Detección de ganglios linfáticos en imágenes de tomografía computarizada

1 2 3 ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA INFORMÁTICA INGENIERÍA DE LA SALUD DETECCIÓN DE GANGLIOS LINFÁTICOS EN IMÁGENES DE TOMOGRAFÍA COMPUTARIZADA DETECTION OF LYMPH NODES IN CT IMAGES Realizado por Laura Román Andújar Tutorizado por Enrique Domínguez Merino Departamento Lenguajes y ciencias de la computación UNIVERSIDAD DE MÁLAGA MÁLAGA, Junio de 2016 Fecha defensa: El Secretario del Tribunal 4 5 RESUMEN La detección y medición de los ganglios linfáticos juega un papel muy importante tanto en el tratamiento como en el diagnóstico del cáncer. Actualmente en las rutinas clínicas este trabajo de evaluación se realiza manualmente corte a corte, asignando a cada uno de los ganglios si presentan o no un cuadro clínico y patológico de extensión de la enfermedad. Este trabajo se basa en la tarea de detectar y obtener las medidas de ganglios linfáticos en imágenes de tomografía computarizada en el mediastino y el abdomen, ya que su agrandamiento juega un papel muy importante, llevando a cabo una segmentación de cada uno de ellos. En primer lugar se detalla la colección de imágenes que se han utilizado en este trabajo y su procesamiento. En segundo lugar se explica detalladamente la obtención de las medidas en los ganglios segmentados. Por último se visualiza los resultados experimentales obtenidos de los volúmenes de los ganglios y se procede a la evaluación de las ventajas y desventajas que presentan cada uno de los métodos de segmentación y ofreciendo una comparativa entre ellos, para así poder elegir el método que ofrece mejores resultados y una segmentación lo más exacta posible. PALABRAS CLAVE Ganglios linfáticos, cáncer, tomografía computarizada, segmentación, volumen. 6 ABSTRACT Detection and measurement of lymph nodes plays a very important role in the treatment and diagnosis of cancer. Nowadays in the clinical routines the work of evaluation is done manually in each of the cuts, assigning each node whether or not to present a clinical and pathological picture of extent of disease. This work is based on the task of detecting and get the measurement of lymph nodes in computer tomographic (CT) in the mediastinum and abdomen, it is in this way because enlargement plays a very important role, making a segmentation of each lymph node. In the first one, is detailed the collection of images used in this work and the processing to this. In the second one is explained in detail the segmentation to obtain the measures. Finally the experimental results of the volumes of the nodes are shown, and the advantages and disadvantages of each methods of segmentation are explained to offering a comparison between them, so you can choose the method that offer a better result and the best possible segmentation. KEY WORDS Lymph nodes, cancer, computer tomographic, segmentation, volume. 7 INDICE 1. Introducción ................................................................................................. 9 1.1 Antecedentes ...................................................................................... 10 1.2 Objetivos ............................................................................................. 11 2. Colección de datos .................................................................................... 13 2.1 Adquisición de imágenes ........................................................................ 13 2.2 Formato de la colección .......................................................................... 13 3. Interfaz del usuario .................................................................................... 15 4. Procesamiento de las imágenes ................................................................ 15 4.1 Ajuste de la imagen ............................................................................. 16 4.2 Segmentación del ganglio ................................................................... 17 4.2.1 Segmentación por punto central ................................................... 24 4.2.2 Segmentación por región .............................................................. 26 5. Obtención de las medidas ......................................................................... 31 5.1 Diámetro menor .................................................................................. 31 5.2 Volumen del ganglio ........................................................................... 32 5.2.1 Segmentación por punto central ................................................... 32 5.2.2 Segmentación por región .............................................................. 33 5.3 Tabla de valores .................................................................................. 33 6. Resultados experimentales ........................................................................ 34 6.1 Segmentación por punto central ......................................................... 