u827065

Vista previa del material en texto

Segmentación del tejido muscular 
paravertebral en imágenes TAC 
 
 
 
 
 
 
 
 
 
Joan David Torres Pinzón 
Asesor: Marcela Hernández Hoyos 
 
 
 
 
 
 
 
 
Facultad de Ingeniería 
Departamento de Ingeniería de sistemas y Computación 
Universidad de los Andes 
 
 
 
 
 
 
Diciembre de 2018 
	
	
 
 
Contenido 
 
Contenido	......................................................................................................................	2	
Resumen	........................................................................................................................	3	
Capítulo	1:	INTRODUCCIÓN	............................................................................................	4	
1.1	 Contexto	.....................................................................................................................	4	
1.2	 Definición	de	la	musculatura	objetivo	.........................................................................	6	
Capítulo	2:	ESTADO	DEL	ARTE	.........................................................................................	7	
Capítulo	3:	MATERIALES	Y	MÉTODOS	.............................................................................	9	
3.1	Funcionamiento	del	método	..............................................................................................	9	
A.	 Extracción	del	cuerpo	.....................................................................................................	10	
B.	 Discriminación	del	tejido	................................................................................................	13	
3.2	Protocolo	de	validación	...................................................................................................	16	
Capítulo	4:	RESULTADOS	..............................................................................................	19	
Capítulo	5:	CONCLUSIONES	Y	DISCUSIÓN	.....................................................................	21	
Capítulo	6:	TRABAJO	FUTURO	.......................................................................................	23	
Agradecimientos	..........................................................................................................	24	
Referencias	..................................................................................................................	25	
 
 
 
 
 
 
 
	
	
Resumen 
Es de especial interés para el campo médico el estudio de los factores químicos, fisiológicos, 
bioquímicos y metabólicos que desembocan en factores de riesgo de padecer insuficiencias 
cardiacas, arritmias, enfermedades de las válvulas cardiacas, accidentes cerebro vasculares, 
hipertensión, cardiopatías coronarias, arteriopatías coronarias periféricas, entre otras 
enfermedades cardiovasculares. Dichos factores se agrupan bajo el término de síndrome 
plurimetabólico o también llamado síndrome metabólico. El estudio entre la composición del 
músculo esquelético en relación al tejido adiposo visceral ha demostrado ser un criterio 
determinante para cuantificar la incidencia fenotípica de un paciente y su propensión a 
desarrollar el síndrome metabólico. La identificación de los tejidos adiposos y musculares 
puede ser realizada de forma manual, sin embargo, es un proceso dispendioso que está sujeto 
a la variabilidad en el criterio de los especialistas y al error manual. 
 
Es por ello que he desarrollado un método semiautomático, capaz de segmentar la 
musculatura paravertebral en la zona lumbar a partir de imágenes TAC. El método se basa 
principalmente en un algoritmo de crecimiento de regiones al cual se le realiza un estudio de 
parametrización buscando delimitar los valores indicados que arrojen como resultado una 
segmentación correcta desde un criterio médico. Los resultados de la segmentación han sido 
validados por un radiólogo experto hallando resultados favorables para el 88% de las 
muestras, un 11% de segmentaciones regulares y apenas un 1% de segmentaciones malas. 
Por último, se considera que el método propuesto constituye una correcta aproximación para 
la diferenciación del tejido muscular paravertebral y puede llegar a ser una herramienta 
práctica para el uso clínico sobre pacientes reales. 
	
	
Capítulo 1: INTRODUCCIÓN 
1.1 Contexto 
 
El síndrome metabólico es un grupo de condiciones que ponen en riesgo la vida de las 
personas con sobrepeso, convirtiéndolos en candidatos adeptos a desarrollar enfermedades 
cardiovasculares tales como: insuficiencias cardiacas, arritmias, enfermedades de las 
válvulas cardiacas, accidentes cerebro vasculares, hipertensión, cardiopatías coronarias, 
arteriopatías coronarias periféricas, entre otras. Según cifras expuestas por la OMS [1] dos 
de las enfermedades mencionadas anteriormente (cardiopatía isquémica y el accidente 
cerebrovascular) han sido las principales causas de mortalidad en el mundo durante los 
últimos 15 años. Históricamente para 2015 la cantidad de defunciones asciende a 15 millones 
(Imagen 1), mientras que para 2013 con cifras recolectadas por la Asociación Americana del 
Corazón [2] el grupo de todas las enfermedades cardiacas fue la causa de más de 17.3 
millones de muertes, cifra que se proyecta al año 2030 con 23.6 millones de muertes. 
 
