Anales AFA Vol. 31 Nro. 4 (Enero 2021 - Abril 2021) 165-171
https://doi.org/10.31527/analesafa.2020.31.4.165
Física Médica
ALGORITMO HEURÍSTICO DE SEGMENTACIÓN DE IMÁGENES PET UTILIZANDO
TÉCNICAS DE INTELIGENCIA ARTIFICIAL
HEURISTIC ALGORITHM FOR PET IMAGES’ SEGMENTATION USING ARTIFICIAL
INTELIGENCE TECHNIQUES
I. E. Scarinci
1,2
, P. Pérez
1,2
y M. Valente*
1,2,3
1
Instituto de Física Enrique Gaviola, CONICET, FAMAF, UNC, Córdoba, 5000, Argentina.
2
Facultad de Matemática, Astronomía, Física y Computación (FAMAF), Universidad Nacional de
Córdoba (UNC), Córdoba, Argentina.
3
Centro de Física e Ingeniería en Medicina (CFIM) & Departamento de Ciencias Físicas, Universidad
de La Frontera Temuco, Chile.
Autor para correspondencia: email: mauro.valente@gmail.com
ISSN 1850-1168 (online)
Recibido: 01/05/2020 Aceptado: 19/08/2020
Resumen:
La cantidad de procedimientos de medicina nuclear se ha incrementado notablemente en los últimos
años, convirtiendo a éstos en una herramienta cotidiana que alcanza a amplios sectores de la población.
En relación al uso terapéutico de la medicina nuclear, la cantidad de nuevas técnicas y el uso de mayor
variedad de radioisótopos demandan una cuantificación dosimétrica precisa y de carácter paciente-
específico, a los fines de evaluar daños letales al tumor manteniendo niveles aceptables de dosis en
tejidos sanos. En el caso particular de los tratamientos teranósticos que permiten la realización conjunta
de tratamiento-diagnóstico, se presenta la posibilidad de realizar dosimetría interna guiada por
imágenes. En este caso, resulta crítica la segmentación correcta de las imágenes para la identificación
de diferentes tejidos y órganos. Por otra parte, las herramientas de la ciencia de datos y la inteligencia
artificial se han difundido en varios campos, en particular el procesamiento digital de imágenes. La
posibilidad de utilizar modelos de aprendizaje automático para el procesamiento de imágenes digitales
surge como una oportunidad promisoria para complementar el análisis clínico por parte de expertos. En
este trabajo se presenta un algoritmo heurístico de segmentación no supervisada utilizando
conjuntamente técnicas de clustering y aprendizaje automático, basado en la utilización de dos
algoritmos: K-Means y HDBSCAN. Los resultados obtenidos muestran la capacidad de segmentado
automático de los algoritmos de clustering resultando éstos una herramienta útil para facilitar y acortar
los tiempos de segmentación.
Palabras clave: medicina nuclear, dosimetría, teranóstica, inteligencia artificial.
Abstract:
The overall quantity of nuclear medicine procedures has increased remarkably in recent years, making
them a daily tool capable of reaching wide sectors of the population. Regarding the nuclear medicine
therapeutic applications, it is worth noting that there is an increasing demand of novel techniques and
greater variety of radioisotopes requiring accurate patient-specific dosimetry aimed at evaluating lethal
damage to the tumor while maintaining acceptable dose levels in healthy tissues. Image-guided internal
dosimetry appears as particularly suitable for theranostics procedures, which allow the joint
implementation of diagnose and treatment. In this case, the correct segmentation of the images is
critical for the identification of different tissues and organs. On the other hand, modern tools based on
data science and artificial intelligence have spread in several fields, particularly in the digital image
processing. The use of machine learning models for digital image processing appears as a promising
opportunity to complement clinical analysis by experts. This paper reports about an unsupervised
segmentation heuristic algorithm using clustering and machine learning techniques together, based on
the use of two algorithms: K-Means and HDBSCAN. The results obtained highlight the capacity of
automatic segmentation by means of clustering algorithms, becoming a useful tool to assist clinician
experts and shorten the segmentation times.
Keywords: nuclear medicine, dosimetry, theranostics, machine learning.