35 6.2 Segmentación por región .................................................................... 37 6.3 Elección del método más adecuado ................................................... 40 7. Conclusiones y líneas futuras .................................................................... 43 7.1 Conclusión .......................................................................................... 43 7.2 Líneas futuras ..................................................................................... 44 8. Referencias bibliográficas .......................................................................... 45 8 INDICE DE ILUSTRACIONES Figura 1 Ejemplo de un ganglio linfático en un corte de TC axial del abdomen. ......................................................................................................................... 10 Figura 2 Corte axial de un paciente con ganglios en el abdomen. Podemos observar la posición central de los ganglios que posee en ese corte axial. ..... 12 Figura 3 Ejemplo de hoja de datos de un paciente .......................................... 14 Figura 4 Interfaz que aparece a la hora de ejecutar el software....................... 15 Figura 5 Imagen de un corte axial de TC sin ajustar. ...................................... 16 Figura 6 Corte axial de TC con el ajuste aplicado. ........................................... 17 Figura 7 Ganglio a segmentar .......................................................................... 21 Figura 8 Fragmento de la tabla realizada para su posterior interpolación ........ 22 Figura 9 Imagen segmentada del ganglio de la figura 7 ................................... 23 Figura 10 Ejemplo de gráfica del vector Ganglio obtenida mediante segmentación por punto central ....................................................................... 25 Figura 11 Ejemplo de la zona de interés en la segmentación de un ganglio. ... 26 Figura 12 Fragmento de la tabla realizada para el cálculo del número de iteraciones. ....................................................................................................... 29 Figura 13 Ejemplo de la representación gráfica del vector Ganglio. ................ 30 Figura 14 Ejemplo tabla de valores de un paciente .......................................... 33 Figura 15 Ejemplo de segmentación de un ganglio en una imagen con poco contraste y una intensidad alta ......................................................................... 34 Figura 16 Ejemplo de un ganglio segmentado en una imagen con un mayor contraste........................................................................................................... 35 Figura 17 Ejemplo en el cuál no se obtiene un buen valor para la segmentación ......................................................................................................................... 36 Figura 18 Ejemplo de gráfica del vector Ganglio .............................................. 36 Figura 19 Ejemplo de segmentación por región ............................................... 38 Figura 20 Comparación de ambas segmentaciones ........................................ 39 Figura 21 Comparación de tablas de medidas obtenidas por ambos métodos 39 Figura 22 Resultados obtenidos en los pacientes con ganglios en la zona abdominal ......................................................................................................... 41 Figura 23 Resultados obtenidos en los pacientes con ganglios en la zona del mediastino ........................................................................................................ 41 9 1. Introducción Los ganglios linfáticos se encuentran a lo largo del cuerpo y forman una parte muy importante del sistema inmunitario. Son unas estructuras nodulares que forman agrupaciones en forma de racimos. Estos ganglios ayudan a reconocer y combatir infecciones, gérmenes y otras sustancias extrañas. Cuando se habla de “ganglios inflamados” se trata de un agrandamiento de uno o más ganglios linfáticos. El término médico que se emplea para la inflamación de los ganglios linfáticos es linfadenopatía. La tomografía computarizada (TC) es una tecnología para el diagnóstico con imágenes la cual utiliza un equipo de rayos X especial para crear imágenes transversales del cuerpo. Los usos de la TC son varios, pero cabe destacar su uso para la exploración de huesos fracturados, signos de enfermedad cardíaca y cánceres. Los cortes de tomografía computarizada a pesar de no ser el medio exclusivo es el más elegido entre otros complementarios y el más común a la hora de poder visualizar los ganglios linfáticos. De manera rutinaria los radiólogos evalúan las zonas cercanas al cáncer primario para observar como progresa la enfermedad y la eficacia del tratamiento. Cuando el tratamiento funciona de una manera positiva y es exitoso los ganglios linfáticos cercanos a la zona afectada disminuyen en su tamaño, del mismo modo se ha podido observar que, si la enfermedad avanza se registran aumentos de tamaño en dichos ganglios circundantes. El