1
Segmentación de tumores hepáticos.
Tovar Ledesma Diana Catalina
Resumen— El siguiente trabajo presenta una metodología para
segmentar tumores hepáticos a partir de imágenes de tomografía
computacional, haciendo un análisis de trabajos anteriores que
han implementados diversos métodos para segmentar.
I. INTRODUCCIÓN
D e acuerdo con estudios del 2012, el cáncer de hígado es el
quinto cáncer más común y representa el 9.1% de las
muertes por cáncer en el mundo [1]. Un tumor de hígado
es un crecimiento anormal o una masa que se encuentra en el
hígado, formadas por agrupaciones de células. Los tumores que
se originan en el hígado pueden ser tumores benignos y
malignos, conocidos como tumores primarios y los tumores que
se han diseminado del hígado a otra parte del cuerpo es un
tumor secundario[2].
La detección y el control preciso de tumores hepáticos es una
tarea clave en muchas aplicaciones clínicas [3]. Existen
diversos equipos de imagenología que tienen como propósito
dicha tarea, un ejemplo de ello es la tomografía computarizada.
Suele ser el método más utilizado para la adquisición de
imágenes del hígado ya que, debido a su alta resolución,
permite una mejor visualización de los detalles al interior del
cuerpo lo que ayuda a la detección de posibles anomalías [4].
Actualmente la segmentación de tumores hepáticos se realiza a
partir de métodos manuales por parte de los médicos y es
llevada a cabo por procedimientos simples que requieren de
mucho tiempo de análisis, además de que el diagnostico puede
prestarse a la subjetividad de cada persona que realice la
segmentación [5]. Para estimar el tamaño del tumor en la
práctica clínica generalmente se hace a partir de mediciones en
el plano axial del diámetro más grande del tumor y el diámetro
perpendicular a él [6]. Los datos obtenidos a partir de la
segmentación como lo son la carga tumoral y el volumen del
tumor, son necesarios para la toma de decisiones de una manera
precisa y oportuna mejorando las opciones de tratamiento.
Además de los métodos manuales de segmentación podemos
encontrar técnicas computacionales automáticas o aplicables para este tipo de trabajos de segmentación [7]. Esta
semiautomáticas encargadas de realizar esta labor en un menor
tiempo y de forma precisa. Hoy en día las técnicas de
segmentación de tumores hepáticos por computadora han
crecido gracias a las nuevas tecnologías y a las nuevas técnicas
empleadas en el procesamiento de imágenes, haciéndose cada
vez más complejos y robustos, acercándose así, a valores más
parecidos a la realidad. Todo esto permite un mejor análisis de
las posibles situaciones a las que se pueda enfrentar el médico.
No obstante, es importante remarcar que entre más complejo
sea el método éste implica una mayor carga computacional y
con ella más tiempo empleado en la operación para encontrar el
tumor [7].
El procesamiento de imágenes es un método para convertir una
imagen a formato digital. A partir de eso se realizan algunas
operaciones para obtener una imagen mejorada o extraer
información útil de ella [2]. El procedimiento general para la
segmentación de tumores hepáticos por medio del
procesamiento de imágenes consiste en tres partes básicas: el
pre-procesamiento, que consiste en adecuar la imagen a las
condiciones con la que se va a empezar a trabajar,
posteriormente está la segmentación a través de diferentes
técnicas y por último el post-procesamiento que trata de arreglar
los últimos detalles para obtener así las imágenes resultantes
[8].
II. TRABAJOS RELACIONADOS
Durante años se han desarrollado métodos para segmentar
tumores hepáticos. En la actualidad, existen muchas técnicas
que se pueden realizar la segmentación. Una de las más
populares es la segmentación basada en redes neuronales
convolucionales [9][10][3].
Las redes neuronales convolucionales han captado una
atención significativa en la comunidad científica para resolver
tareas de visión artificial tales como el reconocimiento de
objetos, la clasificación y la segmentación [5]. El objetivo es
segmentar de una forma automática en donde la red neuronal se
entrene con el fin de detectar las estructuras deseadas. La
ventaja de trabajar con redes neuronales es que esta técnica no
requiere un amplio procesamiento a la imagen para trabajar con
ella e incluso algunos métodos [3] intentan segmentar sin hacer
un pre-procesamiento ni post-procesamiento.
