SEGMENTAÇÃO E RECONSTRUÇÃO 3D DE ESTRUTURAS EM IMAGENS MÉDICAS: COMPARAÇÃO ENTRE UMA METODOLOGIA AUTOMÁTICA E UMA OUTRA MANUAL

Transcrição

1 CMNE/CILAMCE 2007 Porto, 13 a 15 de Junho, 2007 APMTAC, Portugal 2007 SEGMENTAÇÃO E RECONSTRUÇÃO 3D DE ESTRUTURAS EM IMAGENS MÉDICAS: COMPARAÇÃO ENTRE UMA METODOLOGIA AUTOMÁTICA E UMA OUTRA MANUAL Fátima Alexandre 1, R. Natal Jorge 1, João M.R.S. Tavares 2, Teresa Mascarenhas 3, Rania F. El Sayed 4, A.A. Fernandes 1, Fernanda Gentil 1, A.J.M. Ferreira 2 1: IDMEC Pólo FEUP Faculdade de Engenharia da Universidade do Porto Rua Dr. Roberto Frias s/n Porto - PORTUGAL {mifa, rnatal, aaf}@fe.up.pt, fgentil@clix.pt web: 2: DEMEGI Departamento de Engenharia Mecânica e Gestão Industrial Faculdade de Engenharia da Universidade do Porto Rua Dr. Roberto Frias s/n Porto - PORTUGAL {tavares, ferreira}@fe.up.pt web: 3: Faculdade de Medicina da Universidade do Porto Hospital de S. João Al. Prof. Hernâni Monteiro Porto - PORTUGAL tqc@med.up.pt web: 4: Radiodiagnosis Departement - Faculty of Medicine of University of Cairo 8 Abu Zar Elghaferi, 7th district, Nasr city, Cairo EGYPT rania729@internetegypt.com Palavras-chave: Modelos 3D, segmentação manual, segmentação automática, imagens TC, MRI Resumo. O aumento progressivo da capacidade de processamento computacional viabiliza, cada vez mais, o recurso a métodos digitais complexos para a extracção automática de órgãos a partir das imagens DICOM (Digital Image Communications in Medicine) [1]. No presente trabalho apresenta-se a construção de dois modelos 3D de características distintas obtidos através da manipulação de imagens médicas bidimensionais disponibilizadas no padrão internacional DICOM, obtidas directamente da tomografia axial computorizada (CT) e/ou ressonância magnética. Efectua-se a construção de modelos 3D por um processo completamente manual e para o processo (semi-) automático recorre-se às ferramentas do programa ANALYZE (Commercial Software for processing and measurement of multi-modality biomedical images).

2 1. INTRODUÇÃO A obtenção de imagens médicas através da CT e da ressonância magnética (MRI) registaram avanços significativos nas últimas décadas. Paralelamente a isso, os processos de segmentação de imagens médicas têm acompanhado esta evolução contribuindo assim para um melhor diagnóstico de patologias. O termo segmentação significa a identificação de uma ou mais estruturas existentes em imagens, separando-as das demais. A sua visualização pode ser feita não apenas em 3D, mas em inúmeros cortes (planos bidimensionais) definidos por planos arbitrários, podendo inclusivé inserir texturas. O recurso a processos manuais de extracção de elementos ocorre sempre que o grau de interferência, ou ruído, é significativo e se sobrepõe à textura do órgão ou objecto. As imagens médicas com complexidade superior, tal como acontece com as imagens do ouvido médio e suas estruturas adjacentes, raramente permitem ser tratadas por um conjunto reduzido de métodos para a extracção de características ou seja para a sua segmentação. A técnica automática, e semi-automática de segmentação de imagens médicas dá lugar à edição manual de imagens, onde o tempo de edição varia entre os 60 e os 180 minutos. A segmentação manual de tecidos e órgãos pode gerar resultados volumétricos bem distintos dos obtidos por segmentação automática e semi-automática, como se mostrará mais à frente com a obtenção destes dois modelos 3D. 2. COMPARAÇÃO ENTRE OS CONTORNOS MANUAL E AUTOMÁTICO Pope [2] e Barret [3] utilizaram como medida de desempenho o desvio médio do pixel, E, que envolve uma comparação pixel a pixel entre o contorno traçado manualmente e o contorno obtido automaticamente: E = L d L i= 1 2 onde: L representa o número de pontos do contorno e d a distância entre os pixels dos i- ésimos contornos manual e automático (Figura 1). (1) 2

