Software de control de calidad para medicina nuclear

Grado en Ingeniería Informática Trabajo Fin de Grado Software de Control de Calidad para Medicina Nuclear Chaxiraxi Cabrera González Tutor: José Daniel Hernández Sosa Tutor: David Armando Macías Verde Las Palmas de Gran Canaria 11 de julio de 2017 “El hombre nunca sabe de lo que es capaz hasta que lo intenta.” Charles Dickens. Agradecimientos Quiero agradecer este proyecto a los compañeros del Hospital Negrín por darme la oportunidad de trabajar con ellos, ayudarme y asesorarme. También quiero agradecer a mi tutor académico por guiarme en el desarrollo de este proyecto. Para finalizar quiero agradecer a mi familia y mi pareja por su apoyo incondicional durante todos mis años de estudio. Sin todos ellos este proyecto no hubiera sido posible. Resumen En este proyecto se implementa una aplicación capaz de realizar las pruebas de control de calidad de las gammacámaras planares Siemens Symbia T y Ecam, de forma independiente a las herramientas facilitadas por la casa comercial Siemens para así corroborar su validez. Estas pruebas serán cuatro: Tamaño de Pixel, Uniformidad Intrínseca, Resolución Espacial Extrínseca y Uniformidad Tomográfica, y se encuentran recogidas en el documento español de control de calidad de instrumentación de Medicina Nuclear publicado en 2015. Para realizar la comprobación de dichas pruebas se utilizan técnicas de procesamiento de imágenes médicas, en concreto para imágenes en formato DICOM. La aplicación además integra algunas herramientas de ayuda para el usuario y esta implementada en MATLAB. Índice general 1. Introducción 1 1.1. Estructura del documento . . . . . . . . . . . . . . . . . . . . 3 2. Estado actual del tema 5 2.1. Introducción al procesado de la imagen médica digital . . . . . 5 2.2. Imágenes en medicina nuclear . . . . . . . . . . . . . . . . . . 6 2.2.1. Calidad de las imágenes . . . . . . . . . . . . . . . . . 6 2.3. Procesado y realzado de imágenes médicas . . . . . . . . . . . 7 2.3.1. Operaciones en el dominio espacial . . . . . . . . . . . 7 2.3.2. Operaciones en el dominio de la frecuencia . . . . . . . 10 2.4. Segmentación de imágenes médicas . . . . . . . . . . . . . . . 10 2.4.1. Métodos basados en bordes . . . . . . . . . . . . . . . 11 2.4.2. Métodos basados en píxeles . . . . . . . . . . . . . . . 12 2.4.3. Métodos basados en regiones . . . . . . . . . . . . . . . 13 3. Motivación y objetivos 15 3.1. Motivación............................. 15 3.2. Objetivos principales . . . . . . . . . . . . . . . . . . . . . . . 15 3.3. Competencias específicas cubiertas . . . . . . . . . . . . . . . 16 4. Recursos utilizados 17 4.1. Hardware ............................. 17 4.1.1. Siemens Symbia T . . . . . . . . . . . . . . . . . . . . 17 4.1.2. E.Cam........................... 17 4.1.3. Portátil .......................... 17 4.2. Software.............................. 18 4.2.1. MATLAB R2015a . . . . . . . . . . . . . . . . . . . . . 18 4.2.2. Microsoft EXCEL . . . . . . . . . . . . . . . . . . . . . 18 4.3. Librerías.............................. 18 4.4. Otras herramientas utilizadas . . . . . . . . . . . . . . . . . . 19 4.4.1. LATEX .......................... 19 ÍNDICE DE CUADROS Acrónimos DICOM: Digital Imaging Communications in Medicine. FFT: Fast Fourier Transform. LSF: Line Spread Function. MTF: Modulation Transfer Function. PET: Positron emission tomography. PSF: Point Spread Function. ROI: Region of interest. SPECT: Single photon emission computed tomography. CTVU: Campo Total Visión Útil UFOV: Useful Field of View CCVU: Campo Central Visión Útil CFOV: Central Field of View FWHM: Full Width at Half Maximum. AIMA: Ancho intrínseco a mitad de altura FWTM:Full Width at Tenth Maximum AIDA: Ancho intrínseco a un décimo de altura Capítulo 1 Introducción La medicina nuclear es una técnica de obtención de imágenes médicas que consiste en obtener imágenes de la concentración de isótopos radiactivos en el cuerpo humano. En la medicina nuclear se administran radiofármacos que contienen isótopos radioactivos al paciente para poder obtener imágenes de la distribución de estos a lo largo del cuerpo humano, los isótopos inestables producen rayos gamma que permiten medir la concentración de estos radiofármacos en función de la posición y del tiempo, por lo que es una modalidad de imagen fisiológica, es decir, muestran el funcionamiento de los órganos y los tejidos del cuerpo. El principal modo de detección de los fotones es mediante el uso de un cristal de centelleo con tubos foto-multiplicadores adjuntos que aumentan la señal, estos cristales convierten la energía de la radiación ionizante en luz visible, ya que el número de fotones emitidos es proporcional a la energía depositada.De esta forma es posible medir la concentración de los radiofármacos en función de la posición y del tiempo de emisión radiactiva. [12] El Servicio de Radiofísica Hospitalaria del Hospital Universitario de Gran Canaria Dr. Negrín necesitaba un software capaz de realizar las pruebas de control de calidad de las gammacámaras planares Siemens Symbia T y Ecam, de forma independiente a las herramientas facilitadas por la casa comercial Siemens para así corroborar su validez. Las pruebas implementadas en el proyecto se basan en el análisis de imágenes DICOM que se obtienen de ensayos hechos con maniquís de control de calidad específicos, según el real decreto 1841/1997 y el actual documento español de control de calidad de instrumentación de Medicina Nuclear [2], publicado en 2015 por las sociedades españolas de Física Médica, Protección Radiológica y de Medicina Nuclear e Imagen Molecular. En el presente trabajo se consideran las siguientes pruebas de validación, recogidas en el documento de control de calidad de Mecidina Nuclear [2]: 1 2CAPÍTULO 1. INTRODUCCIÓN GPL12: Tamaño de Píxel: Consiste en obtener el factor de escala entre las dimensiones del objeto en la imagen. GPL05: Uniformidad intrínseca: Obtiene la diferencia entre el comportamiento ideal y el real del detector. GPL10: Resolución espacial extrínseca: Estima la capacidad del equipo de distinguir entre dos fuentes radiactivas pequeñas y cercanas. GTM03: Uniformidad Tomográfica: Determina la uniformidad de la reconstrucción de un maniquí con una distribución homogénea de actividad. Las pruebas de calidad se realizan con el fin de indicar al usuario si el equipo examinado presenta fallos, es importante comprobar que todo el instrumental funciona correctamente ya que estos equipos son utilizados para diagnóstico y tratamientos. El equipo más utilizado en este trabajo es Symbia T de la casa Siemens, este equipo es un sistema SPECT con diagnóstico CT para la localización anatómica precisa, dando a los médicos la calidad de imagen necesaria para realizar el diagnóstico.[11] Figura 1.1: Siemens Symbia T Para realizar este proyecto se utiliza la herramienta MATLAB ya que posee las librerías y toolbox necesarios para el procesamiento digital de imágenes médicas. 1.1. ESTRUCTURA DEL DOCUMENTO 3 1.1. Estructura del documento En este documento, para empezar, se dará una descripción sobre el área de estudio y las herramientas utilizadas para realizar el proyecto, acto seguido se comentarán los aspectos académicos del trabajo, los objetivos iniciales, las competencias adquiridas etc. A continuación, se expondrán los recursos utilizados para la realización y la planificación seguida. En los siguientes capítulos se detallarán las interfaces implementadas y los resultados obtenidos. Por último finalizamos el documento con las conclusiones y dos apéndices, el primero dedicado al manual de usuario mientras que en el segundo se exponen las versiones previas de la aplicación. 