Además de los métodos que usan redes neuronales para
segmentar podemos encontrar también trabajos basados en la
segmentación por umbralización. Estas técnicas establecen
todos los píxeles cuyos valores de intensidad están por encima
de un umbral, en primer plano y todos los píxeles restantes en
un valor de fondo. De esta manera se puede identificar las
diferentes estructuras de tal forma que se puede distinguir una
de la otra de acuerdo a su nivel de umbralización. La
transformada watershed es una de las más conocidas y
transformada es fácilmente adaptable a los diferentes tipos de
imágenes y es capaz de distinguir objetos sumamente
complejos que no pueden ser analizados correctamente
mediante algoritmos convencionales [11]. Cabe mencionar que
para la clasificación y diagnóstico de tumores, otras técnicas
como las Máquinas de vectores de soporte sirven para distinguir
entre nuevos valores y clasificarlos de acuerdo a su aprendizaje
anterior. A continuación se describen brevemente algunos
artículos relacionados con la segmentación hepática:
El trabajo de K. C. Kaluva, et al. [9] consta de la implementación
de un método de dos etapas en donde la primera se encarga de
segmentar solo el hígado (ya que el volumen y su textura son
más simples a comparación del tumor) con la ayuda de redes
 2

neuronales y en la segunda etapa usando estos resultados se posteriormente se identifica a los posibles candidatos a tumores
hace la localización del hígado y con ello la segmentación del y se les separa filtrándose con un clasificador forestal aleatorio
tumor. Antes de entrar a la red neuronal se le hizo un pre- que produce la segmentación final del tumor.
procesamiento que consistía en la normalización de los datos y
la separación de los valores por ventanas, el post-procesamiento Artículos como el de C. H. Fang, et al. [15] consisten en hacer
consistió en una erosión binaria morfológica, se obtuvo el la comparación de la operación de un carcinoma hepático con
componente conectado más grande y por ultimo una dilatación una reconstrucción 3D para hacer su planeación antes de la
binaria morfológica para eliminar falsos negativos y con ello operación, y una operación sin una planificación previa. Se
mejorar otros métodos, sin embargo aún hay estructuras como tomaron imágenes de tomografía de varios pacientes y se pudo
la vesícula biliar que todavía no han podido ser discriminadas. observar que el tiempo de operación disminuyó en los casos en
los que se había hecho la reconstrucción 3D para localizar el
Existen algunos trabajos como el de C. L. Kuo, et al. [12] tumor, a comparación de los casos en los que no se hizo. Sin
basados en máquinas de vectores de soporte (SVM), el cual embargo las complicaciones durante la operación no pueden ser
consistía en usar SVM para segmentar tumores de hígado en predecibles. Para la reconstrucción y segmentación se utilizó un
imágenes de CT. Los procedimientos incluyen pre- software llamado Medical Image Three-Dimensional
procesamiento, detección de hígado por región, extracción de Visualization System
parche, extracción de características de textura, reducción de la
dimensión de la característica de textura, entrenamiento, III. MÉTODO
clasificación y entrenamiento del modelo de regresión del
El método propuesto consta de los tres pasos básicos del
tratamiento y predicción. El objetivo es extraer un conjunto de
características de textura con alto polvo discriminativo, lo que procesamiento de imágenes, que incluye el acondicionamiento
de la imagen, la extracción de características y los ajustes
sugiere un tratamiento prometedor con la mayor probabilidad
finales para obtener la imagen resultante. Para llegar a la
de sobrevivir.
segmentación del tumor de acuerdo con [2] primero se
segmenta el área total del hígado y ya que se tiene solo esa
El trabajo de L. Soler, et al. [13] se trata básicamente de mejorar
sección se segmenta el tumor, utilizando el mismo método de
la visión intraoperatoria del cirujano al proporcionar una
umbralización.
transparencia virtual del paciente. Para mejorar la delimitación
del hígado se propone detectar y delinear respectivamente la
A. Pre-procesamiento
piel, los pulmones, la aorta, los riñones, el bazo y los huesos.
