UN MÉTODO PARA PROCESAR IMÁGENES CEREBRALES

CAMPO DE APLICACIÓN

La presente invención se refiere a la creación de una base de datos de imágenes cerebrales obtenidas por Tomografías por Emisión de Positrones (PET). Más específicamente, un método para procesar imágenes cerebrales del tipo Tomografías por Emisión de Positrones (PET), imágenes cerebrales de Tomografía Computarizada De Emisión Monofotónica (SPECT) u otra técnica que permita generar imágenes del metabolismo, funcionamiento y flujo sanguíneo cerebral, mediante la simetría espacial del metabolismo inter-hemisférico del cerebro humano sano.

DESCRIPCIÓN DEL ARTE PREVIO

En la actualidad surge la necesidad de mejorar el diagnóstico médico de los trastornos neurológicos y la necesidad de una cuantificación objetiva e imparcial del metabolismo cerebral, utilizando una base de datos de imágenes cerebrales del tipo PET, específica por edad, para utilizarla como controles sanos.

Actualmente, el mercado ofrece algunas soluciones, como el producto CortexID Suite, GE Healthcare ®, que mediante la introducción de trazadores específicos de beta amiloide en la práctica clínica, permite ayudar con resultados cuantitativos precisos y consistentes y presentar la información de una manera personalizada diseñada para médicos y pacientes remitentes, proporcionando una revisión/análisis sencillo y robusto de imágenes PET y PET-CT, mediante la comparación de imágenes que se obtienen con imágenes de personas normales y grupos de pacientes estratificados por edad, revelando funciones cerebrales que pueden verse alteradas por procesos de enfermedad. Sin embargo, no existe un procesamiento de las imágenes como se enseña en esta invención.

La empresa Philips®, con su producto CAD4D FDG, ofrece una herramienta para el análisis avanzado, fácil de usar e intuitivo de las imágenes cerebrales basado en mapas estadísticos de voxel-wise para detectar regiones de hipo e hipermetabolismo estadísticamente significativas, pero no enseña un procesamiento de imágenes como se enseña en esta invención.

La solicitud de patente de invención GB251 1052 de fecha 27.08.2014, de Kaftan y otro, titulada“Un método para combinar una pluralidad de conjuntos de datos de imágenes en una imagen de múltiples fusiones”, describe un método para combinar una pluralidad de conjuntos de datos de imágenes en una imagen multi-fusionada para mostrar a un usuario que comprende la alineación de todos los conjuntos de datos de imágenes con un conjunto de datos que representa datos anatómicos correspondientes. Los datos de imagen en cada conjunto de datos se segmentan a continuación en regiones separadas que representan las respectivas estructuras de interés por referencia a una segmentación derivada de datos anatómicos y para cada región se selecciona un segmento correspondiente de datos de imagen a partir de un conjunto de datos de imágenes seleccionado. Los segmentos seleccionados del conjunto de datos de imagen se combinan para generar la imagen multifuncional de las regiones.

La solicitud de patente de invención GB2512720 de fecha 08.10.2014, de Mathers, titulada“Métodos para generar una imagen como una combinación de dos imágenes existentes, y una imagen combinada así formada”, describe generar una imagen monocromática combinada a partir de imágenes funcionales correspondientes alineadas (por ejemplo, PET, SPECT) y anatómicas (por ejemplo, CT, MRI) donde la imagen anatómica se convierte en una imagen de gradiente monocromática y se combina con la imagen funcional. La imagen de gradiente puede ser una imagen de gradiente de vector o módulo. La imagen funcional puede invertirse. Los valores de píxel de la imagen de degradado o funcional se pueden normalizar mediante escalado o se pueden recortar a un rango de valores de escala antes de combinarlos. La combinación se puede realizar multiplicando las imágenes funcionales y gradientes de forma pixelada. El usuario puede definir una operación de ventana para seleccionar una región de interés. La imagen combinada proporciona una imagen monocromática clara que permite al usuario ver los datos de imagen funcionales sin desorden innecesario de la imagen anatómica.

Ninguno de los documentos citados describe o enseña un método para procesar imágenes cerebrales del tipo Tomografías por Emisión de Positrones (PET), imágenes cerebrales de Tomografía Computarizada De Emisión Monofotónica (SPECT) u otra técnica que permita generar imágenes del metabolismo cerebral, mediante la generación de una base de datos de cerebros sanos y posterior cuantificación de lesiones basándose en la simetría espacial del metabolismo inter-hemisférico del cerebro humano sano.

RESUMEN DE LA INVENCIÓN Un objetivo de la invención es un método para procesar imágenes cerebrales que comprende las etapas de: a) Realizar un co-registro, de preferencia un co-registro lineal de 6 grados de libertad, u otros tipos de co-registros, con una transformación sin deformación, sólo desplazamiento y rotación de una imagen PET (Tomografía por Emisión de Positrones) (10) de un paciente, utilizando como referencia una primera imagen volumétrica RM (Resonancia Magnética) (10) del paciente, adquirida en modo 3D, generando una nueva imagen PET (20), es decir, que sus propiedades espaciales son idénticas a la imagen volumétrica RM (10), pero que contiene la información del metabolismo cerebral del paciente obtenida en la imagen PET (10); b) Realizar un cálculo de una primera matriz de transformación espacial M1 , necesaria para deformar la imagen volumétrica RM (10) adquirida en modo 3D, llevándola a la forma de una imagen volumétrica RM (20); con lo cual se genera una nueva imagen volumétrica RM (30) cuya particularidad es que el surco ínter hemisférico coincide en su totalidad con la coordenada X=0; c) Aplicar la matriz M1 , obtenida en la etapa anterior, a la imagen PET (20) generando una nueva imagen PET (30), en donde sus propiedades espaciales son idénticas a la imagen volumétrica RM (30), pero que contiene la información del metabolismo cerebral del paciente obtenida en la imagen PET (10); d) Determinar el hemisferio sano de la imagen volumétrica RM (30) a partir de la información obtenida del patrón electroencefalográfico u otra técnica que permita identificar la lateralidad de la lesión del paciente, y una vez identificado el hemisferio sano, se genera una imagen a partir de las dimensiones de la imagen volumétrica RM (30) cuyos valores en el eje X correspondientes al lado sano, son 1 y los valores del lado lesionado son 0, y esta imagen se denomina región de interés ROI; e) Multiplicar la imagen volumétrica RM (30) con la imagen de la región de interés ROI, elemento por elemento, obteniendo una nueva imagen volumétrica RM (40), la cual corresponde solo al hemisferio sano, se copia la imagen volumétrica RM (40) y se invierte en el eje X generando una imagen especular de la imagen volumétrica RM (40), denominada imagen volumétrica RM (50), y se suman elemento por elemento de la imagen volumétrica RM (40) con la imagen volumétrica RM (50), generando una nueva imagen volumétrica RM (60); f) Multiplicar elemento por elemento de la imagen PET (30) con la imagen de la región de interés ROI, generándose una nueva imagen PET (40), y se copia la imagen PET (40) y se invierte en el eje X generando una imagen especular de la imagen PET (40), denominada imagen PET (50), y se suman elemento por elemento la imagen PET (40) con la imagen PET (50) generando una nueva imagen PET (60); g) Calcular una segunda matriz de transformación M2 necesaria para deformar la imagen volumétrica RM (60) a la imagen (RM 20), la imagen obtenida se denominará RM (70); h) Aplicar la matriz de transformación M2 a la imagen PET (60), obteniéndose la imagen PET (70), la que contiene toda la información metabólica del hemisferio sano del paciente en la imagen PET (40), sumando elemento por elemento a la imagen PET (50) en el espacio de la imagen volumétrica RM (20); i) Calcular una tercera matriz de transformación M3 necesaria para deformar espacialmente la imagen volumétrica RM (30) a la imagen volumétrica RM (60); y j) Aplicar la matriz de transformación M3 a la imagen PET (30) obteniendo la imagen PET (80), y a la imagen PET (80) se le aplica la matriz de transformación M2 y se obtiene una nueva imagen PET (90).

BREVE DESCRIPCIÓN DE LAS FIGURAS

La figura 1 describe el método para la generación de una imagen estructural en el espacio de una imagen témplate, a partir de la imagen estructural del cerebro de un paciente, adquirida mediante Resonancia Magnética (RM).

La figura 2 describe el método para la obtención de una imagen funcional en el espacio de una imagen témplate, a partir de la imagen funcional del cerebro de un paciente, adquirida mediante una Tomografía por Emisión de Positrones u otra técnica similar.

La figura 3 describe el cálculo de una tercera matriz de transformación M3.

La figura 4 describe la variación de la lesión del paciente en el método. DESCRIPCIÓN DE UNA REALIZACIÓN PREFERIDA

La presente invención se refiere a una nueva metodología para el campo de las imágenes cerebrales de Tomografía por Emisión de Positrones (PET), aplicable de la misma a imágenes cerebrales de Tomografía Computarizada De Emisión Monofotónica (SPECT) u otra técnica que permita generar imágenes del metabolismo, funcionamiento y flujo sanguíneo cerebral. Esta metodología surge de la necesidad de mejorar el diagnóstico médico de los trastornos neurológicos y de la necesidad de una cuantificación objetiva e imparcial del metabolismo, función y flujo sanguíneo cerebral.

El método se fundamenta en la simetría espacial del metabolismo del cerebro humano sano. Bajo este supuesto, todo el metabolismo cerebral sano se puede deducir del metabolismo de sólo un hemisferio del cerebro. En una proporción considerable de los casos de alteraciones neurológicas, éstas suelen ser unilaterales. A través de la aplicación del método es posible reconstituir un nuevo cerebro virtual sano, basado en el hemisferio sano del paciente.

Esto también permite la creación de cerebros virtuales sanos específicos, que se pueden utilizar como controles sanos; lo cual permite crear una base de datos específica por edad u otras variables socio-demográficas.

El método se basa en la obtención, para el cerebro de un paciente, de una imagen volumétrica RM (10), adquirida mediante Resonancia Magnética (RM) en modo 3D, de preferencia empleando vóxeles isotrópicos de 1 x1 x1 mm o de menor tamaño pero siempre isotrópicos, como se muestra en la figura 1 ; una imagen PET (10) como se muestra en la figura 2, obtenida mediante una Tomografía por Emisión de Positrones (PET), utilizando radioligandos como 18FDG u otros (también es posible utilizar imágenes adquiridas mediante otras metodologías que capturen la información del metabolismo, funcionamiento o flujo sanguíneo cerebral); junto con esto se requiere de un registro electroencefalográfico de superficie u otra técnica de detección de la lateralidad de la lesión, ya que el hemisferio sano se identifica mediante su actividad eléctrica medida por registros de electroencefalografía o distintas técnicas de detección de alteraciones fisiológicas; y una imagen témplate RM (20), la que es una imagen adquirida en modo 3D del tipo plantilla simétrica RM, por ejemplo, una plantilla simétrica MNI152 u otra plantilla simétrica generada a partir de imágenes RM similares a la imagen volumétrica RM (10) obtenidas de un grupo control pareado por características socio- demográficas normalizadas a una imagen adquirida en modo 3D común.

Una primera etapa consiste en el co-registro, de preferencia un co-registro lineal de 6 grados de libertad, aunque se pueden utilizar otros tipos de co-registros, es decir, se debe realizar una transformación sin deformación, sólo desplazamiento y rotación de la imagen PET (10) utilizando como referencia la primera imagen volumétrica RM (10) adquirida en modo 3D. Al realizarse el co-registro se genera una nueva imagen denominada PET (20), es decir, que sus propiedades espaciales son idénticas a la imagen volumétrica RM (10), pero contiene la información del metabolismo cerebral del paciente obtenida en la imagen PET (10). Se muestra un área de lesión (1 1 ) en esta primera etapa en la imagen volumétrica RM (10), como se muestra en la Figura 1 y en la imagen PET (10), como se muestra en la Figura 2. La segunda etapa consiste en realizar un cálculo de una primera matriz de transformación espacial M1 , necesaria para deformar la imagen volumétrica RM (10) adquirida en modo 3D, llevándola a la forma de una imagen volumétrica RM (20), este proceso es conocido como Normalización; es esta etapa se genera una nueva imagen volumétrica RM (30) cuya particularidad es que el surco ínter hemisférico coincide en su totalidad con la coordenada X=0. La matriz de transformación resultante en la generación de la imagen volumétrica RM (30) se denomina matriz M1 .

La tercera etapa consiste en la aplicación de la matriz M1 , obtenida en el paso anterior, a la imagen PET (20) generando una nueva imagen PET (30), es decir, que sus propiedades espaciales son idénticas a la imagen volumétrica RM (30), pero contiene la información del metabolismo cerebral del paciente obtenida en la imagen PET (10). El área de la lesión (1 1 ), en esta tercera etapa, se convierte en una lesión (12) para la imagen volumétrica RM (30), como se enseña en la figura 1 y figura 3, y en la imagen PET (30), como se enseña en la Figura 2 y Figura 4.

La cuarta etapa consiste en determinar el hemisferio sano de la imagen volumétrica RM (30) a partir de la información obtenida del patrón electroencefalográfico u otra técnica que permita identificar la lateralidad de la lesión del paciente, en donde esta información corresponde a uno de los insumos necesarios para el desarrollo de la invención. Una vez identificado el hemisferio sano, se genera una imagen a partir de las dimensiones de la imagen volumétrica RM (30) cuyos valores en el eje X correspondientes al lado sano, son 1 y los valores del lado lesionado son 0, esta imagen se denomina región de interés ROI. Esta matriz corresponde a la región de interés de la imagen volumétrica RM (30).

En una quinta etapa, se multiplica la imagen volumétrica RM (30) con la imagen de la región de interés ROI, elemento por elemento ( element-wise multiplication), obteniendo una nueva imagen volumétrica RM (40), como se muestra en la figura 1 , la cual corresponde solo al hemisferio sano; a continuación, se copia la imagen volumétrica RM (40) y se invierte en el eje X generando una imagen especular de la imagen volumétrica RM (40), denominada imagen volumétrica RM (50). Posteriormente se suman elemento por elemento de la imagen volumétrica RM (40) con la imagen volumétrica RM (50), generando una nueva imagen volumétrica RM (60).

La sexta etapa consiste en la multiplicación elemento por elemento de la imagen PET (30) con la imagen de la región de interés ROI, generándose una nueva imagen PET (40), como se muestra en la Figura 2; a continuación, se copia la imagen PET (40) y se invierte en el eje X generando una imagen especular de la imagen PET (40), denominada imagen PET (50). Posteriormente se suman elemento por elemento la imagen PET (40) con la imagen PET (50) generando una nueva imagen PET (60).

La séptima etapa corresponde al cálculo de una segunda matriz de transformación M2 necesaria para deformar la imagen volumétrica RM (60) a la imagen RM (20), la imagen obtenida se denominará RM (70).

En la octava etapa se aplica la matriz de transformación M2 a la imagen PET (60), obteniéndose la imagen PET (70), la cual contiene toda la información metabólica del hemisferio sano del paciente en la imagen PET (40), sumando elemento por elemento a la imagen PET (50) en el espacio de la imagen volumétrica RM (20), que se muestra en la Figura 2. De esta forma la imagen PET (70) del paciente se puede anexar a una base de datos de cerebros virtualmente sanos.

La novena etapa corresponde al cálculo de una tercera matriz de transformación M3 necesaria para deformar espacialmente la imagen volumétrica RM (30) a la imagen volumétrica RM (60), esta matriz de transformación M3 se utiliza, más adelante, para obtener la imagen del metabolismo cerebral del paciente en el mismo espacio que la imagen volumétrica RM (60) y la imagen PET (60), como se muestra en la figura 3.

En la décima etapa se aplica la matriz de transformación M3 a la imagen PET (30) obteniendo la imagen PET (80), y posteriormente a la imagen PET (80) se le aplica la matriz de transformación M2 y se obtiene una nueva imagen PET (90). La imagen PET (90) contiene toda la información metabólica de la imagen PET (10), pero ahora en el espacio de la imagen volumétrica RM (70), lo que permite realizar los test comparativos entre la imagen metabólica del paciente PET (90) y una base de datos generada con las imágenes PET (70).

En la imagen PET (80) el espacio de la lesión también varió según M3, por lo cual se genera una lesión (13); y de forma similar en la imagen PET (90) el espacio de la lesión varió según M2 con lo cual se genera una lesión (14), como se enseña en la Figura 4.

Al completar todos los pasos descritos las imágenes provenientes de distintos pacientes existirán en el mismo espacio, todos con un patrón metabólico normal, ofreciendo la posibilidad de construir una base de datos de imágenes PET poblacional que permitirá su estudio cuantitativo y de esta forma ofrecer una nueva herramienta en el estudio del metabolismo cerebral.

Para obtener el resultado estadístico en la imagen PET (20), es decir en el espacio del paciente, se calculan las matrices inversas de M2, M3 y M1 , y se aplican en este orden a la imagen resultante de la comparación entre la imagen PET (90) y la base de datos construida a partir de las imágenes PET (70).

El cálculo de las matrices de transformación M1 , M2 y M3 puede realizarse utilizando diferentes aproximaciones, lineales, no lineales, combinaciones de estas o realizar otra aproximación que permita deformar imágenes volumétricas o adquiridas en modo 3D. Para el cálculo de las matrices M1 , M2 y M3 se utilizan las imágenes con mayor información de forma, contornos y bordes de modo que el resultado sea lo más preciso posible, habitualmente corresponden a imágenes T1 o T2, pero también pueden ser imágenes estructurales basadas en otros parámetros como imágenes de densidad de protones u otras.