Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética.

Método IW-VBM basado en maximizar el aprovechamiento de la señal de resonancia magnética (RM) mediante mapas paramétricos de intensidad,

más sensible y preciso en la detección de áreas estructuralmente alteradas del cerebro.

Etapas: filtrar cada imagen original de resonancia magnética del cerebro para reducir el ruido aleatorio y la falta de homogeneidad asociados al proceso de adquisición de la RM generando una imagen filtrada (1) (D.30); segmentar mediante un algoritmo de segmentación la imagen filtrada (1) obteniendo un mapa paramétrico de probabilidad (3) de cada tejido comprendido en el cerebro: SG sustancia gris (6), SB sustancia blanca (7) y líquido cefalorraquídeo LCR (8) (D.31); multiplicar cada mapa paramétrico de probabilidad (3) por la imagen filtrada (1) obteniendo un mapa paramétrico de intensidad (4) para cada tejido SG (6), SB (7) y LCR (8) (D.32); normalizar los mapas paramétricos de intensidad (4) (D.33), y suavizar los mapas paramétricos de intensidad (4) normalizados (D.34).

MÉTODO PARA LA DETECCiÓN DE Ã?REAS ANÓMALAS EN EL CEREBRO A PARTIR

DE IMÃ?GENES DE RESONANCIA MAGNÉTICA

DESCRIPCiÓN

OBJETO DE LA INVENCiÓN

El objeto de la presente invención se refiere a un nuevo método morfométrico cerebral

conocido como IW-VBM basado en mapas paramétricos de intensidad, para la

caracterización de enfermedades del SNC (Sistema Nervioso Central) utilizando secuencias

de imágenes anatómicas de alta resolución.

El nuevo método IW-VBM es más sensible y preciso en la detección de áreas cerebrales

que presentan alteraciones tisulares, basándose en maximizar el aprovechamiento de la

señal de RM (Resonancia Magnética) .

Encuentra especial aplicación en el ámbito clinico, en especialidades y disciplinas médicas

como neurologia, psiquiatria, psicologia, logopedia y rehabilitación cognitiva.

PROBLEMA TÉCNICO A RESOLVER Y ANTECEDENTES DE LA INVENCiÓN

O Hoy en dia existen diferentes técnicas de morfometria que se utilizan para localizar y

detectar atrofias y daños en los diferentes tejidos cerebrales. La mayoria de estas técnicas

se basan en utilizar diferentes variables de modelado que estudian la forma en que los

tejidos cerebrales difieren de lo que se consideraria normal. Entre estás técnicas, destacan

las que utilizan campos de deformación (DBM, Deformation Based Morphometr y ) , las que

utilizan tensores (TBM, Tensor Based Morphometr y ) , las basadas en registro difeomórfico

(DARTEL, Diffeomorphic Anatomical Registration Through Exponentiated Lie Algebra) o las

que se basan en realizar análisis a cada vóxel (unidad minima de información en una

imagen 3D) (VBM, Voxel Based Morphometr y ) , siendo esta última, VBM, una de las más

utilizadas en los últimos años.

Desde sus inicios, el método VBM fue concebido para evaluar las diferencias estructurales

entre dos grupos de sujetos (normalmente un grupo sano y otro con una patologia

determinada) mediante la aplicación de pruebas estadisticas independientes a cada vóxel

del cerebro. Al comparar punto a punto cada región cerebral de los pacientes frente a lo que

se consideraria normal, pueden detectarse zonas cuya cantidad de tejido difiera de la normalidad, ayudando asi a determinar y cuantificar áreas relevantes en términos de pérdida o ganancia de tejido.

El método VBM comprende las siguientes etapas que se realizan sobre las imágenes médicas adquiridas en los equipos de Resonancia Magnética:

1. Extracción de tejido cerebral.

2. Normalización afino

3. Normalización no lineal.

4. Segmentación.

5. Suavizado.

El método VBM se basa en normalizar cada una de las imágenes del estudio respecto a una plantilla anatómica estándar que permite un análisis conjunto de todos los sujetos del estudio. Este proceso de normalización está parametrizado por un número importante de factores (número de iteraciones, funciones base de la trasformada discreta del coseno (TDC) , umbrales de regularización) que pueden ajustarse para que la normalización afecte en mayor o menor medida a la imagen original.