4CAPÍTULO 1. INTRODUCCIÓN Capítulo 2 Estado actual del tema En este capítulo abordamos el estudio teórico del procesado digital de imágenes médicas realizado para la implementación de la aplicación. 2.1. Introducción al procesado de la imagen médica digital Una imagen se define como una función f(x, y)bidimensional donde x e y representan las coordenadas espaciales de un punto y f(x, y)la intensidad o nivel de gris dicho punto. Una imagen digital es aquella cuyas coordenadas espaciales son un número de elementos finito y cuya intensidad toma igualmente un rango de valores finito. Una imagen digital en dos dimensiones será por tanto una matriz de tamaño m x n con un número finito de elementos llamados píxeles [8] [9]. Los valores de gris de cada píxel tras la digitalización de una imagen dependen de la resolución específica con la que ha sido tomada; en el caso de imágenes tipo byte cuyos valores de gris son digitalizados con 8 bits, podemos llegar a tener 256 niveles de gris, donde el valor 0 se corresponde con el negro y el valor 255 con el blanco. Tras la digitalización de la imagen, esta debe ser guardada en un formato específico como por ejemplo JPEG, GID, en este proyecto utilizaremos el formato DICOM, específico para el uso de imágenes médicas. MATLAB dispone de librerías para la lectura de imágenes en cualquier formato, incluyendo imágenes DICOM. El estándar DICOM se desarrolló en 1992 para poder intercambiar imágenes médicas en formato digital. Además, es un protocolo que permite la comunicación entre las entidades que generan las imágenes médicas y las que las procesan. Los rasgos principales que caracterizan a este estándar son una 5 6CAPÍTULO 2. ESTADO ACTUAL DEL TEMA cabecera(metadatos) en la que se incluyen datos relacionados con el paciente y otra parte con información de las imágenes que se han tomado del paciente. Actualmente este estándar tiene 18 partes que permiten el correcto intercambio de información de imágenes médicas. Entre estas 18 partes se pueden destacar los perfiles de seguridad de los datos, formato de los ficheros y almacenamiento de los ficheros, pero se añaden nuevas secciones cada pocos años, por lo que está en constante desarrollo. 2.2. Imágenes en medicina nuclear Las técnicas de obtención de imágenes en medicina nuclear son la tomografía por emisión de fotón único (SPECT) y la tomografía por emisión de positrones (PET). En PET los radionúcleos emiten dos rayos gamma en direcciones opuestas que son detectados de forma simultánea. Se utiliza un anillo formado por cristales para la detección de los positrones, por lo que no se requiere la rotación del cristal. En SPECT los radionúcleos emiten solamente un rayo gamma en una dirección, se usa una gamma-cámara con un cristal detector que gira alrededor del paciente y se adquieren imágenes en los 360 grados. 2.2.1. Calidad de las imágenes A continuación, se explican las tres características que definen la calidad en las imágenes médicas obtenidas mediante la Medicina Nuclear. Ruido: Las imágenes producidas con la técnica de medicina nuclear se caracterizan por tener un nivel alto de ruido. Esto se debe a que la cantidad de isótopos radiactivos en el cuerpo introducidos debe ser baja, por lo que el número de fotones detectados lo será también produciendo ruido con distribución de Poisson, tras la reconstrucción de las imágenes, sobretodo en el caso de SPECT, que las deteriora. Contraste: El contraste en la imagen está determinado por las características del radiofármaco introducido, además cuanto más tiempo se esté tomando la imagen más rayos gamma se obtendrán, por lo que el contraste mejorará al aumentar el tiempo de toma de la imagen. La dispersión de los fotones 2.3. PROCESADO Y REALZADO DE IMÁGENES MÉDICAS 7 produce radiación en sitios donde no corresponde, lo que reduce también el contraste obtenido en la imagen. Resolución espacial: La resolución espacial está limitada por el tamaño de los detectores individuales de cristal que reciben los rayos gamma. La forma de medirla es mediante la obtención de la MTF. 2.3. Procesado y realzado de imágenes médicas Las operaciones de realzado y mejora de la imagen se pueden dividir en dos categorías: Operaciones en el dominio espacial: estas operaciones consisten en manipular los valores de los píxeles de las imágenes en el dominio espacial basándose en las distribuciones estadísticas de la imagen completa o de determinadas regiones. Se pueden destacar dentro de este grupo las operaciones de transformaciones del histograma, filtrado espacial y operaciones morfológicas. Operaciones en el dominio frecuencial: estas operaciones consisten en manipular la información en el dominio frecuencial basándose en las características de frecuencia de las imágenes. Se pueden destacar dentro de este grupo el filtrado en el dominio de la frecuencia y filtrado homomórfico. 2.3.1. Operaciones en el dominio espacial Los métodos de procesado en el dominio espacial son métodos que realizan transformaciones píxel a píxel basándose en las propiedades estadísticas del histograma o en operaciones teniendo en cuenta los píxeles contiguos. Estos métodos normalmente son más rápidos pero menos eficientes que las operaciones en el dominio frecuencial. Transformaciones y ecualización del histograma El histograma de una imagen digital nos proporciona información sobre la distribución de las intensidades de los píxeles de la imagen. El histograma de una imagen digital con niveles de gris entre [0 255] suponiendo que se tiene 8CAPÍTULO 2. ESTADO ACTUAL DEL TEMA una resolución de 8 bits será la función discreta h(rk) = nk, donde rk es el valor k-ésimo de nivel de gris y nk es el número de píxeles en la imagen que tienen ese valor de nivel de gris. Normalmente después se suele normalizar el histograma entre el número total de píxeles, obteniendo p(rk) = nk n, que da una estimación de la probabilidad de ocurrencia de un nivel de gris k. Con la ecualización del histograma se consigue expandir histogramas que tenían muchos niveles de grises coincidentes, aunque no se va a conseguir siempre un histograma totalmente uniforme. Con esto se podrá cambiar el rango de niveles de grises en la imagen, y se volverá más uniforme, ya que se fuerza el histograma para que los niveles de intensidad de gris se redistribuyan con igual probabilidad de ocurrencia. Supongamos que una imagen tiene todos sus niveles de gris comprendidos entre [a, b] donde el mínimo es a y el máximo es b. Usando un método de ecualización del histograma se cambiará el rango de valores desde el intervalo [a, b] a un intervalo de rango [c, d] mediante la ecuación: znuevo =d−c b−a(z−a) + c(2.1) Donde z, es el valor original del nivel de gris antes de la ecualización y znuevo es el nuevo valor del píxel tras la ecualización. Filtrado espacial Los métodos de filtrado espacial usan operaciones que requieren la convolución discreta de la imagen inicial con una máscara espacial con unos pesos específicos para realizar modificaciones en la imagen. Es decir, la máscara de filtrado se traslada y convoluciona a lo largo de toda la imagen para obtener la imagen final. Esta máscara suele ser cuadrada de tamaño 3x3 o 4x4. El valor de cada píxel será