La segmentazione è una procedura utilizzata comunemente nell’ambito del- l’analisi di immagini e consiste nella partizione dell’immagine in regioni si- gnificative. I pixel che la compongono vengono raggruppati in sottogruppi con caratteristiche comuni (colore, intensità o texture) che li distinguono gli uni dagli altri.
Considerando i pixel non singolarmente ma raggruppati si semplifica la rappresentazione dell’immagine a favore delle analisi successive. Tipicamen- te gli algoritmi di segmentazione vengono utilizzati per individuare e riu- nire tutti i pixel appartenenti ad una superficie o ad un oggetto presente nell’immagine.
Nell’ambito del CAD VBNA la segmentazione viene utilizzata per ri- costruire le strutture del polmone, specialmente la pleura, che deve essere rappresentata in modo accurato per la ricerca dei noduli sulla sua superficie e per evitare che il sistema vada ad individuare punti all’esterno del polmone. Prima di iniziare con la segmentazione vera e propria l’immagine TAC passa attraverso un processo finalizzato a rendere isotropi i voxel che la compongono. Questo processo si rende necessario in quanto le prestazioni degli algoritmi morfologici risultano migliori su immagini isotropiche, ovve- ro con voxel cubici, mentre quelle derivanti dalla tomografia computerizzata
Figura 13: Ricostruzione della superficie del polmone dopo il ri- campionamento e la prima operazione dei ricerca di componenti connesse. In trasparenza si possono vedere i vasi e la varie vie aeree.
Si è scelto quindi di ri-campionare l’immagine in modo da portare a 1mm le dimensioni dei voxel. Per eseguire correttamente il ri-campionamento è stato applicato un filtro gaussiano tridimensionale (ovvero uno “smoothing”) con ampiezza proporzionale alle dimensioni originali dell’immagine [39, 38].
Si procede quindi cercando le regioni a bassa intensità all’interno dell’im- magine tramite l’utilizzo di due soglie a −600HU e −1000HU , seguite da un’identificazione delle componenti connesse in tre dimensioni. La più gran- de componente che non giace sul bordo del volume rappresenta il polmone con la trachea, le vie aeree più grandi e l’aria in esse contenuta.
Partendo da questa componente viene creata una maschera dove i voxel a bassa intensità sono visualizzati in primo piano ed il resto è considerato come sfondo. Il risultato è mostrato nella Figura 13.
Poiché la trachea funge ancora da ponte tra i due polmoni va rimossa insieme alle altre vie aeree maggiori in modo da poterli analizzare separata- mente.
Per segmentare la trachea e le altre vie in modo che sia possibile ri- muoverle dalla maschera appena ricavata si utilizza il fatto che sono volumi
contenenti aria.
Utilizzando una decomposizione a due componenti ed una soglia oppor- tuna è possibile quindi distinguerle dalle altre strutture [36].
La soglia adatta viene ricavata andando a ricercare il numero di voxel contenenti aria all’interno della maschera, ricavabile considerando le intensità e il numero di voxel dell’aria, delle restanti strutture e i valori medi su tutta l’immagine. Si ottiene quindi la soglia TAir come
TAir=
max T [Tmin, Tmax]
{nT ≤ nAir} (7)
dove nT è il numero dei voxel all’interno della maschera che hanno inten-
sità ≤ T mentre Tmin e Tmax sono gli estremi dell’intervallo di intensità.
Identificata la TAir si procede ad un’operazione di soglia tra TAir e Tmin
seguita da una analisi delle componenti connesse in modo da scartare i voxel di aria isolati.
Per selezionare la componente connessa rappresentante la trachea si cerca una struttura circolare nei pressi della testa del paziente, la quale rappresenta la sezione della trachea stessa. La ricerca viene effettuata tramite un algorit- mo che utilizza una trasformazione di Hough, capace di riconoscere diverse forme quali cerchi, ellissi ecc ecc [37].
Identificata correttamene la trachea si procede ad applicare un operatore di dilatazione con kernel di 2 mm per tenere anche conto delle pareti ad alta intensità delle vie aeree. La maschera della trachea così ottenuta è sottratta alla maschera complessiva ricavata sopra.
Se i polmoni risultano ancora non separati al termine di questa fase si procede cercando, per ogni fetta, il percorso che si snoda dalla parte anteriore a quella posteriore del paziente massimizzando i valori di HU dei punti che lo compongono. Questa metodologia si basa sull’ipotesi che le componenti che dividono i due polmoni abbiano intensità più alte rispetto ai polmoni stessi. Ottenuto il percorso per ogni fetta lo si sottrae alla maschera senza la trachea e si procede quindi ad un’analisi delle componenti connesse con connettività a 6 − pixel.
Come si può osservare nella Figura 14, in questo stadio le pareti delle vie aeree sono ancora escluse dalla maschera ottenuta. Vanno quindi aggiunte facendo però attenzione a non modificare la morfologia della superficie della pleura, ovvero senza andare a modificare la forma di possibili noduli situati
Figura 14: Segmentazione del polmone prima della rimozione delle pareti delle vie aeree e vasi (a) e dopo la loro rimozione (b).
Figura 15: Fasi della segmentazione tridimensionale del polmone: immagi- ne di input (a), dopo il processo di tresholding (b), dopo la ricerca delle componenti connesse (c), output dell’algoritmo (d).
Per questo scopo si utilizza una combinazione di operatori morfologici quali uno di erosione e uno di dilatazione seguiti da un operatore logico OR tra la maschera così ottenuta e quella iniziale. La maschera definitiva ottenuta comprende le pareti delle varie vie pur mantenendo la conformazione della superficie come richiesto. La Figura 15 mostra un riepilogo delle varie fasi del processo.
La pleura è quindi definita considerando la superficie che divide il paren- chima dal resto dell’immagine (Figura 16).
Al termine di tutta la procedura di segmentazione descritta è stato imple- mentato un controllo automatico per verificare eventuali errori, che possono accadere a causa di differenza anatomiche dei vari pazienti.
Figura 16: Rappresentazione della maschera finale della segmentazione del polmone.