Durante la aplicación del método VBM, uno de los puntos más importantes es la etapa de segmentación de las imágenes para obtener los mapas paramétricos de probabilidad de SG (sustancia gris) , SB (sustancia blanca) y LCR (liquido cefalorraquideo) . Esta tipificación de tejidos se basa en la normalidad de los datos para utilizar técnicas basadas en mixturas de gaussianas en las que los datos se pueden descomponer como la suma de distribuciones para métricas más simples.

El algoritmo de segmentación aplica técnicas bayesianas para cada tejido, de manera que se traducen los valores originales de brillo en valores de probabilidad en el que el rango de 3 O variación está definido dentro del intervalo [0..1] y representa la probabilidad de que ese punto pertenezca a un determinado tejido:

, K

t=l rijt sijt

donde PUk representa la probabilidad a posteriori de que el vóxel i, j pertenezca al tejido k, rUk

representa la verosimilitud del vóxel i, j en el tejido k dada su intensidad gu y SUk representa la

probabilidad a priori de que el vóxel i, j pertenezca al tejido k. El valor de probabilidad PUk

estará más cercano a 1 cuanto menor sea la diferencia del vóxel i, j con la media del tejido k.

Así pues, este proceso pasa de caracterizar cada vóxel desde el punto de vista de su

intensidad gu a caracterizarlo por su probabilidad a posteriori PUk de pertenencia a un

determinado tejido.

Dado que esta probabilidad a posteriori se calcula de manera bilateral (Gaussiana

simétrica) , es posible que vóxeles que posean valores de intensidad diferentes tengan la

misma probabilidad asociada si se encuentran a la misma distancia de la media del tejido

pero en extremos opuestos de la distribución.

Este hecho puede provocar que vóxeles con distinta intensidad de brillo en la imagen

original pudieran ser tratados como iguales, con el consiguiente error de

sub/sobreestimación de sus diferencias debido al tipo de análisis. En estos casos, vóxeles

con distinta intensidad en la imagen original pero con la misma desviación respecto a la

O media del tejido tienen el mismo valor en los mapas de probabilidad, ya que su probabilidad

de pertenencia a dicho tejido es la misma.

En este tipo de situaciones, el método VBM es menos sensible a la hora de detectar

pequeñas diferencias de intensidad de señal (que pueden estar asociadas con un proceso

patológico determinado) . En efecto, el objetivo de la técnica VBM radica en encontrar

diferencias sutiles de variación de la densidad de tejidos entre individuos de distintos grupos

(generalmente un grupo patológico y un grupo de referencia sano) , que no pueden ser

identificadas de manera cualitativa. Si el análisis se basa en mapas de probabilidad, pueden

existir diferencias frente a los valores medios de normalidad para cada tejido que sin

O embargo nunca aparezcan como significativos en los resultados debido a que las

probabilidades que se les asignan son similares.

Por todo ello, se propone un nuevo método, Método ponderado en intensidad (IW-VBM

Intensity Weighted -Voxel Based Morphometr y ) que aprovecha en mayor medida la

información que aporta la intensidad de brillo de la imagen de RM, en contraposición a utilizar meramente la información de probabilidad tal y como hace el método VBM. Este nuevo método IW-VBM consiste en la utilización de mapas para métricos de intensidad, de manera que se corrija la situación en la que dos puntos con niveles distintos de señal de RM puedan tener asignada la misma probabilidad de pertenecer a un tejido si su desviación frente a la media del tejido es la misma.

Por todo ello, el nuevo método IW-VBM objeto de la invención incluye notables mejoras con respecto a los métodos convencionales, solucionando los problemas y limitaciones del estado de la técnica anteriormente mencionada y presentando las siguientes ventajas:

1. Presenta una mejora del ratio de detección de regiones con anomalias cerebrales en pacientes aprovechando en mayor medida la información que aporta la intensidad de brillo de la imagen de RM.

2. Permite medir con mayor fiabilidad la cantidad de SG, SB o LCR aprovechando los cambios de señal en las imágenes T1 (que son sensibles a los diferentes tiempos de relajación longitudinal y a la densidad de protones de hidrógeno en el interior del vóxel) .

