Segmentación 3D de imágenes médicas de tomografía por emisión de positrones (PET)

Abstract

[ES] Introducción: La imagen médica es un pilar muy importante en el diagnóstico de enfermedades desde el año 1895 cuándo el físico alemán Wilhelm Conrad Röntgen hizo la primera radiografía, la mano de su mujer. Hasta entonces no existía ningún método de exploración interna no invasiva, es decir, que no afectara a otros órganos y no causara dolor. Si bien es cierto, se descubrieron efectos secundarios ligados al uso intensivo de los mismos. A pesar de estos efectos colaterales, se siguen utilizando hasta en la actualidad, siendo los beneficios suficientes rentables para el paciente a costa de los posibles problemas que pueden surgir. Por ello, durante este siglo se han ido mejorando y creando nuevas técnicas para poder realizar una exploración del cuerpo causando el menor daño posible y con mayor calidad. En esta búsqueda surgen varias técnicas como los rayos gamma (no usados comúnmente en medicina) y la medicina nuclear, a la cual pertenece el PET y en el que nos centraremos. Este tipo de diagnóstico se basa en la utilización de radiofármacos con efectos adversos prácticamente nulos, que son introducidos en el paciente y reaccionan con sus células, creando una reacción que dispara dos fotones que salen despedidos en la misma dirección, pero distinto sentido. Para conseguir una imagen correcta ambos deben ser detectados relativamente en un mismo periodo de tiempo. Según el órgano que se vaya a explorar y la enfermedad que se vaya a estudiar el radiofármaco es distinto. Pero la técnica PET tiene una desventaja, las imágenes conseguidas tienen un contraste mucho menor que la obtenida por Rayos X y suelen contener mucho ruido, aunque dado que es una exploración programada se podría, por ejemplo, detectar células cancerígenas fácilmente usando una inyección concreta. Y en ese apartado concreto se va a centrar este proyecto, en mejorar por distintas técnicas de segmentación 3D dichas imágenes y evaluar los resultados y algoritmos usados. Metodología Se ha desarrollado un estudio analítico comparativo de 4 algoritmos para la corrección y mejora de imágenes tomográficas. Para ello se ha utilizado las herramientas: Matlab, de cálculo y programación y Amide para la visualización de los resultados obtenidos. En total se han analizado cubos contenedores de hasta 116 capas de 18 Sujetos, en los que el Sujeto#1, es el mejor caso y el Sujeto#18 el peor caso. Conclusión Tras el análisis comparativo de 4 algoritmos para la segmentación de la imagen, la conclusión obtenida es que ninguno de ellos es superior en valores absolutos, sin embargo para imágenes de baja o escasa calidad, los algoritmos de ‘tresholding’ y ‘region growing’ han detectado mayor número de objetos (ruido) y se ha podido eliminar, mejorando la información obtenida en la toma. Así mismo el factor más relevante para el éxito en la detección es la conexidad del objeto 3D a evaluar