Automatic segmentation of pulmonary arterial tree in computer tomography images: Segmentación automática del árbol arterial pulmonar en imágenes TAC

Automatic Segmentation of Pulmonary Arterial Tree in Computer Tomography Images FA. Gutiérreza, DC. Ortegaa, M. Orkiszc, LF. Urizab, M. Hernández Hoyosa a

b

Grupo Imagine, Grupo de Ingeniería Biomédica, Universidad de los Andes, Bogotá, Colombia Departamento de Radiología e Imágenes Diagnósticas, Hospital Universitario de San Ignacio, Bogotá, Colombia c Université de Lyon, Université Lyon 1, INSA-Lyon, CNRS UMR5220, INSERM U630, F-69621 Villeurbanne, France

Abstract—Arterial tree segmentation is a major step for pulmonary embolism analysis and detection. The present document proposes a technique applied to CT images already diagnosed as embolism positive. In order to perform the segmentation of the arterial tree, the lung’s region is transformed into a mask, so that the processed volume gets reduced. Then, through thresholding, region growing, and morphological operations the arterial tree is segmented in 3D. The proposed technique was evaluated by means of arterial counting in each segmented slice as well as in the original ones. That technique got a 93.72% of arterial matching on six datasets of CT images. Index Terms—]: Image Processing and Computer Vision, medical imaging, Pulmonary vessel extraction, X-ray angiography, Pulmonary Embolism (PE)

I.

INTRODUCCION

L

as tomografías axiales computarizadas (TAC) suelen ser

la herramienta más usada para realizar diagnóstico asistido por computador [1,2] de enfermedades pulmonares, debido a que esta es una técnica no invasiva, que permite analizar el interior del cuerpo, en particular, de la caja torácica, detectar y realizar seguimiento a diversos tipos de enfermedades con gran precisión en un estudio sin medio de contraste [15]. Otras modalidades de diagnostico difícilmente son capaces de discernir la anatomía del tórax. La utilización del medio de contraste permite evaluar adicionalmente y con gran precisión la permeabilidad del árbol vascular. Sin embargo, el desempeño diagnóstico depende de la experiencia del observador y no siempre se dan las condiciones ideales de observación. En los servicios de emergencias de todo el mundo y especialmente en las jornadas nocturnas hay personal en entrenamiento que debe tomar las decisiones. Es en esa situación en la que es muy importante una herramienta que ayude al médico a identificar posibles anormalidades. Una de estas patologías pulmonares denominada tromboembolismo pulmonar (TP) causa más de 60.000 casos anuales en España [3] y un número similar en Estados Unidos [2]. Sin un tratamiento adecuado, la mortalidad es de 4 a 6 veces mayor que sí es detectada y tratada a tiempo, y supone un importante problema de salud por su alta morbimortalidad.

En medicina, “El tromboembolismo pulmonar (TEP) es una entidad clínico-patológica que se desencadena como consecuencia de la obstrucción arterial pulmonar por causa de un trombo desarrollado in situ o de otro material procedente del sistema venoso del resto del organismo” [4]. La labor típica del médico consiste en una revisión de las imágenes obtenidas mediante un TAC, en búsqueda de obstrucciones del árbol arterial pulmonar (AAP) resaltado mediante líquido de contraste para así diagnosticar el TP. En este documento se considera el problema de segmentar el AAP sobre pacientes a los que se les ha aplicado líquido de contraste. El documento está organizado de la siguiente manera: en la sección II se muestra el estado del arte. En la sección III se detalla el método utilizado para segmentar el AAP. Posteriormente, en la sección IV se explican los resultados obtenidos y por último, las conclusiones se discuten en la sección V. II. ESTADO DEL ARTE En esta sección se hace una breve recapitulación de los métodos más comunes utilizados actualmente para la segmentación del AAP y detección de TP. Se los compara basado sobre la aproximación dominante, sin poder comparar sus desempeños. La necesidad de comparación objetiva de varios métodos dió nacimiento a iniciativas de bases de imágenes y mecanismos de evaluación (criterios estándar, datos de referencia) públicamente accesibles. Su lista [21] incluye unas iniciativas relacionadas a los pulmones y/o arterias: LOLA11 (segmentación de pulmones), EMPIRE10 (registro de imágenes pulmonares), EXACT09 (segmentación del árbol aéreo), ANODE09 (detección de nódulos), CAT08 y CLS09 (segmentación de arterias coronarias y carótidas respectivamente). Sin embargo, no se encontró ninguna iniciativa relacionada con la segmentación del AAP y en consecuencia ningún criterio de comparación comúnmente aceptado. Es por esto que cada publicación utiliza sus propios grupos de imágenes y verifica sus resultados independientemente de los demás. Anteriormente se han realizado estudios para la clasificación e identificación de los árboles vasculares haciendo uso de diferentes técnicas [5,20]. Sin embargo, estos no son suficientes para la segmentación del AAP debido a que la 978-1-4577-0286-0/11 / $ 26.00 © 2011 IEEE

