Resumen de Segmentación mediante umbralización atutomática en tomografía por emisión de positrones
Elena Prieto Azcárate 
SEGMENTACIÓN MEDIANTE UMBRALIZACIÓN AUTOMÁTICA EN TOMOGRAFÍA POR EMISIÓN DE POSITRONES Objetivo: Investigar y desarrollar nuevas técnicas de segmentación para conseguir que la Tomografía por Emisión de Positrones (PET) se convierta en una alternativa fiable para la planificación del tratamiento en Oncología Radioterápica. Con este objetivo, se estudia la idoneidad de la umbralización automática para su aplicación a la segmentación de imágenes PET en el campo de la oncología.
Material y métodos: Se han seleccionado 12 algoritmos de umbralización automática adecuados para las propiedades intrínsecas de las imágenes PET. Los algoritmos seleccionados (Lloyd, Ramesh, Hertz, Kapur, Otsu, Huang, Li, Ridler, Tsai, Sahoo, Yanni y Yen) se han implementado en Matlab para el procesado de imágenes 3D. Los resultados se han comparado con una técnica estándar de segmentación para imágenes PET: un umbral relativo al 42% del valor máximo en la lesión.
Se han utilizado dos tomógrafos PET diferentes para la adquisición de las imágenes con el fin de evaluar la umbralización automática en una amplia variedad de condiciones. En concreto se ha empleado un tomógrafo PET de alta resolución diseñado para pequeños animales y un tomógrafo PET/CT de uso clínico.
Los algoritmos se han evaluado tanto en imágenes PET experimentales obtenidas con maniquís, en los que es posible controlar las condiciones de distribución espacial del radiofármaco, como en imágenes clínicas de 23 pacientes obtenidas con un protocolo novedoso in-vivo/ex-vivo, con el que se obtuvieron imágenes PET de las piezas quirúrgicas extraídas en la cirugía. Para cada imagen PET se determinó el volumen de referencia y se calcularon métricas cuantitativas para comparar la imagen segmentada con la imagen de referencia. Todas las imágenes obtenidas en este trabajo están disponibles a través de internet, con el objetivo de servir de marco común de validación para cualquier técnica de segmentación.
Resultados: En las imágenes experimentales adquiridas en ambos tomógrafos, los algoritmos de Ridler y Ramesh obtuvieron los mejores resultados (métrica global inferior al 20%) y demostraron ser estadísticamente superiores al método estándar de umbralización en PET.
En las imágenes de las piezas quirúrgicas adquiridas en el tomógrafo PET de alta resolución, los métodos de umbralización descritos por Yanni, Tsai, Otsu, Ridler y Ramesh presentaron métricas globales inferiores al 10% y resultaron significativamente mejores que el método estándar. En las imágenes de las piezas quirúrgicas adquiridas en el PET/CT clínico, Otsu, Ramesh y Ridler mostraron ser los mejores métodos, con métricas inferiores al 40%, aunque ninguno de ellos superó al método estándar para imágenes PET oncológicas.
Conclusiones: Los resultados sobre imágenes experimentales han resultado muy prometedores, y se ha conseguido mejorar respecto a la técnica estándar en las imágenes clínicas procedentes del tomógrafo PET de alta resolución. Por tanto esta técnica podrá tener una gran utilidad para segmentar imágenes adquiridas en los tomógrafos PET/CT clínicos de nueva generación.