análisis de los ganglios linfáticos tiene una parte muy importante en el trabajo clínico diario, sobre todo en radiología, siendo esta una tarea muy difícil debido al bajo contraste que existe con las estructuras que hay alrededor en las imágenes de (TC), así como las diferentes formas y tamaños que pueden adoptar cada uno de los ganglios. Tanto la detección automática y precisa como la segmentación de dichos ganglios para obtener sus características juegan un importante papel para la clasificación de la extensión y gravedad de una enfermedad cancerosa y su tratamiento, por ejemplo, cáncer de pulmón o linfoma. El tamaño de estos cuerpos suelen medirse en imágenes de (TC) siguiendo la directriz RECIST (Therasse et al., 2000). Un ganglio se considera agrandado cuando su diámetro menor (a lo largo de su eje más corto) mide más de 10 mm en un corte axial [Figura 1]. Debido a esto el análisis cuantitativo representa una parte muy importante para ver cómo van progresando ciertas enfermedades, el pronóstico, la elección de la terapia y los exámenes de seguimiento. Aunque también cabe decir que hacer una diferenciación entre 16 Cuanto mejor y más exacto sea este procesamiento, mejores serán los resultados. En primer lugar como se ha comentado anteriormente para cada paciente se conocen todos sus ganglios, y de cada ganglio se saben las coordenadas de su voxel central. Por lo tanto se accede a la primera fila, en la cual se encuentran las coordenadas del primer ganglio y se procede a la segmentación, y así sucesivamente para todos y cada uno de los ganglios que posee cada paciente en la hoja de datos. Como se conocen las coordenadas, el primer paso es acceder a la tercera coordenada, que corresponde a la imagen del corte de TC en la cual se encuentra el centro de ese ganglio. Cuando se sabe a qué imagen corresponde el centro del ganglio se procede a la lectura de ésta. Las imágenes están en formato “DICOM”, por lo que el comando para leer la imagen sería ‘dicomread’. 4.1 Ajuste de la imagen Una vez que se carga la imagen se puede observar que las imágenes de las que se dispone para este trabajo son imágenes en escala de grises que tienen muy bajo contraste por lo tanto esto dificulta la labor de la diferenciación del ganglio de las estructuras circundantes [Figura 5]. Cuando se habla de contraste se hace referencia al cambio de luminosidad que existe entre unas zonas más oscuras o más claras de una imagen. Para el ajuste de contraste de imágenes se puede contar con muchas opciones que ofrece MATLAB. Figura 5 Imagen de un corte axial de TC sin ajustar. 17 En este caso se ha optado por un ajuste del contraste automático que podemos encontrar en las herramientas de este programa: “imadjust”. Este ajuste automático asigna los valores de intensidad a la nueva imagen, de forma que el 1% de los datos se satura a intensidades bajas y altas de la imagen original [Figura 6]. De esta forma aumenta el contraste de la nueva imagen que obtenemos y así podemos observar mejor aquello que nos interesa. Figura 6 Corte axial de TC con el ajuste aplicado. Una vez que se obtiene la imagen central del ganglio que nos interesa, lo siguiente es localizar el ganglio con las coordenadas de las cuales disponemos y llevar a cabo la segmentación, para así poder calcular su tamaño y posteriormente su volumen. 4.2 Segmentación del ganglio El proceso de segmentación se basa en dividir una imagen digital en varios grupos de pixeles u objetos. La segmentación se utiliza tanto para detectar objetos como para determinar el límite de estos dentro de una imagen. El fin de realizar una segmentación es cambiar la representación de una imagen en otra que sea más significativa y más fácil de analizar para el objetivo perseguido. 18 En definitiva la segmentación se basa en definir una etiqueta a un pixel que sea de interés, y de esta forma los pixeles que compartan la misma etiqueta obtendrán características visuales similares. De esta forma se puede definir un objeto que queramos visualizar y así poder extraer características de él. Por lo tanto como el objetivo de este trabajo se basa en la búsqueda del volumen del ganglio y se sabe la localización de cada uno de ellos, se lleva a cabo una segmentación en cada uno de los cortes de TC que sea necesario para cada ganglio. Como ya se ha explicado anteriormente, se dispone de la imagen que corresponde con el centro del ganglio, esta imagen ya se ha leído y ajustado para una mejora de su contraste. Para la obtención del ganglio se ha optado por una segmentación que comienza en la imagen central y posteriormente, sabiendo ya su localización, se va segmentando cada uno de los cortes posteriores y anteriores a este corte central, de esta forma en el momento que el ganglio desaparezca por ambos límites tendremos toda la superficie que abarca dicho ganglio. Para la segmentación central se eligió una herramienta de MATLAB que responde por el comando ‘imsegfmm’. El comando nombrado es una herramienta que devuelve una matriz segmentada