UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO ANÁLISIS DE MÉTRICAS DE CALIDAD DE IMAGEN EN EQUIPOS DE RADIOLOGÍA DIGITAL DENTRO DE UN PROGRAMA DE CONTROL DE CALIDAD REMOTO Y AUTOMATIZADA. Tesis sometida a la consideración de la Comisión del Programa de Estudios de Posgrado de Física para optar al grado y título de Maestría Académica en Física Médica YERRY SOTO CHINCHILLA Ciudad Universitaria Rodrigo Facio, Costa Rica 2024 Dedicatoria Deseo agradecer profundamente: A mis padres por su incondicional apoyo y por haber contribuido de manera funda- mental en la contrucción de la persona que soy en la actualidad. Muchos de mis logros se los debo, incluyendo el que representa la presente tesis. A mis amigos por su constante estímulo instándome a avanzar y completar esta tesis con determinación. Y a la Universidad de Costa Rica, docentes y directivos, con cuya guía y conoci- miento he sido privilegiado de contar. II Índice general Dedicatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . II Hoja de aprobación . . . . . . . . . . . . . . . . . . . . . . . . . . . III Contenidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VIII Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IX Lista de tablas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . X Lista de figuras. . . . . . . . . . . . . . . . . . . . . . . . . . . . . XII Lista de acrónimos y siglas . . . . . . . . . . . . . . . . . . . . . . . . XVIII Lista de símbolos . . . . . . . . . . . . . . . . . . . . . . . . . . . . XIX 1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.1 Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2 Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.1 Historia de la radiología digital . . . . . . . . . . . . . . . . . . . . . . . . 5 2.1.1 Control de Calidad en imágenes médicas . . . . . . . . . . . . . . 5 2.1.2 Control de calidad remoto y automatizado en imágenes médicas 6 3 Marco teórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3.1 Control de calidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3.1.1 Definición de control de calidad . . . . . . . . . . . . . . . . . . . 7 3.1.2 Protocolos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3.1.3 Control de calidad remoto y automatizado . . . . . . . . . . . . . 8 IV 3.2 Equipos e imágenes digitales . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.2.1 Elementos básicos de una imagen digital . . . . . . . . . . . . . . 8 3.2.2 Calidad de las imágenes radiológicas . . . . . . . . . . . . . . . . 10 3.2.3 Radiografía computarizada . . . . . . . . . . . . . . . . . . . . . . 12 3.2.4 Radiografía digital . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 3.3 Calidad de radiación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3.4 Métricas de calidad de imagen . . . . . . . . . . . . . . . . . . . . . . . . 16 3.4.1 Relación Señal Ruido (SNR) . . . . . . . . . . . . . . . . . . . . . . 16 3.4.2 Relación Diferencia de Señal Ruido (SDNR) . . . . . . . . . . . . 17 3.4.3 Función de Transferencia Modulada (MTF) . . . . . . . . . . . . . 18 3.4.4 Índice de sensibilidad (d′) . . . . . . . . . . . . . . . . . . . . . . . 20 3.5 Programación Web . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.5.1 World Wide Web (WWW) . . . . . . . . . . . . . . . . . . . . . . . 24 3.5.2 Lenguaje de Marcado de Hipertexto (HTML) . . . . . . . . . . . . 24 3.5.3 Clasificación de programación en Internet . . . . . . . . . . . . . 25 3.5.4 Servidor HTTP Apache . . . . . . . . . . . . . . . . . . . . . . . . 26 3.5.5 PHP Hypertext Pre-processor (PHP) . . . . . . . . . . . . . . . . . 26 3.5.6 Hojas de estilo en cascada (CSS) . . . . . . . . . . . . . . . . . . . 26 3.5.7 Gestor de bases de datos MySQL . . . . . . . . . . . . . . . . . . . 26 4 Metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 4.1 Maniquí y software OIEA-ATIA para la obtención de las métricas de calidad de imagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 4.2 Desarrollo del sitio web . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 4.2.1 Creación de la base de datos . . . . . . . . . . . . . . . . . . . . . 33 4.2.2 Diseño del sitio web . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4.2.3 Creación de gráficos de control . . . . . . . . . . . . . . . . . . . . 35 4.3 Colección de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 5 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 5.1 Obtención de los mapas de varianza mediante el software ATIA . . . . . 40 V 5.2 Creación del sitio web para el control de calidad de manera remota y automatizada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.2.1 Funciones del sitio web . . . . . . . . . . . . . . . . . . . . . . . . 47 5.2.2 Gráficos de control . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.3 Validación del sitio web . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 6 Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 6.1 Mapas de varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 6.1.1 Análisis estadístico integral de los mapas de varianza en mamo- grafía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 6.1.2 Mapas de varianza en RX . . . . . . . . . . . . . . . . . . . . . . . 