reemplazado por un nuevo valor que dependerá del pixel que se está tratando y de los píxeles a su alrededor, definiendo una región próxima a ese píxel con un tamaño especificado previamente. El valor nuevo del pixel se calculará tras aplicar la máscara en la zona centrada en el píxel del que se quiere hallar el nuevo valor. Dependiendo de los valores de los coeficientes de la máscara, se pueden realizar operaciones diferentes en la imagen como realzado o suavizado de la imagen. La máscara de filtrado lineal más básica es la de media que reemplaza el valor de gris original por el valor medio de los píxeles de su entorno. Dentro de las máscaras de filtrado de media se puede usar la de la media ponderada que da más importancia al píxel central que la de media normal (figura 2.1). Con la máscara de media normal hay que usar un factor de escalado de 1/9 mientras que en la de media geométrica el factor de escalado será de 1/16. Capítulo 3 Motivación y objetivos En este capítulo explicaremos la motivación a la hora de escoger este proyecto y los objetivos y competencias básicas de este. 3.1. Motivación La principal motivación a la hora de escoger este proyecto fue poder formar parte de un equipo de trabajo dedicado a la investigación donde poder formarme en este ámbito, otro de los motivos fue tener el reto de crear una aplicación con la que podría poner en práctica gran parte del conocimiento adquirido durante mis años de estudio a la par de ganar nuevo conocimiento. 3.2. Objetivos principales Los objetivos principales del proyecto son: Diseñar e implementar una aplicación capaz de valorar, de forma independiente a la propuesta por las casas comerciales, parte de las pruebas de control de calidad de una gammacámara planar. Implementar una interfaz de usuario para el control de la aplicación y la presentación de resultados. Desarrollo de herramientas de ayuda adicionales para los usuarios. Estudio de posibles extensiones de trabajo a otros formatos de imagen o entornos. 15 16 CAPÍTULO 3. MOTIVACIÓN Y OBJETIVOS 3.3. Competencias específicas cubiertas Las principales competencias cubiertas durante el desarrollo de este proyecto son las siguientes: CII01:Capacidad para diseñar, desarrollar, seleccionar y evaluar aplicaciones y sistemas informáticos, asegurando su fiabilidad, seguridad y calidad, conforme a principios éticos y a la legislación y normativa vigente: Esta competencia se adquirió al desarrollar una aplicación funcional, esta aplicación debía ser fiable ya que se trabaja en el campo de la imagen médica, y como la aplicación se encarga de obtener los resultados de control de calidad de uno de los instrumentales médicos, es necesario que los valores proporcionados por esta sean fiables. CII17:Capacidad para diseñar y evaluar interfaces persona computador que garanticen la accesibilidad y usabilidad a los sistemas, servicios y aplicaciones informáticas: Esta competencia envolvía la capacidad para diseñar una interfaz que el usuario pudiera manejar fácilmente. CP05:Capacidad para adquirir, obtener, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación, percepción y actuación en ambientes o entornos inteligentes: Esta competencia se alcanzó al ser capaz de realizar un algoritmo por medio de la información proporcionada por el documento de control de calidad [2] y reuniones con el cliente. Capítulo 4 Recursos utilizados En este capítulo se enumeran las herramientas que fueron necesarias para la realización de este proyecto. 4.1. Hardware 4.1.1. Siemens Symbia T La Siemens Symbia T es una de las máquinas de las que dispone el hospital, y con la que más se ha trabajado a lo largo de esto proyecto, se trata de una solución de diagnóstico SPECT-CT avanzada y altamente integrada.[11] 4.1.2. E.Cam La E.Cam es otra máquina disponible en el hospital, también de la casa Siemens, ofrece varios modelos para estudios óptimos de cuerpo entero, cardíaco y general, así como un alto rendimiento para cada tipo de modelo. Su diseño de pórtico abierto permite un fácil acceso para imágenes de pacientes en las camillas, en sillas de ruedas o de pie. La amplia conectividad DICOM permite la visualización de imágenes multimodales lado a lado con imágenes de medicina nuclear. [10] En este proyecto no se trabajó mucho con imágenes de esta máquina, pero se comprobó que la aplicación también es capaz de procesar dichas imágenes obteniendo resultados válidos. 4.1.3. Portátil Este proyecto comenzó a desarrollarse en un portátil cuyas prestaciones eran: procesador i3, 4 GB RAM. Posteriormente se acabó de desarrollar en 17 18 CAPÍTULO 4. RECURSOS UTILIZADOS un portátil con prestaciones más potentes (procesador i5 12GB RAM), en ambos ordenadores la aplicación funciona correctamente. En ambos equipos se utilizó el Sistema Operativo Windows 10. 4.2. Software 4.2.1. MATLAB R2015a MATLAB es un entorno de computación y desarrollo de aplicaciones totalmente integrado orientado para llevar a cabo proyectos en donde se encuentren implicados elevados cálculos matemáticos y la visualización gráfica de los mismos. Se decidió utilizar MATLAB al tratarse de una de las herramientas más potentes para el tratamiento de imágenes médicas que cuenta con un soporte para las imágenes DICOM. 4.2.2. Microsoft EXCEL EXCEL es un programa desarrollado por Microsoft y permite trabajar con hojas de cálculo. Se optó pasar los resultados de la aplicación a EXCEL por requisito del cliente, ya que actualmente las pruebas de calidad las introducen en un fichero EXCEL. 4.3. Librerías Las librerías utilizadas en MATLAB son las siguientes: Toolbox Procesamiento de imágenes: Para el procesamiento de imágenes DICOM. Toolbox de Exportación e Importación de datos: Se utilizó este toolbox para exportar los resultados a ficheros EXCEL. Toolbox de Ajuste de Curvas: Este toolbox se utilizó para ajustar funciones a gaussianas. Herramientas GUIDE [3]: Con estas herramientas se construyó la interfaz de usuario. 4.4. OTRAS HERRAMIENTAS UTILIZADAS 19 4.4. Otras herramientas utilizadas 4.4.1. LATEX Para generar la memoria se utilizó LATEX con el entorno TeXStudio, este IDE proporciona un entorno moderno de escritura, con corrección ortográfica, plegado de código y visor de pdf entre otras características. 4.4.2. StarUML StarUML es una herramienta para el desarrollo con UML, en este proyecto fue utilizada para la creación de los diagramas que se verán en el siguiente capítulo. 20 CAPÍTULO 4. RECURSOS UTILIZADOS Capítulo 5 Análisis y Diseño En este capítulo se describe el análisis y diseño realizado durante el proyecto. 5.1. Plan de trabajo inicial Este proyecto surgió de mis prácticas externas donde lo comencé, acordamos realizar cuatro pruebas de control de calidad recogidas en el documento español de control de calidad de instrumentación de Medicina Nuclear [2], estas pruebas son: Tamaño de Píxel, Uniformidad Intrínseca, Resolución Espacial y Uniformidad Tomográfica. Como se puede observar en la figura 5.1 el primer paso fue realizar un estudio previo del proyecto con el fin de desarrollar un plan de trabajo inicial, el plan que se elaboró consistía en realizar una interfaz para cada prueba por separado siguiendo el ciclo: Diseño e implementación –>validación. Al finalizar, las cuatro interfaces se integrarían en una interfaz que englobaría todas las pruebas y las herramientas desarrollada. El siguiente paso fue el análisis de requerimientos que veremos más detalladamente en el próximo apartado. Por último antes de abordar la aplicación fue necesario estudiar conceptos básicos sobre el procesamiento de imágenes y aprender la realización de interfaces en MATLAB. 