utilizando el método de marcha rápida. Para la primera imagen se ha elegido esta forma de segmentación ya que esta herramienta segmenta una imagen a partir del valor de un pixel, y como se ha comentado en secciones anteriores, en la base de datos de cada paciente se cuenta con el valor del pixel central. Para la utilización de este comando se necesitan los siguientes atributos:  Máscara  Matriz de peso  Umbral de corte Máscara Se denomina máscara a una matriz que se crea con el objetivo de indicar cuál es el valor del pixel que nos interesa para etiquetar nuestra imagen y segmentar a partir del valor de éste. Esta máscara debe tener el mismo tamaño que la imagen la cual se quiere segmentar y será una matriz compuesta de ceros en su totalidad, excepto el pixel de interés. Para obtener las coordenadas de este pixel, se accede a la base de datos del paciente correspondiente, y en su interior, al ganglio que se esté 19 segmentando en ese momento. En esta fila donde se encuentra dicho ganglio, la primera columna y la segunda corresponden a las coordenadas x e y respectivamente. Por lo tanto una vez obtenidas las coordenadas ya se puede crear la máscara deseada. Matriz de peso Esta matriz de peso es una matriz numérica de valores positivos la cual contiene la diferencia de gradiente que existe entre la máscara y el resto de los píxeles de la imagen. Idealmente esta matriz debería tener los valores más altos en la región que va a ser segmentada y valores bajos en el resto de la imagen. Cuanto mejor se asemeje esta matriz a lo ideal mejor serán los resultados obtenidos de la segmentación Esta matriz de peso se puede calcular utilizando los siguientes comandos:  ‘graydiffweight’: Para el cálculo del peso de la imagen este comando se basa en la diferencia de intensidad de grises existente entre los píxeles de la imagen y la máscara utilizada.  ‘gradientweight’: Este comando calcula es peso de cada uno de los píxeles de la imagen a partir del gradiente existente entre cada uno de sus pixeles. En este caso se utiliza el comando ‘graydiffweight’ ya que se cuenta con un pixel de referencia y por lo tanto con una máscara para poder calcular la diferencia de gradiente existente entre ésta y los demás píxeles. Cuando se utiliza este comando a la hora de obtener la diferencia de intensidad del ganglio con respecto al fondo de la imagen, hay una serie de factores determinantes para ello. En los bordes de una imagen como se puede ver la intensidad de los pixel pueden variar progresivamente, creando una pendiente. ‘RolloffFactor’ controla la rapidez con la que cambian de intensidad los pixeles en una imagen. Este parámetro tiene un rango sugerido de [0.5 4] y utilizándolo se puede controlar la pendiente de la curva donde los valores empiezan a cambiar. Si se especifica un valor alto los valores de salida caen drásticamente, sin embargo si es un valor más bajo se logra una caída más gradual. Otro punto importante para la correcta segmentación del ganglio es el valor que viene dado por ‘GrayDifferenceCutoff’. Aquí se define un umbral para la diferencia de intensidad en los bordes de la imagen. Este parámetro definido se encarga de establecer un umbral para el cual los pixeles que tengan una 20 diferencia mayor que el punto de corte asignado directamente tomen el valor más pequeño. En este caso se utiliza ‘RollofFactor=0.53 para poder calcular la matriz de peso correspondiente. Como se puede observar el valor utilizado es un valor muy bajo debido a que en las imágenes de las que se dispone existe muy poco contraste y la pendiente de la curva es muy gradual, por lo tanto si se quiere conseguir la mayor efectividad posible de los bordes y así poder conseguir una mejor segmentación del ganglio, este valor es necesario. De este modo se puede delimitar con más exactitud los límites de cada ganglio. Finalmente con este valor, la imagen de interés y la máscara correspondiente a dicho ganglio, se obtiene la matriz de peso necesaria para la segmentación. Umbral de corte A la hora de segmentar una imagen además de dicha imagen a segmentar y la máscara correspondiente al punto que queremos tomar de referencia, se necesita un valor que determine donde se desea que finalice la segmentación para delimitar el límite del objeto. Este valor es denominado como ‘thresh’ y su función es determinar el umbral de corte de la imagen segmentada. Es un escalar no negativo que toma valores entre [0 1]. Valores bajos de este atributo suelen dar lugar a regiones de segmentación grandes en la imagen resultante, del mismo modo valores cercanos a la unidad devolverán una imagen segmentada con regiones pequeñas. Por lo tanto éste no es un valor fijo para todos los pacientes y para todas las imágenes, sino que es necesario que sea calculado para cada ganglio que se vaya a segmentar. Esto es así debido a que cada imagen tiene un contraste diferente y una matriz de peso diferente, sobre todo debido a que todos los ganglios no tienen los bordes tan diferenciados, por lo que es importante para