I. INTRODUCCIÓN
Los procedimientos de medicina nuclear tanto de diagnóstico como los utilizados para el tratamiento de
diversas enfermedades oncológicas ya se encuentran implementados para el uso diario en clínicas y
centros médicos. En particular, aquellos procedimientos teranósticos, capaces de combinar el
diagnóstico con el tratamiento, posibilita la opción de tratamiento guiado por imágenes, mejorando así
tanto la precisión como la evaluación dosimétrica de los procedimientos.
1,2
Actualmente, cuantificar la eficacia de un tratamiento demanda un gran esfuerzo, y aún no se dispone
de mecanismos estandarizados de planificación para los procedimientos terapéuticos en medicina
nuclear, debido a la variabilidad que existe en la absorción y distribución de los radiofármacos
dependiendo del paciente. Para ajustar estos tratamientos a la situación particular de cada paciente se
requiere de un seguimiento desde el comienzo de la terapia. Se requiere la estimación de la dosis
absorbida, no sólo en el tejido a tratar sino también en los órganos considerados radio-sensibles, como
es el caso de riñones o médula ósea.
3
El cálculo de la dosis absorbida por el paciente puede abordarse por diversos métodos: i) cálculo Monte
Carlo de transporte de radiación,
4,5
ii) convolución de núcleos puntuales de dosis (DPK),
6
o iii) por el
método de valores
S
propuesto por el MIRD.
7
En todos estos casos es necesaria la evaluación precisa
de la actividad presente en cada órgano de interés y su evolución temporal en el paciente. El cálculo de
la actividad en cuerpo completo a partir de la diferencia entre actividad administrada y la actividad
eliminada por orina o sudor resulta entonces insuficiente para estimar la actividad acumulada en cada
uno de los órganos de interés, tanto sanos como en riesgo. La utilización de procedimientos
teranósticos permite entonces la cuantificación localizada a partir de imágenes metabólicas de Cámara
Gamma, PET o SPECT.
8
La segmentación precisa de estas imágenes sirve de guía para delimitar las regiones pertenecientes a
cada órgano y tejido de interés, pero para realizarse requiere de personal altamente capacitado, y
experimentado, y conlleva tiempos no siempre aceptables en la práctica clínica. Existen métodos semi-
automáticos basados en técnicas propias de la ciencia de datos y la inteligencia artificial, como la
utilización del clustering K-Means
9
o Fuzzy C-Means.
10
Estas técnicas no supervisadas son capaces de
automatizar gran parte del trabajo, pero en ningún caso permiten prescindir del ojo entrenado del
experto a los fines de lograr una segmentación óptima, con los tiempos que esto implica.
Asimismo, estas técnicas de aprendizaje automático se encuentran ampliamente difundidas en el campo
del procesamiento digital de imágenes. El reconocimiento de objetos y regiones a partir de modelos
previamente entrenados es de uso diario en la mayoría de las ramas de la industria, el comercio y la
seguridad.
En este trabajo se estudia la posibilidad de generar un método de segmentación automático a los fines
de complementar el trabajo del experto y acortar los tiempos necesarios en la actualidad. Se presenta un
algoritmo heurístico automático de segmentación por medio de clustering utilizando dos métodos: K-
Means y HDBSCAN.
11
Los resultados obtenidos muestran la factibilidad de realizar el segmentado de las imágenes PET de
forma automática y en tiempos aceptables para las prácticas clínicas. Éstos resultan promisorios para
trabajos futuros en el campo de la segmentación automática de imágenes de medicina nuclear.
II. MÉTODOS Y MATERIALES
Imágenes PET/CT
Para el presente trabajo se utilizó un conjunto de imágenes PET/CT anonimizadas, que corresponden a
estudios realizados en pacientes del centro médico INTECNUS en la ciudad de San Carlos de
Bariloche. En todos los casos se trata de prácticas que han administrado al paciente radiotrazador
basado en
18
F FDG
con actividad por unidad de masa de 0.075 mCi/Kg. La adquisición de las
imágenes se realizó utilizando un equipo marca General Electric modelo Discovery 710.
Se concentró la atención en aplicar la metodología propuesta en imágenes de 4 pacientes, denominados
1, 2, 3 y 4 (ver Fig. 1).