 
 
Figura 1. Grafica de las 10 principales causas de muertes en el mundo para el año 2015. 
	
	
Por su parte la Federación Mundial del Corazón [3] en el congreso anual de 2017 realizado 
en México, anunció que el estimado del costo de las enfermedades cardiacas en América 
Latina supera los $30 mil millones de dólares, requiriendo así un tratamiento específico de 
prevención para disminuir las tasas de mortalidad en la población y el impacto sociopolítico 
que genera en los países latinoamericanos. 
 
En Colombia el 56% de los adultos padece algún tipo de sobrepeso (índice de masa corporal 
por encima de 30) lo cual se refleja en 10 millones de personas con sobrepeso y 1.9 millones 
con obesidad según cifras presentadas por del Ministerio de Salud [4]. 
 
El síndrome metabólico puede desarrollarse en un individuo dada alguna de las siguientes 
condiciones médicas o una combinación entre ellas: susceptibilidad genética, estado de 
hipercoagulabilidad, dislipidemia aterogénica, insulinorresistencia, disfunción endotelial y 
exceso de grasa visceral o abdominal. El tejido adiposo visceral (VAT del inglés visceral 
adipose tissue) puede ser estimado mediante la interpretación de imágenes médicas y 
corresponde un criterio confiable que ha demostrado ser influencia y causa potencial para el 
padecimiento del síndrome metabólico. 
 
Así mismo la composición del músculo esquelético en relación al VAT desempeñan un papel 
clave en la asociación entre la molécula irisina y el fenotipo metabólico de un paciente [5]. 
Por lo tanto, la diferenciación y cuantificación del tejido adiposo visceral (TAV) y de la 
musculatura esquelética resultan ser de especial interés médico para un correcto diagnóstico 
preventivo o un mejor tratamiento ante posibles problemas cardiovasculares. Sin embargo, 
dicho proceso de estimación visual por parte de los especialistas es costoso, dispendioso y 
está sujeto a cierta variabilidad en cuanto a los criterios individuales del evaluador, además 
de estar atado a porcentajes de error por estimación sin instrumentos precisos. 
 
 
 
	
	
1.2 Definición de la musculatura objetivo 
 
Como parte fundamental del proceso de segmentación debe comprenderse la morfología del 
tórax y en particular la estructura de los músculos lumbares paravertebrales que comprenden 
el tejido objetivo a ser identificado dentro de las tomografías axiales computarizadas (TAC), 
para ello se cuenta con el apoyo de dos radiólogos expertos, y de la literatura abierta sobre 
estudios médicos y conformación del cuerpo humano. 
 
Los músculos paravertebrales identificados se pueden dividir entre: erector de la columna, 
compuesto por dos grandes músculos, el iliocostaly el longísimo; adyacente a este se 
encuentran los músculos psoas mayor, cuadrado lumbar y multífido (Figura 2). 
 
 
Figura 2. Musculatura paravertebral ilustrada sobre un corte axial de la columna. 
 
Se centra la segmentación sobre los músculos paravertebrales adyacentes a la columna 
lumbar, rango que corresponde a las vértebras (L1-L5). Adicionalmente, se realizan pruebas 
sobre cortes en el rango torácico de la columna vertebral (T1-T12) con el fin de validar el 
método sobre diferentes morfologías musculares. 
 
 
 
	
	
 
Capítulo 2: ESTADO DEL ARTE 
 
Diversos métodos han sido propuestos para determinar el área correspondiente al tejido 
muscular paravertebral sobre diferentes secciones vertebrales. Aun así, dichos métodos 
comparten la misma musculatura objetivo, pero la abordan por medio de la aplicación de 
diferentes técnicas que varían en complejidad da dos los tiempos de desarrollo y 
profundidad del estudio. 
 
