ITK-SNAP è un software open–source per la segmentazione di strutture all’interno di immagini biomediche 3D. Il software non solo offre la possibilità di una segmentazione manuale di tali strutture, ma prevede anche una seg- mentazione semi–automatica utilizzando il metodo dei contorni attivi (snakes)
discusso ampiamente nel Paragrafo 2.5.1; è inoltre possibile visualizzare la ricostruzione 3D dei volumi segmentati. Le immagini da visualizzare possono avere diversi formati, tra cui DICOM e NifTI (Neuroimaging Informatics Technology Initiative). Tutto questo, insieme alla facilità di utilizzo, ha contribuito alla scelta di ITK-SNAP come software di riferimento per la segmentazione delle cartilagini articolari.
3.4.1 Come lavora ITK-SNAP
Tralasciando la segmentazione manuale, che non rientra nel progetto di questa tesi, focalizziamo l’attenzione sulle varie modalità con cui ottenere una segmentazione semi–automatica delle strutture di interesse.
In linea generale, l’utente gioca un ruolo fondamentale nell’inizializzazione del processo (è suo il compito di identificare le strutture ed impostare i parametri per la successiva segmentazione), mentre tutta la parte di evoluzione del contorno è lasciata al software. La segmentazione è, quindi, divisa in due fasi:
1. Fase di pre–segmentazione in cui l’immagine viene suddivisa in regioni appartenenti all’oggetto e regioni appartenenti allo sfondo.
2. Fase dei contorni attivi in cui l’utente è chiamato a posizionare dei semi all’interno della struttura in esame; questi vengono fatti crescere dall’algoritmo in modo che riempiano tutta la struttura che si vuole segmentare. Questo processo avviene sempre sotto la supervisione dell’utente, che ha la possibilità di mettere in pausa l’evoluzione del contorno ed eventualmente tornare alle fasi precedenti per impostare nuovi parametri in modo da ottenere una migliore segmentazione. Nella fase di pre–segmentazione l’utente ha a disposizione diverse modalità per delineare la regione di interesse (thresholding, classification, clustering ed edge attraction); ciascuna di queste modalità genera una mappa che evidenzia, in bianco, le regioni appartenenti all’oggetto da segmentare e in blu le regioni appartenenti allo sfondo. La condizione ideale, quindi, è quella di avere una mappa in cui l’oggetto da segmentare si staglia sullo sfondo completamente blu; in questo modo, andando a piazzare un seme all’interno di tale struttura, la successiva evoluzione del contorno si fermerà nei punti di discontinuità bianco–blu della mappa. A tal proposito, si faccia riferimento alla Figura 3.6: per semplicità è stata disegnata una ROI attorno alla sola cartilagine rotulea (3.6(a)), e quest’ultima è stata pre–segmentata utilizzando la modalità thresholding (3.6(b)) che permette di scegliere due valori di soglia entro i quali sono presenti i valori di livello di grigio dell’oggetto da segmentare. Sebbene la cartilagine rotulea sia ben riconoscibile anche nell’immagine della mappa, ci sono diverse altre strutture (molto vicine alla cartilagine) che il software
riconosce come importanti per la segmentazione e che, però, potrebbero creare alcuni problemi nella fase dell’evoluzione del contorno (vedi Paragrafo 3.4.2).
(a) (b)
Figura 3.6: Confronto tra l’immagine originale (a), in cui è stata ricavata una ROI che comprende la cartilagine rotulea, e la mappa risultante dal processo di thresholding (b).
Una volta creata la mappa della pre–segmentazione, si può dare il via alla fase successiva: vengono innanzitutto posizionati i semi (ossia delle sfere il cui diametro è scelto arbitrariamente dall’utente) all’interno della struttura di interesse (vedi Figura 3.7(a)), e poi si da inizio alla fase di evoluzione del contorno durante la quale i semi, guidati dalle forze interne ed esterne tipiche del metodo dei contorni attivi (Figura 3.8), tendono ad ingrandirsi rimanendo all’interno della regione evidenziata (Figura 3.7(b)).
3.4.2 Risultati ottenuti con ITK-SNAP
Sono diversi i problemi riscontrati con ITK-SNAP nella segmentazione semi– automatica delle cartilagini articolari. Innanzitutto, i livelli di grigio dei tessuti vicini sono paragonabili a quelli delle cartilagini, pertanto, nonostante le diverse modalità disponibili nella fase di pre–segmentazione, non è stato possibile ottenere una mappa in cui venga evidenziata solo la cartilagine in esame. Questo si traduce in strutture sovra–segmentate (vedi Figura 3.9) che necessitano di una correzione manuale da parte dell’utente su ogni singola immagine dell’acquisizione, il che porta ad un notevole dispendio di tempo.
(a) (b)
Figura 3.7: Inizio della fase di evoluzione del contorno. In (a) vengono visualizzati i semi posizionati inizialmente dall’utente, mentre in (b) si osserva la loro evoluzione dopo un certo numero di iterazioni.
Figura 3.8: Visualizzazione delle forze che agiscono sull’evoluzione del contorno: forze dirette verso l’esterno e forze dirette verso l’interno (dallo sfondo verso l’oggetto) per coprire tutte le zone dell’oggetto da segmentare.
Figura 3.9: Sovra–segmentazione (in rosso) ottenuta utilizzando la modalità thresholding.
(a) (b)
Figura 3.10: ROI originale (a) e mappa ottenuta dalla pre–segmentazione con il metodo classification (b).
La modalità che ha permesso di ottenere risultati migliori, almeno in fase di pre–segmentazione (vedi Figura 3.10), è la classification, nella quale l’utente seleziona due o più tessuti e assegna loro un’etichetta label) colorandoli diversamente nell’immagine originale con lo strumento paintbrush fornito dal software.
Come si evince dalla Figura 3.10(b), però, le zone di contatto fra due cartilagini non sono ben delineate, e l’algoritmo le identifica come un unico oggetto. In tal modo, pur piazzando i semi in una sola delle due cartilagini, questi cresceranno anche all’interno della cartilagine vicina, portando ancora una volta ad un risultato di sovra–segmentazione o, qualora si decida di ferma- re l’algoritmo prima che raggiunga l’altra struttura, di sotto–segmentazione, poiché non è detto che il contorno in evoluzione abbia raggiunto, allo stesso modo, i bordi dell’oggetto in esame in tutte le slice.
Se da una parte i risultati ottenuti con ITK-SNAP risultano sconfortanti, dall’altra hanno rappresentato anche il motore per la successiva implementa- zione di un algoritmo scritto ad hoc e basato sul modello dei contorni attivi, il quale, comunque, si è rivelato un buon punto di partenza per una successiva elaborazione.