21 22 CAPÍTULO 5. ANÁLISIS Y DISEÑO Figura 5.1: Cuadro informativo de la planificación 5.2. Diseño En la fase de diseño se consideraron varias opciones de implementación como el uso de Python, C, Java, Matlab, tras estudiar dichas opciones, decidimos utilizar Matlab al tratarse de una herramienta potente para el tratamiento de imágenes, por su adecuación al desarrollo rápido de prototipos, por tener una curva de aprendizaje menos pronunciada y por contar con librerías ya desarrolladas que permiten simplificar notablemente la implementación, entre ellas la librería de procesamiento de imágenes que cuenta con funciones para el formato DICOM que trataremos en este proyecto. 5.3. METODOLOGÍA 23 Como se describió previamente el diseño de esta aplicación fue descompuesto en un número de interfaces que fueron creándose incrementalmente validándolas con el equipo de trabajo y el tutor académico una vez acabado cada prototipo recogiendo de estas validaciones nuevas mejoras e implementándolas. 5.3. Metodología Se ha seguido una metodología de desarrollo en espiral basada en la generación incremental de prototipos funcionales que son evaluados para determinar la corrección de las pruebas y las posibles mejoras a introducir. En las primeras reuniones con el cliente se explicó lo que debía realizar cada prueba y lo que el usuario quiere ver en la interfaz. En posteriores reuniones se acordaron los requisitos del sistema que describiremos a continuación para cada prueba: Tamaño de Píxel: Debe mostrar al usuario la distancia en píxeles entre dos cargas puntuales y el tamaño de píxel calculado indicando al usuario cuando dichos datos sobrepasan la tolerancia establecida por el fabricante, además se mostrarán las imágenes de cada detector y eje (cuatro en total). También debe exportar a EXCEL los resultados. Uniformidad Intrínseca: Se mostrará al usuario la imagen de cada detector y el resultado del cálculo de la prueba indicando si hay algún error en dichos resultados, además se mostrará las imágenes procesadas y exportará a EXCEL los resultados. Resolución Espacial: Al igual que en el tamaño de píxel se mostrará las cuatro imágenes correspondientes a los detectores y los ejes, el usuario podrá ver los resultados de la prueba para cada imagen. Además, el usuario podrá ver las gráficas generadas por la prueba y exportar los resultados a EXCEL. Uniformidad Tomográfica: Esta prueba fue la que más reuniones con el cliente necesitó y la que más veces se cambiaron los requisitos, inicialmente solo era necesario visualizar las imágenes (128 cortes), y mostrar un histograma para cada una. Posteriormente se añadió la capacidad de mostrar el resultado calculado internamente por el sistema, comprobar si se produce algún error, y exportar a EXCEL los valores calculados y la media de estos. En una última reunión se acordó que el usuario pudiera ver un resumen de errores (en el caso de que 24 CAPÍTULO 5. ANÁLISIS Y DISEÑO se produzcan) y poder navegar hasta el primer error localizado en la prueba. Igualmente se trataron en las reuniones las herramientas a desarrollar: renombrado de ficheros y visualización de histórico, decidiendo como nombrar los ficheros y como debían ser las gráficas de los históricos. 5.4. Estructura de la aplicación A continuación, analizaremos la estructura que tiene nuestra aplicación. Figura 5.2: Diagrama Aplicación Nuestra aplicación, como vemos en la figura 5.2 comienza abriendo una interfaz por la cual el usuario puede seleccionar dos acciones, la primera acción es el uso de Herramientas, en la cual el usuario podrá utilizar el conversor de nombres o acceder a los históricos. Ahora desglosaremos cada parte de la aplicación, empezando por el conversor de imágenes. 6.1. DESCRIPCIÓN DE FUNCIONES MATLAB UTILIZADAS 31 dicomread(filename, ’frames’, x); Donde x es un número entero que indica el corte de la imagen. Visualización y exploración de imágenes imshow La función imshow, muestra la imagen pasada como parámetro. imshow(imageName); Transformaciones geométricas imresize La función imresize, cambia el tamaño de la imagen pasada como parámetro, podemos indicarle una escala o bien el número de columnas y filas. imresize(image, scale); imresize(image, [nrows, ncols]) imcrop Con la función imcrop podemos recortar una imagen, solo tenemos que pasarla como parámetro junto con un vector de posición de cuatro elementos que especifica la posición y tamaño del rectángulo a recortar. rect = [xmin ymin width height]; imcrop(image, rect); Aplicar filtros imfilter Esta función aplica un filtro a la imagen, este filtro puede ser creado con fspecial o bien ser uno de los filtros de media explicados anteriormente. fil = [1,2,1; 2,4,2; 1,2,1]; imfilter(image, fil); 32 CAPÍTULO 6. IMPLEMENTACIÓN DE LAS PRUEBAS Mejora de la imagen imadjust La función imadjust ajusta los valores de intensidad de la imagen pasada como parámetro. imadjust(image); bwareaopen Esta función elimina los objetos(componentes conectados) que tienen menos de un número de píxeles pasado como parámetro, de una imagen binaria. También se puede especificar la conectividad entre 8 o 4 (píxeles adyacentes). bwareaopen(image, nP, conn); El resultado es otra imagen binaria. Conversión de imágenes im2bw Esta función transforma una imagen a binaria basándose en un umbral. im2bw(image, level); graythresh La función graythresh calcula el umbral de una imagen pasada como parámetro utilizando el método Otsu. level = graythresh(image); Análisis de imágenes regionprops Esta función se encarga de medir las propiedades de las regiones de la imagen pasada como parámetro. Estas son algunas de las propiedades de los objetos que devuelve: •Area: Devueve el número de píxeles del objeto. 6.1. DESCRIPCIÓN DE FUNCIONES MATLAB UTILIZADAS 33 •BoundingBox: Devuelve el rectángulo más pequeño que contiene el objeto. •Centroid: Devuelve el vectorque especifica el centro de masa del objeto. regionprops(image, prop); improfile Con esta función podemos trazar el perfil de cuentas de una imagen DICOM, recupera los valores de intensidad de píxeles a lo largo de una línea. x = [19 427 416 77]; y = [96 462 37 33]; improfile(image, x, y); 6.1.3. Ajuste de curvas A continuación se describirán las funciones pertenecientes al Toolbox de ajuste de curvas de MATLAB [4]. Regresión lineal y no lineal fit Esta función ajusta la curva o la superficie de los datos a un modelo especificado (en nuestro caso lo utilizaremos para ajustar a una gaussiana). fit(x, y, ’gauss1’); 6.1.4. Importar y exportar datos Ahora describiremos las funciones que pertenecen al Toolbox de importar y exportar datos, estas funciones las utilizaremos para importar y exportar datos a un documento EXCEL.[5] xlswrite La función xlswrite escribe una tabla en un fichero EXCEL. xlswrite(table, ’file.xlsx’); xlsread Esta función lee un fichero EXCEL. xlsread(’file.xlsx’); 34 CAPÍTULO 6. IMPLEMENTACIÓN DE LAS PRUEBAS 6.2. Prueba 1. Tamaño De Pixel 6.2.1. Objetivo de la prueba Según el documento de control de calidad de la instrumentación de medicina nuclear [2] el objetivo de la prueba Tamaño de Píxel es determinar el tamaño que un píxel representa en el cristal de centelleo y que corresponde a las dimensiones de las celdas de la matriz utilizada. Se trata de obtener el factor de escala entre las dimensiones del objeto y de su imagen. Se sitúan cargas puntuales separadas una distancia de 200 mm (maniquí de cuadrantes), obteniéndose dos imágenes por detector (ejes X e Y). La interfaz calculará la distancia en píxeles entre dichas cargas dando como resultado el tamaño de píxel buscado. La aplicación informa si el tamaño calculado está dentro de la tolerancia establecida con respecto al dato proporcionado por el fabricante. 