encontrar bien el límite de cada ganglio ajustar el valor a cada una [Figura 7]. Para llevar a cabo este cálculo, en primer lugar se hizo una comprobación manual de los valores en los cuales solía oscilar este atributo, y en segundo lugar se hizo una observación de las características de las imágenes, para poder obtener este valor dependiendo de ellas. Se llegó a la conclusión de que hay dos características esenciales relacionadas con la diferencia de contraste entre el ganglio y sus límites, de las cuales depende el valor de este atributo:  Intensidad del ganglio: 21 Para el cálculo de este valor se ha tomado una región estándar, atendiendo a un valor de tamaño medio de todos los ganglios que se poseen. Esta región de 20x20 pixel, teniendo como centro el punto central del ganglio, es la zona donde se mide la intensidad media.  Gradiente del ganglio: Para medir la diferencia de gradiente existente entre el pixel central y los demás pixeles correspondientes se ha utilizado la misma región comentada anteriormente. Por lo tanto este valor se obtiene calculando la media de esa región en la matriz de peso que ya hemos obtenido en el apartado anterior. Figura 7 Ganglio a segmentar Una vez que se conocen ambos valores, se hizo manualmente una asignación del atributo ‘thresh’ a un número de ganglios al azar y se fue comprobando con cada uno de los ganglios seleccionados el umbral necesario para su correcta segmentación, introduciendo todos los datos obtenidos en una tabla [Figura 8] y llevándose a cabo finalmente una interpolación para el correcto cálculo del umbral de corte en cada imagen. Se denomina interpolación a la obtención de nuevos puntos partiendo del conocimiento de un conjunto discreto de puntos, por lo tanto para una correcta segmentación para cada ganglio se calcula la intensidad de éste y su gradiente. Cuando ya se conocen ambos valores de la imagen se interpolan estos datos para poder obtener como salida un umbral de corte que funcione correctamente en esta segmentación. 22 Figura 8 Fragmento de la tabla realizada para su posterior interpolación Cabe decir que a medida que se han ido realizando segmentaciones de pacientes, se han ido incorporando a la tabla nuevos valores para así poder obtener un resultado en la interpolación lo más óptimo posible, además de la necesidad de ir calculando manualmente umbrales en algunas imágenes debido a que estaban por encima o por debajo de los que conformaban la tabla, y así aumentar el rango de funcionamiento de la interpolación. Una vez que ya se ha calculado el umbral de corte, la máscara y la matriz de peso correspondiente en su imagen central, ya se puede realizar correctamente la segmentación del corte central del ganglio [Figura 9]. 23 Figura 9 Imagen segmentada del ganglio de la figura 7 Por otro lado, para el posterior cálculo del volumen del ganglio, cada vez que se obtiene una imagen segmentada, se calcula su área. Esta área es posible calcularla con una herramienta de MATLAB la cuál devuelve las propiedades que se desean de una región en una imagen determinada. Esta herramienta responde al comando de ‘regionprops’ y para que devuelva el área simplemente hay que introducirle como atributo a este comando la función ‘Area’. Esta área calculada es guardada en un vector denominado “Ganglio”, en la posición que corresponde al corte en el cuál se ha segmentado. Por lo que finalmente obtendremos un vector que contiene en cada posición el área del ganglio correspondiente a ese corte axial. Para continuar con la segmentación del ganglio y poder calcular su volumen es necesaria la segmentación de este en su totalidad, por lo que lo siguiente a este paso será ir segmentando cada corte anterior y posterior al corte central, como se ha comentado en apartados anteriores, hasta que desaparezca el ganglio. Para la segmentación de dichos cortes se han llevado a cabo dos métodos: - Segmentación por punto central. - Segmentación por región. 24 4.2.1 Segmentación por punto central En este caso para la segmentación de los cortes axiales anteriores y posteriores se utilizó el mismo método que se llevó a cabo en el corte central, pero en este caso para la segmentación de cada corte se utiliza información del corte anterior. En la segmentación del primer corte axial posterior y el primer corte anterior se utiliza el mismo centro que se ha utilizado para la imagen central, o lo que es lo mismo las coordenadas del punto central del ganglio que se encuentran en la base de datos de cada paciente. Pero para los cortes axiales restantes se utiliza el centro que calculamos de la región segmentada de la imagen anterior. Para calcular ese centro de la región segmentada se recurre a una herramienta que posee MATLAB denominada ‘regionprops’. Con este comando, como en el caso anterior para calcular el área, es posible calcular propiedades de una región en una imagen determinada. En este caso cada vez que se obtiene una imagen segmentada se calcula su centro introduciendo a este comando el atributo ‘Centroid’, y