Particularmente el primer método propuesto por Battaglia [12] corresponde a un método 
semiautomático a partir de imágenes de resonancia magnética (RM) en el cual se realiza una 
segmentación manual inicial para definir los limites externos de los músculos objetivo con 
el uso de una herramienta de software. Luego se aplica un algoritmo que busca corregir la 
polarización no homogénea del campo magnético (corrige la orientación de las ondas 
oscilantes características de una imagen RM) seguido de algoritmos de realce cuyo objetivo 
es el mejoramiento del brillo y contraste, el realce de bordes y la eliminación de ruido en la 
imagen. En particular usando difusión anisotrópica, también llamada difusión Perona-Malik, 
que corresponde a una técnica destinada a reducir el ruido de una imagen sin necesidad de 
retirar los bordes, líneas u otros detalles que son importantes para la interpretación de la 
imagen se logra mejorar la interfaz músculo-adiposo. Por último, se realizó una segmentación 
usando un algoritmo de agrupamiento difuso c-means y determinando la región objetivo 
muscular para un análisis clínico profundo. 
 
El segundo método corresponde al propuesto por Engstrom [13] utilizando también un grupo 
de datos basado en imágenes RM al cual se le aplico un método de segmentación basado en 
un modelado estadístico de formas en tres dimensiones. Dicho modelo fue construido 
mediante imágenes pre procesadas por tres fases, la primera que consiste en una polarización 
de campo magnético, la segunda que corresponde a una interpolación de volumen parcial que 
es básicamente un proceso de reconstrucción de la imagen característico de las tomografías 
	
	
axiales espirales (TCE), y por último un procedimiento de registro de imágenes para la 
construcción de un atlas de RM basado en estadísticas de valores promedio y factores 
probabilísticos enfocados en la segmentación del musculo cuadrático lumbar. 
 
Dichos métodos se basan principalmente en el estudio de imágenes provenientes de 
resonancias magnéticas, que son sutilmente diferentes a las tomografías axiales ya que las 
resonancias dan un mayor grado de detalle en cuanto a tejidos y aportan un mayor grado de 
información capaz de detallar defectos en los vasos sanguíneos. Aunque son métodos 
efectivos no pueden ser extrapolados a al análisis de las imágenes TAC, por lo tanto, se 
centrara el estudio sobre dichas imágenes. Adicionalmente, son métodos que solo se 
concentran en músculos en particular como el cuadrático lumbar para el caso del método 
propuesto por Engstrom. En el caso del método propuesto por Battaglia se halla que se 
concentra específicamente en las vértebras (L4 - L5) sección que se queda corta en términos 
de clasificación y segmentación del musculo a lo largo de la columna. Es por esto que se 
propone un algoritmo orientado a trabajar sobre imágenes TAC en todo el rango lumbar y 
parte del torácico para un propósito medico enfocado a la relación directa con el TAV. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
	
	
Capítulo 3: MATERIALES Y MÉTODOS 
El método de procesamiento propuesto para la obtención de la región del musculo 
paravertebral (Figura 3) es presentado en esta sección. Adicionalmente, se incluyen los 
detalles del protocolo de validación cuantitativo, y los métodos estadísticos empleados. 
 
 
Figura 3. Proceso de segmentación muscular dividido en 2 etapas. 
 
3.1 Funcionamiento del método 
 
 
Para la construcción y desarrollo del método se hace uso de la herramienta multiplataforma 
de código abierto MeVisLab [6], orientada al procesamiento de imágenes médicas y 
visualización científica. Esta herramienta incluye algoritmos avanzados para realizar 
procesos de: registro, segmentación y análisis cuantitativo morfológico y funcional de 
imágenes. Su funcionamiento provee diferentes componentes modulares (Figura 4) de clases 
y algoritmos disponibles en el proyecto de código abierto ITK [7] (Insight Segmentation 
Registration Toolkit) escrito en librerías del lenguaje de programación C++. 
 
 
	
	
Figura 4. Ejemplo de un módulo de clase ITK. 
 
 
El proceso de segmentación vertebral (Figura 3) consta de dos etapas principales: A) 
Extracción del cuerpo: en la cual se remueve parte de la piel y se diferencia el fondo de la 
imagen de la región de interés eliminando la mesa del tomógrafo y otros posibles objetos. B) 
Discriminación del tejido muscular: en donde se realiza la segmentación de músculo por 
medio de un algoritmo de crecimiento por regiones. 
 
