Detección Probabilística de Lesiones de Esclerosis Múltiple usando Superpixeles y Campos Aleatorios de Markov
DOI:
https://doi.org/10.17488/RMIB.41.3.3Palabras clave:
Esclerosis múltiple, Detección de lesiones, Superpixeles, GMMF, Segmentación de imágenesResumen
La Esclerosis Múltiple (MS) es una de las enfermedades neurodegenerativas más comunes en adultos jóvenes. El diagnóstico y su monitoreo es llevado a cabo mayormente mediante imágenes de resonancia magnética T2 o T2 FLAIR, donde dichas lesiones aparecen como regiones hiperintensas en la materia blanca. En años recientes, múltiples algoritmos han sido propuestos para detectar estas lesionas con una variedad de resultados. En este trabajo, se propone un método automático independiente de información anatómica. El algoritmo propuesto está basado en una sobresegmentación en superpixeles y su clasificación mediante un proceso de Campos Aleatorios de Medidas de Gauss Markov (GMMF). La principal ventaja de la sobresegmentación es que preserva bordes entre tejidos, además que tiene un costo reducido en tiempo de ejecución, mientras que el clasificador GMMF es robusto a ruido y computacionalmente eficiente. La segmentación propuesta es aplicada en dos etapas: primero para segmentar el cerebro y después para detectar las lesiones en él. El método propuesto es evaluado usando imágenes sintéticas de BrainWeb, así como también imágenes reales de pacientes con MS. Con respecto a los resultados, el método propuesto muestra resultados considerablemente competitivos, tomando en cuenta que éste no requiere de asistencia o información a priori.
Descargas
Citas
Benito-León J, Morales JM, Rivera-Navarro J, Mitchell AJ. A review about the impact of multiple sclerosis on health-related quality of life. Disability and Rehabilitation. 2003;25(23):1291-1303. https://doi.org/10.1080/09638280310001608591
Manjón JV, Coupé P. volBrain: An Online MRI Brain Volumetry System. Frontiers in Neuroinformatics. 2016; 10:30. https://doi.org/10.3389/fninf.2016.00030
Smith SM. Fast robust automated brain extraction. Human Brain Mapping. 2002;17(3):143-155. https://doi.org/10.1002/hbm.10062
Mortazavi D, Kouzani AZ, Soltanian-Zadeh H. Segmentation of multiple sclerosis lesions in MR images: a review. Neuroradiology. 2012; 54(4): 299-320. https://doi.org/10.1007/s00234-011-0886-7
Garcia-Lorenzo D, Francis S, Narayanan S, Arnold DL, Collins DL. Review of automatic segmentation methods of multiple sclerosis white matter lesions on conventional magnetic resonance imaging. Medical Image Analysis. 2013;17(1):1-18. https://doi.org/10.1016/j.media.2012.09.004
Khayati R, Vafadust M, TowhidkhahF , Nabavi M. Fully automatic segmentation of multiple sclerosis lesions in brain MR FLAIR images using adaptive mixtures method and markov random field model. Computers in Biolology and Medicine. 2008;38(3): 379-390. https://doi.org/10.1016/j.compbiomed.2007.12.005
Khayati R, Vafadust M, Towhidkhah F, Nabavi M. A novel method for automatic determination of different stages of multiple sclerosis lesions in brain MR FLAIR images. Computerized Medical Imaging and Graphics. 2008;32(2):124-133. https://doi.org/10.1016/j.compmedimag.2007.10.003
Vapnik VN. An overview of statistical learning theory. IEEE Transactions on Neural Networks. 1999;10(5): 988-999. https://doi.org/10.1109/72.788640
Zijdenbos AP, Dawant BM, Margolin RA, Palmer AC. Morphometric analysis of white matter lesion in MR images: method and validation. IEEE Transactions on Medical Imaging. 1994;13(4):716-724. https://doi.org/10.1109/42.363096
de Boer R, van der Lijn F, Vrooman HA, Vernooij MW, Ikram MA, Breteler MMB, Niessen WJ. Automatic segmentation of brain tissue and white matter lesions in MRI. In 4th IEEE International Symposium on Biomedical Imaging: From Nano to Macro. Arlington: IEEE;2007:652-655. https://doi.org/10.1109/ISBI.2007.356936
Awad M, Chehdi K, Nasri A. Multicomponent Image Segmentation Using a Genetic Algorithm and Artificial Neural Network. IEEE Geoscience and Remote Sensing Letters. 2007; 4(4): 571-575. https://doi.org/10.1109/LGRS.2007.903064
Shiee N, Bazin P-L, Ozturk A, Reich DS, Calabresi PA, Pham DL. A topology-preserving approach to the segmentation of brain images with multiple sclerosis lesions. NeuroImage. 2010;49(2):1524-1653. https://doi.org/10.1016/j.neuroimage.2009.09.005
Aït-Ali LS, Prima S, Hellier P, Carsin B, Edan G, Barillot C. STREM: A Robust Multidimensional Parametric Method to Segment MS Lesions in MRI. In Duncan JS, Gerig G (eds.). Medical Image Computing and Computer-Assisted Intervention MICCAI. Berlin: Sprinfer.2005;3749:409-416. https://doi.org/10.1007/11566465_5
Dempster AP, Laird NM, Rubin DB. Maximum Likelihood from Incomplete Data via EM Algorithm. Journal of the Royal Statistical Society. 1977;39(1):1-22. https://doi.org/10.1111/j.2517-6161.1977.tb01600.x
García-Lorenzo D, Prima S, Morrissey SP, Barillot C. A robust Expectation-Maximization algorithm for Multiple Sclerosis lesion segmentation. MICCAI Workshop: 3D Segmentation in the Clinic: A Grand Challenge II, MS lesion segmentation. 2008:1-8.