posteriormente utilizamos las coordenadas obtenidas para la segmentación de la siguiente imagen. Como no es posible calcular el centro de un ganglio hasta que no obtenemos su imagen segmentada, el cálculo de la imagen segmentada de cada corte depende del centro de la imagen anterior. Cabe destacar que en cada segmentación de cada corte axial no es posible calcular el umbral de corte, ya que es muy propenso a error, por lo que para todos los cortes axiales se utiliza el mismo umbral, que es determinado por la interpolación realizada en el corte central. Por otra parte este cálculo tampoco es excesivamente necesario ya que se está segmentando el mismo ganglio en imágenes de un mismo paciente, por lo que no difiere demasiado de un corte a otro. Como resultado final se obtiene un vector con el valor de las áreas de todos los cortes axiales [Figura 10]. Esto es así debido a que esta segmentación utiliza como referencia un punto central y cuando el ganglio desaparece sigue segmentando otros objetos que va encontrando y que ya no forman parte del ganglio. Para poder calcular el volumen es de interés la parte en la cual se segmenta el ganglio, por lo que es importante definir cuáles son los cortes que lo delimitan [Figura 11]. 25 Figura 10 Ejemplo de gráfica del vector Ganglio obtenida mediante segmentación por punto central Para definir estos límites se ha observado que en la segmentación las áreas van disminuyendo conforme la segmentación va llegando a los límites del ganglio. Esto es así porque como se ha comentado en algún apartado anterior, los ganglios tienden a tener forma aplatanada, y aunque son muy variables en cuanto a tamaño y forma, en las proximidades a sus extremos suelen ser más pequeños en diámetro. Además cuando se termina la segmentación de un ganglio, normalmente la segmentación del siguiente corte axial suele dispararse en cuanto a tamaño, ya que no encuentra un área pequeña que segmentar, sino que toma como referencia el fondo y el área resultante en la segmentación es mucho mayor. Por lo tanto para poder buscar esos extremos es necesario encontrar mínimos correspondientes a la zona donde se encuentra el ganglio, y de esta forma poder saber los cortes que conforman el ganglio en su totalidad y desechar los demás que no tienen ningún interés con respecto a ese ganglio. Para poder definir los correspondientes mínimos se lleva a cabo el cálculo de la diferencia que hay entre las áreas que conforman el vector, para así poder saber el gradiente entre el área que hay en un corte y su anterior. Haciendo una observación de algunos ganglios, se ha elegido un valor a partir del cual, si la diferencia de áreas lo supera, entonces se trata de un mínimo, y por lo tanto lo 32 Por lo tanto como lo que se necesita para la evaluación de la enfermedad es el diámetro menor, se utiliza MinorAxisLength. Este escalar devuelve el tamaño en pixel pero lo que se necesita son milímetros. Cada vez que se obtiene una imagen segmentada se utiliza este atributo y se obtiene el diámetro menor en ese corte. En la base de datos de la cual se descargaron las imágenes se puede encontrar la relación que hay entre los pixeles y los milímetros. Se conoce que cada pixel son 0.82 mm por lo tanto lo único que tenemos que hacer es utilizar esa relación y obtener la medida en milímetros del diámetro menor. 5.2 Volumen del ganglio La obtención de esta medida es un punto muy importante en este trabajo ya que en trabajos anteriores realizados con esta colección de datos se obtiene el diámetro menor del ganglio pero no se obtiene el volumen. Se ha pensado que esta característica puede ser de interés ya que el crecimiento y agrandamiento de los ganglios no necesariamente tiene que ser en su diámetro, podría ser que el ganglio se esté alargando, ya que tiene una forma como de plátano generalmente, y con el diámetro no es posible saberlo. Por lo tanto con esta medida el usuario puede saber si el ganglio en general está más grande que en alguna revisión o visita anterior, y poder actuar frente a ello. Para el cálculo del volumen ocurre lo mismo que cuando se calcula el diámetro menor. Hay que diferencia la forma de hacerlo dependiendo del método que se elija. Se utiliza el vector Ganglio, que ya se ha definido anteriormente que se trata de un vector que contiene las áreas de las imágenes segmentadas. Este vector cambia su contenido dependiendo de si se segmenta con un método u otro, por lo tanto la forma de calcular el volumen cambiará dependiendo del método utilizado. 5.2.1 Segmentación por punto central En este tipo de segmentación el cambio del volumen depende de los límites calculados anteriormente. Cuanto mejor sea el cálculo de esos límites, con mayor exactitud se obtiene un volumen que se acerque a la realidad. Una vez que se tiene delimitada la zona donde se encuentra el ganglio, se obtienen las áreas correspondientes a cada uno de los cortes 33 que conforman el ganglio. Ya que se conoce la relación existente entre los pixel y los milímetros y la distancia que hay entre corte y corte es de 1 mm, es posible calcular el volumen de una forma trivial. 