FIG. 1: Imágenes paciente-específico utilizadas. Paciente 1 (arriba-izquierda), paciente 2 (arriba-
derecha), paciente 3 (abajo-izquierda) y paciente 4 (abajo-derecha).
La Tabla 1 resume las principales características de las imágenes empleadas. El tamaño de voxel para
las imágenes PET es de
3.26 3.65 3.65
mm
3
y para las CT es de
3
2.5 1.37 1.37 mm
. A modo de
ejemplo, la Fig. 1 reporta algunos cortes típicos.
TABLA 1: Características de las imágenes PET y CT utilizadas.
Algoritmos de Clustering
K-Means
El algoritmo de clustering K-Means consiste en encontrar
K
particiones de un conjunto de datos
1
,...,
N
S s s
. En el presente caso, el conjunto de datos a particionar está compuesto por el valor de
intensidad
i
I
de cada voxel de la imagen junto a su posición, es decir que cada elemento del conjunto
S
es un vector de 4 dimensiones
( , , , )
i i i i i
s I x y z
. Un cluster se define como un subconjunto de
vóxeles tales que la distancia entre ellos es menor comparada con la distancia a puntos fuera del
cluster. Por tanto, el problema de encontrar los
k
cluster se resume en resolver:
2
11
NK
j i j
ik
argmin s
‖‖
(12)
donde
j
se refiere a la “distancia intercluster".
12
HDBSCAN
El algoritmo de HDBSCAN
11
(agrupación espacial basada en densidad jerárquica de aplicaciones con
ruido) es una generalización de DBSCAN (agrupación espacial basada en densidad de aplicaciones con
ruido). Ambos algoritmos comienzan buscando la distancia núcleo para cada punto, esta es la distancia
entre el punto y un número de vecinos cercanos definidos por el hiperparámetro denominado número
mínimo de muestras.
Luego, se forma un dendograma con los posibles clusters. HDBSCAN intenta mantener a los clusters
tan grandes como sea posible, por medio del control del hiperparámetro “tamaño mínimo” de cluster.
La búsqueda del valor óptimo para los hiperparámetros que definen el desempeño del algoritmo se
realiza maximizando el valor de la validez relativa para una dada configuración de tamaño mínimo de
cluster y un número mínimo de muestras.
13
Flujo de trabajo
En una primera instancia, al contar con la imagen original (cruda) de PET, es necesario descartar
aquellos vóxeles que no pertenezcan a zonas de interés (tejidos), para lo cual se propone la
implementación del método de clustering K-Means a los fines de segmentar la imagen en dos grandes
regiones, pudiendo determinar aquellos vóxeles que pertenezcan a la zona a evaluar.
Una vez obtenida la primera segmentación, logrando separar los vóxeles entre aquellos que pertenecen
a zonas con tejido de aquellos que no pertenecen a tejidos, resulta necesario implementar un nuevo
criterio de segmentación para separar los vóxeles pertenecientes a zonas del cuerpo del paciente en dos
grupos: a) aquellos que más probablemente pertenezcan a zonas activas de interés, y b) aquellos que
puedan ser considerados ruido o fondo. A los fines del presente trabajo, y como resultado de pruebas
preliminares, se propone utilizar segmentación por umbralamiento a nivel del tercer cuartil sobre la
imagen de tejidos.
Una vez delimitados los tejidos de interés sobre los que se desea calcular la actividad acumulada, la
imagen se suaviza utilizando un filtro de mediana que permite eliminar ruido. Asimismo, este filtro
permite el relleno de posibles vóxeles “faltantes” en algunas zonas debido a incertezas intrínsecas de la
técnica de adquisición de la imagen o la inhomogeneidad de la actividad, entre otras causas. Una vez
suavizada, la imagen es re-dimensionada y normalizada a valores entre 0 y 1 para su posterior
procesamiento y análisis.
La resolución espacial de las imágenes PET y CT suele ser diferente, incluso en equipamiento de
imaging dual. Para esto, se recurre al método de resampling y se crean dos imágenes (anatómica y
metabólica) de idéntica resolución espacial. A partir de la imagen anatómica, la que identifica
aceptablemente las regiones y tejidos, y la metabólica, la que brinda información de la actividad en
cada punto, y ambas imágenes en idéntica resolución espacial, es posible entonces incorporarlas como
features en el método HDBSCAN. La matriz de features de entrada del algoritmo se construye a partir
de las posiciones espaciales x, y y z, la intensidad del voxel de esa posición en la imagen PET y el
correspondiente valor de intensidad (índice de Hounsfield) de la imagen anatómica (CT, en este
estudio). Finalmente, se aplican diversas operaciones morfológicas a las etiquetas obtenidas de la
aplicación del método HDBSCAN.
