen tras segunda extracción y la imagen pasada al espacio de referencia, de vuelta al espacio original/nativo.
6.2 Cálculo de ICVSe ha realizado siguiendo dos métodos:
1. ICV = (nº pixel >0)*dV
2. ICV según ENIGMA, inversa de la transformación afín de la imagen al espacio de referencia, por el ICV de MNI152 (1948105 mm3).
6.3 Cálculo volumetría de hipocampos
Se procede de igual manera que el primer método para el cálculo de ICV, pero en este caso:
• pixel hipocampo izquierdo = 1;• pixel hipocampo derecho = 2;
De manera que:
Vol_hipo_izq = (nº pixel = 1)*dVVol_hipo_dcho = (nº pixel = 2)*dV
Resultados DICE referencia a MNI152
Método PV_norm PV_rot ADNI HHP
Valor Mínimo
0,930583 0,929382 0,929695 0,877831
Valor Medio 0,944251813 0,943052208 0,944263789 0,940254547
Valor Máximo
0,954949 0,953889 0,954584 0,955126
Resultados DICE transf. inversa
Método PV_norm PV_rot ADNI HHP
Valor Mínimo
0,955712 0,957071 0,945038 0,974781
Valor Medio 0,960708903 0,960844792 0,962612316 0,979097
Valor Máximo
0,965798 0,964938 0,966605 0,982344
Resultados DICE etiquetas hipocampos
Método ADNI(PT)
ADNI(DS)
HHP(PT)
HHP(DS)
Hipo. L R L R L R L R
Mín. 0,80828 0,82214 0,788413 0,807799 0,72168 0,70343 0,75261 0,683729
Media 0,86175 0,87401 0,853821 0,8642 0,85074 0,85302 0,8492 0,851766
Máx. 0,897941 0,91196 0,901771 0,911844 0,90326 0,89945 0,90168 0,90566
Cuestiones, preguntas, dudas...