3 P i d P i contorno manual contorno automático P iésimo ponto do contorno d distância entre o iésimo ponto do contorno manual e o i-ésimo ponto do contorno automático 3. MATERIAL E METODOGIA Figura 1. Diagrama da distância entre os pixels dos i-ésimos contornos manual e automático para o cálculo do desvio médio de pixel, E. O difícil reconhecimento de contornos nas imagens médicas do ouvido médio e suas estruturas adjacentes (bigorna, membrana timpânica e martelo) devido à complexidade da sua estrutura e ao seu reduzido tamanho (ex. o martelo tem 9mm de comprimento), prova a dificuldade na utilização da segmentação automática para a obtenção dos modelos 3D dos ossículos [4] (Figura 2). Figura 2. Visualização axial 2D da imagem obtida por CT do ouvido médio 3

4 3.1. Segmentação automática e semi-automática no ANALYZE Segmentação das estruturas do ouvido médio humano O ANALYZE possui uma ferramenta object extrator, que utiliza somente a segmentação automática para obtenção da volumetria. Todavia, o algoritmo mostrou-se completamente ineficaz, pelo que não foi possível a extracção de qualquer ossículo pelo processo automático (Figuras 3). b Figura 3. Definição automática pelo object extrator da membrana timpânica - b) - imagem original (lado esquerdo) No processo semi-automático de segmentação do ANALYZE usa-se normalmente a ferramenta Image Edit, em que, numa primeira fase o operador traça o contorno da área de interesse em todos os slices por um processo manual. Posteriormente a ferramenta object extrator selecciona um limiar óptimo para a segmentação e posterior volumetria a visualização do objecto 3D. O resultado final não é o melhor, pois é difícil identificar na imagem de que estrutura do ouvido médio se trata (Figura 4). 4

5 Figura 4a. Imagem da membrana timpânica obtida por segmentação semi-automática Figura 4b. Membrana timpânica obtida por segmentação semiautomática - imagem amplida 5x da original Segmentação do pavimento pélvico da mulher O procedimento acima apresentado pode ser repetido em outros órgãos mas os resultados finais são em tudo semelhantes, a título de exemplo veja-se o caso do pavimento pélvico. A fraca definição, e caracterização, no seio da cavidade pélvica, do pavimento pélvico dificultam o isolamento deste. Tentou-se também aqui através de metodologias de segmentação automática e semi-automática construir um modelo 3D (Figura 5). c Figura 5. Definição automática pelo object extrator do pavimento pélvico -c - imagem original (lado esquerdo) Os resultados obtidos não foram os melhores, uma vez que objectos volumétricos obtidos apresentam ainda elementos estranhos ao pavimento pélvico (Figura 6). As imagens 5

6 apresentadas resultam da execução quádrupla do conjunto de tarefas previamente apresentadas. Figura 6. Modelo volumétrico 3D do pavimento pélvico obtido pela segmentação semi-automática do Image Edit 3.2 Segmentação manual Uma vez que os modelos 3D obtidos nestes dois exemplos não possuem qualidade suficiente para criar um arquivo do tipo STL, para posterior criação de modelos 3D em Elementos Finitos e sua manipulação, recorreu-se uma metodologia baseada na Segmentação Manual. Para o efeito utilizou-se um software de CAD. Enquanto que o ANALYZE usa para a obtenção de objectos 3D métodos baseados em volumetria, o software utilizado usa métodos baseados em superfície. Quando um órgão, ou objecto, é seccionado os contornos externos das estruturas aparecem como curvas simples ou polígonos fechados. Cada contorno é constituído por uma sequência de pontos seleccionados do limite do objecto. Estes contornos são aproximados por segmentos de recta unidos às coordenadas dos pontos seleccionados [5]. Mas, a obtenção destes contornos pode necessitar de um pré-processamento de imagens, que na presente aplicação seguiu o esquema representado [6] (Figura 7). 6

