Método y sistema de generación de imágenes nosológicas multiparamétricas.

El método de generación de imágenes nosológicas multiparamétricas comprende las etapas de obtener una pila de imágenes;

mejorar dichas imágenes; reducir las imágenes a un nuevo espacio de representación equivalente; clasificar de forma no supervisada las unidades de las imágenes obtenidas según un número de clases preestablecido sin interpretación biológica; asignar automáticamente perfiles multiparamétricos a las clases obtenidas; generar una imagen nosológica mediante las clases obtenidas. El sistema comprende una unidad de obtención de imágenes; una unidad de procesamiento de imágenes para procesar las imágenes obtenidas y generar a partir de la misma una imagen nosológica multiparamétrica realizando las etapas del método de la invención; medios de conexión para transmitir las imágenes obtenidas por la unidad de obtención de imágenes a la unidad de procesamiento de imágenes; y medios de visualización para mostrar al usuario la imagen nosológica multiparamétrica generada.

MÉTODO Y SISTEMA DE GENERACIÓN DE IMÁGENES NOSOLÓGICAS

MULTIPARAMÉTRICAS

Campo de la invención

La presente invención se refiere de manera general al campo de la medicina, más concretamente se refiere a un método y a un sistema para generar imágenes nosológicas multiparamétricas para facilitar el diagnóstico y

tratamiento de enfermedades.

Antecedentes de la invención

En la actualidad, el informe por imagen médica es uno de los elementos fundamentales para el diagnóstico, pronóstico y seguimiento de pacientes. El papel del informe por imagen médica es central para el diagnóstico, la planificación quirúrgica y el tratamiento de pacientes en oncologia, neurología y cardiología, entre otros. El conocimiento de los procesos biológicos subyacentes está abriendo una nueva perspectiva al manejo de los pacientes, permitiendo aplicar una medicina más personalizada, preventiva y predictiva a la circunstancia particular de cada paciente.

Actualmente, los protocolos de obtención de imagen médica realzan características anatómicas cada vez más especificas de los tejidos. Además, ciertos protocolos permiten cuantificar biomarcadores de imagen relacionados con características funcionales de los tejidos. La información obtenida individualmente por cada uno de estos tipos de imágenes puede combinarse de tal forma que permita describir información derivada más cercana a los procesos biológicos de interés para el estudio de la enfermedad.

Las áreas clínicas de imagen médica necesitan herramientas que ofrezcan a los médicos segmentaciones de

los tejidos relacionadas con los procesos biológicos subyacentes al diagnóstico y/o al pronóstico de la enfermedad. Esta capacidad permitiria informar de la progresión esperada del paciente y por lo tanto elegir el tratamiento especifico que mejor utilidad esperada ofrezca al estado del paciente.

La medicina cuantitativa es una tendencia mundial que busca aportar información precisa para las decisiones médicas. Las aproximaciones actuales pasan por la extracción de biomarcadores. Sin embargo, los biomarcadores actuales se basan únicamente en una imagen médica, lo que limita la información que dichos biomarcadores aportan de los procesos biológicos que están ocurriendo en los tejidos del paciente. La definición de biomarcadores a partir de múltiples imágenes médicas complementarias puede aportar mayor y mejor información sobre los procesos biológicos de los tejidos. Se denominan biomarcadores multiparamétricos a los biomarcadores extraidos a partir de varias imágenes médicas. Existen diversas complicaciones técnicas en la obtención de biomarcadores multiparamétricos.

Por ejemplo, para ciertos problemas médicos, se ha constatado que la observación de caracteristicas cercanas a los procesos biológicos y al pronóstico de la enfermedad no es posible basándose en el procedimiento habitual seguido por los profesionales de la imagen médica. Esto se debe a que la solución se deriva de la combinación de varias imágenes médicas, y no puede observarse por medio de una sola secuencia. Tal dificultad descarta el diseño de sistemas de segmentación automática basados en casos segmentados por expertos, ya que generar el conjunto de casos presenta las siguientes limitaciones:

1) requiere mucho tiempo para el profesional(y aún más en

volúmenes 3D), lo que limita la obtención de conjuntos

de casos etiquetados,

2) no resulta óptimo para algunos problemas médicos difíciles, donde no es posible proporcionar etiquetas para todos los tejidos,

3) resulta tedioso para el profesional, lo que lleva al rechazo o laxitud de la tarea,

4) es poco reproducible, debido a fronteras irregulares y/o difusas, y

5) consigue resultados similares a los que ya consiguen los expertos, por lo que no aporta valor añadido para la mejora del informe radiológico.