El objetivo de este procesamiento tiene como objetivo mejorar
Para hacerlo se traduce la densidad del órgano específico en
el contraste y reducir el ruido que pudiera tener la imagen, de
umbralización y a partir de esa segmentación, los órganos
tal manera que la calidad de la imagen mejore y facilitar la
delineados se eliminan de la imagen inicial, a fin de reducir la
segmentación del tumor, además una porción de la imagen ha
imagen, convirtiéndose en una imagen más pequeña que
sido recortada con el fin de centrar la atención sobre la sección
contiene órganos que aún no se han segmentado. El segundo
de la imagen que nos interesa. Los pasos empleados fueron:
paso se basa en delinear las venas, el hígado y sus tumores
internos a través del análisis automático de la densidad de la
- Convertir la imagen a escala de grises.
imagen junto con el análisis de la forma, finalmente, el último
paso delinea la anatomía segmentación del hígado de la vena - Ecualizar el histograma.
- Filtro de media de 3x3.
porta.
B. Procesamiento (segmentación)
Además de la tomografía computacional tradicional, nuevos
Para la primera parte de la segmentación que consiste en separar
métodos de soporte para el diagnóstico como la angiografía por
la región del hígado del fondo. Se ha aplicado la técnica de Otsu
tomografía computada (CTA), como el utilizado en [6] el cual
para umbralizar de tal manera que el hígado quedara
conlleva la clasificación de los vóxeles hepáticos en clases de
diferenciado de las demás estructuras de la tomografía.
tumores y tejidos sanos con un motor de clasificación máquinas
Posteriormente se le aplicaron operaciones morfológicas para
de vectores de soporte (SVM) a partir del cual se genera un
quitar las estructuras restantes, entre esas operaciones se
nuevo conjunto de semillas de alta calidad. Posteriormente se
encuentran: apertura, dilatación y erosión.
define una función de energía que describe la propagación de
Después de aplicar las operaciones se aplicó una función de
estas semillas sobre la imagen 3D. El resultado es un mapa de
reconstrucción morfológica con el fin de no cambiar el tamaño
segmentación continuo con umbral para obtener una
de la estructura original.
segmentación binaria.
C. Post-procesamiento
Cabe mencionar que desde el 2008 se ha organizado el Liver
El último paso consiste en segmentar únicamente la región
Tumor Segmentation Challenge (LiTS), en el cual proporciona
tumoral, para esto se aplicó el mismo procedimiento que en el
a los participantes una base de datos la cual tienen que utilizar
para segmentar cada imagen y luego hacer un clasificador. En procesamiento, utilizando Otsu para umbralizar, operaciones
morfológicas, una reconstrucción morfológica y un filtro
la competencia del 2017 el trabajo de G. Chlebus, et al. [14]
gaussiano para suavizar la imagen, para lograr segmentar el
quedó en segundo lugar con un %65 de efectividad. El método
tumor del hígado como podemos observar en los resultados
empleado se basó en redes neuronales convolucionales en
(Fig. 1).
donde primero se hace una segmentación general del hígado,

IV. RESULTADOS
Fig. 1. De izquierda a derecha podemos ver el proceso de segmentación donde primero se separa la región del hígado y posteriormente la región
tumoral.
V. ANÁLISIS DE RESULTADOS
Como podemos observar en la Fig. 1 se muestran los resultados
de la segmentación. A las imágenes de la primera columna se
les aplicó el mismo método, siguiendo los mismos pasos con
sus variaciones particulares ya que no se encontró una base de
datos oficial la cual permitiera homogeneizar el programa para
realizar la segmentación, como el tamaño de la escala por
ejemplo.
3
Durante el procesamiento se observó como la ecualización del
histograma y el filtro de media ayudó a la mejora del contraste
de la imagen y de esta forma fue más fácil encontrar el valor de
umbralización para cada imagen.
Las operaciones morfológicas fueron de gran ayuda para
eliminar las estructuras no deseadas. La reconstrucción
morfológica fue de gran utilidad ya que permitió regresar a la
imagen su tamaño original a las estructuras ya seleccionadas.