72 6.1.3 Vídeos de mapas de varianza . . . . . . . . . . . . . . . . . . . . . 73 6.1.4 Consideraciones generales . . . . . . . . . . . . . . . . . . . . . . . 73 6.2 Sitio web . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 6.3 Gráficos de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 6.3.1 Análisis de las métricas de calidad en tiempo real: visión del físi- co médico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 6.3.2 Análisis estadístico integral de los gráficos de control: mamografía 78 6.3.3 Análisis estadístico integral de los gráficos de control: RX . . . . 87 6.3.4 Consideraciones generales para mamografía y RX . . . . . . . . . 98 7 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 8 Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 103 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 Apéndices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 A Anexo A: Código utilizado . . . . . . . . . . . . . . . . . . . . . . . 113 A.1 Código para la creación de tablas en MySQL . . . . . . . . . . . . . . . . 113 A.2 Código para la lectura del una hoja de cálculo de Microsoft Excel en HTML114 A.3 Código para extracción de colores . . . . . . . . . . . . . . . . . . . . . . 115 VI B Anexo B: Evaluación gráfica de distribuciones . . . . . . . . . . . . . . . . 117 B.1 Distribuciones para mamografía antes del cambio de detector . . . . . . 117 B.2 Distribuciones para mamografía después del cambio de detector . . . . 123 B.3 Distribuciones para RX antes del cambio del tubo de RX . . . . . . . . . 128 B.4 Distribuciones para RX después del cambio del tubo de RX . . . . . . . . 133 VII Resumen Se realizó un estudio cuyo propósito fue investigar la correlación entre métricas de calidad de imagen para equipos digitales de mamografía y radiología, para ello se creó una página web que almacenara las métricas y mostrara los cambios en el tiem- po mediante gráficos de control, asimismo, se utilizaron rangos intercuartílicos para determinar si hubo valores que salieron de una banda de dos desviaciones estándar alrededor de la media en una distribución normal. Las métricas de calidad de imagen se extrajeron de un total de 163 imágenes para radiología convencional desde el 6 de junio de 2017 hasta el 25 de marzo de 2021 abarcando un antes y después de cambiar el tubo de rayos X y 144 de mamografía desde el 5 de junio de 2017 hasta el 26 de junio de 2020 abarcando un cambio de detector en el mamógrafo. También se obtuvo de dichas imágenes sus mapas de varianza. Los resultados muestran que las métricas que arrojan diferencias significativas para el caso de radiología convencional fueron la Relación Se- ñal Ruido (SNR) e índice de sensibilidad (d’) y para mamografía se evidencian dichas diferencias en las métricas Relación Diferencia de Señal Ruido (SDNR), Relación Señal Ruido e Índice de Sensibilidad (d’), además en virtud del análisis temporal de los ma- pas de varianza se comprobó que en mamografía existía fatiga del equipo que pueden provocar la existencia de artefactos que se manifiesten en el futuro que podrían llegar a ser significativos en imágenes médicas cuando se requiera la búsqueda de pequeños objetos. Palabras clave: control de calidad, métricas de calidad de imagen, SNR, SDNR, MTF, índice de sensibilildad, mamografía digital, radiología, imagen médica digital, php, gráficos de control. VIII Abstract The study was aimed to investigate the correlation between image quality metrics for digital mammography and radiology equipment, for this, a web page was crea- ted that would store the metrics and show the changes over the time using control charts.In addition, interquartile ranges were used to determine if there were values that fell outside a band of two standard deviations around the mean in a normal dis- tribution. The image quality metrics were extracted from a total of 163 conventional radiology images from June 6th, 2017 to March 25th, 2021, covering a period before and after changing the X-ray tube, and 144 mammography images from June 5th, 2017 to June 26th, 2020, covering a detector change in the mammography machine. Their va- riance maps were also obtained from these images. The results indicate that there are metrics that show significant differences for the case of conventional radiology were Signal to Noise Ratio (SNR) and sensitivity index (d’), for mammography these dif- ferences are evidenced in the metrics Signal Difference to Noise Ratio (SDNR), Signal to Noise Ratio and sensitivity index (d’), furthermore, based on the temporal analysis of variance maps, it was verified that in mammography, there was equipment fatigue that could lead to the presence of artifacts in the future. These artifacts might become significant in medical images when the search for small objects is necessary. Keywords: quality control, image quality metrics, SNR, SDNR, MTF, sensivity index,digital mammography , radiology, digital medical imaging, php, control charts. IX Índice de cuadros 3.1 Valores de calidad de radiación para distintas magnitudes de potencial eléctrico y espesores de aluminio para radiología. . . . . . . . . . . . . . 