morfología de estas arterias es diferente; mucho más ramificadas y su diámetro disminuye a medida que se avanza por las ramas [6]. Es por esto que se han realizado investigaciones adicionales para la segmentación de los elementos de los árboles aéreos, arteriales y venosos del pulmón [7]. En el presente documento se clasifican los métodos para la segmentación del AAP en tres categorías: técnicas basadas en crecimiento de regiones, los cuales requieren de una semilla para identificar todos los puntos pertenecientes al árbol, técnicas basadas en umbralización y técnicas basadas en morfología matemática. A. Técnicas basadas en crecimiento de regiones Estas técnicas se basan en la selección de puntos semillas para identificar las arterias contrastadas. Métodos como el de Kiraly [1], requieren de un punto semilla como entrada, que puede ser proporcionado por el usuario o provenir de otro algoritmo. Sin embargo, presenta algunas dificultades en las terminaciones de las arterias, ya que puede llevar a fusionar ramas que no están unidas o mostrar arterias que realmente no están allí. Otros métodos, como Shikata [9], aplican inicialmente matrices hessianas basadas en un modelo de formas cilíndricas para ubicar los puntos correspondientes a las arterias e iniciarlos como semilla, lo cual garantiza mayor precisión en el árbol segmentado. Métodos más complejos, como el de Masutani [10] realizan primero segmentación de la región de los pulmones a través de umbralización para lograr focalizar el área de búsqueda del tronco arterial. Este enfoque es muy común en investigaciones más recientes [8], lo cual implica una mejora en el rendimiento de los algoritmos al acotar el área de búsqueda. Entre las conclusiones obtenidas por Masutani, se espera mejorar aún más el desempeño al acotar el área de búsqueda teniendo en cuenta características anatómicas. B. Técnicas basadas en umbralización Estas técnicas buscan, a través de diferentes métodos, encontrar un umbral óptimo para lograr diferenciar las arterias de los demás tejidos. Se basan en el hecho que las arterias tienen niveles de gris más altos debido a que al paciente se le ha aplicado con anterioridad un líquido de contraste. Entre las principales técnicas desarrolladas, se encuentra la de Tseng [11], la cual, umbraliza la imagen en 3D para obtener una imagen binaria, donde se resalta el área de los pulmones y la cual sirve de máscara para realizar la segmentación. Este método sólo realiza segmentación de pulmones, pero es importante como punto de partida para acotar el área de búsqueda de las arterias. Korfiatis [12], en su investigación, propone un método basado en umbralización para la detección del árbol arterial y como la mayoría de técnicas de este tipo, tiene el problema de omitir o incluir más conexiones dependiendo del umbral escogido para cada uno. Este problema lo intenta resolver Bouma [13], en dos pasos. En el primero se utiliza un umbral