6.2.2. Explicación de la prueba En el documento de control de calidad de la instrumentación de medicina nuclear [2] se encuentra toda la explicación de dicha prueba, en esta memoria explicaremos los conceptos clave necesarios para realizar su implementación. Adquisición de datos Se obtendrán tras realizar la prueba 4 imágenes con dos fuentes puntuales (dos por cada detector y por cada eje), dichas imágenes tendrán la siguiente apariencia: Figura 6.2: Imagen Tamaño Píxel 6.2. PRUEBA 1. TAMAÑO DE PIXEL 35 Se puede apreciar en la figura 6.2 las dos cargas puntuales comentadas anteriormente. Procesado y análisis del resultado Se calculará el centro de gravedad para cada una de las imágenes adquiridas, obteniendo cuatro centros: (x+, y1)y(x−, y2)para las dos posiciones extremas sobre el eje X. (x1, y+)y(x2, y−)para las dos posiciones extremas sobre el eje Y. Acto seguido obtendremos las distancias, en número de píxeles, entre las imágenes de los puntos x+yx−y entre y+ey−. El tamaño se píxel se obtiene dividiendo la distancia de las fuentes puntuales en mm por la distancia correspondiente en píxeles (ecuación 6.1). TP =dobj(mm) dimagen(pixels)(6.1) Los valores obtenidos se compararán con las referencias del fabricante. Tolerancias Según el fabricante el tamaño de píxel nominal es 0.6mm[11], el valor obtenido al realizar la prueba no puede superar a este valor nominal en un 5%. Además la diferencia del valor medido en la dirección X no debe diferir en más del 5% del medido en la dirección Y. 6.2.3. Implementación de la prueba La interfaz tendrá el siguiente diseño: 36 CAPÍTULO 6. IMPLEMENTACIÓN DE LAS PRUEBAS Figura 6.3: Interfaz Tamaño Píxel Inicialmente se abrirá la prueba más reciente almacenada en el directorio de la aplicación llamado PRUEBAS. En la interfaz de la figura 6.3 podemos distinguir en la parte superior un cuadro de información donde se mostrará el nombre de la imagen, la fecha de adquisición y la máquina usada, todos estos datos se sacarán de la cabecera de la imagen DICOM. El usuario podrá ver las cuatro imágenes obtenidas durante la adquisición de datos, cada imagen se encuentra encabezada por el detector y el eje correspondiente a su adquisición. Bajo cada imagen encontramos un cuadro donde se mostrarán los resultados de la prueba (en el caso de que el resultado sobrepasara los límites de tolerancia se mostrará en rojo). El botón calcular situado en la esquina superior derecha, calcula los resultados y mostrándolos en su correspondiente cuadro de resultados. Observamos que además disponemos de una barra de herramientas en la que tenemos los siguientes iconos (de izquierda a derecha): Abrir imágenes: al pulsar sobre este icono se abrirá una ventana donde el usuario podrá seleccionar las cuatro imágenes para ser procesadas (figura 6.5). Exportar a EXCEL: Exporta el resultado de un cálculo a EXCEL. 6.2. PRUEBA 1. TAMAÑO DE PIXEL 37 Moverse por una imagen ampliada. Iconos de Zoom: Aumentan o disminuyen las imágenes. Figura 6.4: Interfaz Tamaño Píxel En la figura 6.4 tenemos un ejemplo de la interfaz con los valores calculados. Podemos observar que se muestra por cada imagen dos resultados: la distancia en número de píxeles entre fuentes y el tamaño de píxel en mm calculado. Además de la barra de herramientas, también disponemos de un menú donde nos encontramos con dos categorías: Archivo y Ayuda. En el menú de Ayuda el usuario se encuentra con una pequeña explicación de varios aspectos de la aplicación. En Archivo disponemos de la herramienta para seleccionar las imágenes a procesar Abrir Imágenes (que también puede utilizarse con el atajo de teclado CTRL + O), está herramienta abrirá el siguiente diálogo donde el usuario seleccionará las imágenes a tratar: 38 CAPÍTULO 6. IMPLEMENTACIÓN DE LAS PRUEBAS Figura 6.5: Interfaz Tamaño Píxel Hay que destacar que estas imágenes han de seleccionarse de cuatro en cuatro, en el caso de que el usuario no seleccione las cuatro imágenes saltará el error que podemos ver en la figura 6.6. Figura 6.6: Interfaz Tamaño Pixel-Cargar Imágenes Error 1 Además para evitar el procesamiento de imágenes que no correspondan a misma sesión de la prueba, saltará un error como el que se puede ver en la figura 6.7 si el usuario introduce cuatro imágenes que no pertenecen a la misma prueba (esto se comprueba mediante la fecha de obtención de las imágenes, ya que imágenes correspondientes a la misma sesión serán adquiridas el mismo día) 6.2. PRUEBA 1. TAMAÑO DE PIXEL 39 Figura 6.7: Interfaz Tamaño Pixel-Cargar Imágenes Error 2 Si el usuario desea guardar los resultados del cálculo de una prueba exportándolos a un fichero EXCEL, basta con pulsar sobre el icono correspondiente en la barra de herramientas o bien en el menú Archivo->Exportar, también accesible con el atajo CTRL+E. Una vez seleccionada esta opción de la aplicación, se realizará la exportación y una vez acabada se mostrará al usuario un mensaje notificándole que se ha terminado con éxito(figura 6.8). Figura 6.8: Interfaz Tamaño Pixel-Exportar Dependiendo de la máquina que detecte la aplicación (Symbia T o E.Cam) se exportará a un fichero EXCEL específico para la prueba y la máquina. En el caso de la máquina Symbia T el fichero se llamará SymbiaTamañoPixel.xlsx y estará situado en el directorio EXCEL/Symbia, si la máquina es E.Cam se exportará a un fichero en EXCEL/Ecam denominado EcamTamañoPixel.xlsx. En la figura 6.9 podemos ver la estructura de estos ficheros: Figura 6.9: Excel - TamañoPixel En la primera columna nos encontramos con el nombre de la imagen procesada, le siguen la fecha de adquisición de la imagen y el par detectoreje específico de esta. A continuación tenemos los resultados de la prueba: Distancia que se corresponde con la distancia real indicada por el fabricante 40 CAPÍTULO 6. IMPLEMENTACIÓN DE LAS PRUEBAS en mm que hay entre las fuentes, tras este valor tenemos la distancia calculada en nuestra aplicación (en número de píxeles) y el tamaño de píxel calculado junto al nominal que nos proporciona el fabricante ambos en mm. Por último tenemos el cálculo de la diferencia entre los ejes y la desviación con respecto al valor nominal (estos datos fueron requeridos por el cliente). Para terminar nuestro fichero tenemos una etiqueta que indica si el resultado calculado es correcto o no, es decir, si la prueba se pasa con éxito o no. 6.2.4. Algoritmo El algoritmo de esta prueba como se ha indicado anteriormente consiste en procesar una imagen como que vimos en la figura 6.2, en ella podemos apreciar las dos cargas puntuales como dos puntos blancos sobre el fondo negro, la prueba consiste en medir la distancia entre estas dos cargas, para ello como primer paso tras leer la imagen DICOM con la función dicomread, ajustamos la intensidad de los píxeles con imadjust, que nos deja una imagen como la que podemos ver en la figura 6.10(a). (a) Ajustada (b) Binaria1 (c) Binaria2 Figura 6.10: Imágenes Adquiridas En la figura 6.10(a) podemos apreciar varios tonos blancos, muchos puntos sueltos y algunos más concentrados, estos se corresponden