5.2.2 Segmentación por región En la segmentación por región el cálculo del volumen es aún menos complicado ya que el vector Ganglio solo contiene las áreas correspondientes a los cortes que conforman el ganglio. Por lo tanto lo único que hay que hacer es acceder al vector, y con cada una de las áreas que contiene realizar la misma operación que en el método anterior, sabiendo la relación entre pixel y milímetros y que la distancia entre cortes axiales es de 1 milímetro, el cálculo es sencillo. 5.3 Tabla de valores Para que el usuario pueda tener una correcta visualización de cada paciente, se ha creado una matriz que contendrá todos estos ganglios junto con sus correspondientes medidas [Figura 14]. Esta matriz estará compuesta por tantas filas como ganglios posea el paciente y tres columnas.  En la primera columna se encuentra el número del ganglio correspondiente,  En la segunda el diámetro menor (en milímetros) de cada ganglio, y  En la tercera columna el volumen (también en milímetros). Cada vez que se segmenta un ganglio se irán guardando en su fila correspondiente estas medidas, y así cuando la matriz esté completa se observa una tabla de cada paciente que será de mucha utilidad al usuario, ya que puede comparar estos resultados con otros resultados anteriores y así poder determinar si ha habido algún cambio de tamaño con respecto a visitas o consultas que se hallan hecho con anterioridad. Figura 14 Ejemplo tabla de valores de un paciente 34 6. Resultados experimentales A continuación se muestran ejemplos de los resultados obtenidos a la hora de la ejecución de cada uno de los métodos, así como se exponen las ventajas y desventajas de usar uno u otro en los distintos pacientes. Como se ha comentado durante todo el trabajo, el poco contraste con el que cuentan las imágenes de tomografía computarizada ha resultado un impedimento a la hora de una buena segmentación. Por lo que a medida que se han ido segmentando los distintos pacientes, se ha podido comprobar que con imágenes en las cuales la intensidad es más elevada y existe menos contraste entre los ganglios y su fondo, los resultados son peores [Figura 15]. Figura 15 Ejemplo de segmentación de un ganglio en una imagen con poco contraste y una intensidad alta Sin embargo cuando se trata de imágenes con una intensidad más baja, y por lo tanto más contraste entre las figuras y su fondo, normalmente se logra una buena segmentación [Figura 16]. Por lo tanto cuanto mayor sea el contraste que existe en la imagen entre los ganglios y su fondo, mejor será la segmentación que se realiza y más exactas serán las medidas que se obtienen de dichas imágenes segmentadas. 35 Figura 16 Ejemplo de un ganglio segmentado en una imagen con un mayor contraste. Existe una serie de ventajas e inconvenientes que se han ido visualizando a medida que se han ido llevando a cabo dichos métodos y una vez que se han obtenido los resultados para cada uno de ellos. 6.1 Segmentación por punto central Cuando se precede a la ejecución de la segmentación por punto central, han ido surgiendo una serie de complicaciones que han dificultado el desarrollo de la esta herramienta. En primer lugar la mayor complicación encontrada ha sido a la hora de encontrar el umbral de corte para cada imagen, ya que es necesario para una buena segmentación definir el valor donde queremos que termine nuestra segmentación lo mejor posible para poder encontrar los bordes en cada uno de los ganglios. Después de la búsqueda manual de muchos cortes de umbral para algunas imágenes escogidas al azar, con objeto de obtener el mayor número posible de datos para una buena interpolación, algunas ocasiones se puede observar que al realizar la dicha interpolación, el punto de corte obtenido no es el más acertado, por lo tanto la segmentación que se realiza es peor, o incluso en algunas ocasiones, aunque escasas, no es posible ese cálculo y por lo tanto tampoco es posible la segmentación. 36 Figura 17 Ejemplo en el cuál no se obtiene un buen valor para la segmentación Otro inconveniente a la hora de llevar a cabo este método es la definición de los límites en los cortes que conforman el ganglio. Este punto también es un punto en contra de este método porque es complicado saber exactamente donde termina la segmentación de éste. Para ello como se ha explicado anteriormente se definió un valor, pero este valor es bastante bajo y cuando se segmenta un ganglio grande, con cualquier aumento de área en sus extremos, mayor que dicho valor, lo detecta como fin del ganglio [Figura 18]. Figura 18 Ejemplo de gráfica del vector Ganglio 37 Como se puede observar en la Figura 18, se detecta como punto mínimo un punto erróneo, ya que se puede ver como unos cortes más posteriores se encuentra el punto que verdaderamente delimita el fin de la segmentación del ganglio. Esto a veces ocurre con ganglios que tiene un gran tamaño y por consiguiente áreas elevadas, por lo tanto un pequeño aumento en su diámetro en alguno de los cortes siguientes lleva a cabo una superación del valor de corte que se ha utilizado como valor estándar y se detecta como un mínimo erróneo. Aún así este método presenta ventajas con respecto al método de segmentación por región. La mayor ventaja encontrada con respecto al otro método utilizado es, que la detección de los bordes del ganglio es mucho más precisa con este tipo de segmentación, por lo tanto a la hora de calcular las medidas, son mucho más fiables y exactas aquellas obtenidas por este método [Figura 20]. 