Sviluppo di un algoritmo semi-automatico per la segmentazione 3D del ventricolo sinistro tramite active shape modeling da immagini di risonanza magnetica

Diagnostic imaging techniques, which provide to medics and researchers a great variety of anatomical and functional informations, are in continuous development. As a consequence, the demand for processing tools to optimally benefit from the wealth of information available has increased dramatically, which has made computerized medical image analysis a vivid field of research. During the recent years, the are of application of these techniques has been enlarging and they have been used not only for visualization but also for segmentation, quantification and registration of the analysed structures. Developers’ will is all these techniques which have been introduced to be completely automatic, in order to relieve the clinician from the burden of doing such long-lasting analyses and to enhance his abilities with not only planar but also three-dimensional analyses. In particular, in image segmentation area the efficiency of completely automatic algorithms is limited wellcontrasted structures. That is particularly true for cardiac imaging, where in addiction to structures complexity the incessant movement of the heart cause inevitable motion artefacts. In recent years, there have been introduced prior knowledge of structures morphology in segmentation techniques in order to solve the previous problems. This information are expressed in the form of a model, simplification of reality, which allow to better describe structures of interest if the segmentation results difficult to do. Statistical Models in particular represent a good explanation of anatomic reality and permit to describe the structure with good approximation even in portions of space not directly supported by images. In this work a semi-automatic 3D segmentation algorithm for the endocardic wall of the left ventricle in magnetic resonance (MR) images is proposed. A statistical approach is used to build a reference model based on surfaces obtained by the segmentation of 3D echocardiographic images. Such choice is based on the will to obtain an intrinsically 3D statistical model of the shape of the left ventricle cavity which is meant to be used in simultaneous 2D MR images segmentation, not preventing its application to other types of images. Furthermore, the usage of surfaces coming from echocardiographic exams, naturally not invasive and very widespread, gives the possibility to easily obtain more data and so enlarge and diversify the model. In order to create the statistical model, surfaces, expressed as nodes coordinates and connectivity matrix of the faces that compose them, are pre-emptively rigidly registered according to known landmarks made available from the segmentation. Moreover, it has been chosen not to scale the surfaces and to consider scaling as physiological structure variability. Therefore a statistical model has been built using the Active Shape Model (ASM) technique, that reduce dataset dimensionality exploiting Principal Component Analysis (PCA) and its capabilities. The proposed algorithm needs only a limited user interaction, who is asked to localize only few known points on 2- and 4-chamber views. In particular, ventricle apex and the two insertion points of mitral valve annulus leaflets in either views. The definition of these points allows a starting positioning of the model in 3D space, in connection with Short-axis (SA) images stack, which then will guide it. The matching algorithm so proceed in a completely automatic way to place and deform the model according to images guide. From each intersection between image planes and faces perimetral segments, points are extracted and video-intensity profiles built over them. More precisely, for each intersection there are extracted video-intensity values of some pixel on the line passing through the point itself and the centre of gravity of all intersections with the considered plane. Then, for each image all sampling profiles are placed side by side and K-means clustering is employed. Pixel are therefore divided in 5 clusters, of which 2 have been assigned to blood, 2 to myocardium and 1 to external structures. Only the clusters belonging to blood are considered and then the edge that separate blood and myocardium is found, which is the endocardiac wall. Thus the generation of new candidate locations for model intersections is achieved. New candidate positions produced in this way foe each slice are firstly used as a reference to rigidly register the model exploiting Partial Procrustes Analysis end the used aa guide to drive its deformation. At each algorithm iteration the alignment using Procrustes is repeated until error stop decreasing and, at every application, segmentation and resulting generation of candidate location for the intersections is done again. After the rigid registration, which reduces as much as possible the displacement of contours caused not by model shape but by its displacement and orientation, the next step is model deformation. Another application of the segmentation process provides new candidate positions for the intersections, which are then transported to the neighbour nodes of the model and drive its deformation. Model deformation ability is restricted by limits that describe the statistic dataset on which it was built, in order to preserve population variability. The algorithm is then repeated till the displacement of each node of the model, from its location at the previous iteration, is less than MR images resolution. It has also been imposed a minimum number of iterations in order to avoid insufficient deformation due to too small update steps. Algorithm application, implemented in MATLAB, after a brief user-dependent initialization of about 10 seconds, needs a mean elaboration time per frame of 37 seconds running on an ASUS A55V notebook (Intel Core i7 @ 2.3 GHz, RAM 6 GB). The algorithm is validated by comparing its results with the ones obtained by manual segmentation done by an expert. Volumes, evaluated for the Gold Standard with the Simpson’s rule and for the algorithm with not only the Simpson's rule but also calculating the entire volume of the model, are compared. The validation has been made on 12 consecutive patients, of which end-diastolic and end-systolic frames have been analysed in order to evaluate also the ejection fraction (EF). The comparison showed good results, with no statistically significant systematic errors. Furthermore, on a subgroup of 8 patients the evaluation of contours displacement on each slice has been done. Mean distance between contours traced by the algorithm and the ones made by an expert resulted of 2.52 mm, whereas maximum distances on each slices computed as Haussdorf distances had a mean value of 6.3 mm. Correct segmentation of the algorithm is limited in some cases by statistics insufficient to reach particular shapes and dimensions, by the presence of slice misalignment and by clustering inefficacy to distinguish poorly contrasted images. Nevertheless, obtained results are similar to what is present in literature. Moreover, the proposed algorithm is useful to describe the 3D morphology of the ventricle cavity even in regions not reached by images, in particular apex and base of the ventricle and in the space between consecutive slices, here separated by 8 mm.

