Mejoramiento de la segmentación de estructuras nerviosas usando un enfoque de pre-imágenes basado en correntropía

  • Julián Gil-González Universidad Tecnológica de Pereira
  • Andrés A. Álvarez-Meza Universidad Tecnológica de Pereira
  • Julián D. Echeverry-Correa Universidad Tecnológica de Pereira
  • Álvaro A. Orozco-Gutiérrez Universidad Tecnológica de Pereira
  • Mauricio A. Álvarez-López University of Sheffield
Palabras clave: Análisis de componentes principales, Correntropía, Filtrado, Funciones Kernel, Segmentación

Resumen

El bloqueo de nervios periféricos (PNB) es una técnica ampliamente usada para llevar a cabo anestesia regional en el manejo del dolor. El PNB aplica una sustancia anestésica en el área que rodea el nervio que se quiere intervenir, y su éxito depende de la localización exacta del mismo. Recientemente, las imágenes de ultrasonido (UI) se han utilizado para la localización de nervios periféricos en PNB ya que permiten una visualización no invasiva y directa del nervio y de las estructuras anatómicas alrededor de él; sin embargo, este tipo de imágenes están afectadas por ruido speckle, dificultando su delimitación exacta. De esta manera, es pertinente una etapa de filtrado para atenuar el ruido sin remover información anatómica importante para la segmentación. En este artículo se propone una estrategia para el mejoramiento de UI usando filtrado basado en pre-imágenes. En particular, las imágenes se mapean a un espacio de alta dimensionalidad a través de una función kernel. Específicamente, se emplea un mapeo basado en Correntropía con el fin de codificar estadísticos de orden superior de las imágenes bajo condiciones no-lineales y no-Gaussianas. El enfoque propuesto se valida en la segmentación de nervios para PNB. El enfoque de filtrado basado en pre-imágenes con Correntropía (CPIF) es usado como pre-procesamiento en tareas de segmentación de nervios sobre UI. El rendimiento de la segmentación es medida en términos del coeficiente Dice. De acuerdo con los resultados, CPIF encuentra una aproximación adecuada para las UI al asegurar la identificación de patrones discriminativos de estructuras nerviosas.

Biografía del autor/a

Julián Gil-González, Universidad Tecnológica de Pereira

MSc in Electrical Engineering, Electrical Engineering Program,Universidad Tecnológica de Pereira, Pereira-Colombia

Andrés A. Álvarez-Meza, Universidad Tecnológica de Pereira

PhD in Engineering-Automatics, Electrical Engineering Department, Universidad Tecnológica de Pereira, Pereira-Colombia

Julián D. Echeverry-Correa, Universidad Tecnológica de Pereira

PhD in Engineering-Electronic Systems, Electrical Engineering Department, Universidad Tecnológica de Pereira, Pereira-Colombia

Álvaro A. Orozco-Gutiérrez, Universidad Tecnológica de Pereira

PhD in Bioengineering, Electrical Engineering Department, Universidad Tecnológica de Pereira, Pereira-Colombia

Mauricio A. Álvarez-López, University of Sheffield

PhD in Computer Science, Department of Computer Science, University of Sheffield, Sheffield-United Kingdom

Referencias bibliográficas

S. Sudha, G. R. Suresh, and R. Sukanesh, “Speckle noise reduction in ultrasound imag-es by wavelet thresholding based on weighted variance,” Int. J. Comput. theory Eng., vol. 1, no. 1, p. 7, 2009.

R. Jirik and T. Taxt, “High-resolution ultra-sonic imaging using two-dimensional homo-morphic filtering,” IEEE Trans. Ultrason. Ferroelectr. Freq. Control, vol. 53, no. 8, pp. 1440–1448, 2006.

B. D. Sites and R. Brull, “Ultrasound guid-ance in peripheral regional anesthesia: phi-losophy, evidence-based medicine, and tech-niques,” Curr. Opin. Anesthesiol., vol. 19, no. 6, pp. 630–639, 2006.

J. G. González, M. A. Álvarez, and Á. A. Orozco, “A probabilistic framework based on SLIC-Superpixel and Gaussian processes for segmenting nerves in ultrasound images,” in 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2016, pp. 4133–4136.

N. M. Denny and W. Harrop-Griffiths, “Edito-rial I: Location, location, location! Ultra-sound imaging in regional anesthesia,” Br. J. Anaesth., vol. 94, no. 1, pp. 1–3, 2005.

J. Shi, J. Schwaiger, and T. C. Lueth, “Nerve block using a navigation system and ultra-sound imaging for regional anesthesia,” in Engineering in Medicine and Biology Society, EMBC, 2011 Annual International Conference of the IEEE, 2011, pp. 1153–1156.

J. A. Noble and D. Boukerroui, “Ultrasound image segmentation: a survey,” Med. Imag-ing, IEEE Trans., vol. 25, no. 8, pp. 987–1010, 2006.