Por tanto, resulta deseable disponer de herramientas que permitan obtener imágenes multiparamétricas de manera automática y no supervisada que faciliten el diagnóstico y tratamiento de los pacientes.

En la técnica ya se conocen algunos sistemas que permiten obtener imágenes de este tipo. Por ejemplo, Schad L et al. (MR tissue characterization of intracranial tumors by means of texture analysis. Magn. Reson. Imaging; 11 889- 96; 1993) introdujeron por primera vez los modelos no

supervisados mediante agrupación {"clustering"). El gran avance en el desarrollo de técnicas de ML (aprendizaje automático, "machine learning") ha derivado en algoritmos de clasificación más potentes que rápidamente han sido aplicados a imagen médica. Cai H et al. (Probabilistic segmentation of brain tumors based on multi-modality MRI. 4th IEEE Int. Symp. on Biomedical Imaging 600-3; 2007),

entre otros, aplicaron máquinas de soporte vectorial (SVM) sobre conjuntos de imágenes de RM multiparamétricas para obtener mapas de segmentación de tejidos sanos y subcompartimentos dentro del área tumoral. Jensen T y Schmainda K. (Computer-aided detection of brain tumor invasión using multiparametric MRI; J. Magn. Reson.

Imaging; 30 481-9; 2009) exploraron diferentes aproximaciones basadas en redes neuronales también con una combinación multiparamétrica de imágenes de RM, tanto anatómicas como funcionales.

Sin embargo, todas estas aproximaciones (y otras) empleadas actualmente asumen que los datos son independientes e idénticamente distribuidos (i.i.d.). Esta fuerte asunción implica considerar independencia entre los vóxeles de la imagen, lo que conduce a modelos sencillos pero que generalmente derivan en imágenes de segmentación espacialmente no consistentes, puesto que no hacen uso de la información estructural que proporcionan las imágenes.

El documento US20130094743 Al se refiere a un método para evaluar lesiones tumorales mediante la comparación de imágenes adquiridas en distintos momentos. El método puede usarse en distintos tipos de imágenes y modalidades y realiza el registro, segmentación radial y cuantificación de áreas o volúmenes junto a la presentación visual de resultados.

El documento W02008014340 A3 da a conocer un método de obtención de imágenes de RM de difusión para crear márgenes no simétricos para la radioterapia.

Sin embargo, estos y otros métodos similares conocidos en la técnica anterior, por ejemplo, no logran realizar un análisis multiparamétrico ni una segmentación que permita el estudio de partes de los tejidos relacionados con caracteristicas biológicas, diagnóstico, respuesta a tratamiento y pronóstico. Tampoco permiten obtener una única imagen nosológica multiparamétrica a partir de una pila de múltiples imágenes médicas.

imágenes nosológicas multiparamétricas, a partir de una

pila de imágenes médicas, que permitan identificar fácilmente subtipos de tejidos relacionados con la biología, el diagnóstico, pronóstico y/o respuesta a tratamiento.

Sumario de la invención

Para solucionar los problemas de la técnica anterior, la presente invención da a conocer un método y un sistema de generación de imágenes nosológicas multiparamétricas.

Asi, en un primer aspecto, la presente invención se refiere a un método de generación de imágenes nosológicas multiparamétricas, que comprende las etapas de:

a) obtener una pila de imágenes médicas;

b) mejorar dicha pila de imágenes médicas, mediante las etapas de:

bl) someter cada una de las imágenes de la pila a un filtrado de ruido;

b2) registrar todas las imágenes de la pila a un espacio de referencia;

b3) eliminar de las imágenes las áreas correspondientes a tejidos periféricos de la región de interés;

b4) corregir inhomogeneidades de las imágenes; y b5) mejorar la resolución de las imágenes;

c) reducir la pila de imágenes a un nuevo espacio de representación de menor dimensión, que mantiene o aumenta las propiedades discriminativas de los datos originales;

d) clasificar de forma no supervisada las unidades de la pila de imágenes obtenida en la etapa c) de acuerdo a un número de clases preestablecido sin interpretación biológica;

e) asignar automáticamente perfiles multiparamétricos

a las clases obtenidas en la etapa d), mediante las etapas de:

el)...

