Segmentación automática del hígado en imágenes de tomografía computarizada
DOI:
https://doi.org/10.5281/zenodo.14577046Palabras clave:
hígado, procesamiento digital de imágenes, segmentación, tomografía computarizada de abdomen, MSC 5804, MSC 68Q07, MSC 68Q09, MSC 6804, MSC 68N30Resumen
La segmentación automática de hígado facilita la detección de anomalías hepáticas a partir de imágenes de tomografía computarizada. La segmentación manual de estructuras y órganos no alcanza los niveles de precisión con los que cuentan los modernos sistemas automáticos 3D. Esta investigación se basa en encontrar una alternativa eficaz y eficiente para la realización de esta tarea en rutina clínica. El objetivo es comparar tres métodos de segmentación automática del hígado, a partir de imágenes de tomografía. Los métodos comparados fueron k-means plus, campos aleatorios ocultos de Markov y red neuronal de mapas auto-organizados. Para la comparación se realizó un análisis estadístico y computacional de los resultados de la segmentación. Se utilizaron como métricas de calidad de la segmentación el coeficiente de Dice, la distancia promedio de superficie promedio y la distancia superficial simétrica máxima en 20 tomografías abdominales. De los tres métodos analizados, se comprobó que todos lograron una correcta segmentación, pero k-means plus consiguió una mejor precisión con menos tiempo de cómputo y menor tasa de fallos. Se concluye que k-means plus puede ser adecuado para su utilización en la rutina clínica.
Descargas
Citas
Bachem, O., M. Lucic, H. Hassani, and A. Krause: Fast and provably good seedings for k-means. Advances in Neural Information Processing Systems, 29, 2016. https://dl.acm.org/doi/pdf/10.5555/3157096.3157103.
Bahendwar, Y.S. and G.R. Sinha: Segmentation of computed tomography images using hmrf-em algorithm with k-means clustering. Research and Reviews Journal of Computational Biology, 4(3):14–17, 2015. https://www.researchgate.net/profile/Professor-G-Sinha/ublication/292502347_Segmentation_of_Computed_Tomography_Images_Using_HMRF-EM_Algorithm_with_K-Means_Clustering/links/56aefb1b08ae43a3980eab07/Segmentation-of-Computed-Tomography-Images-Using-HMRF-EM-Algorithm-with-K-Means-Clustering.pdf.
Bahmani, B., B. Moseley, A. Vattani, R. Kumar, and S. Vassilvitskii: Scalable k-means++. arXiv preprint arXiv:1203.6402, 2012. https://doi.org/10.48550/arXiv.1203.6402.
Botella, J.S.: Estudio y desarrollo de un preproceso basado en la difusión no lineal para la segmentación en imágenes. Tesis de Doctorado, Universidad Politécnica de Madrid, 2013. https://oa.upm.es/14616/1/JAVIER_SANGUINO_BOTELLA.pdf.
Chowdhary, C.L., M. Mittal, K. P, P.A. Pattanaik, and Z. Marszalek: An efficient segmentation and classification system in medical images using intuitionist possibilistic fuzzy c-mean clustering and fuzzy svm algorithm. Sensors, 20(14):3903, 2020. https://doi.org/10.3390/s20143903.
Chuah, T.K., J.H. Lim, and C.L. Poh: Group average difference: a termination criterion for active contour. Journal of Digital Imaging, 25:279–293, 2012. https://doi.org/10.1007/s10278-011-9405-y.
Conze, P.H., A.E. Kavur, E. Cornec-Le Gall, N.S. Gezer, Y. Le Meur, M.A. Selver, and F. Rousseau: Abdominal multi-organ segmentation with cascaded convolutional and adversarial deep networks. Artificial Intelligence in Medicine, 117:102109, 2021. https://doi.org/10.1016/j.artmed.2021.102109.
Cunha, A., C. Watanabe, and C. Carvalho: Medical image segmentation using the kohonen neural network. IEEE Latin America Transactions, 17(02):297–304, 2019. https://doi.org/10.1109/TLA.2019.8863176.
Debelee, T.G., F. Schwenker, S. Rahimeto, and D. Yohannes: Evaluation of modified adaptive k-means segmentation algorithm. Computational Visual Media, 5:347–361, 2019. https://doi.org/10.1007/s41095-019-0151-2.
Dou, Q., L. Yu, H. Chen, Y. Jin, X. Yang, J. Qin, and P.A. Heng: 3d deeply supervised network for automated segmentation of volumetric medical images. Medical Image Analysis, 41:40–54, 2017. https://doi.org/10.1016/j.media.2017.05.001.
Foruzan, A.H., Y.W. Chen, R.A. Zoroofi, A. Furukawa, Y. Sato, M. Hori, and N. Tomiyama: Segmentation of liver in low-contrast images using k-means clustering and geodesic active contour algorithms. IEICE Transactions on Information and Systems, 96(4):798–807, 2013. https://doi.org/10.1587/transinf.E96.D.798.
Heimann, T., B. Van Ginneken, M.A. Styner, Y. Arzhaeva, V. Aurich, C. Bauer, and I.Wolf: Comparison and evaluation of methods for liver segmentation from ct datasets. IEEE Transactions on Medical Imaging, 28(8):1251–1265, 2009. https://doi.org/10.3390/s24061752.
Jiménez, D., L. Fernández de Manuel, J. Pascau González-Garzón, J.M. Tellado, E. Ramón, D. Menéndez y M.J. Ledesma Carbayo: Algoritmo Level-Set para segmentación hepática en TAC con restricciones de curvatura local. En Libro de actas del XXIX Congreso Anual de la Sociedad Española de Ingeniería Biomédica (CASEIB), páginas 207–210, 2011. http://www2.die.upm.es/im/papers/CASEIB2011.pdf.