Le tecniche di imaging diagnostico, che forniscono a clinici e ricercatori una quantità smisurata di informazioni di tipo anatomico e funzionale, sono in continuo sviluppo. Di conseguenza, la necessità di sviluppare strumenti per meglio comprendere le nuove informazioni a disposizione ha reso l’analisi computerizzata delle immagini biomediche un intenso campo di ricerca. Durante gli anni, l’area di applicazione di queste tecniche si è costantemente allargata, discostandosi dalla semplice visualizzazione per essere utilizzate in segmentazione, quantificazione e registrazione delle strutture analizzate. La volontà degli sviluppatori è che tutte queste procedure introdotte siano completamente automatiche, al fine di alleggerire il medico dalla necessità di eseguire analisi temporalmente dispendiose, e per sfruttare ove possibile la tridimensionalità del dato acquisito nel processo di segmentazione. In particolare, nell'area della segmentazione di immagini l’efficienza degli algoritmi completamente automatici è prevalentemente limitata a strutture che hanno un buon contrasto con le strutture adiacenti. Nel caso dell'imaging cardiaco, dove l’organo è in perenne movimento, oltre alla complessità della struttura si presentano artefatti causati dal rapido spostamento del cuore. Al fine di ovviare a tali problematiche, negli ultimi anni si è proceduto ad introdurre nelle tecniche di segmentazione delle informazioni a priori sulla morfologia della struttura di interesse. Queste informazioni a priori sono espresse in forma di un modello, semplificazione della realtà, che permette di meglio descrivere le strutture qualora sia difficoltoso segmentarle. I modelli statistici, in particolare, sono una buona rappresentazione della realtà anatomica e permettono di descrivere con buona approssimazione la struttura anche in porzioni dello spazio non direttamente supportate da immagini. Si propone in questo lavoro un algoritmo quanto più possibile automatico per la segmentazione 3D della parete endocardica del ventricolo sinistro a partire da immagini in risonanza magnetica (MR). Viene utilizzato un approccio statistico creando un modello di riferimento basato su superfici endocardiche ottenute dalla segmentazione di immagini ecocardiografiche 3D. Tale scelta è legata al fatto di ottenere un modello statistico intrinsecamente 3D della forma della cavità del ventricolo sinistro, con la volontà di utilizzarlo nella segmentazione simultanea di immagini MR 2D, senza precluderne però l’applicabilità ad altri tipi di immagini. Inoltre, l’utilizzo di superfici provenienti da esami ecocardiografici, naturalmente poco invasivi e quindi molto diffusi, dà la possibilità di ottenere facilmente altri dati con cui espandere e diversificare il modello. Per la creazione del modello statistico, le superfici, espresse sotto forma di coordinate dei nodi che le compongono e matrice di connettività delle facce, sono state preventivamente registrate rigidamente facendo riferimento a punti noti messi a disposizione dalla segmentazione. Si è inoltre deciso di non scalare le superfici e di considerare la scala come variabilità fisiologica della struttura. Si è proceduto quindi a costruire il modello statistico utilizzando la tecnica denominata Active Shape Modeling (ASM), la quale prevede la riduzione della dimensionalità del dataset sfruttando le potenzialità dell’Analisi delle Componenti Principali (PCA). L’algoritmo proposto prevede una limitata interazione dell’utente, a cui è richiesto di localizzare solamente pochi punti noti sulle viste in 2- e 4-camere. In particolare, l’apice del ventricolo e i due punti di inserzione dei lembi dell'annulus mitralico per entrambe le viste. La definizione di questi punti permette di effettuare una localizzazione iniziale del modello nello spazio 3D, in relazione allo stack di immagini in asse corto (SA) da cui verrà guidato. L’algoritmo di matching del modello con le immagini SA procede poi in maniera completamente automatica, posizionando e deformando il modello sotto la guida delle immagini. Dall'intersezione dei segmenti perimetrali delle facce che costituiscono la mesh con ogni piano immagine, vengono estratti dei punti e, su di essi, costruiti dei profili di