para segmentar las arterias pulmonares más grandes, y luego se escoge otro umbral menor para segmentar las arterias más pequeñas que tienen una intensidad diferente. Posteriormente, se hacen operaciones morfológicas para optimización del árbol obtenido. Finalmente realiza un algoritmo de seguimiento o Tracking para conectar las posibles desconexiones. Otros métodos usan un tipo diferente de umbralización como k-means [14], mientras que otros la utilizan como herramienta inicial para eliminar estructuras pequeñas. Luego se valen de otras como crecimiento de regiones o esqueletización [1,9] para minimizar los errores de falsas conexiones o desconexiones propias de la técnica. Por otro lado, Zhou [17] re-éscala la imagen de 0 a 212-1, umbraliza para segmentar el área de los pulmones y reducir el espacio de búsqueda y después utiliza matrices hessianas en la imagen 3D para resaltar todas las estructuras vasculares. De esta forma se desarrolla una función de respuesta multiescala para resaltar las estructuras vasculares, incluyendo las bifurcaciones y así, se eliminan elementos generadores de falsos positivos. C. Técnicas basadas en morfología matemática Estas técnicas utilizan operaciones de apertura, cierre, erosión, dilatación y esqueletización para realizar la segmentación del AAP. La mayoría de los métodos que se pueden clasificar en esta categoría, realizan una segmentación preliminar del área de los pulmones para eliminar aquellas partes que no pertenecen al AAP y que necesariamente se encuentran allí. Otras técnicas como la planteada por Pichon [2], emplean esferas euclidianas para realizar erosión y dilatación al realizar la segmentación. Generalmente, las técnicas de morfología matemática son utilizadas para eliminar defectos pequeños y huecos como complemento al uso de otras técnicas para la segmentación. Tal es el caso de Masutani [10,16] que implementa técnicas de morfología matemática como adición al crecimiento de regiones. En general las técnicas utilizadas para la segmentación del AAP y detección de enfermedades pulmonares como TP, han evolucionado para ser más rápidas y precisas. El propósito de este estudio es la implementación de algunas de las técnicas documentadas con el fin de segmentar el árbol arterial pulmonar y ayudar así a la detección de TP con mínima intervención del usuario. A pesar de todas las técnicas documentadas, no se evidenció un conjunto de resultados concretos semejantes que permitieran medir la eficacia de dichos métodos comparados entre ellos. Esta situación se presenta principalmente por no utilizar un conjunto de imágenes base por ejemplo como el que se define en LIDC. III. MÉTODO En esta sección se detalla el método propuesto para segmentar el AAP mediante 2 etapas. En la primera se identifican las arterias dentro del área de los pulmones y en la segunda se realiza la segmentación del mediastino.

Finalmente, ambos resultados se unen en una operación aritmética, para formar una representación completa del AAP. A. Segmentación de las arterias pulmonares Con el fin de efectuar la segmentación de las arterias, se debe identificar primero el área de los pulmones y limitar el espacio de búsqueda de la imagen original. El histograma de dicha imagen entendido como una relación de cantidad de píxeles contra tonos de gris se observa en (Fig. 1a). Para realizar la simplificación de la búsqueda, se ejecuta primero una umbralización sobre cada corte [11] con valor de -500 Hounsfield Units (HU) (Fig. 1b), lo cual permite aislar el cuerpo del área circundante [13]. Cabe recordar que, al trabajar con imágenes de TAC los valores de las intensidades están representados en unidades HU, las cuales, asignan un valor a las diferentes densidades detectadas por el dispositivo de captura; de esta forma, al agua, se le asigna un nivel de intensidad 0, al aire un nivel de intensidad -1000, y a los tejidos, diferentes valores positivos [19]. Para que las imágenes resultantes sean útiles como máscara de segmentación, es necesario binarizarlas y eliminar los elementos innecesarios, tales como la base sobre la que yacía el paciente y el espacio que ocupan las arterias. Con este objetivo, se invierte la imagen (Fig. 1c). Es importante anotar que ésta máscara se obtiene usando los cortes en 2D, debido a que el área de interés se hace mayor a medida que se avanza por los pulmones desde la parte superior del pecho hasta el diafragma. Dicha máscara es posteriormente utilizada para la segmentación del mediastino, basándose en su ubicación espacial según se detalla más adelante. Sobre la imagen resultante, se ubica un píxel que pertenece al fondo, el cual corresponde al primer píxel de intensidad máxima. A partir de éste, se realiza un crecimiento de regiones para segmentar el cuerpo, agrupando todos los píxeles del fondo sobre la imagen previamente umbralizada. Esto es, a partir de un punto del fondo se agrupan todos los píxeles con valor mayor a cero (Fig. 1d). Para rellenar los espacios obtenidos (Fig. 1d) se utilizan operaciones morfológicas de cierre y llenado de huecos [10], lo cual, permite eliminar el espacio de las arterias más grandes [13] (Fig. 1e). Particularmente, el espacio de la mesa es eliminado mediante una operación de cierre, en la cual se usa un elemento estructurante de forma circular sobre todos los elementos de la imagen (Ecu. 1).

