Método robusto para reconstrução 3d dos ossos da cavidade torácica em imagens de tomografia computadorizada, utilizando conhecimentos radiológicos, aprendizado de máquina e grafos

Abstract

More than 70 million computed tomography (CT) scans are made per year. These exams, especially those directed to the thoracic cavity, are widely required due to the great number of diseases that they help to diagnose, considering the number of organs and structures within it. Objective: The 3D visualization of these structures, including bones, can lead to a more accurate diagnosis, since some details or the own volumetry of the organs may not be correctly evaluated in the 2D slices. There is an extensive literature on 3D bone reconstruction, but most either do not present a quantitative evaluation, or do not reach an accuracy close to 100%. Methods: This work presents an automatic method of bone segmentation followed by 3D reconstruction, addressing such limitations. This method is composed by three blocks: 1. Preprocessing, whereby a median filter was applied to images that presented a high level of noise; 2. Feature Extraction Procedure, in which (i) the images intensity levels were converted to attenuation coefficients and (ii) a (MLP) neural network was used to populate the Space of Attributes with the corresponding feature vectors; and 3. 3D Structural Construction, whereby a red and black tree with graph guidance combined the regarding clustered feature vectors with their spatial neighbors. To evaluate the results, the accuracy between the 2D-segmented images and their corresponding gold standards were calculated. For both the methodology and the evaluation, 90 sets of CT were used, randomly selected within the public image bank used. Results: High accuracy parameters were obtained, such as Overlap Dice (%) = 98.77 ± 0.58 and False Negative (%) = 0.13 ± 0.026. Conclusion: These values show the robustness of the method compared to the other 3D segmentation and reconstruction methods of bone tissue in computed tomography images in the literature.

Mais de 70 milhões de exames de tomografia computadorizada (TC) são feitos por ano. Estes exames, especialmente os voltados à caixa torácica, são amplamente requeridos devido ao grande número de doenças que podem auxiliar o diagnóstico, visto o número de órgãos e estruturas que ali se localizam. Objetivo: A visualização 3D destas estruturas, incluindo os ossos, pode levar a um diagnóstico mais preciso, uma vez que alguns detalhes ou a própria volumetria dos órgãos podem não ser avaliados corretamente nos slices 2D. Há uma extensa literatura acerca reconstrução 3D óssea, mas a maioria ou não apresenta uma avaliação quantitativa, ou não alcança uma acurácia próxima aos 100%. Métodos: Este trabalho apresenta um método automático de segmentação óssea seguida por reconstrução 3D, abordando tais limitações. Este método é composto por três blocos: 1. Pré-processamento, onde um filtro média foi aplicado ás imagens que apresentaram altos níveis de ruído; 2. Extração de características, onde (i) os níveis de intensidade das imagens foram convertidos em coeficientes de atenuação e (ii) uma rede neural (MLP) foi utilizada para popular o Espaço de Atributos com seus vetores correspondentes; e 3. Construção Estrutural 3D, onde uma árvore rubro negra orientada por grafos foi utilizada para combinar os vetores de características clusterizados com seus vizinhos espaciais. Para avaliar estes resultados, a acurácia entre as imagens 2D segmentadas e seus respectivos gold standard foi calculada. Tanto para a metodologia quanto para a avaliação, foram utilizados 90 sets de TC, selecionados randomicamente dentro do banco público de imagens utilizado. Resultados: Foram obtidos altos parâmetros de acurácia, como Overlap Dice (%) = 98.77 ±0.58 e Falso Negativo (%) = 0.13 ±0.026. Conclusões: Estes valores mostram a robustez do método frente aos outros métodos de segmentação e reconstrução 3D do tecido ósseo em imagens de tomografia computadorizada presentes na literatura.