3. Permite localizar y cuantificar con mayor sensibilidad la atrofia cerebral causada por procesos psiquiátricos y neurodegenerativos, obteniendo medidas objetivas de desviación frente a la normalidad.

DESCRIPCiÓN DE LA INVENCiÓN

La presente invención se refiere a un método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética, que comprende al menos las siguientes etapas:

i. Filtrar cada imagen original de resonancia magnética del cerebro para reducir el ruido aleatorio y la falta de homogeneidad de señal asociados al proceso de adquisición de la RM generando una imagen filtrada,

ii. segmentar mediante un algoritmo de segmentación la imagen filtrada

obteniendo un mapa paramétrico de probabilidad de cada tejido comprendido

en el cerebro: SG sustancia gris, SS sustancia blanca y liquido cefalorraquídeo

LCR,

iii. multiplicar cada mapa paramétrico de probabilidad por la imagen filtrada

obteniendo un mapa paramétrico de intensidad para cada tejido SG, SS y LCR,

iv. normalizar los mapas paramétricos de intensidad, y

v. suavizar los mapas paramétricos de intensidad...

ES 2 518 690 Al

1. Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética, caracterizado por que comprende al menos las siguientes etapas:

i. filtrar cada imagen original de resonancia magnética del cerebro para reducir el

ruido aleatorio y la falta de homogeneidad de señal asociados al proceso de

adquisición de la RM generando una imagen filtrada (1) (0.30) ,

ii. segmentar mediante un algoritmo de segmentación la imagen filtrada (1)

obteniendo un mapa paramétrico de probabilidad (3) de cada tejido

comprendido en el cerebro: SG sustancia gris (6) , SS sustancia blanca (7) y

liquido cefalorraquideo LCR (8) (0.31) ,

iii. multiplicar cada mapa paramétrico de probabilidad (3) por la imagen filtrada (1)

obteniendo un mapa paramétrico de intensidad (4) para cada tejido SG (6) , SS

(7) Y LCR (8) (0.32) ,

iv. normalizar los mapas paramétricos de intensidad (4) (0.33) , Y

v. suavizar los mapas paramétricos de intensidad (4) normalizados (0.34) .

2. Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética, según la reivindicación 1, caracterizado por que las imágenes de resonancia magnética se filtran mediante un filtro no local para minimizar el ruido aleatorio y mediante un filtro que considera la intensidad y el gradiente para reducir la falta de homogeneidad de señal y mejorar la relación señal a ruido, SNR.

3. Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética, según la reivindicación 2, caracterizado por que el algoritmo de segmentación aplicado es el algoritmo SPM, Statistical Parametric Mapping.

4. Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética, según las reivindicaciones 2 o 3, caracterizado por que los mapas paramétricos de probabilidad (3) se multiplican voxel (5) a voxel (5) por el voxel (5)

ES 2 518 690 Al correspondiente de la imagen filtrada (1) , que contiene la información de la intensidad de la imagen de resonancia magnética, generando los mapas paramétricos de intensidad (4) .

5. Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética, según la reivindicación 4, caracterizado por que los mapas paramétricos de intensidad (4) son normalizados respecto a la media y la desviación tipica de cada tejido perteneciente al cerebro, SG (6) , SS (7) Y LCR (8) mediante la siguiente ecuación:

g'ijk -f1k

nijk =

(Jk

donde nijk representa la intensidad normalizada del vóxel iJ para el tejido k, g'ijk representa el valor de intensidad con corrección de ruido aleatorio y de heterogeneidad de señal, J1k es la media robusta de intensidad del tejido k y Ok es la desviación típica del tejido k.

6. Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética, según la reivindicación 5, caracterizado por que el cálculo de la media robusta de intensidad J1k del tejido k y la desviación típica Ok del tejido k se realiza mediante un algoritmo de Regresión por Suma de Cuadrados Truncada Mínima.

O 7. Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética, según la reivindicación 6, caracterizado por que en la etapa de suavizado (D .34) se utiliza un filtro tridimensional gaussiano para establecer la intensidad de cada vóxel (5) de los mapas paramétricos de intensidad (4) normalizados en función de sus vóxeles (5) adyacentes, ponderándolos mediante una distribución normal para minimizar los errores de corregistro y normalización.