 4

[11] M. A. Gonzalez and V. L. Ballarin, “Segmentación de

VI. CONCLUSIONES imágenes utilizando la transformada watershed:
Se logró segmentar los tumores hepáticos con éxito Obtención de marcadores mediante lógica difusa,”
considerable, de tal manera que se pudieron identificar las dos IEEE Lat. Am. Trans., vol. 6, no. 2, pp. 223–228, 2008.
estructuras de acuerdo a la metodología. Cabe resaltar que este [12] C. L. Kuo, S. C. Cheng, C. L. Lin, K. F. Hsiao, and S.
tipo de segmentaciones para ser aplicables en la vida real es H. Lee, “Texture-based treatment prediction by
necesario tener la aprobación del radiólogo o médico encargado automatic liver tumor segmentation on computed
de la segmentación debido a que en medicina es importante tomography,” IEEE CITS 2017 - 2017 Int. Conf.
tener la máxima certeza posible en cuanto a procedimientos o Comput. Inf. Telecommun. Syst., pp. 128–132, 2017.
tratamientos, ya que son vidas humanas las que están en juego. [13] L. Soler, S. Nicolau, P. Pessaux, D. Mutter, and J.
Es por esto que a pesar que existen muchos métodos y diversos Marescaux, “Real-time 3D image reconstruction
procedimientos para segmentar de manera computarizada no ha guidance in liver resection surgery.,” Hepatobiliary
existido un método en específico que sea aprobado para ser Surg. Nutr., vol. 3, no. 2, pp. 73–81, 2014.
implementado directamente en la práctica clínica, solo ha sido [14] G. Chlebus, H. Meine, J. H. Moltz, and A. Schenk,
utilizado como método de apoyo. “Neural Network-Based Automatic Liver Tumor
Se comprobó además que el método puede ser aplicado a Segmentation With Random Forest-Based Candidate
diferentes imágenes sin importar el tamaño y la forma de la Filtering,” pp. 5–8, 2017.
región a segmentar. [15] C. H. Fang et al., “Impact of three-dimensional
reconstruction technique in the operation planning of
VII. REFERENCIAS centrally located hepatocellular carcinoma,” J. Am.
Coll. Surg., vol. 220, no. 1, pp. 28–37, 2015.
[1] M. C. S. Wong et al., “International incidence and
mortality trends of liver cancer: a global profile,” Sci.
Rep., vol. 7, no. March, p. 45846, 2017.
[2] V. Dixit and J. Pruthi, “Review of Image Processing
Techniques for Automatic Detection of Tumor in
Human Liver,” Int. J. Comput. Sci. Mob. Comput., vol.
33, no. 3, pp. 371–378, 2014.
[3] E. Vorontsov, A. Tang, C. Pal, and S. Kadoury, “Liver
lesion segmentation informed by joint liver
segmentation,” 2017.
[4] Y. Häme and M. Pollari, “Semi-automatic liver tumor
segmentation with hidden Markov measure field model
and non-parametric distribution estimation,” Med.
Image Anal., vol. 16, no. 1, pp. 140–149, 2012.
[5] P. F. Christ et al., “Automatic Liver and Tumor
Segmentation of CT and MRI Volumes using Cascaded
Fully Convolutional Neural Networks,” pp. 1–20,
2017.
[6] M. Freiman, O. Cooper, D. Lischinski, and L.
Joskowicz, “Liver tumors segmentation from CTA
images using voxels classification and affinity
constraint propagation,” Int. J. Comput. Assist. Radiol.
Surg., vol. 6, no. 2, pp. 247–255, 2011.
[7] C. Sun et al., “Automatic segmentation of liver tumors
from multiphase contrast-enhanced CT images based
on FCNs,” Artif. Intell. Med., vol. 83, pp. 58–66, 2017.
[8] Weimin Huang et al., “Random feature subspace
ensemble based Extreme Learning Machine for liver
tumor detection and segmentation,” 2014 36th Annu.
Int. Conf. IEEE Eng. Med. Biol. Soc., pp. 4675–4678,
2014.
[9] K. C. Kaluva, M. Khened, A. Kori, and G.