V ' ( x, y ) = V ( x, y ) • B

(1)

Donde V(x,y) es la imagen binaria resultante de la umbralización, B es el elemento estructurante circular de radio 7 mm, mientras que V’(x,y) representa la imagen final. Esta operación también inicia la eliminación de algunas de las estructuras vasculares dentro del área de los pulmones. Una vez segmentada la máscara de los pulmones (Fig. 1e), esta se procesa mediante un operador lógico AND con la imagen original para obtener las arterias del área de los pulmones con las tonalidades originales.

Finalmente, el AAP es segmentado a través de una umbralización que elimina el aire dentro de los pulmones y el tejido no arterial con un valor mayor que cero (Fig. 1a,g).

(a)

(b)

(c)

(d)

(e)

(g) (f) Fig. 1. Pasos para la segmentación de las arterias del área de los pulmones. (a) Histograma de un corte. (b) Umbralización. (c) Imagen invertida. (d) Pulmones con huecos. (e) Resultado de la segmentación final del área de los pulmones. (f) Representación volumétrica del área de los pulmones. (g) Arterias dentro del área de los pulmones con los tonos de gris originales.

B. Segmentación del mediastino Posterior a la segmentación de las arterias pulmonares se debe identificar el tronco arterial, el cual se encuentra en el área en medio de los pulmones. Este no fue segmentado en el paso anterior por encontrarse por fuera de la máscara generada. La segmentación del tronco arterial es un paso muy importante, debido a que también es una región donde se pueden presentar trombos [3]. De manera similar al enfoque utilizado por Chen [18], se asume que cada uno de los cortes son contiguos con respecto a la anatomía del paciente. Por lo tanto, los puntos más

probables para encontrar arterias en un corte son los píxeles en posiciones similares en un corte anterior. Entonces, estos son usados como semillas para crecimiento de regiones en el siguiente corte de la serie. La segmentación del mediastino inicia con la máscara del primer corte de los pulmones encontrada en el paso anterior. A partir de ésta, se calcula el cuadro delimitador que encierra los pulmones. Luego, se analizan los píxeles en la mitad superior del área en medio de los pulmones, con el fin de diferenciar las arterias contrastadas del hueso de la columna vertebral. Con los píxeles identificados, se procede a realizar un crecimiento de regiones para cubrir el área de las arterias presente en el tronco arterial (Fig. 2). Es decir, para la máscara, únicamente los píxeles semilla del primer corte son determinados por sus propias características, mientras que los demás se basan en las semillas anteriores (Ecu. 2)

⎧S n ⎪ M ( x, y ) = ⎨S 0 ⎪⎩

(2)

(x n -1 , y n -1 ) (x 0 , y 0 )

(b) (a) Fig. 3. Representación del volumen obtenido. (a) Máscara binaria del árbol arterial. (b) visualización con transparencias y con un área potencial de TP.

Donde M es la máscara y Sn son los diferentes cortes que componen la imágen, Los píxeles semilla del primer corte están representados por (X0,Y0) y en los demás cortes se denotan por (Xn-1, Yn-1). A partir de esto, se obtiene una máscara de las arterias del mediastino que permite adquirir las tonalidades originales mediante una operación lógica AND con la imagen original. Finalmente, los resultados de la segmentación de las arterias dentro del área de los pulmones y la del tronco arterial se unen para formar una representación volumétrica del AAP (Fig. 3).

(a)

muestran como aglomeraciones de píxeles en color dentro del AAP. Es decir, a la fecha solo es posible la identificación de los trombos mediante una inspección visual del árbol segmentado. Así mismo, es importante tener en cuenta que los bordes de las arterias segmentadas presentan intensidades más oscuras que los que se encuentran más cerca del centro de la misma [16] y por lo tanto esta situación se ve reflejada en el volumen final.

(b)

(c) Fig. 2. Segmentación del mediastino. (a) Imagen original (b) Máscara del tronco arterial. (c) Tronco arterial con los tonos de grises originales.