Método de generación de imágenes nosológicas

multiparamétricas, que comprende las etapas de:

a) obtener una pila de imágenes médicas;

b) procesar dicha pila de imágenes médicas, mediante las etapas de:

bl) someter cada una de las imágenes de la pila a un filtrado de ruido;

b2) registrar todas las imágenes de la pila a un espacio de referencia;

b3) eliminar de las imágenes las áreas correspondientes a tejidos periféricos de la región de interés; y

b4) corregir inhomogeneidades de las imágenes;

c) reducir la pila de imágenes a un nuevo espacio de representación de menor dimensión, que mantiene o aumenta las propiedades discriminativas de los datos originales;

d) clasificar de forma no supervisada las unidades de la pila de imágenes obtenida en la etapa c) de acuerdo a un número de clases preestablecido sin interpretación biológica;

e) asignar automáticamente perfiles multiparamétricos a las clases obtenidas en la etapa d), mediante las etapas de:

el) registrar de manera no lineal una plantilla de referencia de la región de interés a la pila de imágenes;

e2) corregir los mapas de probabilidad de los tejidos sanos de la plantilla de referencia en las zonas patológicas;

e3) identificar qué clases obtenidas en la etapa d) representan los tejidos no patológicos, usando

los mapas de probabilidad de tejidos sanos corregidos en la etapa e2); e4) eliminar clases periféricas y minimas del conjunto de clases obtenido en la etapa d); y e5) unir en las zonas patológicas las clases

restantes de la etapa d) mediante clasificación jerárquica aglomerativa usando las distancias entre sus funciones de densidad de probabilidad;

y

f) generar una imagen nosológica mediante las clases obtenidas en las etapas e3) y e5).

Método según la reivindicación 1, caracterizado por que, tras la etapa b4, comprende además la etapa b5) de mejorar la resolución de la pila de imágenes mediante una etapa de superresolución.

Método según la reivindicación 2, caracterizado por que, tras la etapa b5, comprende además la etapa b' ) de normalizar la intensidad de las imágenes de la pila para obtener los mismos rangos de intensidad entre diferentes estudios.

Método según la reivindicación 3, caracterizado por que, tras la etapa b'), comprende además la etapa b') de extraer características a partir de la pila de imágenes, siendo cada característica una nueva imagen añadida a la pila de imágenes.

Método según la reivindicación 4, caracterizado por que la etapa b'') consiste en uno cualquiera de cuantificar biomarcadores de imagen a partir de imágenes funcionales, extraer características mediante operaciones sobre imágenes, extraer características de textura de primer o segundo orden de imágenes o cualquier combinación de los mismos.

Método según cualquiera de las reivindicaciones

anteriores, caracterizado por que las imágenes se seleccionan del grupo constituido por imágenes en 2D e imágenes en 3D, obteniéndose como resultado imágenes nosológicas multiparamétricas en 2D y 3D, respectivamente.

Método según cualquiera de las reivindicaciones anteriores, caracterizado por que en la etapa d) se realiza una clasificación estructurada.

Sistema de generación de imágenes nosológicas

multiparamétricas, caracterizado por que comprende: una unidad de obtención de una pila de imágenes de un paciente;

una unidad de procesamiento de imágenes para procesar la pila de imágenes obtenida por la unidad de obtención de imágenes y generar a partir de la misma una imagen nosológica multiparamétrica, realizando las etapas del método según cualquiera de las reivindicaciones 1 a 6;

medios de conexión entre la unidad de obtención de imágenes y la unidad de procesamiento de imágenes, que permiten transmitir las imágenes obtenidas por la unidad de obtención de imágenes a la unidad de procesamiento de imágenes; y

medios de visualización para mostrar al usuario la imagen nosológica multiparamétrica generada por la unidad de procesamiento de imágenes.