Kaur, A., Y. Singh, N. Neeru, L. Kaur, and A. Singh: A survey on deep learning approaches to medical images and a systematic look up into real-time object detection. Archives of Computational Methods in Engineering, pages 1–41, 2021. https://doi.org/10.1007/s11831-021-09649-9.
Kavur, A.E., N.S. Gezer, M. Bari¸s, S. Aslan, P.H. Conze, V. Groza, and M.A. Selver: Chaos challenge-combined (ct-mr) healthy abdominal organ segmentation. Medical Image Analysis, 69:101950, 2021. https://doi.org/10.1016/j.media.2020.101950.
Krishan, A. and D. Mittal: Effective segmentation and classification of tumor on liver mri and ct images using multi-kernel k-means clustering. Biomedical Engineering/Biomedizinische Technik, 65(3):301–313, 2020. https://doi.org/10.1515/bmt-2018-0175.
Le, D.C., K. Chinnasarn, J. Chansangrat, N. Keeratibharat, and P. Horkaew: Semi-automatic liver segmentation based on probabilistic models and anatomical constraints. Scientific Reports, 11(1):6106, 2021. https://doi.org/10.1038/s41598-021-85436-7.
Li, Y., Y.Q. Zhao, F. Zhang, M. Liao, L.L. Yu, B.F. Chen, and Y.J. Wang: Liver segmentation from abdominal ct volumes based on level set and sparse shape composition. Computer Methods and Programs in Biomedicine, 195:105533, 2020. https://doi.org/10.1016/j.cmpb.2020.105533.
Long, J., E. Shelhamer, and T. Darrell: Fully convolutional networks for semantic segmentation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 3431–3440, 2015. https://doi.org/10.48550/arXiv.1411.4038.
Lu, F., F. Wu, P. Hu, Z. Peng, and D. Kong: Automatic 3d liver location and segmentation via convolutional neural network and graph cut. International Journal of Computer Assisted Radiology and Surgery, 12:171–182, 2017. https://doi.org/10.1007/s11548-016-1467-3.
Lu, X., J.Wu, X. Ren, B. Zhang, and Y. Li: The study and application of the improved region growing algorithm for liver segmentation. Optik, 125(9):2142–2147, 2014. https://doi.org/10.1016/j.ijleo.2013.10.049.
Mohamed, M.A. and P. Gader: Generalized hidden markov models. i. theoretical frameworks. IEEE Transactions on Fuzzy Systems, 8(1):67–81, 2000. https://doi.org/10.1109/91.824772.
Paire, J., V. Sauvage, A. Albouy-Kissi, V. L. Marcus, C. Marcus, and C. Hoeffel: Fast ceus image segmentation based on self organizing maps. In Medical Imaging 2014: Image Processing, volume 9034, pages 261–266. SPIE, March 2014. https://doi.org/10.1117/12.2043459.
Pla Alemany, S.: Desarrollo de un método de segmentación automática del hígado en sus segmentos de Couinaud y los vasos hepáticos mediante un atlas probabilístico a partir del análisis de imágenes de Tomografía Computarizada. Tesis de Doctorado, Universitat Politècnica de València, 2020. http://hdl.handle.net/10251/148598.
Saïd, T. B., O. Azaiz, F. Chaieb, S. M’hiri, and F. Ghorbel: Segmentation of liver tumor using hmrf-em algorithm with bootstrap resampling. In 2010 5th International Symposium On I/V Communications and Mobile Network, pages 1–4. IEEE, 2010. https://doi.org/10.1109/ISVC.2010.5656429.
Sengun, K. E., Y. T. Cetin, M. S. Guzel, S. Can, and E. Bostanci: Automatic liver segmentation from ct images using deep learning algorithms: a comparative study. arXiv preprint, arXiv:2101.09987, 2021. https://doi.org/10.48550/arXiv.2101.09987.
Suetens, P.: Fundamentals of medical imaging. Cambridge University Press, 2017. https://doi.org/10.1017/9781316671849.
Tang, F.: The intelligent medical imaging system: The use of cloud technology and computer-aided methods. International Journal of Radiology & Medical Imaging, 3(120):1–1, 2017. https://doi.org/10.15344/2456-446X/2017/120.
Tong, T., R. Wolz, Z. Wang, Q. Gao, K. Misawa, M. Fujiwara, and D. Rueckert: Discriminative dictionary learning for abdominal multi-organ segmentation. Medical Image Analysis, 23(1):92–104, 2015. https://doi.org/10.1016/j.media.2015.04.015.
Wang, Q.: Hmrf-em-image: implementation of the hidden markov random field model and its expectation-maximization algorithm. arXivpreprint, arXiv:1207.3510, 2012. https://doi.org/10.48550/arXiv.1207.3510.
Zhou, X., T. Kitagawa, K. Okuo, T. Hara, H. Fujita, R. Yokoyama, and H. Hoshi: Construction of a probabilistic atlas for automated liver segmentation in noncontrast torso ct images. In International Congress Series, volume 1281, pages 1169–1174. Elsevier, May 2005. https://doi.org/10.1016/j.ics.2005.03.079.
Publicado
Versiones
- 2024-06-27 (4)
- 2025-09-12 (3)
- 2025-09-12 (2)
- 2024-12-30 (1)
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Lázaro Ramón Caraballo Rodríguez, Marlen Pérez Díaz, Rubén Orozco Morales
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Esta licencia permite copiar y redistribuir el material en cualquier medio o formato bajo los siguientes términos: se debe dar crédito de manera adecuada, no se puede hacer uso del material con propósitos comerciales, y si remezcla, transforma o crea a partir del material, no podrá distribuir el material modificado. Bajo la licencia mencionada, los autores mantienen los derechos de autor de su trabajo.