Krishnamurthi, “2D-Densely Connected Convolution
Neural Networks for automatic Liver and Tumor
Segmentation,” vol. X, no. X, pp. 1–4, 2018.
[10] M. Drozdzal et al., “Learning normalized inputs for
iterative estimation in medical image segmentation,”
Med. Image Anal., vol. 44, pp. 1–13, 2018.
 5

VIII. ANEXOS
I1=imread('C:\Users\DianaCatalina\Documents\MATLAB\IBMPI2018A\Images\No\5
.jpg');
%----------------------------prepropcesamiento---------------------------
I=rgb2gray(I1);
[n,m]=size(I);
n=round(n*0.6);
m=round(m*0.8);
A=imcrop(I,[0 0 m n]);
I=histeq(A,256);
I2=medfilt2(I,[3 3]);
%------------------------------------------------------------------------
img01=graythresh(I2);
BW = im2bw(I2, img01-0.15);
%------------operaciones morfologicas segmentar hígado-------------------
B1=strel('disk',1);
img031=imdilate(BW,B1);
B2=strel('disk',20);
img032=imopen(img031,B2);
B3=strel('disk',1);
img033=imerode(img032,B3);
B4=strel('disk',2);
img034=imdilate(img033,B4);
IM = imreconstruct(BW,img034);
%-------------------------segmentación del tumor-------------------------
img3= immultiply(A,IM);
img666=img3;
for i=1:n
for j=1:m
if img3(i,j)==0
img3(i,j)=255;
end
end
end
%--------------------umbralización del tumor--------------------------
img011=graythresh(img3);
BW = im2bw(img3,0.5);
%--------------operaciones morfologicas para segmentar tumor-----------
B1=strel('disk',7);
img03=imdilate(BW,B1);
B1=strel('disk',7);
img03=imerode(img03,B1);
IM = imreconstruct(BW,img03);
IM=imcomplement(IM);
img0003=immultiply(A,IM);
for i=1:n
for j=1:m
if img0003(i,j)==0
img0003(i,j)=255;
end
end
end

B = imgaussfilt(img0003)
figure, subplot(2,2,2),imshow(A);title('original');
subplot(2,2,3),imshow(img666);title('segmentación del hígado');
subplot(2,2,4),imshow(B);title('segmentación del tumor');
subplot(2,2,1),imshow(I1); title('original');
 6

I1=imread('C:\Users\DianaCatalina\Documents\MATLAB\IBMPI2018A\Images\No\2
.jpg');
%----------------------------prepropcesamiento--------------------------
I=rgb2gray(I1);
[n,m]=size(I);
n=round(n*0.65);
m=round(m*0.8);
A=imcrop(I,[0 0 m n]);
I=histeq(A,256);
I2=medfilt2(I,[3 3]);
img01=graythresh(I2);
BW = im2bw(I2, img01-.08);
%------------operaciones morfologicas segmentar hígado-------------------
% B1=strel('disk',1);
% img031=imdilate(BW,B1);
B2=strel('disk',19);
img032=imopen(BW,B2);
B3=strel('disk',1);
img033=imerode(img032,B3);
B4=strel('disk',2);
img034=imdilate(img033,B4);
IM = imreconstruct(BW,img034);
%-------------------------segmentación del tumor-------------------------
img3= immultiply(A,IM);
img666=img3;
for i=1:n
for j=1:m
if img3(i,j)==0
img3(i,j)=255;
end
end
end
%--------------------umbralización del tumor--------------------------
img011=graythresh(img3);
BW = im2bw(img3,img011-0.18);
%--------------operaciones morfologicas para segmentar tumor-----------
B1=strel('disk',2);
img03=imopen(BW,B1);
B1=strel('disk',8);
img03=imclose(img03,B1);
BW1=imcomplement(img03);
figure, imshow(BW1)
IM = imreconstruct(BW,BW1);
img0003=immultiply(A,IM);
for i=1:n
for j=1:m
if img0003(i,j)==0
img0003(i,j)=255;
end
end
end

B = imgaussfilt(img0003)
figure, subplot(2,2,2),imshow(A);title('original');