En la Fig. 2 se muestra el flujo de trabajo del modelo propuesto e implementado en el presente trabajo
enfocado en imágenes PET. Como puede apreciarse, se trata de un método de segmentación
automatizado, heurístico, que utiliza principalmente el algoritmo HDBSCAN sobre imágenes
previamente procesadas por métodos clásicos (umbralamiento y filtro de mediana) y de primeros
vecinos (K-Means).
FIG. 2: Flujo de trabajo propuesto e implementado.
III. RESULTADOS
Segmentación por K-Means
Se encuentra que, al realizar el primer paso donde se aplica K-Means sobre las imágenes originales, en
todos los casos los resultados arrojan regiones donde se conservan las zonas más activas compuestas
mayormente de tejidos activos de interés, descartando aquellas zonas que pueden ser consideradas
fondo o ruido.
En la Fig. 3 se muestra el resultado de aplicar el segmentado por K-Means a las imágenes PET
originales de los cuatros pacientes. Notar, que para una mejor visualización de los efectos de aplicar
este método, en la Fig. 3 se muestran imágenes de los mismos cortes que en las imágenes originales de
la Fig. 1.
FIG. 3: Segmentación por K-Means en cada paciente.
Segmentación por umbralamiento y filtros
A los fines de realizar la siguiente etapa de segmentación por umbralamiento, resulta crítica la
selección del valor de umbral. Con el propósito de proveer un abordaje objetivo, se analizaron los
histogramas de las imágenes PET, tal como se muestra en la Fig. 4. Los histogramas de cada paciente
resultan comparables entre sí para las imágenes localizadas, por un lado, y las de cuerpo completo, por
otro.
FIG. 4: Histograma de imágenes PET para los cuatro pacientes.
En la Fig. 5 se muestran resultados de aplicar distintos valores de umbral para el paciente 1, aplicando
4 valores de percentiles distintos de umbral (25%, 50%, 75% y 85%). Como puede observarse, para el
primer y segundo cuartil (imagen superior izquierda y derecha en la Fig. 5; respectivamente) el umbral
resulta insuficiente, evidenciándose “rastros” de vóxeles activos que no resultan de interés para el
estudio o que representan vóxeles de fondo. En cambio, para un valor de umbral muy alto como el del
percentil 85 (imagen inferior derecha) se “pierden” vóxeles pertenecientes a tejidos de interés. El tercer
cuartil (imagen inferior izquierda) muestra claramente que los vóxeles de fondo se encuetran
eliminados y sólo se conservan aquellos pertenecientes a los tejidos de interés. Por ello, se definió para
todos los estudios un valor de umbral igual al tercer cuartil. El valor de umbral utilizado para cada
paciente se detalla en la Tabla 2.
FIG. 5: Distintos valores de umbral para la imagen PET del paciente 1 para el mismo corte que se ve
en la Fig. 3
Finalmente, antes de procesar la imagen con el algoritmo de HDBSCAN, es necesario lograr imágenes
más realistas, por lo que se procede a un suavizado y un reescalado. En la Fig. 6 se muestran imágenes
resultantes de este procedimiento.
FIG. 6: Imágenes PET/CT de los cuatro pacientes luego de haber sido segmentadas por K-Means,
umbraladas y suavizadas
Entrenamiento y segmentación definitiva
Una vez obtenidas las imágenes segmentadas por K-Means, descartados los vóxeles caracterizados
como ruido y/o fondo a través del umbralamiento y suavizado de las imágenes, se construye la matriz
de features que se utiliza como entrada en el entrenamiento del modelo de clustering HDBSCAN.
La matriz de entrada consiste de 5 características (features) ubicadas en columnas: 3 espaciales (x, y, z),
intensidad del voxel de la imagen PET e intensidad de voxel de la imagen CT para cada valor (x, y, z),
como se muestra en la Fig. 7. En el caso de estudio, debido a la cantidad de vóxeles de cada imagen,
estas matrices tienen entre 60000 y 200000 entradas.
