INVESTIGADOR(ES) PRINCIPAL(ES):

Juan Pablo Trujillo Lemus

4 horas

CODIGO CIE

6-20-2

Santiago Ardila Giraldo

Estudiante

0 Horas

Walter Serna Serna

Coinvestigador

10 Horas

TIPO DE CONVOCATORIA

2019. Decimotercera Convocatoria

TIPO DE PROYECTO

Investigación Aplicada

OBJETIVO(S)

General: Diseñar e implementar una metodología para realizar un análisis estadístico inter-sujeto en el dominio de funciones de transferencia sobre imágenes médicas cerebrales para la detección semiautomática de tejidos anómalos. Específicos: 1.Desarrollar una metodología para la comparación estadística inter-sujeto en la construcción de un modelo de sujetos sanos en los espacios de características usados para la generación de funciones de transferencia. 2.Elaborar una metodología para la generación semiautomática de funciones de trasferencia sobre espacios de características que permitan la detección de tejidos anómalos en imágenes médicas cerebrales a partir de comparaciones inter-sujetos entre pacientes y el modelo generado que representa tejidos sanos. 3.Validar los resultados de forma retrospectiva sobre bases de datos de imágenes médicas existentes para comprobar la capacidad del método en la detección de tejidos anómalos relacionados a tumores cerebrales.

RESUMEN

La segmentación de imágenes médicas por comparación entre pacientes sanos y enfermos es una de las técnicas de procesamiento de datos más utilizadas para la extracción de información precisa y relevante que permita la identificación de anomalías en la imagen médica. Para llevar a cabo esta comparación, es necesario realizar un registro espacial de las imágenes médicas, debido a que al ser volúmenes diferentes, se debe lograr y garantizar que estos coincidan. Adicionalmente, para este fin, se ha implementado la normalización de pacientes sanos, procurando clasificarlos según sus características sociodemográficas para generar atlas de estos pacientes que sirvan en la comparación con un paciente enfermo que posea estas características. Sin embargo, llevar a cabo este procedimiento tiene un elevado costo computacional debido a la alta complejidad y tamaño de los recursos necesarios. Como alternativa, este proyecto genera una comparación inter-sujeto sobre los espacios de características de manera que se pueda usar esta información estadística poblacional en la generación semi-automática de funciones de transferencia para renderizado volumétrico basadas en el gradiente y en propiedades estadísticas, eliminando así la necesidad tanto de una fase de normalización y como de registro espacial. Además, se realiza un análisis estadístico en el dominio de estas funciones de transferencia para eliminar la dependencia del usuario en la selección de regiones de interés y en la identificación de tejidos anómalos. Para la fase de validación se utilizan imágenes de pacientes con tumores segmentados por especialistas clínicos disponibles en la base de datos MICCAI en http://braintumorsegmentation.org/. Este proyecto se enmarca dentro de las líneas de investigación del grupo BIOIF de la Universidad Tecnológica de Pereira, que se interesa por el desarrollo de nuevas tecnologías para el apoyo en el diagnóstico médico de patologías de alto impacto.

SÍNTESIS DEL PROYECTO

El procesamiento de imágenes médicas para realizar diagnóstico clínico ha sido un área primaria en investigación por décadas. La resonancia magnética es una de las mejores herramientas que se utilizan en investigación clínica para estudiar la salud y la enfermedad humana. Para el estudio del cerebro se ha considerado que la segmentación de la imagen de resonancia magnética es esencial. Pues, funciona como una herramienta no invasiva que permite cuantificar las estructuras del cerebro. La imagen de resonancia magnética de cerebro contiene artefactos tales como ruido, falta de homogeneidad y efecto de volumen parcial que afectan los algoritmos de segmentación.Una alternativa para el análisis volumétrico es el uso de funciones de transferencia multidimensionales, con estas se puede conseguir la representación directa de un volumen. Esto se debe a que una buena función de transferencia permite revelar estructuras importantes como cambios que se presenten en sujetos con anomalía estructural sin que se pierda la información del resto de la imagen. A diferencia del uso de atlas, las funciones de transferencia no dependen del tamaño y orientación de los tejidos. La distinción de los materiales presentes en una imagen en el espacio de una función de transferencia depende del conjunto de datos y de las propiedades utilizadas en la definición de este espacio. Aunque, si dependen de la experiencia del usuario pues son operadores dependientes. Las funciones de transferencia se pueden generalizar incrementando las dimensiones del dominio de la función a lo que se le llama función de transferencia multidimensional. Esto es muy útil para visualizar volúmenes que no se encuentran en un único campo escalar, lo que implica datos multivariados tal como ocurre con las imágenes de resonancia magnética. Se tiene entonces que el uso de funciones de transferencia para la representación directa de un volumen beneficia en la medida que permite la visualización de muchos aspectos de los datos de la imagen gracias a su enorme flexibilidad. El problema es que encontrar una función de transferencia optima no es tarea sencilla. Además, es operador dependiente pues, el usuario es quien selecciona la región de interés. Desde la revisión bibliográfica que se ha realizado, nunca se han intentado generar promedios ponderados sobre los espacios de características para las funciones de transferencia, de manera que se pueda usar esta información estadística poblacional en la generación semiautomática de funciones de transferencia. En este proyecto, se introdujo un nuevo método para la generación semiautomática de funciones de transferencia para el renderizado volumétrico de estructuras en 3 dimensiones a través de comparación inter-sujeto usando medidas de similitud. Esto implica que el especialista podrá orientarse para la búsqueda en el espacio de características. El proceso sigue siendo manual tras la implementación del método para generar un renderizado volumétrico especial, pero facilita la orientación del usuario. Así, un médico especialista identifica las diferencias en los espacios de características. El método genera un promedio ponderado de una referencia sana a partir de unos factores de ponderación calculados por una medida de similitud con kernel Gaussiano entre el sujeto de estudio y cada uno de los sujetos sanos donde se prioriza a los sujetos sanos que presentan más similitudes al sujeto de estudio. Así, cada sujeto de estudio tendrá un modelo de sujetos sanos propio según los factores de ponderación calculados. La visualización por funciones de transferencia es un paradigma no supervisado que permite encontrar regiones de interés en estructuras 3D sin depender de ninguna información previa.

ESTADO

Concluye Satisfactoriamente

FECHA DE INICIO

03/02/2020

FECHA DE FINALIZACION

03/02/2021

FECHA DE FIN(PRÓRROGA)

03/04/2022

PRODUCTOS

Competencias humanas y participación en actividade s de formación para la vida en una universidad pública de Colombia

Circulación de conocimiento especializado

Estrategias pedagógicas en educación superior para la incorporación de la neurodidactica y aprendizaje basado en proyectos ABP

Circulación de conocimiento especializado

GENERACIÓN SEMI-AUTOMÁTICA DE FUNCIONES DE TRANSFERENCIA PARA RENDERIZADO VOLUNTARIO EN LA DISCRIMINACIÓN DE TEJIDOS ANÓMALOS SOBRE IMÁGENES MÉDICAS A PARTIR DE COMPARACIONES INTER-SUJETOS.

Proyecto de grado

Ponencia en Congreso Internacional de Física y tecnologías Emergentes CIFTE

Circulación de conocimiento especializado

Prototipos para la enseñanza de la física en variables de medición de longitud -masa por descubrimiento

Circulación de conocimiento especializado

TFVR generator

Productos tecnológicos certificados y validados

Validación de resultados a través de algoritmos montercarlo en procedimiento de calibración de temperatura

Artículo en revista indexada