subplot(2,2,3),imshow(img0003);title('segmentación del hígado');
subplot(2,2,4),imshow(B);title('segmentación del tumor');
subplot(2,2,1),imshow(I1); title('original');
 7

I1=imread('C:\Users\DianaCatalina\Documents\MATLAB\IBMPI2018A\Images\No\c
uatro.jpg');
%----------------------------prepropcesamiento---------------------------
--
I=rgb2gray(I1);
[n,m]=size(I);
n=round(n*0.6);
m=round(m*0.8);
A=imcrop(I,[0 0 m n]);
I=histeq(A,256);
I2=medfilt2(I,[3 3]);
img01=graythresh(I2);
BW = im2bw(I2, img01-0.09);
%------------operaciones morfologicas segmentar hígado-------------------
B1=strel('disk',1);
img031=imdilate(BW,B1);
B2=strel('disk',20);
img032=imopen(img031,B2);
B3=strel('disk',37);
img033=imerode(img032,B3);
B4=strel('disk',31);
img034=imdilate(img033,B4);
IM = imreconstruct(BW,img034);
%-------------------------segmentación del tumor------------------------
img3= immultiply(A,IM);
img666=img3;
for i=1:n
for j=1:m
if img3(i,j)==0
img3(i,j)=255;
end
end
end
%--------------------umbralización del tumor---------------------------
img011=graythresh(img3);
BW = im2bw(img3,0.55);
%--------------operaciones morfologicas para segmentar tumor-----------
B1=strel('disk',5);
img03=imdilate(BW,B1);
B1=strel('disk',5);
img03=imopen(img03,B1);
IM = imreconstruct(BW,img03);
img0003=imcomplement(IM);
img0003=immultiply(A,img0003);
for i=1:n
for j=1:m
if img0003(i,j)==0
img0003(i,j)=255;
end
end
end
B = imgaussfilt(img0003)
figure, subplot(2,2,2),imshow(A);title('original');
subplot(2,2,3),imshow(img666);title('segmentación del hígado');
subplot(2,2,4),imshow(B);title('segmentación del tumor');
subplot(2,2,1),imshow(I1); title('original');
 8

I1=imread('C:\Users\DianaCatalina\Documents\MATLAB\IBMPI2018A\Images\live
rtumor2.jpg');
%----------------------------prepropcesamiento---------------------------
I=rgb2gray(I1);
[n,m]=size(I);
n=round(n*0.9);
m=round(m*0.9);
A=imcrop(I,[0 0 m n]);
I=histeq(A,256);
I2=medfilt2(I,[3 3]);
img01=graythresh(I2);
BW = im2bw(I2, img01);
%------------operaciones morfologicas segmentar hígado-------------------
B1=strel('disk',5);
img03=imdilate(BW,B1);
B1=strel('disk',32);
img03=imerode(img03,B1);
B1=strel('disk',15);
img03=imerode(img03,B1);
B1=strel('disk',45);
img03=imdilate(img03,B1);
IM = imreconstruct(BW,img03);
%-------------------------segmentación del tumor-------------------------
img3= immultiply(A,IM);
img666=img3;
for i=1:n
for j=1:m
if img3(i,j)==0
img3(i,j)=255;
end
end
end
%--------------------umbralización del tumor----------------------------
img011=graythresh(img3);
BW = im2bw(img3,img011-0.18);
%--------------operaciones morfologicas para segmentar tumor------------
B1=strel('disk',4);
img03=imclose(BW,B1);
B1=strel('disk',8);
img03=imopen(img03,B1);
B1=strel('disk',35);
img03=imclose(img03,B1);
IM = imreconstruct(BW,img03);
img0003=imcomplement(IM);
img0003=immultiply(A,img0003);
for i=1:n
for j=1:m
if img0003(i,j)==0
img0003(i,j)=255;
end
end
end
B = imgaussfilt(img0003)
figure, subplot(2,2,2),imshow(A);title('original');
subplot(2,2,3),imshow(img666);title('segmentación del hígado');
subplot(2,2,4),imshow(B);title('segmentación del tumor');
subplot(2,2,1),imshow(I1); title('original');