7 Fátima Alexandre, R. Natal Jorge, João Manuel R. S. Tavares, Teresa Mascarenhas, Rania F. El Figura 7. Etapas de processamento da imagem para obtenção do volume da região de interesse. A seguinte figura (figura 8) apresenta, de forma sequencial, o processamento das imagens (segmentação manual) até à construção do modelo 3D no CAD da bigorna (ossículo do ouvido médio) Figura 8. Sequência de passos na segmentação manual para obtenção do modelo 3D da bigorna: 1Contorno manual da bigorna, 2- Selecção e adição dos contornos nas diversas secções transversais, 3Obtenção do modelo 3D da bigorna Aqui são usados métodos unicamente manuais para o seccionamento das imagens (slices) e delimitação de contornos da área de interesse (Figura 8.1). Uma vez extraídos todos os contornos das secções transversais (Figura 8.2), a reconstrução entre eles pode ser realizada, e finalmente construído o modelo 3D (Figura 8.3). A metodologia usada para a obtenção do pavimento pélvico foi a mesma que no exemplo anterior, ou seja, a segmentação manual, embora neste caso a segmentação manual tenha sido menos morosa, pois apesar de tratar-se de um tecido mole (músculo) a área a seccionar é maior e consequentemente os contornos da área de interesse são mais visíveis, facilitando assim a operação. Como se pode constatar pela representação na Figura 9, a obtenção do modelo 3D por este processo é melhor, não apresentando elementos estranhos, ao objecto principal. 7

8 1 2 3 Figura 9. Sequência de passos na segmentação manual para obtenção do modelo 3D do pavimento pélvico: 1- Contorno manual do pavimento pélvico, 2- Selecção e adição dos contornos nas diversas secções transversais, 3- Obtenção do modelo 3D do pavimento pélvico. 4. CONCLUSÕES E TRABALHOS FUTUROS Os modelos físicos obtidos dos dados fornecidos pelas Imagens CT e MRI podem oferecer aos médicos uma compreensão directa, e intuitiva, de patologias em anatomias complexas como é o caso do ouvido médio humano. Detalhes estes que não podiam ser obtidos com a simples observação da imagem de computador. Embora a segmentação manual nos leve actualmente à obtenção de modelos 3D bastante próximos da realidade, esta torna-se bastante morosa, pois para a obtenção de um modelo 3D despende-se em média 2 Horas, enquanto que na segmentação automática esse tempo é reduzido para menos de metade do tempo. Assim sendo, os métodos de reconstrução passam pelo desenvolvimento de uma ferramenta de segmentação automática de imagens e reconstrução de estruturas de tamanho reduzido (ouvido médio humano) e de tecidos moles (pavimento pélvico da mulher), optimizando assim a rotina clínica, pois permite que haja melhor e maior acompanhamento de vários pacientes de uma forma uniformizada. Esta ferramenta deverá actuar como uma interface entre as imagens obtidas por TC e a obtenção de modelos EF 3D e posterior construção de modelos sólidos 3D em prototipagem rápida. REFERÊNCIAS [1] Dzung L. Pham, Chenyang Xu, Jerry L. Prince Current Methods in Medical Image Segmentation, Department of Electrical and Computer Engineering. Annu. Rev. Biomed. Eng. 2000, pp , (2000). [2] Pope, D.L., Parker, D.L., Clayton, P.D., Gustafson, D.E.(1985). Left Ventricular Border Recognition Using a Dynamic Search Algorithm Radiology, v. 155, n. 2, p [3] Barrett, W.A., Clayton, P.D., Warner, H.R. (1980) Automatic Segmentation of Liver Structure in CT. Images. Medical Physics, v. 20, n. 1, p [4] Fopefolu O.F., Camp, Jon J., Brey, R. H., Lane, J.I., Robb, R.A., 3D imaging and modelling of the middle and inner ear, Biomedical Imaging Resource, Audiology, 8

9 Radiology, Mayo Clinic, Rochester, MN. [5] Mille, J., Boné, R., Makris, P. and Cardot, H. (2006). Fast estimation of skeleton points on 3D deformable meshes, Computational Modelling of Objects Represented in Images, pp (2007). [6] Brandt, J. and V.Algazi (1992). Continuous skeleton computation by Voronoi diagram, Computer Vision, Graphics, and Image Processing: Image Understanding 55(3),