videointensità. Più precisamente, per ogni intersezione si estraggono i valori di videointensità di alcuni pixel che giacciono sulla retta passante per il punto stesso ed il baricentro delle intersezioni con l’immagine considerata. Per ogni singola immagine, vengono affiancati tutti i profili di videointensità ottenuti tramite campionamento radiale, e su tale immagine risultante viene eseguito un clustering, secondo la metodica detta K-means. I pixel sono quindi divisi in 5 cluster, di cui 2 attribuiti al sangue, 2 al miocardio e 1 alle strutture esterne al ventricolo. Di questi si considerano solo i cluster appartenenti al sangue e si procede a identificare il contorno che delimita la transizione tra sangue e miocardio, ovvero la parete endocardica. Vengono così generate delle nuove posizioni candidate per le intersezioni del modello. Le nuove posizioni così generate, per ogni intersezione con ogni slice, vengono utilizzate dapprima per una registrazione rigida del modello, sfruttando l’Analisi Parziale di Procruste, e poi usate come guida per la deformazione del modello. Ad ogni iterazione dell’algoritmo, l’allineamento di Procruste viene ripetuto finchè l’errore non cessa di decrescere e, ad ogni sua applicazione, viene ripetuta la segmentazione e la conseguente generazione delle posizioni candidate allo spostamento delle intersezioni. Una volta effettuata la registrazione rigida, e quindi ridotto il più possibile lo scostamento dai contorni non dovuto alla forma del modello ma solamente a posizione e orientamento, si passa alla deformazione del modello. L’ennesima segmentazione planare estrae le posizioni candidate alla spostamento delle intersezioni e queste, trasportate ai nodi del modello, ne guidano la deformazione. La deformazione del modello viene limitata entro i limiti decritti dalla statistica del dataset su cui è stato costruito, in modo da conservare la variabilità della popolazione. L’algoritmo viene poi ripetuto fino a che lo spostamento di ogni nodo del modello, rispetto all'iterazione precedente, sia minore della risoluzione delle immagini MR da cui viene guidato. Viene inoltre imposto un numero minimo di iterazioni al fine di evitare che passi di aggiornamento troppo piccoli non facciano sufficientemente deformare il modello. L’applicazione dell’algoritmo implementato con MATLAB, a seguito di una breve inizializzazione utente-dipendente ma comunque quantificabile al di sotto dei 10 secondi, ha richiesto un tempo di elaborazione medio per frame pari a 37 secondi, su un notebook ASUS A55V (Intel Core i7 @ 2.3 GHz, RAM 6 GB). L’applicazione dell’algoritmo viene validata comparandone i risultati con quelli ottenuti tramite tracciamento manuale dei contorni endocardici da parte di un esperto cardiologo. Vengono confrontati i volumi, calcolati per il Gold Standard con il metodo dei dischi su segmentazioni manuali e per l’algoritmo con il volume totale del modello, oltre che con il metodo dei dischi. Il confronto è stato fatto su 12 pazienti consecutivi, di cui si sono analizzati i frame di fine sistole e fine diastole, così da valutare anche la frazione di eiezione (EF). Si sono riscontrati buoni risultati per il confronto, non evidenziando errori sistematici significativi. Si è inoltre proposto per un sottogruppo di 8 pazienti una valutazione locale dello scostamento dei contorni tracciati sulle singole slice. La distanza media tra i contorni tracciati dall'algoritmo e quelli tracciati da un esperto si attesta su valori di 2.52 mm, mentre le distanze massime su ogni slice, calcolate come distanze di Haussdorf, hanno una media di 6.3 mm. La corretta segmentazione dell’algoritmo è limitata in alcuni casi da una statistica insufficiente a raggiungere determinate forme e dimensioni, dalla presenza di slice disallineate e da inefficacia del clustering nel distinguere le strutture presenti nell'immagine. I risultati ottenuti sono comunque comparabili in accuratezza con quanto presente in letteratura. L’algoritmo proposto è inoltre utile per avere una descrizione 3D della morfologia della cavità ventricolare anche nelle zone non descritte dalle immagini, in particolare le zone apicali e basali ma anche lo spazio tra slice consecutive, qui di ben 8 mm.