6.2 Segmentación por región Cuando se lleva a cabo el método de segmentación se observa principalmente una ventaja con respecto al método de segmentación por punto central, y es que no es necesario el cálculo de los límites de los ganglios, ya que este tipo de segmentación va reduciendo la región donde segmentar hasta que se vuelve nula y se para la segmentación [Figura 19]. Este es un punto importante que inicialmente hizo creer que sería un buen método para poder realizar una correcta segmentación de los ganglios, ya que como se comenta en el apartado anterior la búsqueda de los límites es un punto crítico que da lugar a algunos fallos. 38 Figura 19 Ejemplo de segmentación por región A medida que se fueron obteniendo resultados y segmentando imágenes de pacientes se observó, que en este método de segmentación se pueden encontrar peores resultados que con el método de segmentación por punto central. En primer lugar la segmentación es mucho menos exacta que la anterior y los bordes son detectados de una forma menos específica, por lo tanto las medidas obtenidas son distintas y menos fiables, como ya se ha comentado en el punto anterior. Como se puede observar en la figura 20, la segmentación por punto central corresponde más a la realidad que a la segmentación por región. 39 Figura 20 Comparación de ambas segmentaciones En este método además de la interpolación necesaria para el cálculo de del umbral de corte en el corte central, también es necesaria realizar otra interpolación que determina el número máximo de iteraciones para realizar la segmentación. Esta interpolación finalmente tiene unos resultados menos exactos que la del punto central, por lo que en bastantes ocasiones el valor obtenido no es el deseado. Las anteriores desventajas nombradas, que la detección de bordes no sea muy exacta y que la interpolación tenga resultados mediocres, desencadenan otro inconveniente de mayor importancia, como es un mal cálculo de las medidas de los ganglios [Figura 21]. Figura 21 Comparación de tablas de medidas obtenidas por ambos métodos 40 Como es de esperar si no obtenemos una imagen segmentada que se asemeje a la realidad, a la hora de calcular sus medidas tampoco serán muy fiables, por lo que este es un gran inconveniente en este método y lo hace que no sea una buena herramienta para esta tarea. Se puede visualizar en la figura 21 con claridad como los resultados para un mismo paciente son diferentes y la segmentación por punto central cuenta con resultaos más fiables y más cercanos a la realidad. 6.3 Elección del método más adecuado Atendiendo a las ventajas e inconvenientes anteriormente mostradas que se han obtenido tanto mientras se procedía a la elaboración del software, como una vez se han visualizado los resultados dados por ambos métodos, se ha decidido que los resultados que se obtienen con el método de segmentación por región no son los suficientemente fiables. Por lo tanto para una segmentación que se acerque más a la realidad y en la cual se pueda desarrollar una buena herramienta que cumpla los objetivos que se persiguen en este proyecto, el método de segmentación por punto central es el método más adecuado. Finalmente se muestran los resultados obtenidos con dicho método en todos los pacientes de la colección de datos elegida para este trabajo, así como una valoración de los falsos positivos a los que da lugar [Figura 22 y 23]. Es importante hacer énfasis en que no se dispone de la segmentación completa de cada ganglio por radiólogos o por herramientas diseñadas con anterioridad, por lo tanto la valoración de la sensibilidad de esta herramienta a falsos positivos es una estimación que se ha hecho observando, si los resultados obtenidos pueden corresponder a la realidad o si por el contrario son desproporcionados y por lo tanto se trata de un falso positivo. Para llevar a cabo esta estimación se han establecido tres niveles en relación a lo cercano que se visualiza que están los resultados con la realidad:  BIEN: Si visualmente son resultados totalmente acertados  REGULAR: Si es posible que los resultados difieran un poco con la realidad, pero pueden ser tomados como posibles medidas reales.  MAL: En este caso los resultados son desproporcionados y no es posible utilizarlos para ninguna tarea. 41 Figura 22 Resultados obtenidos en los pacientes con ganglios en la zona abdominal Figura 23 Resultados obtenidos en los pacientes con ganglios en la zona del mediastino