 
A. Extracción del cuerpo 
 
 
La segmentación inicia con la fase correspondiente a la extracción del cuerpo (Figura 5). El 
objetivo de esta fase es identificar la región correspondiente al cuerpo del paciente y aislarla 
de resto de posibles objetos, tejidos, u otros elementos presentes en la imagen. 
 
 
 
Figura 5. Pasos de la fase de extracción del cuerpo. 
 
 
	
	
El primer paso corresponde a la umbralización del cuerpo utilizando un rango de -500 a 150 
unidades Hounsfield (HU por sus siglas en ingles). La umbralización corresponde a un 
método de procesamiento de imágenes que convierte la imagen en escala de grises a una 
nueva imagen con solo dos niveles correspondientes a la región de interés y al fondo. El 
método utiliza como parámetros el rango de HU el cual se selecciona teniendo en cuenta la 
escala cuantitativa Hounsfield (esta escala describe los diferentes niveles de radiodensidad 
presente en los tejidos humanos) con el fin de separar todo el tejido blando correspondiente 
a la piel, el tejido adiposo y el musculo. 
 
 
 
A continuación, se realiza una apertura morfológica (Eq. 4) en dos fases (erosión y dilatación) 
utilizando un elemento estructurante de [3x3 pixeles]. La erosión [8] es uno de los operadores 
básicos en morfología matemática (Eq. 1) que busca degradar los límites de un objeto 
haciendo que se reduzca en tamaño y separando posibles imperfecciones en el contorno de 
la figura con la ayuda de un elemento estructurante también llamado núcleo. El núcleo es 
básicamente un subconjunto de pixeles del espacio euclidiano (sobre la imagen) que es 
probado por el método sacando conclusiones sobre cómo esta forma encaja o no en la imagen 
original, definiendo así los límites de la misma y eliminando los trazos imperfectos 
desacoplados a la forma original. Este proceso permite corregir defectos en el contorno, 
eliminar elementos extraños presentes en la imagen (mesa del tomógrafo) y delimitar el 
contorno del cuerpo. 
 
Sea un espacio euclidiano y A una imagen binaria en E. 
 
Ecuación base del proceso de erosión morfológica. 
 Eq. 1 
El siguiente paso corresponde a la dilatación morfológica el cual busca aumentar el contorno 
de la imagen a su proporción original y cerrar espacios no segmentados por el proceso de 
umbralización, definiendo aún más la región objetivo. La dilatación morfológica [9]también 
es uno de los operadores básicos en morfología matemática (Eq. 2) que también hace uso de 
un núcleo para el cálculo y definición de los límites del contorno. 
 
	
	
Ecuación base del proceso de dilatación morfológica 
 Eq. 2 
 
Ecuación de la simetría rotacional de B usada por el proceso de dilatación 
 Eq. 3 
 
Ecuación que describe la apertura morfológica 
 Eq. 4 
 
Luego, se realiza un relleno morfológico iterativo de la región usando el módulo 
VotingBinaryIterativeHoleFillingImageFilter, usando los parámetros de radio (x:10, y:10, 
z:0) y un máximo de 10 iteraciones, con el objetivo de eliminar todas las aperturas de la 
región del cuerpo y dando como resultado una máscara que incluye todo el tejido blando. 
Finalmente, utilizando un operador aritmético entre la máscara y la imagen original se 
obtiene la extracción del cuerpo. La red de módulos (Figura 7) correspondiente a esta primera 
fase se puede visualizar a continuación: 
 
 
 
Figura 7. Red de componentes responsables de la fase de extracción. 
	
	
B. Discriminación del tejido 
 
 
La segmentación continua con la fase correspondiente a la discriminación del tejido muscular 
paravertebral (Figura 8). El objetivo de esta fase es separar los tejidos musculares adyacentes 
a la columna vertebral de los tejidos adiposos viscerales y subcutáneos. 
 
Figura 8. Pasos de la fase de discriminación del tejido. 
 