FIG. 7: Matriz de features.
La búsqueda de los valores óptimos para los hiperparámetros del algoritmo HDBSCAN se hizo
primeramente sobre el tamaño mínimo de cluster y luego, una vez definido este valor, se busca el valor
óptimo para el número mínimo de muestras. En la Tabla 2 se muestran los hiperparámetros óptimos
utilizados para el entrenamiento.
TABLA 2: Resumen de hiperparámetros utilizados.
La Fig. 8 muestra los resultados obtenidos a lo largo de todo el procesamiento de las imágenes, en
particular para el paciente 1. En la imagen superior izquierda se ve la imagen resultante de aplicar el
segmentado por K-Means. Donde son fácilmente reconocibles los siguientes órganos: hígado, bazo,
ambos riñones, médula ósea junto al bulk de actividad. La imagen superior derecha es la resultante de
aplicar el umbral igual al tercer cuartil y posteriormente re-escalado y suavizado de la imagen.
Finalmente, la imagen inferior muestra la segmentación obtenida de aplicar el algoritmo HDBSCAN,
en ésta se puede apreciar cómo el método propuesto es capaz de segmentar e instanciar los distintos
tejidos de interés en la imagen.
FIG. 8: Resultados logrados aplicando el método propuesto.
La Fig. 9 muestra el resultado para los mismos tres cortes para los cuatros pacientes que se presentan
en la Fig. 6.
FIG. 9: Segmentación de imágenes PET/CT.
Como puede observarse en los resultados reportados en las Figs. 8 y 9, el modelo propuesto es capaz de
segmentar e instanciar los distintos órganos. En el paciente 1 se observa el hígado, el bazo, la médula
ósea, los riñones, vejiga; junto al bulk de actividad. En el caso del paciente 2, puede apreciarse que el
corazón, el hígado y el riñón izquierdo, los que se segmentan como un sólo órgano, y el riñón derecho.
En la figura del paciente 3, se observa el cerebro, el hígado, y la vejiga, entre otros. Para el paciente 4,
también se observa el cerebro, el corazón, el hígado, la vejiga, parte de la médula y los riñones. Puede
verse que en las imágenes de cuerpo completo la segmentación resulta más compleja, lo que puede
asociarse a, al menos, los siguientes motivos: 1) hay un mayor número de tejidos a segmentar y 2) el
tamaño de los tejidos a segmentar es muy distinto uno de otro, por ejemplo el cerebro es un tejido que
se segmenta mucho más fácil que los riñones o la médula. Esta diferencia en tamaño repercute en la
elección del hiperparámetro de tamaño mínimo de cluster. Un valor pequeño de éste ayudará a
segmentar mejor la médula o los riñones pero dificultará el segmentado del cerebro o el hígado, caso
contrario si se elige un valor muy grande. También puede verse que en la segmentación del hígado y
del riñón derecho o del bazo y del riñón izquierdo no siempre se logra una performance óptima.
IV. CONCLUSIONES
El presente trabajo propone, desarrolla e implementa un procedimiento original, y automatizado, para
la identificación de tejidos y órganos en imágenes PET-CT. La implementación de la metodología
propuesta se realizó por medio de un flujo de trabajo especialmente adaptado. Una vez aplicado a un
conjunto de imágenes PET-CT, el flujo de trabajo propuesto mostró ser una herramienta útil para el
segmentado automatizado no supervisado de imágenes PET. Así mismo, se verificó la capacidad de
HDBSCAN como método de segmentación de imágenes médicas. Dada la capacidad de este algoritmo
para procesar grandes cantidades de datos de entrada, se consigue realizar la segmentación en tiempos
cortos, esto es un requerimiento importante a la hora de realizar cálculos dosimétricos en ambiente
clínico. Sin embargo, el mayor desafío es encontrar los valores de hiperparámetros óptimos que
devuelven una segmentación de calidad. ésta es una arista a mejorar en trabajos futuros junto a la
optimización del proceso de segmentación en imágenes de cuerpo completo.
