Segmentación de imágenes médicas

El principal objetivo durante el proceso de segmentación es realizar la partición de una  imagen en regiones (denominadas como clases), las cuáles son homogéneas respecto a una o más  características. La segmentación representa una importante herramienta para el procesado de  imágenes médicas, y ha sido útil en aplicaciones como la cuantificación de lesiones en esclerosis  múltiple, simulaciones quirúrgicas, medidas de volumen en tumores, etc.

En imágenes médicas, la segmentación es importante  en cuanto a la extracción de  características, a la realización de medidas sobre  la imagen y la representación de la misma. En  algunas aplicaciones es útil para la clasificación  de píxeles tanto en regiones anatómicas, como los  huesos, músculos o vasos sanguíneos; como en regiones patológicas como cánceres, deformidades  en los tejidos, etc. En algunos estudios el objetivo es dividir la imagen en materia gris, materia  blanca y espacios del líquido cefalorraquídeo del cerebro; mientras que en otros, lo que se hace es  extraer, de la imagen, la estructura afectada completa; como se hace con los tumores mamarios en  MRI.

Existen una amplia variedad de técnicas de segmentación, aunque no existe ningún estándar  de segmentación de imágenes que produzca resultados satisfactorios en cualquier tipo de aplicación.  Los objetivos de la segmentación varían en función del estudio en cuestión y del tipo de modalidad  de imagen médica empleada. Por lo que, las diferentes suposiciones que se hagan sobre las  imágenes conducirán a una gran variedad de algoritmos de segmentación.

Las técnicas de segmentación se pueden clasificar de diferentes maneras, en este caso, en  función del esquema de clasificación: 

     -Manual, semiautomático y automático. 

     -En función de los píxeles (métodos locales) y en función de regiones (métodos globales).

     -Delineación manual, segmentación de bajo nivel (umbralización, crecimiento de regiones) y en función de   modelos (programación dinámica, detección de contornos). 

    -Clásica (umbralización, técnicas basadas en los bordes, y en las regiones), estadística, borrosa y técnicas de redes neuronales.

Las técnicas de segmentación más usadas se pueden clasificar en dos amplias categorías; en técnicas de  segmentación de regiones, que busca las regiones que satisfagan un determinado criterio, y en técnicas de  segmentación en función de los bordes, que persigue encontrar la frontera entre tejidos con diferentes características. 

La  umbralización, es un método de segmentación de regiones muy común. En esta técnica se establece un umbral y entonces la imagen se divide en píxeles con valores menores que el umbral, y en los que su valor supera, o iguala, al  umbral establecido. Hay diversos métodos de umbralización como los métodos globales basados en  histogramas de niveles de gris, métodos globales basados en propiedades locales, selección de un umbral local y umbralización dinámica. Los algoritmos de clustering logran la segmentación en regiones mediante la partición de la  imagen en grupos de píxeles parecidos. La operaciónbásica de estos algoritmos consiste en asignar  cada píxel al grupo que mejor represente el valor del vector característico, en relación con la característica de interés.

El  crecimiento de regiones, es otro tipo de algoritmos de segmentación de imágenes que asigna píxeles adyacentes o regiones al mismo segmento, si su valor son lo suficientemente parecidos, de acuerdo con un criterio establecido.

Las técnicas de segmentación de imágenes han estado encaminadas a un tipo concreto de imágenes (MRI, CT, PET…), aunque la mejora de los algoritmos de segmentación está enfocada a combinar imágenes de múltiples fuentes (segmentación multiespectral), o la integración de las imágenes a lo largo del tiempo (segmentación dinámica o temporal).