16 3.2 Valores de calidad de radiación para distintos valores de potencial eléc- trico y espesores de aluminio y molibdeno para mamografía. . . . . . . . 16 4.1 Coordenadas en píxeles para cada región en los mapas de variación para RX y mamografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 5.1 Enlaces a los videos de mapas de variación para mamografía antes y des- pués del cambio del detector y radiografía convencional antes y después del cambio del tubo de RX. . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 6.1 Prueba t para pendientes para mamografía antes del cambio de detector. 63 6.2 Prueba t para pendientes para mamografía después del cambio de detector. 64 6.3 Prueba de Durbin-Watson para mamografía antes del cambio de detector 64 6.4 Prueba de Durbin-Watson para mamografía después del cambio de de- tector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 6.5 Prueba de Breusch-Pagan para mamografía antes del cambio de detector. 65 6.6 Prueba de Breusch-Pagan para mamografía después del cambio de de- tector. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 6.7 Prueba de Anderson-Darlin para mamografía antes del cambio de detector. 65 6.8 Prueba de Anderson-Darlin para mamografía después del cambio de detector. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 6.9 Pendiente, intervalo de confianza y coeficiente de determinación para píxeles verdes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 6.10 Pendiente, intervalo de confianza y coeficiente de determinación para píxeles amarillos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 6.11 Pendiente, intervalo de confianza y coeficiente de determinación para píxeles rojos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 X 6.12 Prueba de Dickey-Fuller para mamografía después del cambio de detector 70 6.13 Prueba de Anderson-Darlin para métricas de mamografía antes del cam- bio de detector. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 6.14 Prueba de Anderson-Darlin para métricas de mamografía después del cambio de detector. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 6.15 Prueba de Mann-Whitney entre métricas de mamografía antes y después del cambio de detector. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 6.16 Prueba de Anderson-Darlin para métricas de RX antes del cambio del tubo de RX. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 6.17 Prueba de Anderson-Darlin para métricas de RX después del cambio del tubo de RX. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 6.18 Prueba de Mann-Whitney para métricas de RX antes y después del cam- bio del tubo de RX. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 6.19 Comparación de la variación porcentual de medianas y entre RX y ma- mografía antes y después del cambio de un componente en el equipo . . 99 6.20 Comparación de la variación porcentual de medianas entre RX y mam- mografía antes y después del cambio de un componente en el equipo . . 99 XI Índice de figuras 1.1 Primera imagen de RX. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 3.1 Comparación de resoluciones. . . . . . . . . . . . . . . . . . . . . . . . . . 9 3.2 Representación de un vóxel. . . . . . . . . . . . . . . . . . . . . . . . . . . 9 3.3 Diferencias entre contrastes. . . . . . . . . . . . . . . . . . . . . . . . . . . 10 3.4 Comparación de nitidez entre dos imágenes. . . . . . . . . . . . . . . . . 11 3.5 Comparación del ruido entre dos imágenes. . . . . . . . . . . . . . . . . . 12 3.6 Distorsión del tamaño de la imagen. . . . . . . . . . . . . . . . . . . . . . 13 3.7 Radiografía computarizada. . . . . . . . . . . . . . . . . . . . . . . . . . . 13 3.8 Radiografía digital directa e indirecta. . . . . . . . . . . . . . . . . . . . . 15 3.9 Relación Diferencia Señal Ruido . . . . . . . . . . . . . . . . . . . . . . . . 17 3.10 Modulación de un objeto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.11 MTF a partir de las modulaciones de objeto e imagen . . . . . . . . . . . 20 3.12 Pares de línea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 3.13 Índice de sensibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.14 Comparación de índices de sensibilidad . . . . . . . . . . . . . . . . . . . 22 3.15 Función de Transferencia Visual . . . . . . . . . . . . . . . . . . . . . . . . 23 3.16 Programación del lado del cliente y del servidor . . . . . . . . . . . . . . 25 4.1 Posicionamiento de los cuadrados de cobre y aluminio en maniquí para RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 4.2 Posicionamiento de los cuadrados de cobre y aluminio en el maniquí para mamografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 4.3 Software ATIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 4.4 Proceso de análisis de ATIA . . . . . . . . . . . . . . . . . . . . . . . . . . 31 4.5 Hoja de cálculo exportada por ATIA . . . . . . . . . . . . . . . . . . . . . 32 4.6 Mapa de varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 4.7 Ventana para la gama de colores utilizando ATIA . . . . . . . . . . . . . 33 4.8 Creación de tablas en la DB . . . . . . . . . . . . . . . . . . . . . . . . . . 34 XII 4.9 Contenido de tablas en la DB . . . . . . . . . . . . . . . . . . . . . . . . . 