 
 
 
La etapa inicia con un algoritmo de crecimiento por regiones sobre la imagen resultante de 
la etapa anterior, utilizando 4 semillas (puntos cardinales en un corte axial) para cada 
cuadrante del plano de la región muscular y un porcentaje de umbralización del 1.1 %. El 
algoritmo de crecimiento por regiones [10] corresponde a un método de procesamiento de 
imágenes que agrega a una región inicial pixeles similares en valor respecto a una propiedad 
P utilizada como marco de referencia para realizar la segmentación. El algoritmo parte de un 
conjunto de puntos semillas, construyendo regiones a partir de los mismos mediante un 
criterio de “similitud entre los pixeles”, dicho concepto de ‘similaridad’ puede variar 
	
	
dependiendo de las aplicaciones del algoritmo. Usualmente los criterios de similitud más 
vistos en técnicas ya desarrolladas suelen ser: la diferencia entre el valor del pixel a agregar 
y el valor de la semilla, o que el valor medio de la región ya formada sea menor que un cierto 
umbral predeterminado. 
 
Por lo tanto, se selecciona el módulo RegionGrowing disponible en el paquete de algoritmos 
estándar de MeVisLab el cual sigue un proceso de generación del umbral calculando el valor 
de la intensidad media de todos los puntos semilla especificados. El cálculo se realiza tanto 
para el umbral superior como el inferior y se proporciona como el valor medio más o menos 
el porcentaje especificado en el campo Threshold Interval Size (Tabla 1), multiplicado por la 
diferencia del valor de intensidad máxima de la imagen de entrada (valor de intensidad 
máxima menos valor de intensidad mínima). El rango de umbral depende de las posiciones 
de los puntos de semilla, los valores en estas posiciones y el rango de imagen de la imagen 
de entrada. Finalmente, la relación de vecindad se establece en sobre el plano (x, y) para un 
crecimiento bidimensional. Los parámetros relevantes están dispuestos en la tabla presentada 
a continuación: 
 
Parámetro Definición 
Upper Threshold Establece el valor de umbral superior. 
Lower Threshold Establece el valor de umbral inferior. 
Threshold Interval Size [%] Establece un valor para la generación de 
umbral automática. 
Neighborhood Relation Define la relación de vecindad que se 
utilizará durante el proceso de crecimiento. 
Tabla 1. Parámetros del módulo RegionGrowing. 
 
A continuación, se realiza una dilatación morfológica con un elemento estructurante de 3x3 
con el fin de corregir el contorno muscular y eliminar imperfecciones del crecimiento de 
regiones, agrupando la región en un gran musculo paravertebral final. Con dicho paso se 
logra una máscara binaria usada por el módulo Arithmetic (capaz de adicionar, sustraer, 
multiplicar y unir imágenes) en conjunto con la imagen resultante de la etapa de extracción 
	
	
y da como resultado el músculo objetivo diferenciado con los valores originales del nivel de 
gris (Figura 9). 
 
Figura 9. Resultado del proceso de segmentación. 
 
La red de módulos (Figura 10) correspondiente a la segunda fase correspondiente a la 
discriminación del tejido muscular puede visualizarse a continuación: 
 
 
 
 
Figura 10. Red de componentes responsables de la fase de discriminación. 
 
 
 
	
	
 
3.2 Protocolo de validación 
 
 
 
En cuanto al protocolo de validación el algoritmo propuesto se lleva a prueba sobre los 
volúmenes de las tomografías axiales computarizadas (TAC) de un grupo de 7 pacientes. Por 
cada paciente se seleccionan 5 series (posición de corte axial) tomadas sobre la región lumbar 
y torácica. Sobre cada serie se corre el algoritmo propuesto variando los parámetros de 
entrada correspondientes a la etapa de discriminación del tejido muscular, en particular se 
varia la selección de las semillas, lo que llevo al cálculo de diferentes valores mínimos y 
máximos de HU para el proceso de umbralización utilizado en dicha etapa. Los valores 
utilizados se registran en una hoja de cálculo en conjunto con los números de serie, las 
imágenes resultantes, la cantidad de vóxeles (unidad cubica que compone un objeto 
tridimensional) segmentados y los promedios de los intervalos. Este proceso de variación en 
los parámetros y prueba de resultados en conjunto con su registro se ha denominado 
‘Parametrización’ (Tabla 2), su objetivo es determinar la correlación entre la medida de los 
parámetros de entrada en la etapa de discriminación muscular con las imágenes resultantes 
de segmentación muscular y la evaluación de las mismas en términos de aceptación por parte 
de los doctores expertos. 
 