H. H. Choi, J. H. Lee, S. M. Kim, and S. Y. Park, “Speckle noise reduction in ultrasound images using a discrete Wavelet transform-based image fusion technique,” Biomed. Ma-ter. Eng., vol. 26, no. s1, pp. S1587--S1597, 2015.

H. Rabbani, M. Vafadust, P. Abolmaesumi, and S. Gazor, “Speckle noise reduction of medical ultrasound images in complex wave-let domain using mixture priors,” IEEE Trans. Biomed. Eng., vol. 55, no. 9, pp. 2152–2160, 2008.

A. T. Gray, “Ultrasound-guided regional anesthesia,” Anesthesiology, vol. 104, no. 2, pp. 368–373, 2006.

F. P. X. De Fontes, G. A. Barroso, P. Coupé, and P. Hellier, “Real time ultrasound image denoising,” J. real-time image Process., vol. 6, no. 1, pp. 15–22, 2011.

W. K. Pratt, “Generalized Wiener filtering computation techniques,” IEEE Trans. Com-put., vol. 100, no. 7, pp. 636–641, 1972.

M. C. Nicolae, L. Moraru, and L. Onose, “Comparative approach for speckle reduction in medical ultrasound images,” Rom. j. bio-phys, vol. 20, no. 1, pp. 13–21, 2010.

S. Annadurai, Fundamentals of digital image processing. Pearson Education India, 2007.

A. Achim, A. Bezerianos, and P. Tsakalides, “Novel Bayesian multiscale method for speckle removal in medical ultrasound imag-es,” IEEE Trans. Med. Imaging, vol. 20, no. 8, pp. 772–783, 2001.

O. V Michailovich and A. Tannenbaum, “Despeckling of medical ultrasound images,” IEEE Trans. Ultrason. Ferroelectr. Freq. Con-trol, vol. 53, no. 1, pp. 64–78, 2006.

Y. Chen, R. Yin, P. Flynn, and S. Broschat, “Aggressive region growing for speckle reduc-tion in ultrasound images,” Pattern Recognit. Lett., vol. 24, no. 4, pp. 677–691, 2003.

P. Coupé, P. Hellier, C. Kervrann, and C. Barillot, “Nonlocal means-based speckle fil-tering for ultrasound images,” IEEE Trans. Image Process., vol. 18, no. 10, pp. 2221–2229, 2009.

A. Buades, B. Coll, and J.-M. Morel, “A non-local algorithm for image denoising,” in Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference on, 2005, vol. 2, pp. 60–65.

O. Hadjerci, A. Hafiane, N. Morette, C. Nova-les, P. Vieyres, and A. Delbos, “Assistive sys-tem based on nerve detection and needle nav-igation in ultrasound images for regional an-esthesia,” Expert Syst. Appl., vol. 61, pp. 64–77, 2016.

A. Hafiane, P. Vieyres, and A. Delbos, “Phase-based probabilistic active contour for nerve detection in ultrasound images for re-gional anesthesia,” Comput. Biol. Med., vol. 52, pp. 88–95, 2014.

S. Mika, B. Schölkopf, A. J. Smola, K.-R. Müller, M. Scholz, and G. Rätsch, “Kernel PCA and De-noising in feature spaces.,” in NIPS, 1998, vol. 11, pp. 536–542.

S. Zhao, B. Chen, and J. C. Principe, “Kernel adaptive filtering with maximum correntropy criterion,” in Neural Networks (IJCNN), The 2011 International Joint Conference on, 2011, pp. 2012–2017.

M.-J. Lesot, M. Rifqi, and H. Benhadda, “Similarity measures for binary and numeri-cal data: a survey,” Int. J. Knowl. Eng. Soft Data Paradig., vol. 1, no. 1, pp. 63–84, 2008.

G. H. Bakir, J. Weston, and B. Schölkopf, (2004). “Learning to find pre-images.”

Principe, J. C., Xu, D., & Fisher, J. (2000). Information theoretic learning. Unsupervised adaptive filtering, 1, 265-319.

Boykov, Y., & Funka-Lea, G. (2006). Graph cuts and efficient ND image segmentation. International journal of computer vision, 70(2), 109-131.

Cómo citar
[1]
J. Gil-González, A. A. Álvarez-Meza, J. D. Echeverry-Correa, Álvaro A. Orozco-Gutiérrez, y M. A. Álvarez-López, «Mejoramiento de la segmentación de estructuras nerviosas usando un enfoque de pre-imágenes basado en correntropía», TecnoL., vol. 20, n.º 39, pp. 197–208, may 2017.

Descargas

Los datos de descargas todavía no están disponibles.
Publicado
2017-05-02
Sección
Artículos de investigación

Métricas

Crossref Cited-by logo