35 4.10 Gráfico de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.11 Regiones de análisis en mapas de variación para RX . . . . . . . . . . . . 38 4.12 Región de análisis en mapas de variación para mamografía . . . . . . . . 38 5.1 Conteo de píxeles verdes en orden cronológico para mamografía antes del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 5.2 Conteo de píxeles amarillos en orden cronológico para mamografía an- tes del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 5.3 Conteo de píxeles rojos en orden cronológico para mamografía antes del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.4 Conteo de píxeles verdes en orden cronológico para mamografía des- pués del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.5 Conteo de píxeles amarillos en orden cronológico para mamografía des- pués del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.6 Conteo de píxeles rojos en orden cronológico para mamografía después del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 5.7 Conteo de píxeles verdes en orden cronológico para RX después del cambio del tubo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.8 Conteo de píxeles amarillos en orden cronológico para RX después del cambio del tubo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.9 Conteo de píxeles rojos en orden cronológico para RX después del cam- bio del tubo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 5.10 Inicio de sesión del sitio web . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.11 Inicio de sesión del sitio web . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.12 Menú sesión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.13 Selección de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 5.14 Selección del archivo exportado por ATIA . . . . . . . . . . . . . . . . . . 50 5.15 Selección del tipo de gráfico en el sitio web . . . . . . . . . . . . . . . . . 50 5.16 Selección del tipo de gráfico en el sitio web . . . . . . . . . . . . . . . . . 51 5.17 Gráficos SDNR y SNR para RX mostrados por el sitio web . . . . . . . . 53 5.18 Gráficos MTF horizontal para RX mostrados por el sitio web . . . . . . . 54 XIII 5.19 Gráficos MTF horizontal para RX mostrados por el sitio web . . . . . . . 55 5.20 Gráficos d’ para RX mostrados por el sitio web . . . . . . . . . . . . . . . 56 5.21 Gráficos SDNR y SNR para mamografía mostrados por el sitio web . . . 57 5.22 Gráficos MTF horizontal para mamografía mostrados por el sitio web . . 58 5.23 Gráficos MTF horizontal para mamografía mostrados por el sitio web . . 59 5.24 Gráficos d’ para mamografía mostrados por el sitio web . . . . . . . . . . 60 5.25 Validación del gráfico SDNR para mamografía . . . . . . . . . . . . . . . 61 6.1 Modelo lineal para píxeles verdes previo al cambio de detector . . . . . . 67 6.2 Modelo lineal para píxeles amarillos previo al cambio de detector . . . . 67 6.3 Modelo lineal para píxeles rojos previo al cambio de detector . . . . . . . 68 6.4 Tendencia estacionaria para conteo de píxeles verdes posterior al cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 6.5 Tendencia estacionaria para conteo de píxeles amarillos posterior al cam- bio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 6.6 Tendencia estacionaria para conteo de píxeles rojos posterior al cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 6.7 Comparación de valor atípico en los gráficos de control de SDNR y d’ . 77 6.8 Valores de las observaciones de SNDR antes y después del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 6.9 Valores de las observaciones de SNR antes y después del cambio de de- tector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 6.10 Valores de frecuencia para los que el MTF horizontal cae al 50 % antes y después del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . 83 6.11 Valores de frecuencia para los que el MTF horizontal cae al 20 % antes y después del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . 84 6.12 Valores de frecuencia para los que el MTF horizontal cae al 10 % antes y después del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . 84 6.13 Valores de frecuencia para los que el MTF vertical cae al 50 % antes y después del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . 85 6.14 Valores de frecuencia para los que el MTF vertical cae al 20 % antes y después del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . 86 XIV 6.15 Valores de frecuencia para los que el MTF vertical cae al 10 % antes y después del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . 86 6.16 Valores de las observaciones para el índice de sensibilidad (diámetro 0,1 mm) antes y después del cambio de detector . . . . . . . . . . . . . . . . 87 6.17 Valores de las observaciones para el índice de sensibilidad (diámetro 0,25 mm) antes y después del cambio de detector . . . . . . . . . . . . . . 88 6.18 Puntos fuera de los límites de control para SDNR en RX . . . . . . . . . . 90 6.19 Valores promedio de SNDR antes y después del cambio del tubo de RX . 91 6.20 Valores de las observaciones de SNR antes y después del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 6.21 Valores de las observaciones para los que el MTF horizontal cae al 50 % antes y después del cambio del tubo de RX . . . . . . . . . . . . . . . . . 