Year 8, Number 30, October 2005

 

Exploración del sistema nervioso central : estado del arte en metodología.
Article N° AJ30-2

 

 

III. Epilepsia: fusión de imágenes


La comparación entre SPECT ictal e interictal para definir el foco epileptogénico constituye una aplicación importante de la fusión de imágenes. De hecho el corregistro seguido de una sustracción SPECT ictal menos SPECT interictal voxel por voxel corresponde perfectamente a una operación de fusión en la cual el corregisto es valorizado por una operación suplementaria, en este caso la sustracción. Además se puso de manifiesto que esta fusión mejoraba el diagnóstico, lo que confirma que se sitúa bien en la definición de la fusión que "produce una información más precisa y reduce la incertidumbre de interpretación al agregar información parcialmente redundante y complementaria"[8]. Esta fusión puede ser considerada como validada para la comparación de los SPECT ictales e interictales. El trabajo de Vera et al. [9] por ejemplo, muestra en una serie de 27 niños en que esta fusión mejora la sensibilidad del examen y la reproducibilidad de las interpretaciones facilitando la detección de la zona epileptogénica.

La limitación en su paso a la rutina tiene esencialmente pues a razones de carácter material. En efecto los programas informáticos que conectan de manera confiable y simple corregistro y sustracción, permitiendo presentar los resultados de manera adecuada no están aún muy expandidos. Sin embargo ahora están bien identificadas las herramientas necesarias para las etapas sucesivas. Nos referiremos solamente a aquellas relativas al corregistro sin abordar los problemas de escala y visualización.

Las herramientas de corregistro de imágenes están cada vez más disponibles. Se distingue dos familias de métodos: los geométricos y los icónicos (o "voxel based"). Los métodos geométricos consisten en identificar características geométricas comunes, también llamadas primitivas, en los dos juegos de imágenes que deben corregistrase. Una primitiva clásica es el contorno 3D del cerebro por ejemplo. Un método de optimización permite encontrar la mejor transformación que alinea el primitivo de uno de los juegos de imágenes sobre otro tomado como referencia. Esta transformación se aplica a la totalidad de los datos del primer juego de imágenes para reajustarlo sobre el segundo. Este enfoque es el más natural pero supone una etapa de definición de las estructuras geométricas en cuestión; es decir, una segmentación que puede ser delicada. Los métodos icónicos no necesitan referencias geométricas sino utilizan la intensidad y la posición de los voxels en ambas imágenes. Estas técnicas pretenden optimizar una medida de semejanza comparando la intensidad de los voxels en las dos imágenes. Esta medida de semejanza que es una relación entre los dos juegos de datos, mide indirectamente una distancia geométrica. Estos métodos no requieren segmentación previa pero son potencialmente sensibles al problema de la recubrimiento parcial. Este problema de recubrimiento parcial puede, al extremo, conseguir "ajustar" dos imágenes en una parte muy limitada de los datos que solo contienen ruido de fondo. En efecto el fondo tiene mucha oportunidad de ser bastante similar en los dos juegos de imágenes[10].

Para entender los distintos métodos propuestos en este marco, es útil recurrir al concepto de histograma conjunto. Si se considera i las intensidades de la imagen ictal y j las intensidades de la imagen interictal, el histograma conjunto asociado a cada par de intensidad posible (i,j) es un valor comprendido entre 0 y 1 que representa la proporción de voxels que corresponde a ese par de intensidades. Cuando las imágenes no se ajustan bien el histograma conjunto es disperso. Cuando las imágenes se ajustan éste se encuentra ordenado. En el caso particular de un corregistro intra modalidad, el histograma conjunto tiene tendencia "a ordenarse" en torno a la primera bisectriz (véase figura 3).

Figura 3. Histogramas conjuntos antes y después del corregistro de dos RM de un mismo paciente. Se constata que el histograma se ordena casi linealmente (resultado gracias a la amabilidad de A. Roche. Tesis INRIA).

Existe numerosos criterios que permiten este recentrado del histograma conjunto y en consecuencia el corregistro de las imágenes. Estos criterios hacen una hipótesis respecto las relaciones entre las intensidades y los voxels de dos imágenes o pretenden optimizar el "ordenamiento" del histograma sin a priori. Un criterio de los cuadrados mínimos subentienden un orden en torno a la primera diagonal. Pero el criterio de Woods (algoritmo AIR) por ejemplo subentiende una dependencia no lineal entre los valores. El criterio en boga actualmente es el llamado de la información mutua:

IM = H (I) + H (J) - H (I, J).

H(I) y H (J) son las entropías de cada imagen y H (I, J) es la entropía conjunta de las dos imágenes. Al maximizar este criterio se "pide" el histograma conjunto sin hipótesis a priori sobre las relaciones entre i y j. Se reajustan las dos imágenes por una parte favoreciendo la buena cobertura de las imágenes ricas en información gracias a H (I, J) y por otra parte evitando el escollo del recubrimiento parcial gracias al término H (I) + H (J)[10]. El poder del corregistro por maximización de la información mutua es que, sin hacer hipótesis a priori sobre las relaciones entre los valores del histograma conjunto, funciona satisfactoriamente incluso en el caso de datos inter modalidades de naturaleza muy diferentecomo aquellas presentadas en la figura 4 dónde se puede constatar que se obtiene un corregistro satisfactorio entre, por una parte una RM ponderada en T1 de alta resolución y por otra parte una imagen SPECT de neurotransmisión dopaminérgica en un sujeto que presenta una fijación estriatal muy anormal y una imagen extremadamente ruidosa.

Figura 4. Corregistro SPECT de neurotransmisión y RM por maximización de la información mutua. El histograma conjunto después del corregistro "se ordena mejor", pero no hay relación simple entre las intensidades. El resultado de este corregistro automático es satisfactorio a pesar de datos de calidad muy diferente.

En la indicación que nos interesa, se trata de un corregistro intra sujeto e intra modalidad de un órgano inmóvil, es decir, de una situación relativamente simple que puede ser resuelta eficazmente por la mayoría de los métodos. Si se desea asociar una superposición a imágenes de RM es necesario recurrir ya sea a métodos geométricos después de la segmentación o a métodos icónicos que se basan en hipótesis adaptadas. En efecto, un método que minimiza a un minimo cuadrado tiene menos probabilidades de entregar buenos resultados ya que hace la hipótesis implícita de una relación lineal entre los pares de valores de los pixeles. Si esta relación es verdadera en la situación SPECT-SPECT y no lo es manifiestamente en la SPECT-RM. Los métodos basados en la información mutua son soluciones posibles puesto que no requieren tales hipótesis.

La tercera conclusión metodológica que se puede proponer con respecto a la exploración de la epilepsia es que existen las herramientas básicas adaptadas y varios fabricantes las distribuyen. A menudo falta aún una secuencia fácilmente utilizable de las distintas etapas: corregistro, puesta en la escala, sustracción y visualización eventualmente superpuesta a imágenes RM para que la fusión sea más utilizada en este ámbito.

 


Resumen | Introducción | I. Diagnóstico de la enfermedad de Alzheimer: estandarización anatómica y comparación con una base de datos normativos. | II. Diagnóstico de la enfermedad de Parkinson: cuantificación de la neurotransmisión dopaminérgica. | III. Epilepsia: fusión de imágenes | IV. Conclusión | Bibliografía | Print

 

 

Sitio desarrollado por SISIB - Universidad de Chile