Diseño y validación de un flujo de trabajo para la segmentación automática de telerradiografías de extremidades inferiores mediante un modelo de arquitectura U-net y posterior automatización de sus mediciones

Abstract

[ES] La medición de extremidades inferiores también conocida como telemetría de extremidades inferiores (EEII) o telemetría de miembros inferiores (MMII) es necesaria para el diagnóstico temprano de dismetrías en las mismas, así como para su adecuado tratamiento. Para tal fin, la radiología simple, en concreto, la telerradiografía, constituye el gold standard sobre el cual se llevan a cabo las mediciones. Las mediciones manuales de EEII en radiografías constituyen una tarea simple para radiólogos y representan un uso ineficiente de su tiempo, experiencia y conocimiento. El propósito de este Trabajo de Fin de Grado es el de desarrollar un flujo de trabajo que permita llevar a cabo las mediciones de manera automática y así reducir el tiempo consumido por el especialista en la realización de dichos estudios. Además, se pretende validar el mismo comparando sus resultados con las medidas llevadas a cabo por el experto para así poder ser aplicado en un futuro en la práctica clínica. La metodología que va a permitir conseguir el objetivo propuesto se compone de dos partes, la segmentación semántica automática de los huesos en las telerradiografías (fémur y tibia derechos e izquierdos) mediante un modelo basado en Deep Learning y la posterior medición automática de los mismos. Para su desarrollo se dispone de imágenes de telerradiografías de EEII y sus correspondientes mediciones que han sido aportadas por Ascires Grupo Biomédico. La segmentación semántica consiste en clasificar cada píxel de la imagen con la etiqueta correspondiente a la clase a la que pertenece: fémur derecho, fémur izquierdo, tibia derecha y tibia izquierda. El procedimiento incluye en primer lugar la preparación de los datos, es decir, la obtención del ground truth para evaluar el modelo de Deep Learning que segmentará de manera automática las telerradiografías. Para ello se ha empleado el paquete 3DSlicer que permite llevar a cabo la segmentación manual de las imágenes en las regiones de interés. Posteriormente se implementa una arquitectura de red neuronal convolucional tipo U-net, ampliamente utilizada en segmentación de imagen médica. Su programación, entrenamiento y validación se realizará utilizando Python como lenguaje de programación, concretamente sobre imágenes de 100 sujetos. La medición de los huesos a partir de las máscaras predichas por la red neuronal se desarrollará en el entorno de programación Matlab. Las medidas implementadas son las longitudes del fémur derecho e izquierdo, longitudes de tibia derecha e izquierda, diferencia de altura entre las cabezas de fémur, diferencia de altura de las articulaciones tibio-astragalinas y el ángulo del eje mecánico derecho e izquierdo. La validación de este módulo se llevará a cabo mediante la comparación de estas mediciones obtenidas de manera automática con las medidas realizadas por el experto. Finalmente, se desarrollará una interfaz software cuya entrada será una telerradiografía de MMII y su salida serán las mediciones de interés. Internamente se implementará el flujo de trabajo propuesto, llevando a cabo en primer lugar la segmentación semántica de los huesos y la posterior toma de medidas sobre los mismos sin que el experto consuma tiempo en ninguna de las dos tareas.

[EN] Lower extremities measurements are crucial for early leg length discrepancy¿s diagnostic and thereby planning its appropriate treatment. For archiving this, simple radiology is the gold standard on which measurements are performed. Manual leg length measurements on radiographs are cognitively simple for radiologists but they are time-consuming and labour-intensive, representing an inefficient use of their time and knowledge. The aim of this project is to develop a pipeline to perform these measurements automatically so that the time consumed by the specialist on this task will be reduced. In addition, the algorithm will be validated by comparing its results with the ones performed by the expert in order to be applied in clinical practice. The methodology that allows to achieve this aim is composed by two parts, bone automatic semantic segmentation (left and right femurs and tibias) using a Deep Learning model and their later automatic measurement. Lower extremities radiographs provided by Ascires Grupo Biomédico are available to implement the proposed pipeline. Semantic segmentation consists of classifying each image pixel with the label of the class to which it corresponds: right femur, left femur, right tibia, left tibia or background. Femurs and tibia¿s masks are manually segmented, and they serve as ground truth to evaluate the Deep Learning model. To accomplish that, 3D Slicer package is used to perform image manual segmentation in four regions of interest. Then, a U-net architecture of Convolutional Neural Network (CNN), which is commonly used in medical image segmentation, will be implemented in Python. Its training and validation will be performed using 100 image cases. Legs¿ measurements from segmentation masks predicted by the CNN will be implemented in Matlab. They consist of right and left femurs¿ length, right and left tibias¿ length, height¿s difference between femur heads, height¿s difference between tibia-astragalus joints and finally mechanical axis angles. This part of the algorithm will be validated by comparing automatic measurements with the ones performed by the radiologist. Finally, this pipeline will be integrated in a software tool whose input is a low extremity radiograph and its outputs are the measurements of interest. The pipeline proposed will be implemented by this tool, doing the semantic bone segmentation followed by length measurements without consuming time by the expert in any of these tasks.