Segmentación multi-atlas de imágenes médicas con selección de atlas inteligente y control de calidad automático

Abstract

La segmentación multi-atlas (MAS por sus siglas en inglés) es una de las técnicas más utilizadas para la segmentación anatómica de imágenes médicas. Esta técnica utiliza un conjunto de atlas (imágenes previamente etiquetadas por expertos) para estimar la segmentación correspondiente a una nueva imagen, por medio de la registración y fusión de dichos atlas. Dado que los atlas de una población pueden variar significativamente entre sí, la selección de aquellos atlas más apropiados contribuye a mejorar su desempeño. En este trabajo, se presenta un estudio comparativo de segmentación basada en multiatlas que utiliza distintos métodos de selección del atlas aleatorios y basados en similaridad de imagen en el contexto de imágenes de radiografía torácica, para medir el impacto dicha selección en la precisión del algoritmo. Adicionalmente, para evaluar el desempeño del modelo en contextos en donde no se dispone de segmentaciones de referencia (también conocidas como ground-truth), se propone el uso del índice de Reverse Classification Accuracy (RCA) como estimador automático que posibilita el control de calidad de las segmentaciones en ausencia de segmentaciones de referencia. Los resultados obtenidos en dos grandes bases de datos demuestran que (i) la selección de atlas basada en similitud mejora significativamente los resultados al segmentar imágenes radiográficas y (ii) por medio de RCA es posible determinar un valor umbral de referencia que permite descartar automáticamente las segmentaciones de mala calidad en ausencia de ground-truth, tarea fundamental si se pretende avanzar en la utilización de este tipo de estrategias en el ámbito clínico real.