 
Tabla 2. Tabla de resumen de la etapa de parametrización del método. 
 
 
 
 
	
	
 
La siguiente tabla muestra la nomenclatura utilizada para la Tabla 2, los campos 
correspondientes a LT, UT, GV son campos de variación de parámetros que cambian según 
la selección de las semillas, adicionalmente SR y SL corresponden a la selección del corte 
axial. 
 
 
Tabla 3. Nomenclatura de los campos de la tabla de parametrización. 
 
Así pues, después de haber realizado en totalidad 175 segmentaciones estas se llevan a 
evaluación y criterio del Doctor Luis Felipe Uriza médico radiólogo asociado al hospital san 
Ignacio, con el fin de determinar la viabilidad del método propuesto para realizar una la 
correcta diferenciación del tejido muscular paravertebral. Con fines prácticos de evaluación 
se construye una imagen (Figura 11) que agrupa los resultados obtenidos por el método y las 
imágenes originales, tanto del corte segmentado como de la posición del mismo en una vista 
axial. La evaluación se realiza categóricamente por medio de atributos cualitativos enfocados 
a la aceptación del tejido segmentado en una de las siguientes categorías: Buena, Regular, 
Mala. 
	
	
 
 
Figura 11. Ejemplo del formato de las imágenes llevadas a evaluación. Los círculos azules 
representan los resultados del algoritmo. Los círculos verdes corresponden a las imágenes 
originales del corte. 
 
 
En particular como se hará explícito en el capítulo de discusión, el método propuesto 
segmenta algunos tejidos adyacentes a la zona muscular como el señalado en la Figura 12 
que corresponde a la vena cava la cual es transversal a la columna vertebral, lo que produce 
que lavaloración no sea “buena” sino que recaiga en una de las dos categorías restantes 
(regular, mala). 
 
 
Figura 12. Error de segmentación que abarca la vena cava. 
	
	
Capítulo 4: RESULTADOS 
Respecto a la fase de parametrización realizada sobre los datos se observa un primer resultado 
(Grafica 1) en el cual se observa que los rangos de HU calculados por el algoritmo de 
crecimiento de regiones y utilizados para segmentar la musculatura se agrupan entre los 
valores que van de 24 HU a 79 HU con un promedio de 60 HU, lo cual corresponde a un 
valor esperado para los tejidos musculares según la escala Hounsfield. 
 
Grafica 1. Nivel de HU para la parametrización de los datos. 
 
 
Así mismo, los resultados obtenidos por la evaluación médica respecto a las categorías 
cualitativas (Buena, Regular, Mala) pueden ser resumidos en la Grafica 2, la cual señala 154 
segmentaciones categorizadas como “Buena” (88%), 20 segmentaciones categorizadas como 
“Regular” y solamente uno de los datos como “Mala”. 
 
 
Grafica 2. Calidad de las imágenes segmentadas. 
	
	
 
Al analizar en conjunto los datos de la parametrización con los datos de evaluación cualitativa 
se halla una tendencia (Grafica 3) sobre los datos correctamente segmentados (buenos) al 
conservar valores con un rango entre 24.5 HU - 79.0 HU y un promedio de 69.5 HU (Grafica 
4). Por otro lado, los datos agrupados bajo la categoría de regular tienen valores entre los 
rangos 36.0 HU-66.3 HU con un promedio de 62,9 HU. La desviación promedio corresponde 
a 7.23 HU para la categoría buena y a 8.36 para la categoría regular. 
 
 
 
Grafica 3. Tendencia de las unidades Hounsfield según calidad de la segmentación. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
	
	
La siguiente grafica agrupa los resultados de los estadísticos más relevantes dada las 
categorías cualitativas: 
 
 
Grafica 4. Estadísticos de las UH según el criterio médico. 
 
 
Capítulo 5: CONCLUSIONES Y 
DISCUSIÓN 
En conclusión, basándose en los resultados del 88 % de imágenes correctamente 
segmentadas, el algoritmo propuesto es una aproximación acertada en términos de llegar a 
ser una herramienta práctica clínica capaz de segmentar el tejido muscular paravertebral, y 
ser usado en conjunto con herramientas como CAAVAT [11] en el proceso de diagnóstico y 
tratamiento del síndrome metabólico. 
 
