Segmentación rápida de huesos basada en bordes y regiones en imágenes TAC J. A. Pérez-Carrasco 1 , C. Suarez-Mejías 2 , B. Acha 1 , F. J. Olías-Sánchez 1 , C. Serrano 1 1 Dpto de Teoría de la Señal y Comunicaciones, Universidad de Sevilla, Camino de los Descubrimientos, s/n. 41092, Sevilla España, {jperez2@us.es , bacha@us.es , olias03@gmail.com , cserrano@us.es } 2 Hospital Universitario Virgen del Rocio, Sevilla, España, {cristina.suarez.exts@juntadeandalucia.es } Resumen En este trabajo se presenta una técnica de segmentación automática de huesos en imágenes TAC sencilla y muy rápida que permite implementar la segmentación de volúmenes TAC en cuestión de pocos segundos. La segmentación automática de estructuras óseas es de especial interés para los radiólogos y cirujanos para analizar enfermedades óseas o para planificar algunas intervenciones quirúrgicas. Esta segmentación es una tarea complicada ya que los huesos suelen presentar intensidades que solapan con las de los tejidos circundantes (músculos, órganos, etc). Esta superposición se debe principalmente a la composición de los huesos y a la presencia de algunas enfermedades tales como osteoartritis, osteoporosis, etc Por otra parte, la segmentación de las estructuras óseas es una tarea que requiere mucho tiempo debido a la esencia 3D de los huesos. Por lo general, esta segmentación se implementa de forma manual o con algoritmos usando técnicas simples tales como umbralización y que por tanto proporcionan malos resultados. En este trabajo, el algoritmo propuesto hace uso de técnicas de umbralización, detección de bordes y análisis de regiones y es comparada con varias técnicas presentes en el estado del arte que utilizan Level Sets y algoritmos de maximización de flujo. Para efectuar las comparaciones se han utilizado veinte imágenes de TACs y se han calculado diferentes coeficientes como DICE, sensitividad, sensibilidad y valor predictivo positivo (VPP) para evaluar el rendimiento de nuestra aplicación. Se obtuvieron los valores DICE y sensibilidad superiores al 0,91 y 0,97 respectivamente. 1. Motivación La segmentación automática y precisa de los huesos es de especial interés para los radiólogos y cirujanos con el fin de analizar y localizar muchos tipos de fracturas, diagnosticar algunas enfermedades de los huesos (como la osteoartritis, la artritis reumatoide, la osteoporosis) y en la planificación de cirugía plástica. La segmentación de tales estructuras es difícil debido a la presencia de algunas enfermedades que por lo general provocan una reducción en la densidad ósea en las diferentes áreas. Además, las diferentes partes de los huesos (principalmente hueso compacto y esponjoso) presentan grandes diferencias de densidad, y, por tanto, diferentes valores Hounsfield. Esto implica una superposición de estos valores con valores Hounsfield correspondientes a otros tipos de tejido tales como músculo, grasa o algunos órganos. En la Fig. 1 se muestran diferentes estructuras óseas con sus diferentes composiciones y densidades. Figura 1. Diferentes densidades en tejido óseo. Una segunda dificultad en la segmentación de las estructuras óseas es su esencia 3D. Por lo tanto, se requieren algoritmos rápidos y automáticos a fin de obtener la segmentación con reducidos tiempos de computación. La segmentación de tejido óseo ha sido abordada por muchos autores, y las diferentes técnicas utilizadas pueden ser clasificadas en cuatro categorías [1]: basados en nivel de intensidad, basados en bordes, basados en regiones, o basados en modelos. En algunas obras la técnica de segmentación se elige de acuerdo con el número de huesos o el tipo de hueso a ser segmentado [2] [3] [4]. Esta falta de generalización es un problema, ya que los radiólogos prefieren no considerar diferentes métodos de segmentación según sean las regiones a analizar. Por lo tanto, interesa un método general y adecuado que sea capaz de segmentar un amplio número de estructuras óseas sin considerar su número ni su localización. Cuando consideramos algoritmos más generales, en la literatura se prefieren algoritmos basados en conjuntos de nivel (Level Sets), contornos activos (Active Contours), cortes de grafos (Graph-Cuts) y metodologías basadas en técnicas de relajación convexa y maximización de flujo (Max-Flow, Continuous Convex Relaxation) [5][6][7][8]. Sin embargo, estos métodos requieren tiempos de computación elevados requiriendo del orden de minutos (u horas) para segmentar las imágenes que componen un volumen TAC, siendo por tanto no adecuados para muchos radiólogos.