Caracterización de isquemias cerebrales en imágenes de resonancia magnética usando la transformada de Hermite

Characterization of cerebral ischemia in magnetic resonance images using the Hermite transform

Abstract Authors Available Metrics References How to Cite

Abstract (es)

Contexto: Las Imágenes de Resonancia Magnética (IRM) son altamente útiles para evaluar isquemias cerebrales y resultan de vital importancia para detectar las regiones donde se ubican dichas lesiones, así como para determinar su estado y condición. El análisis de estas imágenes lo realiza normalmente el médico especialista, y el diagnóstico depende fundamentalmente del conocimiento y experiencia del especialista. No obstante, para llevar a cabo un análisis cuantitativo y más objetivo, resulta de mucha utilidad la creación de modelos y herramientas matemáticas que permitan caracterizar las regiones afectadas y las regiones sanas. Ante esta necesidad, las técnicas de procesamiento digital de imágenes y las de inteligencia artificial se han convertido en alternativas para desarrollar herramientas de ayuda diagnóstica para las isquemias y otros tipos de enfermedades.
Objetivo: Caracterizar y segmentar isquemias cerebrales a partir de IRM utilizando un proceso de análisis de textura basado en la transformada de Hermite. Metodología: La caracterización permite desarrollar un esquema capaz de diferenciar tejidos sanos e isquémicos de forma automática en las IRM, mediante un algoritmo de aprendizaje de máquinas o clasificador. Además, se utilizan otras técnicas de procesamiento de imágenes que contribuyen al proceso final de segmentación.
Resultados: Las pruebas se realizaron con imágenes de una base de datos pública conformada por IRM que han sido adquiridas de pacientes con isquemias cerebrales. Los resultados fueron evaluados y analizados en la etapa de clasificación de los tejidos y en la etapa de segmentación, con presentación de resultados cualitativos y cuantitativos. En el contexto de la segmentación, el algoritmo desarrollado mostró un alto nivel de eficacia al delimitar las regiones isquémicas con un coeficiente Dice promedio cercano al 80 %. Aunque se observaron algunos falsos positivos, estos fueron mitigados en etapas posteriores mediante técnicas de morfología matemática como la erosión, dilatación y llenado de huecos. Conclusiones: El enfoque descrito no solo mejoró la calidad de la segmentación, sino que también aseguró la robustez del sistema frente a variaciones y ruidos en las imágenes. Este enfoque matemático demostró ser una herramienta de gran valor, al permitir un análisis profundo y direccional de las texturas presentes en las imágenes, destacándose por su capacidad para identificar y diferenciar tejidos sanos de los afectados por isquemias con una alta precisión.

Abstract (en)

Context: Magnetic Resonance Imaging (MRI) is highly useful for evaluating cerebral ischemia and plays a crucial role in detecting the regions where these lesions are located, as well as determining their extent and condition. The analysis of these images is usually performed by a medical specialist, and the diagnosis largely depends on their knowledge and experience. However, in order to carry out a more objective and quantitative analysis, the development of mathematical models and tools that allow the characterization of both affected and healthy regions becomes highly valuable. In this context, digital image processing techniques and artificial intelligence methods have become promising alternatives for developing diagnostic support tools for ischemia and other types of diseases.
Objective: To characterize and segment cerebral ischemia from MRI images using a texture analysis process based on the Hermite Transform. Methodology: The characterization process enables the development of a scheme capable of automatically differentiating healthy and ischemic tissues in MRI images through a machine learning algorithm (classifier). In addition, other image processing techniques are used to support the final segmentation process.
Results: The tests were carried out using images from a public database composed of MRI scans acquired from patients with cerebral ischemia. The results were evaluated and analyzed during the tissue classification and segmentation stages, presenting both qualitative and quantitative outcomes. In the segmentation stage, the developed algorithm showed a high level of effectiveness in delineating ischemic regions, achieving an average Dice coefficient close to 80%. Although some false positives were observed, these were mitigated in subsequent stages through mathematical morphology techniques such as erosion, dilation, and hole filling.
Conclusions: The approach described not only improved the quality of the segmentation but also ensured the robustness of the system against variations and noise in the images. This mathematical approach proved to be a valuable tool, enabling a deep and directional analysis of the textures present in the images and demonstrating a strong capability to accurately identify and differentiate healthy tissues from those affected by ischemia.