 
Sin embargo, se observa que los principales errores de segmentación corresponden al 
incorrecto posicionamiento de las semillas dada la selección de series de cortes demasiados 
altos (por encima de las vértebras lumbares) lo que conlleva a segmentar tejidos con HU 
similares como los riñones o la vena cava. Dicho problema puede ser resuelto en mayor 
medida mediante la correcta selección de cortes a nivel lumbar. Otro posible problema que 
	
	
conlleva el error es la similitud en niveles de gris de algunos tejidos abdominales adyacentes 
a la musculatura. En general los errores de segmentación pueden resolverse al considerar solo 
puntos semillas que su promedio de HU se encuentre entre los valores aceptados por el 
personal médico (Grafica 4, categoría buena). 
 
Una de las aplicaciones posibles para el algoritmo corresponde a su implementación sobre 
alguna herramienta existente enfocada en la estimación de TAV, con el fin de apoyar los 
estudios clínicos en la identificación de factores genéticos o condiciones fenotípicas que 
indiquen un mayor grado de afinidad de adquirir alguna enfermedad cardiovascular o ser 
propenso a desarrollar el síndrome metabólico. Además, constituye una base para la 
generación de un algoritmo totalmente automático sin intervención del usuario dada su 
característica de ser un algoritmo determinístico y totalmente replicable con las mismas 
variables de entrada, y el estudio paramétrico realizado que conlleva a una correcta 
segmentación muscular. 
 
Finalmente, el método propuesto puede mejorar sus resultados si se emplea una preparación 
anterior a la toma de los volúmenes, tal como inducir el uso de productos de contraste 
intravenoso o intestinal en los pacientes antes de realizar el TAC con el fin de mejorar la 
calidad de gris y las texturas de los tejidos adyacentes a la musculatura para que el algoritmo 
pueda discriminar mejor dichas adyacencias que provocan errores. 
 
 
 
 
	
	
Capítulo 6: TRABAJO FUTURO 
Considerando que el método propuesto requiere cierta intervención (selección de semillas) 
por parte del usuario al ser un método semiautomático, se propone la extensión del mismo 
considerando los siguientes factores: a) el estudio paramétrico realizado para los niveles de 
gris correspondientes a tejido muscular correctamente segmentado, b) la posición de la 
vértebra como eje central. Como idea fundamental se plantea la posibilidad de generar las 
semillas automáticamente en rangos de valores aceptados con alta probabilidad de segmentar 
correctamente el tejido. 
 
Por otra parte, su implementación en conjunto con herramientas de software ya desarrolladas 
e implementadas podría convertirlo en una herramienta realmente usada en la industria y en 
el campo medico real. Ya que el algoritmo trabaja sobre código abierto, su implementación 
en un ambiente de desarrollo nativo se considera un paso relativamente sencillo que será 
fundamental para realizar la integración con las diferentes herramientas. 
 
Finalmente, con una perspectiva mucho más ambiciosa, al ser aun un método con cierto nivel 
de imprecisión se propone la parametrización automática de un mayor número de datos con 
el fin de generar grandes sets de información que pueden servir tanto para ajustar los modelos 
estadísticos como para otro tipo de aproximaciones más avanzadas de segmentación, tales 
como redes neuronales, machine learning e IA. 
 
 
 
 
 
 
 
 
 
 
 
 
	
	
Agradecimientos 
Deseo agradecer en primera instancia a la Universidad de los Andes por haberme brindado 
una excelente formación académica en la carrera profesional que considero mi pasión y 
motivación para construir un camino de impacto real y positivo en el mundo. También 
agradezco a mi formadora y asesora de tesis la Dra. Marcela Hernández docente en la 
Universidad de los Andes, por brindarme su apoyo incondicional, su paciencia, motivación, 
y aliento. Ha sido un privilegio trabajar de la mano con su guía y criterio, convirtiendo cada 
paso en un reto nuevo que indudablemente sin su ayuda habría sido imposible lograr. 
 
Expreso una inmensa gratitud a mis padres Paulina y Mario por brindarme todo su apoyo 
inmensurable, sus valiosos consejos, su inigualable amor y su compañía para cumplir mis 
sueños y metas, gracias por creer en mí y en mis expectativas. Han sido los precursores de 
mi formación integral y académica, y han hecho un trabajo formidable que espero poder 
recompensar con los logros obtenidos ahora y en el futuro. 
 
