Segmentación del Endocardio en Imágenes de Tomografía Axial Computarizada

Abstract

Las enfermedades cardiovasculares son una de las principales causas de mortalidad en la sociedad occidental, y los mecanismos de las arritmias cardíacas sigue siendo objeto de intenso estudio hoy en día. Los sistemas actuales de navegación cardíaca proporcionan mapas de características eléctricas funcionales, y para ello se apoyan en sustratos soporte dados por mapas anatómicos. Los soportes anatómicos se basan principalmente en la reconstrucción del endocardio, y se han propuesto sistemas actuales que utilizan la segmentación del endocardio, generada por algoritmos propietarios, para proporcionar un soporte adecuado al mapeo eléctrico funcional. Sin embargo, la literatura científica y la información disponible en general sobre procedimientos para segmentación del endocardio es escasa. Por todo ello, el objetivo del presente proyecto es la adaptación y evaluación de métodos de segmentación en imagen médica para su aplicación en la extracción del endocardio. En este proyecto se ha realizado un análisis comparativo (cualitativo y cuantitativo) de diversos métodos de segmentación aplicados a imágenes de 10 pacientes, en imágenes obtenidas por Tomografía Axial Computarizada. Los procedimientos de segmentación anatómica convencionales (umbralización y watershed) tienen un alcance limitado para la segmentación del endocardio, y no admiten fácilmente modificaciones que permitan su adaptación y mejora para esta aplicación. Por su parte, los métodos de Level Sets en dos dimensiones sí permiten la adaptación a dicha aplicación, a través de la consideración de un término de regularización y del criterio de parada del método. Adicionalmente, los esquemas en tres dimensiones admiten una mejor adaptación al problema, siendo capaces incluso de segmentar los músculos papilares. Como ventaja adicional, Level Sets permite obtener las cavidades de forma independiente. Los métodos basados en aprendizaje estadístico (específicamente, en Máquinas de Vectores Soporte) ofrecen prestaciones moderadas, tanto considerando los niveles de intensidad como trabajando sobre las características locales de textura. En este sentido, establecer un tamaño de vecindad local adecuado es determinante para obtener buenas prestaciones en la segmentación endocárdica. La mayoría de las técnicas de segmentación mejoran notablemente cuando se incluye una etapa de filtrado por difusión.