con las cargas puntuales. El siguiente paso es transformar la imagen a binario para ello utilizaremos la función im2bw, dejándonos con una imagen como la vista en la figura 6.10(b) en la que podemos ver tonos solo negros y blancos en contraste con la anterior que era una imagen de niveles de gris. A continuación eliminaremos los objetos pequeños de la imagen (si los hubiera) con la función bwareaopen, lo que nos deja solo los dos objetos grandes, en este ejemplo al pasar a binario solo nos quedan dos objetos por ello no hay diferencia entre las figuras 6.10(b) y 6.10(c). Por último con regionprops obtenemos la información de ambos objetos como su área y el centro de cada uno, a partir de los centros de cada objeto 6.3. PRUEBA 2. UNIFORMIDAD INTRÍNSECA 47 al que se corresponde, a continuación, tenemos un grupo de datos que se corresponde con los resultados calculados durante la ejecución, estos datos son: CFOVUI(Uniformidad Integral del CFOV), CFOVUD(Uniformidad Diferencial del CFOV), UFOVUI(Uniformidad Integral del UFOV) y UFOVUD(Uniformidad Diferencial del UFOV). En la última columna se encuentra la etiqueta que indica si los valores obtenidos durante la prueba son o no correctos. 6.3.4. Algoritmo En esta prueba el objetivo es analizar una imagen en tonos de grises como la figura 6.12 anteriormente mostrada en la página 42. A partir de esta imagen el primer paso a seguir (que no se encuentra en el guion propuesto[2]), es normalizar la imagen con respecto a la distancia de la carga al detector, tras aplicar dicha normalización que no es más que cambiar los valores de los píxeles obtenidos calculando su distancia hacia la fuente, obtenemos la figura 6.17(a). (a) Normalizada (b) Filtrada Figura 6.17: Imágenes Adquiridas 1024x1024 A continuación, como la imagen tiene un gran nivel de ruido se aplica el filtro anteriormente comentado 6.13 con la función imfilter, así obtenemos una imagen con menos nivel de ruido como vemos en la figura 6.17(b). Ahora y como se específica en el documento [2] es necesario redimensionar la imagen de 1024x1024 a 64x64, esta redimensión se realiza con la función imresize, obteniendo la imagen 6.18(a). 48 CAPÍTULO 6. IMPLEMENTACIÓN DE LAS PRUEBAS (a) Redimensión (b) Binaria (c) Recortada(UFOV) Figura 6.18: Imágenes Adquiridas 64x64 A continuación, tenemos que quedarnos solo con el CTVU (área total útil de la imagen) por lo que la transformamos a una imagen binaria con la función im2bw (figura 6.18(c)), tras esta transformación nos quedamos con el objeto mayor obteniendo sus bordes con regionprops utilizando la propiedad BoundingBox, con estos bordes recortamos la imagen utilizando la función imcrop obteniendo el centro de esta (figura 6.18(c)) A partir de aquí aplicamos el procedimiento explicado en el apartado 6.4. PRUEBA 3. RESOLUCIÓN ESPACIAL EXTRÍNSECA 49 anterior recogido en el documento [2] obteniendo la uniformidad integral y diferencial de esta área por medio de las fórmulas y mostraremos los resultados al usuario en la interfaz. Para obtener los resultados del área central (CCVU) se aplica el mismo algoritmo pero en este caso lo realizamos con el 70% de la imagen útil, es decir, en lugar de aplicar el algoritmo a la imagen completa como anteriormente, lo aplicamos solo al 70% del área de la imagen centrada. 6.4. Prueba 3. Resolución Espacial Extrínseca 6.4.1. Objetivo de la prueba La resolución espacial indica la mínima distancia a la que pueden estar dos fuentes (puntuales o lineales) para poder registrarlas como dos imágenes distintas. La resolución espacial se valora mediante la medida de la anchura a mitad de altura del perfil de cuentas de la imagen de una línea(FWHHM). En nuestro caso, se traza un perfil automático perpendicular a la imagen de una fuente lineal (capilar) alineada en cada uno de los ejes X e Y, para ambos detectores, buscando la zona de mayor actividad de la imagen (mayores valores de píxel). La aplicación ajusta estos valores a una gaussiana y halla su anchura a mitad de altura. También calcula la transformada de Fourier de la misma para obtener la función de transferencia de modulación (MTF) de ambos detectores. Finalmente comprueba que los resultados estén dentro de la tolerancia establecida. 6.4.2. Explicación de la prueba En el documento de control de calidad de la instrumentación de medicina nuclear [2] se encuentra toda la explicación de dicha prueba, en los siguientes apartados se explicará los conceptos clave necesarios para realizar su implementación. Adquisición de datos Esta adquisición es similar a la realizada en Tamaño de Píxel, se coloca la fuente lineal en el CCVU, a 10 cm de la superficie accesible del detector, centrada y alineada con el eje X y en el eje Y como en la figura 6.19. 50 CAPÍTULO 6. IMPLEMENTACIÓN DE LAS PRUEBAS Figura 6.19: Colocación de la fuente lineal respecto de la superficie del detector.[2] Se obtendrán cuatro imágenes, una por cada detector y eje, como la siguiente: Figura 6.20: Imagen de Resolución Espacial Podemos ver en la figura 6.20 la fuente lineal (en blanco), en este caso en el eje X, sobre el fondo negro. Procesado y análisis de resultado Una vez obtenida la imagen en el CCVU se dividen en ROIs rectangulares de 30 mm en la dirección paralela a la orientación de la fuente y de, como mínimo, cuatro veces la AIMA esperada en la dirección perpendicular. Para cada ROI se suma el valor de los píxeles de cada fila (o columna) paralela a 6.4. PRUEBA 3. RESOLUCIÓN ESPACIAL EXTRÍNSECA 51 la dirección en la que esta colocada la fuente, obteniendo un perfil en forma gaussiana que representa la función de dispersión lineal de la fuente. Figura 6.21: Análisis de la imagen: ROIs y perfiles.[2] Se obtiene la AIMA y la AIDA de la siguiente forma: Si el tamaño del píxel es menor o igual que 0.1 AIMA, el píxel con el máximo número de cuentas es el correspondiente al pico. Si el tamaño de píxel es mayor que 0.1 AIMA se determina la altura de cada pico mediante un ajuste parabólico de tres puntos entre el valor máximo y los valores contiguos. El máximo de la parábola se toma como el valor del pico. Una vez hallado el valor del pico, se calcula el valor de su mitad y de su décima parte. A continuación, se obtienen, por interpolación lineal de los puntos vecinos, los puntos de corte de la función de dispersión con la recta que representa la mitad del máximo (o su décima parte, para la AIDA). La distancia entre estos puntos es el valor buscado (figura 6.22) 52 CAPÍTULO 6. IMPLEMENTACIÓN DE LAS PRUEBAS Figura 6.22: Perfil de las cuentas [2] Si se puede realizar el ajuste a una gaussiana, también se puede calcular la anchura a mitad de la misma. La resolución espacial es el resultado de promediar los valores obtenidos para cada función de dispersión en cada perfil, en X y en Y, expresados en mm y con una aproximación de 0.1mm. La conversión entre píxeles y milímetros se hará midiendo en píxeles la distancia entre los picos de las dos funciones de dispersión lineal que estén más alejadas dentro de la misma ROI, y dividiendo por este valor la distancia real en mm a la que se encuentran las rendijas correspondientes. Tolerancias Los valores obtenidos deben ser menores o iguales que los que el fabricante establece en sus especificaciones técnicas. [11] La resolución espacial, dada como el ancho completo a mitad de altura (FWHA), especificado por el fabricante es 7.8 mm, mientras el ancho a un décimo de altura es 14.9mm. El valor del FWHA no debe sobrepasar en más de un 5% el valor establecido por el fabricante, debiéndose calibrar el sistema en caso contrario. 