Segmentazione di video ecografici con un modello variazionale wavelet

Segmentazione di video ecografici con un modello variazionale wavelet
Frame selezionati delle immagini ecografiche originali (da sinistra a destra) e risultati del monitoraggio della regione di interesse (ROI) (dall’alto verso il basso). Credito: Xiaoqun Zhang

La segmentazione dell’immagine, il processo di separazione di un’immagine digitale in più sezioni per l’esame individuale, viene spesso utilizzata nell’analisi dell’immagine medica. Ad esempio, la segmentazione nei filmati ecografici aiuta a identificare i confini e le regioni di interesse (ROI) che facilitano l’interpretazione delle immagini. La segmentazione efficiente dei video a ultrasuoni, tuttavia, è spesso complicata da basso contrasto, effetti ombra e complesse statistiche sul “rumore” (variazioni inspiegabili). Inoltre, le applicazioni in tempo reale come la navigazione durante la chirurgia operatoria richiedono algoritmi efficienti.

In un articolo pubblicato questo mese sul Giornale SIAM sulle scienze dell’immagine, gli autori Jiulong Liu, Xiaoqun Zhang, Bin Dong, Zuowei Shen e Lixu Gu propongono un modello di segmentazione video per riconoscere il ROI negli ultrasuoni. “Il modello proposto mira a tracciare un confine mobile nel video a ultrasuoni in modo efficiente e robusto, con una struttura matematicamente solida”, afferma Zhang. “In particolare, affrontiamo il problema utilizzando i frame wavelet e incorporando le statistiche del rumore in un quadro variazionale. La continuità e la regolarità del confine mobile sono effettivamente incorporate tramite la regolarizzazione ponderata, senza introdurre un pesante onere computazionale. Il metodo generale può essere risolto in modo efficiente con un algoritmo veloce di recente sviluppo, che lo rende utile nelle applicazioni cliniche in tempo reale.”

Attualmente esistono più metodi pubblicati di segmentazione delle immagini, ma Liu et al. implementano specificamente metodi variazionali, che sono comunemente usati per il rilevamento del movimento e il rilevamento dei bordi grazie alla loro flessibilità di modellazione. “I metodi variazionali hanno dimostrato di essere robusti ed efficaci per complicate attività di segmentazione delle immagini”, afferma Dong. “Il quadro variazionale consente una solida analisi teorica dei modelli che possono ben guidare la modellazione stessa e fornire una comprensione fondamentale delle soluzioni”.

Liu et al. ha anche scelto di incorporare frame wavelet, che raccolgono più dettagli rispetto ad altri metodi variazionali e segmentano in modo efficiente filmati di bassa qualità, come i video a ultrasuoni. Ciò è particolarmente vero quando l’immagine include caratteristiche a varie scale. “La regolarizzazione del frame wavelet viene utilizzata perché le strutture geometriche e le singolarità in diverse scale possono essere identificate ed estratte in modo efficiente da ambienti di rumore complessi nel dominio wavelet”, afferma Shen. “Ci consente di tracciare e rendere più nitide le forme geometriche quando vengono segmentate automaticamente attraverso immagini sequenziali nel video”.

Gli autori hanno progettato il loro modello per segmentare un video ecografico sia in sequenza che collettivamente. Il modello incorpora le forme a priori, un tipo di distribuzione di probabilità, nella segmentazione a immagine singola e calcola automaticamente le forme a priori consecutive per le segmentazioni successive.

Liu et al. applicare il loro modello a due set di dati video a ultrasuoni e ottenere risultati numerici, che confermano la capacità del modello di monitorare in modo efficiente il ROI. “L’imaging a ultrasuoni è una modalità importante nell’applicazione clinica grazie al suo basso costo e alla sua portabilità”, afferma Liu. “Tuttavia, la relativa analisi per una diagnosi e un monitoraggio accurati è ancora impegnativa a causa della bassa qualità dell’immagine, degli artefatti e del rumore. I risultati numerici sui set di dati ecografici reali dimostrano che il modello di frame wavelet proposto con la distanza precedente può tracciare efficacemente le regioni di interesse , in termini sia di qualità della segmentazione che di tempo di calcolo.” I risultati si confrontano favorevolmente con altri approcci.

Il successo del modello potrebbe migliorare gli approcci medici e la tecnologia che si basano sulla segmentazione dell’immagine e Liu et al. stanno cercando di ampliarne l’uso. “Il modello può essere ulteriormente esteso ad altre modalità di imaging o per localizzare più regioni contemporaneamente”, afferma Liu. “È possibile utilizzare più informazioni geometriche e preliminari per migliorare la robustezza del metodo”. Tali progressi continueranno ad aumentare la velocità, l’efficienza e le prestazioni della segmentazione delle immagini.


Leave a Reply