Doy especial agradecimiento a los doctores radiólogos Dr. Luis Felipe Uriza (Hospital 
Universitario San Ignacio) y Dr. Philippe Douek (Hôpital Louis Pradel - Lyon) por sus 
amplios conocimientos y sus excelentes criterios que fueron determinantes para llevar a cabo 
la evaluación del trabajo realizado. Su ayuda ha sido una herramienta y guía enorme de la 
que agradezco haber sido participe. 
 
Por último, agradezco a todas aquellas personas que facilitaron y realizaron su aporte para 
que este proyecto fuese posible. 
 
 
 
 
	
	
 
Referencias 
1. Organización Mundial de la Salud (enero de 2017). Las 10 principales causas de 
defunción. (pp.1). Recuperado de http://origin.who.int/mediacentre/factsheets/fs310/es/ 
 
2. American Heart Association (25 de enero de 2017) Resumen de estadísticas de 2017 
Enfermedad del corazón y ataque cerebral. (pp.2). Recuperado de 
https://www.heart.org/idc/groups/ahamah-
public/@wcm/@sop/@smd/documents/downloadable/ucm_491392.pdf 
 
3. World Heart Federation (Junio 4-7 2016) World Congress Of cardiology & 
CardiovascularHealth, Mexico City. Recuperado de https://www.world-heart-
federation.org/resources/world-congress-cardiology-cardiovascular-health-2016/ 
 
4. Fernández, C.F. (22 noviembre 2017) Sedentarismo y mala alimentación dispararon 
el sobrepeso y la obesidad. El Tiempo. Recuperado de 
https://www.eltiempo.com/vida/salud/cifras-de-la-obesidad-y-la-desnutricion-en-
colombia-153944 
 
5. Hwang, Y.C., Jeon, W.S., Park, C.Y., y Youn, B.S. (2016) The ratio of skeletal 
muscle mass to visceral fat area is a main determinant linking circulating irisin to 
metabolic phenotype. (pp.4-6). Cardiovascular Diabetology 2016, 15(9). DOI 
10.1186/s12933-015-0319-8 
6. MeVisLab (c) MeVis Medical Solutions AG (2018). Medical Image Processing and 
Visualization. Recuperado de https://www.mevislab.de/ 
 
7. Insight Segmentation and Registration Toolkit ITK. National Library of Medicine. 
Recuperado de https://itk.org/ 
 
	
	
8. International Journal of Computer Applicatios IJCA (Mayo 2015). Image 
Segmentation using Morphological Operations. Volumen 117 No. 18, (pp.18). 
 
9. International Journal of Computer Applicatios IJCA (Mayo 2015). Image 
Segmentation using Morphological Operations. Volumen 117 No. 18, (pp.18-19). 
 
10. Kamdi, S., y Krishna, R.K. (febrero 2012). Image Segmentation and Region 
Growing Algorithm. International Journal of Computer Technology and Electronics 
Engineering (IJCTEE) Volúmen 2, Issue 1, ISSN 2249-6343, (pp.104-106). 
 
11. Mendoza, R., Sanchez, A., Uriza, L.F., y Hoyos, M.H. (mayo 2011). Automatic 
segmentation of adipose viseral tissue from CAT images, employing anatomical 
invariants. (pp.1-2). 6th Colombian Computing Congress (CCC). 
DOI:10.1109/COLOMCC.2011.5936298. 
 
12. Battaglia, N.V., Mahfouz, MR., y Johnson, M. (2012). Semi-Automatic segmentation 
of the lumbar muscles and gender specific cross-sectional areas. Poster No. 2134, 
University of Tennessee, Knoxville. Recuperado de 
http://www.ors.org/Transactions/58/2134.pdf 
 
13. Engstrom, C.M., Fripp, J., Jurcak, V., Walker, D.G., Salvado, O., y Crozier, S. 
(2011). 
Segmentation of the Quadratus Lumborum Muscle Using Statistical Shape Modeling. 
(pp.1423-1425). Journal Of Magnetic Resonance Imaging 33(6):1422-9. DOI: 
10.1002/jmri.22188