6.4.3. Implementación de la prueba La interfaz de esta prueba se asemeja mucho a la vista en Tamaño de Píxel, las cuatro imágenes se le mostrarán al usuario a la vez, identificando cada una con una etiqueta superior indicando el detector y el eje, inicialmente se cargarán las imágenes de la prueba cuya fecha es la más reciente en el directorio de imágenes de la aplicación, el usuario puede cargar un conjunto 6.4. PRUEBA 3. RESOLUCIÓN ESPACIAL EXTRÍNSECA 53 de imágenes nuevas si lo desea utilizando para ello el icono o la opción del menú correspondiente. Figura 6.23: Interfaz En la figura 6.23 podemos apreciar la vista de las cuatro imágenes, al igual que, en las interfaces anteriores, cada imagen tiene un cuadro de resultados asociado donde se mostrarán los valores calculados cuando el usuario pulse el botón calcular. En la parte superior también podemos apreciar el cuadro de información ya conocido de las otras interfaces y la barra de herramientas y menús, que posee los mismos elementos. La diferencia con las otras interfaces reside en el cuadro que nos encontramos a la derecha de la interfaz, este cuadro sirve para visualizar la gaussiana y la MTF asociada a una imagen, está compuesto por varios checkbox, cada uno asociado a una imagen, cuando el usuario selecciona uno de estos checkbox puede o bien pulsar el botón OK mostrando las dos gráficas asociada a la imagen como vemos en la figura 6.24. Esta opción también es compatible con el botón Calcular, en el caso de que el usuario quiera realizar el cálculo y la visualización al mismo tiempo. 54 CAPÍTULO 6. IMPLEMENTACIÓN DE LAS PRUEBAS Figura 6.24: Perfil de las cuentas Figura 6.25: Interfaz En la figura 6.25 podemos ver como se le muestran los resultados al usuario, como se ha comentado anteriormente, estos resultados se mostrarán 6.4. PRUEBA 3. RESOLUCIÓN ESPACIAL EXTRÍNSECA 55 en el cuadro correspondiente a la imagen, al igual que en otras pruebas, si estos valores sobrepasaran las tolerancias recomendadas se mostrarán en rojo. Al igual que en las demás pruebas la exportación a EXCEL se realizará cuando el usuario seleccione o bien el icono asociado a esta acción o la opción del menú correspondiente. El fichero de EXCEL para la máquina Symbia T se denominará SymbiaResoluciónEspacial.xlsx mientras que el fichero asociado a la máquina E.Cam se llamará EcamResoluciónEspacial.xlsx, ambos ficheros tendran la siguiente estructura similar a los anteriores: Figura 6.26: Excel ResolucionEspacial Tendremos en la primera columna los nombres de las imágenes procesadas, a continuación, tendremos la fecha de adquisición de cada una y el detector correspondiente, los siguientes visibles datos son el valor de la MTF a 0% y al 2% y el valor del AIMA (anchura intrínseca a mitad de altura), el valor del AIMA es importante ya que es el que determinará si la prueba se pasa o no con éxito, los valores de la MTF han sido incluidos por petición del usuario. Por último, al igual que en las pruebas anteriores, disponemos de una etiqueta que indicará si se pasa la prueba o no. 6.4.4. Algoritmo En este algoritmo, al igual que en los anteriores, se realiza el cálculo sobre un fragmento de la imagen que recortaremos con las técnicas explicadas anteriormente. Inicialmente tendremos una imagen como la vista en la figura 6.20, para obtener el ROI a computar debemos pasarla a binario con im2bw, obteniendo la siguiente figura: 56 CAPÍTULO 6. IMPLEMENTACIÓN DE LAS PRUEBAS Figura 6.27: Imagen Binaria En esta figura podemos apreciar claramente la fuente lineal (en blanco) sobre el fondo negro, a partir de esta imagen detectaremos el objeto (fuente) y obtendremos sus bordes con regionprops especificando la propiedad BoundingBounds. Una vez conocemos los bordes de la fuente, recortamos la imagen con 30 píxeles de margen con respecto a dichos bordes, esta acción nos deja una imagen como la que podemos apreciar en la figura 6.28. Figura 6.28: Imagen ROI Ahora que tenemos el ROI, el primer paso es aplicarle a esta imagen la función improfile con la que obtendremos un perfil de las cuentas de la imagen, tras esto se calculará la distancia de cada píxel hacia aquel con mayor número de cuentas, una vez obtenido dicho cálculo se aproximará a una gaussiana por medio de la función fit utilizando la opción gauss1. Por último para calcular la MTF sólo hay que aplicar la función fft a la gaussiana anterior. Capítulo 7 Implementación de la interfaz En este capítulo explicaremos como está conformada la aplicación, empezado a describir la interfaz generada y como se accede a las distintas herramientas realizadas. Figura 7.1: Interfaz Principal 63 64 CAPÍTULO 7. IMPLEMENTACIÓN DE LA INTERFAZ Para finalizar la interfaz y como se comentó anteriormente, se unificaron las interfaces anteriormente documentadas en una sola. La interfaz inicial al abrir la aplicación podemos verla en la figura 7.1, como podemos observar esta interfaz es bastante sencilla, está formada por dos botones, Herramientas, el cual abre un conjunto de herramientas que han sido desarrolladas como ayuda al usuario, estas herramientas en concreto son: un conversor de nombres que asocia un nombre más intuitivo a las imágenes relacionándolo con las pruebas, la otra herramienta está dedicada a los históricos de cada prueba. El botón Pruebas abre la interfaz donde el usuario podrá realizar las pruebas. Se comentarán a continuación ambas opciones. 7.1. Interfaz Herramientas La interfaz que se abre cuando el usuario pulsa el botón Herramientas podemos verla en la figura 7.2 Figura 7.2: Interfaz Herramientas 7.1. INTERFAZ HERRAMIENTAS 65 Como se comentó anteriormente una de las herramientas consiste en un conversor de nombres de imágenes, cuando el usuario pulsa el botón Conversor de Nombres, se abre un cuadro de diálogo donde podrá seleccionar la imagen o imágenes a las que desea cambiar el nombre (figura 7.3). Esta herramienta se desarrolló al encontrarnos con el problema de que las imágenes relativas a cada prueba no siempre tenían el mismo nombre. El criterio que sigue la herramienta para poner nombre es el siguiente: Nombre de la Prueba+Fecha de Adquisición + Detector-Eje(si corresponde) Figura 7.3: Interfaz Cambio Nombre. La información necesaria la encontramos en los metadatos DICOM, como la prueba a la que pertenece la imagen, la fecha de adquisición de esta, y en el caso de las pruebas Tamaño de píxel yResolución espacial obtenemos el detector utilizado y el eje de la imagen. La otra herramienta desarrollada se trata de los históricos de cada prueba, con el fin de que el usuario tenga una referencias visual a las pruebas realizadas, más intuitiva que los datos almacenados en los ficheros EXCEL. En esta herramienta por cada histórico tendremos una gráfica, esto se ve reflejado en la interfaz que podemos ver en la figura 7.4, se aprecian cuatro botones, uno para cada prueba implementada. 