Bartko JJ. Measurement and Reliability: Statistical Thinking Considerations. Schizophrenia Bulletin. 1991;17(3):483-489. https://doi.org/10.1093/schbul/17.3.483
Powers D. Evaluation: from Precision, Recall and F-measure to ROC, Informedness, Markedness and Correlation. Journal Machine Learning Technologies. 2011;2(1):37-63.
Lao Z, Shen D, Liu D, Jawad AF, Melhem ER, Launer LJ, Bryan RN, Davatzikos C. Computer-Assisted Segmentation of White Matter Lesions in 3D MR images using Support Vector Machine. Academic Radiology. 2008;15(3):300-313. https://doi.org/10.1016/j.acra.2007.10.012
Viola P, Wells WM. Alignment by Maximization of Mutual Information. International Journal of Computer Vision. 1997;24(2):137-154. https://doi.org/10.1023/A:1007958904918
Wang XY, Wang T, Bu J. Color image segmentation using pixel wise support vector machine classification. Pattern Recognition. 2011;44(4):777-787. https://doi.org/10.1016/j.patcog.2010.08.008
Toussaint N, Souplet JC, Fillard P. MedINRIA: Medical Image Navigation and Research Tool by INRIA. In Proceedings of MICCAI Workshop on Interaction in Medical Image Analysis and Visualization. Brisbane: MICCAI. 2007;4791:1-8.
Achata R, Shaji A, Smith K, Lucchi A, Fua P, Süsstrunk S. SLIC Superpixels Compared to State-of-the-Art Superpixel Methods. IEEE Transactions on Pattern Analysis Machine Intelligence. 2012;34(11):2274-2282. https://doi.org/10.1109/TPAMI.2012.120
Marroquin JL, Velasco FA, Rivera M, Nakamura M. Gauss-Markov measure field models for low-level vision. IEEE Transactions on Pattern Analysis Machine Intelligence. 2001;23(4):337-348. https://doi.org/10.1109/34.917570
Cheng J, Liu J, Xu Y, Yin F, Kee-Wong DW, Tan NM, Tao D, Cheng CY, Aung T, Wong TY. Superpixel Classification Based Optic Disc and Optic Cup Segmentation for Glaucoma Screening. IEEE Transactions on Medical Imaging. 2013;32(6):1019-1032. https://doi.org/10.1109/TMI.2013.2247770
Ren CY, Reid I. gSLIC: a real-time implementation of SLIC superpixel segmentation. Technical Report [Internet]. 201:1-6. Available from: http://www.carlyuheng.com/pdfs/gSLIC_report.pdf.
Haralick RM, Shapiro LG. Computer and Robot Vision. Boston, United States: Addison-Wesley Longman Publishing;1992:28-48p.
Cocosco CA, Kollokian V, Kwan KS, Pike GB, Evan AC. BrainWeb: Online Interface to a 3D MRI Simulated Brain Database. NeuroImage. 1997;5:425.
García-Lorenzo D, Lecoeur J, Arnold DL, Collins DL, Barillot C. Multiple Sclerosis Lesion Segmentation Using an Automatic Multimodal Graph Cuts. In Yang G-Z, Hawkes D, Rueckert D, Noble A, Taylor C (eds.). Medical Image Computing and Computer-Assisted Intervention – MICCAI 2009. Berlin, Heidelberg: Springer Berlin Heidelberg; 2009:584-591. https://doi.org/10.1007/978-3-642-04271-3_71
Bricq S, Collet Ch, Armspach JP. Lesions detection on 3D brain MRI using trimmed likelihood estimator and probabilistic atlas. 2008 5th IEEE International Symposium on Biomedical Imaging: From Nano to Macro. Paris; IEEE. 2008:93-96. https://doi.org/10.1109/ISBI.2008.4540940
Forbes F, Doyle S, Garcia-Lorenzo D, Barillot C, Dojat M. Adaptive weigthed fusion of multiple MR sequences for brain lesion segmentation. 2010 IEEE International Symposium on Biomedical Imaging: From Nano to Macro. Rotterdam: IEEE. 2010:69-72. https://doi.org/10.1109/ISBI.2010.5490413
Freifeld O, Greenspan H, Goldberger J. Multiple Sclerosis Lesion Detection Using Constrained GMM and Curve Evolution. International Journal of Biomedical Imaging. 2009: 715124. https://doi.org/10.1155/2009/715124
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2020 Revista mexicana de ingeniería biomédica.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Una vez que el artículo es aceptado para su publicación en la RMIB, se les solicitará al autor principal o de correspondencia que revisen y firman las cartas de cesión de derechos correspondientes para llevar a cabo la autorización para la publicación del artículo. En dicho documento se autoriza a la RMIB a publicar, en cualquier medio sin limitaciones y sin ningún costo. Los autores pueden reutilizar partes del artículo en otros documentos y reproducir parte o la totalidad para su uso personal siempre que se haga referencia bibliográfica al RMIB. No obstante, todo tipo de publicación fuera de las publicaciones académicas del autor correspondiente o para otro tipo de trabajos derivados y publicados necesitaran de un permiso escrito de la RMIB.