C. Visualización volumétrica del AAP Una vez segmentado el AAP se realiza una visualización volumétrica, la cual, a partir de los tonos de gris originales asigna transparencias y colores a la superficie obtenida. Dicha representación permite identificar las regiones con obstrucciones dentro del árbol, debido a que los trombos se

IV. RESULTADOS El método propuesto se ejecuta en promedio en 0.5 s por corte realizando tanto la identificación de las arterias del área de los pulmones tanto como del tronco arterial. Las pruebas se realizaron en un equipo con un procesador Inter Core2 Duo CPU T6500 a 2.1GHz. Se trabajó con imágenes de seis casos reales de antiguos pacientes del hospital San Ignacio de Bogotá, Colombia, a los cuales ya se les había diagnosticado TP positivo con anterioridad. Estas TAC fueron seleccionadas por tener buen contraste y poco ruido. Además, las imágenes TAC fueron proporcionadas en formato DICOM de 512 por 512 píxeles con un promedio de 700 cortes y un tamaño de vóxel de 0.812x0.812x0.812 milímetros respectivamente. La validación del método se realizó de forma manual. Se tomaron las imágenes originales, y se detectó, para cada corte la cantidad de arterias existentes. Luego, se ejecutó este procedimiento con las imágenes segmentadas, de forma tal que se pudiera comparar cuáles y cuántas arterias se detectaron correctamente con la técnica propuesta. En los experimentos se logró identificar las arterias dentro del área de los pulmones de todos los pacientes, no obstante, en todos se encontraron pequeñas desconexiones especialmente en las ramificaciones más pequeñas (Fig. 4). Una vez realizado el conteo de arterias, este valor fue comparado con el resultado de la aplicación del método y se encontró que ambas coincidían un 93.72% de las veces. Igualmente, en todos los experimentos se logró identificar el tronco arterial, pero, con resultados diferentes dependiendo del corte inicial seleccionado para iniciar la segmentación. De manera general, el método encontró el tronco arterial un 92.6% de las veces y pudo eliminar el hueso circundante el 94.84% (Fig. 5).

(a)

AGRADECIMIENTOS Los autores agradecen enormemente al programa ECOSNord C11S01 de Colciencias por la financiación parcial del proyecto. REFERENCIAS

(b) Fig. 4. Arterias dentro del área de los pulmones mostrando desconexiones

Fig. 5. Comparación entre la cantidad de aciertos en la segmentación del tronco arterial y la cantidad de aciertos al eliminar el hueso.

V. DISCUSIÓN Y CONCLUSIONES En este documento, se propuso un método inicial para la segmentación de arterias pulmonares a partir de imágenes TAC basado en umbrales y crecimiento de regiones. Este método propone segmentar de manera independiente las arterias del área de los pulmones y el tronco arterial. Además, el mecanismo de visualización seleccionado permite identificar las áreas que probablemente cuentan con tromboembolias. Los experimentos realizados permitieron validar la factibilidad del método, al segmentar el árbol arterial en todos los casos analizados. Sin embargo, se requieren estudios adicionales sobre imágenes de TAC con mayor nivel de ruido para ser utilizado como herramienta para análisis del tórax, conveniente para médicos con poca experiencia. Adicionalmente, estos estudios deben realizarse sobre una base de datos más extensa y estandarizada, como lo es LIDC [22]. Aunque se obtuvieron resultados útiles para ayudar a diagnosticar el TP, se encontraron igualmente diversas complicaciones cuando las arterias se ubican muy cerca de las vértebras. También, se han identificado algunos inconvenientes cuando el trombo es muy oscuro y es incluido erróneamente en la máscara en vez de en el AAP. Igualmente, se generan algunas desconexiones en las terminaciones de las arterias del área de los pulmones, pero se espera corregir estos problemas en trabajos futuros.

