Una nueva metodología de segmentación de imágenes basada en contornos activos. Aplicación a la segmentación de imágenes médicas para la reconstrucción tridimensional de estructuras anatómicas

Abstract

Este trabajo ha tenido como objetivo principal desarrollar una metodología para la reconstrucción tridimensional de estructuras anatómicas a partir de imágenes médicas. Dentro del proceso completo de la reconstrucción tridimensional, una de las fases más importantes y complejas es la segmentación de cada una de las imágenes. Por esto, nuestro trabajo se ha focalizado en la fase de segmentación de las imágenes médicas, ya que el resultado de esta fase determina en gran medida la precisión de los modelos tridimensionales.

Presentamos un nuevo método de segmentación basado en contornos activos que hemos llamado Contornos Activos Auto-Reconfigurables (CAAR), que son un tipo de contornos activos que se ejecutan en dos fases. En la primera fase se ejecuta un algoritmo de contorno activo cuyos resultados son comprobados y mejorados de forma automática durante la segunda fase. Esta metodología se basa en detectar automáticamente las zonas en las que no se ha obtenido un buen resultado y elegir posteriormente, también de forma automática, la estrategia óptima a utilizar en cada zona teniendo en cuenta las particularidades de cada zona.

El hecho de utilizar varios tipos diferentes de contornos activos dentro del algoritmo de segmentación CAAR, le permite que pueda adaptarse a una gran variedad de situaciones diferentes.

Para comprobar la exactitud de los resultados arrojados por la metodología desarrollada, se la ha comparado de forma experimental con varios tipos de algoritmos de contornos activos ya existentes y se han obtenido mejores resultados con los CAAR.

The main objective of this work has been the development of a methodology for the three-dimensional reconstruction of anatomical structures from medical images. Within the complete process of three-dimensional reconstruction, one of the most important and complex stages is the segmentation of each medical image. Therefore, our work has focused on the phase related to the segmentation of medical images, since the results of this phase largely determine the accuracy of the three-dimensional models.

We present a new segmentation method based on active contours which we have named Self-Reconfigurable Active Contours (SRAC), a type of active contour that has two phases. In the first phase an active contour algorithm is run, the results of which are checked and enhanced automatically during the second phase. This methodology is based on automatically detecting the areas where good results have not been obtained.

The use of several different types of active contour within the SRAC segmentation algorithm enables it to adapt to a large variety of situations.

To check the accuracy of the results obtained from the developed methodology, they have been compared experimentally with various existing active contour algorithms and the best results were obtained with SRAC. The comparisons were made using, among others, the classic Kass active contour algorithm, the Bernard algorithm, active contours without edges, the Li algorithm, geodesic active contours, the Lankton algorithm, the Balloon model and the Shi algorithm. These comparisons were made based on a set of metrics that describe the contours in an objective manner.