Yusta GM, Pérez DM, Orozco MR, Plasencia HX

Idioma: Español
Referencias bibliográficas: 11
Paginas: 257-271
Archivo PDF: 1093.33 Kb.

RESUMEN

Fundamento: la segmentación del hígado utilizando datos de tomografía computarizada es el primer paso para el diagnóstico de enfermedades hepáticas. Actualmente la segmentación de estructuras y órganos, basado en imágenes, que se realiza en los hospitales del país, dista de tener los niveles de precisión que se obtienen de los modernos sistemas 3D, por lo que se requiere buscar alternativas viables utilizando el PDI sobre ordenador.
Objetivo: determinar una variante eficaz y eficiente desde el punto de vista computacional en condiciones de rutina hospitalaria, para la segmentación de imágenes hepáticas con fines clínicos.
Métodos: se compararon dos métodos modernos de segmentación (Graph Cut y EM/MPM) aplicándolos sobre imágenes de tomografía de hígado. Se realizó un análisis evaluativo y estadístico de los resultados obtenidos en la segmentación de las imágenes a partir de los coeficientes de Dice, Vinet y Jaccard.
Resultados: con el método Graph Cut, en todos los casos, se segmentó la región deseada, incluso cuando la calidad de las imágenes era baja, se observó gran similitud entre la imagen segmentada y la máscara de referencia. El nivel de detalles visuales es bueno y la reproducción de bordes permanece fiel a la máscara de referencia. La segmentación de las imágenes por el método de EM/MPM, no siempre fue satisfactoria.
Conclusiones: el método de segmentación Graph Cut obtuvo mayor precisión para segmentar imágenes de hígado.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Pham DL, Xu C, Prince JL. Arobe. Current methods in medical image segmentation. Annu Rev Biomed Eng. 2000;2:315-37.

2. Sharma N, Aggarwal LM. Automated medical image segmentation techniques. J Med Phys. 2010;35(1):3-14.

3. Heimann T, Van Ginneken B, Styner MA, Arzhaeva Y, Aurich V, Bauer C, et al. Comparison and evaluation of methods for liver segmentation from CT datasets. IEEE Trans Med Imaging. 2009;28(8):1251-65.

4. Delong A, Osokin A, Isack HN, Boykov Y. Fast approximate energy minimization with label costs. International Journal of Computer Vision. 2012;96(1):1-27.

5. Chen Y, Zhao W, Wang ZJPIC. Level set segmentation algorithm based on image entropy and simulated annealing. In: 1st International Conference on Bioinformatics and Biomedical Engineering, 2007[Internet]. Wuhan: IEEE; 2007.p. 999-1003[citado 07/12/2021]. Disponible en: Disponible en: https://ieeexplore.ieee.org/document/4272743 5.

6. Chen Y, Wang Z, Hu J, Zhao W, Wu Q. The domain knowledge based graph-cut model for liver CT segmentation. Biomedical Signal Processing and Control. 2012;7(6):591-8.

7. Comer ML, Delp EJ, editors. Parameter estimation and segmentation of noisy or textured images using the EM algorithm and MPM estimation. 1st International Conference on Image Processing, 1994[Internet]. In: Austin: IEEE; 1994.p.650-54[citado 07/12/2021]. Disponible en: Disponible en: https://ieeexplore.ieee.org/document/413651 7.

8. Christ PF, Elshaer MEA, Ettlinger F, Tatavarty S, Bickel M, Bilic P, et al., editors. Automatic liver and lesion segmentation in CT using cascaded fully convolutional neural networks and 3D conditional random fields. In: International Conference on Medical Image Computing and Computer-Assisted Intervention; 2016[Internet]. Ithaca: Cornell University; 2016[citado 12/12/2021]. Disponible en: Disponible en: https://arxiv.org/abs/1610.02177 8.

9. Esneault S, Hraiech N, Delabrousse E, Dillenseger JL, editors. Graph cut liver segmentation for interstitial ultrasound therapy. In: 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society; 2007[Internet]. New Jersey: IEEE; 2007. p.5247-50[citado 12/12/2021]. Disponible en: Disponible en: https://ieeexplore.ieee.org/document/4353525 9.

10. Massoptier L, Casciaro S, editors. Fully automatic liver segmentation through graph-cut technique. In: 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society; 2007[Internet]. New Jersey: IEEE; 2007.p.5243-6. [citado 12/12/2021]. Disponible en: Disponible en: https://ieeexplore.ieee.org/abstract/document/4353524 10.

11. Masuda Y, Tateyama T, Xiong W, Zhou J, Wakamiya M, Kanasaki S, et al., editors. Liver tumor detection in CT images by adaptive contrast enhancement and the EM/MPM algorithm. In: 18th IEEE International Conference on Image Processing; 2011[Internet]. New Jersey: IEEE; 2007.p.1421-4[citado 12/12/2021]. Disponible en: Disponible en: https://ieeexplore.ieee.org/document/6115708 11.