66 CAPÍTULO 7. IMPLEMENTACIÓN DE LA INTERFAZ Figura 7.4: Interfaz Históricos Figura 7.5: Históricos Tamaño Pixel Las gráficas generadas de las pruebas Tamaño De Pixel yResolución 7.1. INTERFAZ HERRAMIENTAS 67 Espacial, serán similares, y consistirán en el ploteado de los datos obtenidos en cada prueba, en rojo tendremos un indicador de la tolerancia límite de la prueba. Como ejemplo tenemos el histórico generado para la prueba Tamaño de Píxel en la figura 7.5, donde podemos observar el número de pruebas procesadas en el eje X, mientras que en el eje Y encontramos los resultados del tamaño de píxel en mm calculados en la realización de la prueba. En el caso de la prueba Uniformidad Intrínseca, el sistema de generación de gráficas es el mismo, salvo que en esta caso tendremos cuatro gráficas, correspondientes al par Parámetro calculado/Área de cálculo, esto podemos verlo en la figura 7.6. Figura 7.6: Histórico Uniformidad Intrínseca 68 CAPÍTULO 7. IMPLEMENTACIÓN DE LA INTERFAZ Figura 7.7: Histórico Uniformidad Tomográfica Por último, para la prueba Uniformidad Tomográfica, utilizamos un tipo de gráfica distinto ya que queremos observar la uniformidad de los datos, por lo que utilizaremos en esta caso la función boxplot, en esta gráfica podemos ver la media de los datos en rojo y su distribución.. 7.2. Interfaz Pruebas La interfaz que recoge las pruebas anteriormente explicadas tiene el siguiente aspecto: 7.2. INTERFAZ PRUEBAS 69 Figura 7.8: Interfaz Pruebas Como podemos ver se trata de una interfaz sencilla, formada por un menú de ayuda donde el usuario encontrará una breve descripción de la prueba a realizar y unos botones, cuando el usuario pulse sobre uno de los botones se abrirá la interfaz de la prueba deseada. 70 CAPÍTULO 7. IMPLEMENTACIÓN DE LA INTERFAZ Capítulo 8 Resultados En éste capítulo analizaremos los resultados obtenidos en la implementación de cada prueba realizada. 8.1. Tamaño de Píxel Como se especificó en el apartado correspondiente a esta prueba el tamaño de píxel nominal (el suministrado por la casa) es de 0.6mm. Nuestra aplicación da resultados en torno a ese valor, que no sobrepasan la tolerancia requerida en torno al 5%, en la figura 8.1 tenemos un ejemplo de resultado en una ejecución de nuestra aplicación, se puede distinguir dos valores, el primero es la Distancia calculada entre las dos cargas en número de píxeles, el otro resultado que es el que más interesa al usuario es el tamaño de un píxel en el cristal medido en mm. Figura 8.1: Resultados Tamaño Píxel Otra forma de comprobar el correcto resultado del tamaño de píxel es teniendo en cuenta la distancia, la distancia entre las cargas en el maniquí utilizado para la obtención de las imágenes es de 200 mm, si convertimos el valor en número de píxeles calculado (330.676 en nuestro ejemplo) a mm utilizando el tamaño de píxel calculado (0.6078 en el ejemplo), obtendremos un valor cercano a 200 mm (199.99 en el ejemplo utilizado en este caso). 71 72 CAPÍTULO 8. RESULTADOS 8.2. Uniformidad Intrínseca En esta prueba se nos da una tabla con los resultados que debe dar la prueba dependiendo de la zona de la imagen tratada (tabla 6.1). En la siguiente figura tenemos un ejemplo de los resultados de nuestra aplicación: Figura 8.2: Resultados Uniformidad Intrínseca Como podemos apreciar comparando ambas tablas, los valores calculados por nuestra aplicación no se acercan tanto a los proporcionados por el fabricante, esto se debe a que la imagen que procesamos tiene mucho ruido y no solo hay que suavizarla por medio de filtros, sino que hay que normalizar el valor de los píxeles en función a la distancia a la que se situó la carga del detector y además hay que redimensionar la imagen de 1024x1024 a 64x64 perdiendo más calidad. Aun así los valores calculados entran dentro de las tolerancias admitidas especificadas en la prueba. 8.3. Resolución Espacial En esta prueba el fabricante especifica que el valor del AIMA (FWHM) es de 7.8 mm, como vemos en la 8.3 nuestra aplicación da valores similares a este. A.3. PRUEBAS 79 un scroll, cada vez que avanzamos en el scroll lo hacemos en los cortes de la imagen, además no es necesario pulsar ningún botón para calcular el resultado ya que se calcula automáticamente al movernos por el scroll. Al lado de la imagen tendremos un histograma correspondiente a ella, si quisiéramos verlo en más detalle solo hay que pulsar el botón Ver en Detalle que nos muestra una figura con el histograma. Si queremos exportar los datos, pulsaremos sobre el icono correspondiente al igual que en las anteriores interfaces. 80 APÉNDICE A. MANUAL DE USUARIO Apéndice B Versiones anteriores Durante la realización de este proyecto, se han desarrollado varias versiones de la aplicación, a continuación, explicamos alguna de estas versiones. La prueba que más versiones tuvo es sin duda Tamaño de Píxel, al tratarse de la primera interfaz a desarrollar. En primeras versiones de esta prueba, sólo se cargaba una imagen mostrando al usuario los dos cortes (captados por los detectores), como podemos ver en la figura B.1. Figura B.1: Versión 1 Tamaño de píxel La carga de las imágenes de una en una no sólo dificultaba la realización de la prueba al usuario, al tratarse de una prueba que necesita realizar los cálculos a cuatro imágenes, sino que desembocaba en una tarea tediosa para este al tener que ir cargando las distintas imágenes. También se pueden ver 81 82 APÉNDICE B. VERSIONES ANTERIORES debajo de cada imagen dos botones de Contraste, esto se debe a que en esta versión la imagen no realizaba el contraste internamente como en las versiones más recientes, por lo que lo primero que veía el usuario era una imagen completamente en negro. Además de las diferencias con la carga de imágenes, en esta versión se encuentran todas las opciones en la propia interfaz por medio de botones, no posee un menú ni una barra de herramientas que las ordene. En posteriores versiones, se arregló la carga de imágenes, dando al usuario la opción de cargar cuatro imágenes a la vez, y se limpió la interfaz eliminando los botones innecesarios y creando menús y barra de herramientas que recogieran las posibles tareas que podía realizar el usuario. Figura B.2: Versión 2 Aun así, en estas versiones no se cargaba automáticamente la imagen más reciente. Esta mejora se incluyó en versiones finales, donde también se mejoraron los colores y fuentes de la interfaz, como en la figura 6.3. Otra interfaz que sufrió muchos cambios fue la Resolución Espacial, debido a la necesidad del usuario de utilizar gráficas, como en las primeras versiones el botón calcular no solo calculaba los resultados y los mostraba en su cuadro correspondiente sino que también mostraba la gráfica asociada a la imagen, se optó por poner un botón de cálculo para cada imagen evitando que se generaran cuatro figuras al mismo tiempo. 83 Figura B.3: Versión 2 Resolución Espacial En las versiones mas recientes este problema se soluciona por medio de los checkbox. (figura 6.23). Figura B.4: Versión 1 Uniformidad Tomográfica La interfaz Uniformidad Tomográfica en versiones iniciales no poseía el cuadro de información de errores (figura B.4). 84 APÉNDICE B. VERSIONES ANTERIORES Bibliografía [1] V Congreso Conjunto SEFM-SEPR. La radiación: progreso y salud. [2] Control de calidad de Instrumentación de Mecidicina Nuclear, SEFMSEMNim-SEPR. 2005. [3] Craig S. Lent. Learning to Program with MATLABBuilding GUI Tools. [4] MATLAB. Curve Fitting Toolbox. [5] MATLAB. Data Import and Export. [6] MATLAB. Image Processing Toolbox. [7] N. Otsu. A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man, and Cybernetics, Vol. 9, No. 1, 1999. [8] R.E. Woods R.C. González. Digital Image Processing. [9] R.E. Woods R.C. González. Digital Image Processing with MATLAB. [10] Siemens. e.cam Signature Series. [11] Siemens. Symbia T Series, System Especifications. [12] P. Suetens. Fundamentals of Medical Imaging. Cambridge, 2009. 85