[1] A. P. Kiraly, E. Pichon, D. P. Naidich, C. L. Novak, “Analysis of arterial subtrees affected by Pulmonary Emboli”, Georgia Institute of Technology, New York University Medical Center, SPIE Medical Imaging 2004, San Diego, California, USA. [2] E. Pichon, C. L. Novak, A. P. Kiraly, David P. Naidich, “A novel method for pulmonary emboli visualization from high-resolution CT images”, Georgia Tech and Emory University, SPIE Medical Imaging 2004, San Diego, California, USA. [3] J. Romero, “Tromboembolismo Pulmonar”. Ponencias, Centro de estudios jurídicos, ministerio de justicia, Gobierno de España. Anatomía Patológica macroscopica del tórax, 2004, Madrid, España. [4] D. Jiménez, G. Díaz, J. Izquierdo, ”Enfermedad Tromboembólica Venosa. Concepto y epidemiología”,Monografias de la Sociedad Madrileña de Neumología y Cirugía Torácica (NEUMOMADRID), vol. 4 Trombo embolismo Pulmonar, pp. 9-20, 2002. [5] C. Kirbas, F. Quek, “A Review of Vessel Extraction Techniques and Algorithms”, ACM Computing Surveys, Vol. 36, No. 2, pp. 81–121, June 2004. [6] C. Wua, G. Agama, A. S. Royb, S. G. Armato, “Regulated morphology approach to fuzzy shape analysis with application to blood vessel extraction in thoracic CT scans”, Illinois Institute of Technology, University of Chicago, SPIE Medical Imaging 2004, San Diego, California, USA. [7] I. Sluimer, A. Schilham, M. Prokop, B. Ginneken. “Computer Analysis of Computed Tomography Scans of the Lung: A Survey”. IEEE Trans. Med. Imag., vol. 25, no. 4, pp. 385-405, April 2006. [8] J. N. Kaftanab, A. P. Kiralyc, A. Bakaib, M. Dasd, C. L. Novakc, T. Aacha, “Fuzzy Pulmonary Vessel Segmentation in Contrast Enhanced CT Data”. Institute of Imaging and Computer Vision RWTH Aachen University, 52056 Aachen, Germany, Biomedical Imaging: From Nano to Macro. 5th IEEE International Symposium 2008, Paris, France. [9] H. Shikata, G. McLennan, E. A. Hoffman, Milan Sonka, “Segmentation of pulmonary vascular trees from thoracic 3D CT images”, The University of Iowa, International Journal of Biomedical Imaging. Research article, July 2009, USA. [10] Y. Masutani, H. MacMahon, K. Doi, “Computer-assisted detection of pulmonary embolism”, University of Chicago, SPIE Medical Imaging 2000, San Diego, California, USA. [11] L. Tseng, L. Huang, “An Adaptive Thresholding Method for Automatic Lung Segmentation in CT Images”, IEEE AFRICON 2009, September 2009. [12] P. Korfiatis, A. Karahaliou, L. Costaridou, “Automated Vessel tree segmentation challenges in computer aided quantification of diffuse parenchyma lung diseases”, 9th International Conference on Information Technology and Applications in Biomedicine, ITAB 2009, Larnaca, Cyprus, 5-7 November 2009. [13] H. Bouma, J. J. Sonnemans, A. Vilanova, F. A. Gerritsen, “Automatic Detection of Pulmonary Embolism in CTA Images”, IEEE Trans. Med. Imag., vol. 28, no. 8, pp. 1223-1230, Aug. 2009. [14] P. K. Singh, “Unsupervised Segmentation of Medical Images using DCT Coefficients”, ACM International Conference Proceeding Series; Vol. 100, 14-17 March 2004, Nicosia, Cyprus. [15] R. García, M. C. Esojo, “Tromboembolismo pulmonar: Valoración en urgencias diagnóstico y tratamiento". Hospital Universitario Virgen de la Victoria, Servicio de Neumología, Manual de urgencias y emergencias, 2002, Málaga, España. [16] Y. Masutani, H. MacMahon, K. Doi, “Computerized Detection of Pulmonary Embolism in Spiral CT Angiography Based on Volumetric Image Analysis”, IEEE Trans Med Imaging, December 2002. [17] C. Zhou, H. Chan, B. Sahiner, L. M. Hadjiiski, A. Chughtai, S. Patel, J. Wei, J. Ge, P. N. Cascade, E. A. Kazerooni, “Automatic multiscale enhancement and segmentation of pulmonary vessels in CT pulmonary angiography images for CAD applications”, Med Phys. 2007;34(12):4567–77.

[18] Yufei Chen et al, “Liver Segmentation from CT Images Based on Region Growing Method”, Bioinformatics and Biomedical Engineering 2009. ICBBE 2009, June 2009, Beijing, China. [19] Guang-Zhong Yang, D. Firmin, “The Birth of the First CT Scanner”, Engineering and Medicine Biology Magazine, IEEE, vol. 19, Issue 1, pp 120. January 2000. [20] D. Lesage et al, “A review of 3D vessel lumen segmentation techniques: Models, features and extraction schemes”, Medical Image Analysis, vol. 13, Issue 6, pp. 819-845. December 2009. [21] Grand Challenges in Medical Image Analysis. Available from: . [22] Armato SG III, McLennan G, McNitt-Grey MF, Meyer CR, Yankelevitz D, Aberle DR, et al, “Lung image database consortium: developing a resource for the medical imaging research community”, Radiology 2004;232:739–48.