Detección Automática de Nódulos Pulmonares

Trabajo realizado por:Pablo Jiménez Casado

José Antonio Andreu Guzmán

GRUPO 19

Indice1. Introducción2. Planteamiento Teórico

2.1 Preprocesado2.2 Binarización2.3 Segmentación2.4 Top-Hat2.5 Filtro Gabor2.6 Nódulos Detectados

3. Conclusiones4. Referencias

El cáncer de pulmón es la causa más frecuente de mortalidad por cáncer en el mundo.

La detección precoz, cuando aún está en la fase de nódulo pulmonar, permitiría una intervención terapéutica más temprana, lo que traería consigo un pronóstico más favorable para el paciente. Nódulo Pulmonar

1. Introducción

La tomografía computarizada permite detectar un alto porcentaje de nódulos pulmonares (posibles cánceres), más que la radiografía simple de tórax. Sin embargo, la gran cantidad de imágenes resultantes que origina el TAC genera un problema de información excesiva, y fatiga para el médico.

IMÁGENES TAC

1. Introducción

2. Planteamiento Teórico

¿Qué es un nódulo pulmonar?

Un nódulo pulmonar es una opacidad redondeada detectada en imágenes radiológicas de pulmones, cuyo diámetro es inferior a 3 cm

Nódulo Pulmonar

2. Planteamiento Teórico

ImagenTac

Preprocesado Binarización

Segmentación

Nódulos Detectados

Top-HatFiltro

Gabor

2. Planteamiento Teórico

Preprocesado

Imagen TCBrillo = 2 Brillo = -0.5

Modificar el brillo

2. Planteamiento Teórico Preprocesado

Imagen TCContraste = 10 Contraste = 0.01

Modificar el contraste

2. Planteamiento Teórico

Binarización

Binarizaremos la imagen a partir de un valor umbral:

𝑔 (𝑥 , 𝑦 ){255𝑠𝑖 𝑓 ( 𝑥 , 𝑦 )>𝑢𝑚𝑏𝑟𝑎𝑙0𝑠𝑖 𝑓 ( 𝑥 , 𝑦 )<𝑢𝑚𝑏𝑟𝑎𝑙

2. Planteamiento Teórico Binarización

Computar , el nivel medio de gris de los píxeles de las esquinasComputar , el nivel medio de gris de los demás píxeles

Mientras hacer

Fin mientras

Calculamos un valor umbral adaptativo:

2. Planteamiento Teórico Binarización

Aplicamos y obtenemos:

Imagen Original Imagen Binarizada usando umbral adaptativo

2. Planteamiento Teórico

Segmentación

Vamos a aplicar la segmentación para separar los pulmones del resto de componentes

Para ello vamos a convolucionar la imagen pixel a pixel con una matriz 8-conexa, siendo el

pixel central la etiqueta resultante

Segmentación2. Planteamiento Teórico

8-conectividad

Segmentación2. Planteamiento Teórico

Para el etiquetado de regiones se han utilizado diferentes matrices para así recorrer la imagen entera incluyendo

bordes recorriendo los vecinos en el orden que se indica:

6 7 8

5   1

4 3 2

  1

3 2

3  

2 1

2 3

1  

1 2

  3

5   1

4 3 2

2 3 4

1   5

4 5

3  

2 1

1 2

  3

5 4

Segmentación2. Planteamiento Teórico

Una vez etiquetadas todas las regiones escogemos aquella región que tiene un mayor número de píxeles

etiquetados:

Segmentación2. Planteamiento Teórico

Invertimos la imagen:

Segmentación2. Planteamiento Teórico

Eliminamos fondo exterior:

Top-hatSe trata de realizar una apertura y una

clausura con un elemento estructural (5x5 o 7x7) y así eliminar las imperfecciones.

2. Planteamiento Teórico

Top-hat

Imagen segmentada Top-hat elemento estructural 5x5

Top-hat elemento estructural 7x7

2. Planteamiento Teórico

IntersecciónUna vez obtenida la máscara haremos la

intersección con la imagen original obteniendo solo los pulmones.

2. Planteamiento Teórico

Filtro GaborEs un filtro lineal cuya respuesta es una

función sinusoidal multiplicada por una función gaussiana.

Dicha función es calculada en el dominio de los números complejos

2. Planteamiento Teórico

Parte imaginaria

Parte real

Filtro Gabor x : Ancho máximo de la máscara de

Gabor y : Altura máxima de la máscara de

Gabor = x*cosӨ + y*sinӨ = -x*sinӨ + y*cosӨ σ: varianza de la función gaussiana. λ: ancho de banda de la función

sinusoidal θ:orientación de la normal. : elipcidad de lafunción de Gabor. :el desfase

2. Planteamiento Teórico

Filtro gabor aplicando x = 9 ; y = 9; σ = 1; λ = 1; θ = 90; = 1; = 0

Nódulos detectados

Para encontrar finalmente los nódulos, binarizamos la imagen calculando de nuevo el valor del umbral adaptativo obteniendo una máscara de nódulos.

Para poder señalar los nódulos creamos una copia de la máscara anterior y la dilatamos dos veces.

Seguidamente, le restamos a la imagen dilatada la máscara original.

Por último, hacemos la intersección entre la máscara y la imagen original.

2. Planteamiento Teórico

Nódulos detectados2. Planteamiento Teórico

Máscaras de los nódulos detectados Imagen original con los nódulos detectados

ConclusionesNuestro sistema nos muestra la ubicación de aquellos

nódulos pulmonares contenidos dentro de la región pulmonar.

Una mejora de optimizar nuestro programa sería utilizar un algoritmo de bordes activos para detectar nódulos que esten pegados a la pared pulmoral (nódulo subpleural)

Imagen Original Nódulo subpleural en máscara Resultado de aplicar Bordes Activos

ConclusionesOtra técnica muy avanzada sería coger la batería de

imágenes pertenecientes a cortes de pulmones de una sola persona y recrear un modelo 3D y así poder visualizar a la perfección los nódulos.

Por último, podemos crear una red neuronal y hacer que esta aprenda a detectar imágenes de nódulos con cáncer y así una vez detectado el nódulo, clasificarlo.

Referencias [1] Lungs Nodule Detection by using Fuzzy Morphology from CT scan

Images.M.Arfar Jaffar.Ayyaz Hussain. Anwar M.Mirza. 2009 International Association of Computer Science and Information Technology - Spring Conference

[2] Desarrollo de un sistema de diagnóstico asistido por computador para detección de nódulos pulmonares en tomografía computarizada multicorte. JORGE JUAN SUÁREZ CUENCA. UNIVERSIDADE DE SANTIAGO DE COMPOSTELA FACULTADE DE FÍSICA

[3] Applied research on the automatic detection of lung nodules ROI based on Top-hat and Gabor filter. FAN Li-nan. SUN Shen-shen. Third International Symposium on Information Processing

[4] Digital Image Processind a practical introducion using Java.Nick Efford. Pearson