AGRADECIMIENTOS
El presente trabajo pudo realizarse gracias al aporte de las imágenes PET/CT provistas por la Mg.
Virginia Venier y la Lic. Ana Lucía Poma de la Fundación INTECNUS. El presente trabajo fue
parcialmente financiado por el proyecto SeCyT 33620180100366CB de la Universidad Nacional de
Córdoba y el proyecto DI18-0106 de la Universidad de La Frontera.
REFERENCIAS
[1] L. Solnes, R. Werner, K. M. Jones, M. S. Sadaghiani, C. R. Bailey, C. Lapa, M. G. Pomper y S. P.
Rowe. Theranostics: Leveraging Molecular Imaging and Therapy to Impact Patient Management and
Secure the Future of Nuclear Medicine. J. Nucl. Med. 61, 311-318 (2020).
[2] T. Langbein, W. A. Weber y M. Eiber. Future of theranostics: an outlook on precision oncology in
nuclear medicine. J. Nucl. Med. 60, 13S-19S (2019).
[3] M. Sandström, U. Garske-Román, D. Granberg, S. Johansson, C. Widström, B. Eriksson, A.
Sundin, H. Lundqvist y M. Lubberink. Individualized dosimetry of kidney and bone marrow in patients
undergoing 177Lu-DOTAoctreotate treatment. J. Nucl. Med. 54, 33-41 (2013).
[4] P. Pérez y M. Valente. DOSIS: An integrated computational tool for patient-specific dosimetry in
nuclear medicine by Monte Carlo and dose point kernel approaches. Appl. Radiat. Isot. 150, 135-140
(2019).
[5] A. Gosewisch, H. Ilhan, S. Tattenberg, A. Mairani, K. Parodi, J. Brosch, L. Kaiser, F. J. Gildehaus,
A. Todica, S. Ziegler, P. Bartenstein y G. Böning. 3D Monte Carlo bone marrow dosimetry for Lu-177-
PSMA therapy with guidance of non-invasive 3D localization of active bone marrow via Tc-99m-anti-
granulocyte antibody SPECT/CT. EJNMMI Res. 9, 76 (2019).
[6] F. Botta, A. Mairani, G. Battistoni, M. Cremonesi, A. Di Dia, A. Fasso, A. Ferrari, M. Ferrari, G.
Paganelli, G. Pedroli y col. Calculation of electron and isotopes dose point kernels with FLUKA Monte
Carlo code for dosimetry in nuclear medicine therapy. Med. Phys. 38, 3944-3954
(2011).
[7] W. Snyder, Ford, G. Warner y S. Watson. MIRD pamphlet no. 11: S, absorbed dose per unit
cumulated activity for selected radionuclides and organs (New York, NY: Society of Nuclear
Medicine, 1975).
[8] P. A. Jackson, J.-M. Beauregard, M. S. Hofman, T. Kron, A. Hogg y R. J. Hicks. An automated
voxelized dosimetry tool for radionuclide therapy based on serial quantitative SPECT/CT imaging.
Med. Phys. 40, 112503 (2013).
[9] D. W. G. Montgomery, A. Amira y H. Zaidi. Fully automated segmentation of oncological PET
volumes using a combined multiscale and statistical model. Med. Phys. 34, 722-736 (2007).
[10] S. Belhassen y H. Zaidi. A novel fuzzy C-means algorithm for unsupervised heterogeneous tumor
quantification in PET. Med. Phys. 37, 1309-1324 (2010).
[11] R. J. Campello, D. Moulavi y J. Sander. Density-based clustering based on hierarchical density
estimates en Pacific-Asia conference on knowledge discovery and data mining (2013), 160-172.
[12] C. M. Bishop. Pattern Recognition and Machine Learning (eds. Jordan, M., Kleinberg, J. y
Schölkopf, B.) Information science and statistics 4, 738. ISBN: 9780387310732 (Springer, 2006).
[13] D. Moulavi, P. A. Jaskowiak, R. J. G. B. Campello, A. Zimek y J. Sander. Density-Based
Clustering Validation. en SDM (eds. Zaki, M. J., Obradovic, Z., Tan, P.-N., Banerjee, A., Kamath, C. y
Parthasarathy, S.) (SIAM, 2014), 839-847. ISBN: 978-1-61197-344-0.
