Radiómica segunda parte. Una nueva herramienta en el análisis de las imágenes médicas
Invitado: Dr. Miguel Martin, Dr. Rafael Martin
Moderador: CEO Serofca. MsC. Omar Arias
En esta oportunidad en nuestro espacio aprendiendo + conversaremos nuevamente con los Drs. Miguel Martin y Rafael Martin sobre la Radiómica
El Dr. Miguel Martin comienza esta presentación en el lugar donde había terminado la presentación anterior en una lámina donde define lo que se entiende por Habitad en Radiómica, el invitado expresa: “podemos sacar esencialmente el histograma de niveles digitales de la imagen y se pueden definir regiones dentro de la imagen en una imagen multimodalidad como la imagen de Resonancia Magnética en la que presentan tres modalidades T1, T2 y T2 Flair, de esa información se puede en principio tener dos posibilidades por cada imagen, resultando finalmente que hay ocho posibilidades, sin embargo cuando se hace el análisis de las características más importantes resultan nada más que cuatro, entonces con eso se define las regiones que la denominación común que se suele dar en él la temática de Radiomica se le conoce como hábitat, es un lugar donde cohabitan estas características.”
En las imágenes médicas las coordenadas de la matriz de imagen, es decir el eje horizontal y vertical o la información en las filas o las columnas de esa matriz no tiene que ver con las direcciones anatómicas que caracterizaría al paciente, pero esta son matrices que se utilizan para evaluarla las texturas, estas matrices se llaman matriz de concurrencia de niveles de grises (GLCM), pueden definirse de acuerdo a un pixel de interés tomando en consideración la distancia al pixel de interés y cuatro direcciones angulares 0,45, 90 y 135 grados, si se varia la distancia tendremos otra matriz de concurrencia, así se pueden tener una gran cantidad de matrices de concurrencia de niveles de grises, de estas matrices se puede obtener información de varios parámetros como La energía E, entropía S, contraste C y correlaciones entre pixeles Cr. De toda esta gran cantidad de información se selecciona con alguna lógica, las características radiómicas que realmente tengan interés.
En la siguiente figura vemos un ejemplo de cómo calcular una matriz de correlación, se tiene una imagen compuesta de tres niveles de grises y se le asignan los valores 1,2 y 3, se quiere calcular la GCLM de distancia 1 y ángulo 0, por ejemplo se arma la matriz con la primera fila y columna con los tres niveles de grises luego se comienza a cumplir la condición d=1 θ=0. El nivel 1 conectado con el 3 se repite 2 veces, se coloca ese número 2 en la elemento de matriz 1,3 (fila, columna)
Asi se puede continuar por ejemplo el nivel 2 seguido del nivel 2 aparece tres veces, se coloca ese numero 3, en el elemento de matriz (2,2) y de este modo se van generando todos elementos de matriz que cumplen la condición de la GCLM.
Como ejemplo en la siguiente figura tenemos una imagen que a simple vista tienes 4 niveles de grises desde el más oscuro al más claro, en el histograma solo se pueden observar dos máximos, sin embargo en una matriz de concurrencia GLCM se pueden observar los cuatro nivele, dos más altos y dos más bajos, los más altos significa que tienen más cantidad de pixeles, también se pueden distinguir los niveles digitales, el primer pico corresponde al nivel de gris más oscuro y los siguientes picos a los niveles más claros.
Un ejemplo clínico se trata en una publicación de la revista Eur. Radiol 2015, 25 (10) 2840-2850 de los autores Wibmer A et al. A un paciente de cáncer de próstata, se le hacen imágenes de RMN, una imagen ponderada en T2 y una imagen de difusión, en la imagen de difusión se observa una lesión evidente, sin embargo en la imagen de T2 no lo es tanto, se le realiza una matriz de concurrencia de niveles digitales y se le calcula la entropía normalizada, con ello pueden determinar donde hay tumor y donde se encuentra los tejidos sanos.
Otra características radiómicas de orden superior es la Matriz GLRLM (Grey Level Run Length Matrix) se parece a la de concurrencia solo que toman en cuenta los conjuntos de pixel de una determinada longitud en una determinada dirección. Por ejemplo, se tiene una imagen digital de tres niveles, se genera la matriz GLRLM con la primera columna correspondiente a los niveles digitales y la primera fila la longitud, por ejemplo en la siguiente figura se calcula la GLRLM con θ= 0, el nivel 2 aparece 3 veces con longitud de 1 y se coloca el número 3 en el elemento de matriz (2,1), el nivel 2 aparece 1 vez con longitud 4, se coloca este número 1 en elemento de matriz (2,4),y asi se va construyendo la matriz, aquí también se puede calcular los diferentes parámetros de esta matriz energía , entropía etc.
Otra característica de orden superior es la Matriz NGTDM (neighbor-Hood Gray-Tone Difference Matrix) se toma una vecindad de un pixel de interés y de esa vecindad se obtiene un promedio de niveles de grises, se puede obtener un histograma, aquí se pueden obtener diferenciación de tonalidades alrededor de un pixel de interés.
Se pueden hacer también análisis de textura mediante filtraje, lo que se quiere conseguir es eliminar el ruido contenido en la imagen, se conocen los filtros de mediana que es obtener la mediana de los niveles digitales, también filtro Laplaciano de Gaussiana (LoG), el filtraje se obtiene, por ejemplo, si se tiene una imagen digital como una matrix de 0 y 1, se realiza una convolución con un Kernel o filtro, esto da como resultado la imagen filtrada.
Un ejemplo es el filtro promedio se ponderan todos los elementos del filtro por ejemplo, un filtro de 3×3 o 5×5 elimina el moteado aunque se pierda nitidez de la imagen, otro ejemplo es el filtro Gaussiano que tiene que ver con el ancho de la Gaussiana.
También se tiene el filtro LoG (Laplacian of Gaussian) se usa para establecer fronteras entre regiones. Se suele aplicar un filtro Gaussiano seguido de un filtro Laplaciano. En este filtro LoG se tiene las dos combinaciones en un solo filtro.
Por ejemplo en un caso clínico de estudios en hígado, se le hace pasar un filtro LoG con diferentes anchos de Gaussiana, con ellos pueden determinar la presencia de metástasis dentro del hígado.
Para observar el conversatorio ingresar en el siguiente enlace:
