Evaluación de los factores de influencia y la robustez de las características de textura de la imagen computable en...

Área de la Ciencia:

• Imágenes médicas
• La radiomía
• Inteligencia artificial (IA)

Sus antecedentes:

• Las características de la textura son cruciales para extraer información oculta en imágenes médicas.
• La radiómica, la IA y la medicina personalizada tienen como objetivo obtener datos específicos del paciente y minimizar la variabilidad del sistema.
• La tomosíntesis mamaria digital (DBT) se utiliza como modelo, pero los hallazgos se aplican ampliamente.

Objetivo del estudio:

• Para investigar los factores que influyen en la estimación de la textura, específicamente las características de la matriz de co-ocurrencia de nivel gris de Haralick (GLCM).
• Identificar métodos para reducir la variabilidad de las magnitudes de las características de la textura en diferentes sistemas de imágenes y técnicas de procesamiento.

Principales métodos:

• Parámetros de estimación de la textura examinados: cuantización, desplazamiento de la distancia de los píxeles y tamaño de la región de interés (ROI).
• Desarrolló y aplicó una nueva técnica de normalización de resolución múltiple.
• Resultados validados utilizando imágenes simuladas y clínicas de TDC.

Principales resultados:

• La cuantización se identificó como el parámetro más influyente que afecta el tamaño y el rango de valores de GLCM.
• La normalización de resolución múltiple propuesta redujo significativamente las disparidades de magnitud de la textura (por ejemplo, al 7,34% entre 8 y 128 cuantizaciones).
• Se cuantificaron las variaciones debidas a los filtros de posprocesamiento y a las variables de estimación (compensación, ROI).

Conclusiones:

• Las diferencias en el procesamiento posterior (por ejemplo, filtros) y las variables de estimación causan variaciones significativas en la magnitud de la textura.
• La normalización desarrollada mejora la robustez a las variaciones del método de estimación.
• Este enfoque mejora la sensibilidad a la información específica del paciente como la densidad mamaria, crucial para la medicina personalizada.