93 6.22 Valores de frecuencia para los que el MTF horizontal cae al 20 % antes y después del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . 94 6.23 Valores de frecuencia para los que el MTF horizontal cae al 10 % antes y después del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . 94 6.24 Valores de frecuencia para los que el MTF vertical cae al 50 % antes y después del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . 95 6.25 Valores de frecuencia para los que el MTF vertical cae al 20 % antes y después del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . 96 6.26 Valores de frecuencia para los que el MTF vertical cae al 10 % antes y después del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . 96 6.27 Valores de las observaciones para el índice de sensibilidad (diámetro 0,3 mm) antes y después del cambio del tubo de RX . . . . . . . . . . . . . . 97 6.28 Valores de las observaciones para para el índice de sensibilidad (diáme- tro 4 mm) antes y después del cambio del tubo de RX . . . . . . . . . . . 98 B.1 Histograma de valores para SDNR antes del cambio de detector . . . . . 117 B.2 Histograma de valores para SNR antes del cambio de detector . . . . . . 118 B.3 Histograma de valores para MTF 50 % horizontal antes del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 XV B.4 Histograma de valores para MTF 20 % horizontal antes del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 B.5 Histograma de valores para MTF 10 % horizontal antes del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 B.6 Histograma de valores para MTF 50 % vertical antes del cambio de detector120 B.7 Histograma de valores para MTF 20 % vertical antes del cambio de detector120 B.8 Histograma de valores para MTF 10 % vertical antes del cambio de detector121 B.9 Histograma de valores para d’ (D = 0,1 mm) antes del cambio de detector 121 B.10 Histograma de valores para d’ (D = 0,25 mm) antes del cambio de detector122 B.11 Histograma de valores para SDNR después del cambio de detector . . . 123 B.12 Histograma de valores para SNR después del cambio de detector . . . . 124 B.13 Histograma de valores para MTF 50 % horizontal después del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 B.14 Histograma de valores para MTF 20 % horizontal después del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 B.15 Histograma de valores para MTF 10 % horizontal después del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 B.16 Histograma de valores para MTF 50 % vertical después del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126 B.17 Histograma de valores para MTF 20 % vertical después del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126 B.18 Histograma de valores para MTF 10 % vertical después del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 B.19 Histograma de valores para d’ (D = 0,1 mm) después del cambio de de- tector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 B.20 Histograma de valores para d’ (D = 0,25 mm) después del cambio de detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128 B.21 Histograma de valores para SDNR antes del cambio del tubo de RX . . . 128 B.22 Histograma de valores para SNR antes del cambio del tubo de RX . . . . 129 B.23 Histograma de valores para MTF 50 % horizontal antes del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 XVI B.24 Histograma de valores para MTF 20 % horizontal antes del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 B.25 Histograma de valores para MTF 10 % horizontal antes del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 B.26 Histograma de valores para MTF 50 % vertical antes del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 B.27 Histograma de valores para MTF 20 % vertical antes del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 B.28 Histograma de valores para MTF 10 % vertical antes del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 B.29 Histograma de valores para d’ (D = 0,1 mm) antes del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 B.30 Histograma de valores para d’ (D = 0,25 mm) antes del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 B.31 Histograma de valores para SDNR después del cambio del tubo de RX . 133 B.32 Histograma de valores para SNR después del cambio del tubo de RX . . 134 B.33 Histograma de valores para MTF 50 % horizontal después del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134 B.34 Histograma de valores para MTF 20 % horizontal después del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 B.35 Histograma de valores para MTF 10 % horizontal después del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 B.36 Histograma de valores para MTF 50 % vertical después del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 B.37 Histograma de valores para MTF 20 % vertical después del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 B.38 Histograma de valores para MTF 10 % vertical después del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 B.39 Histograma de valores para d’ (D = 0,1 mm) después del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 B.40 Histograma de valores para d’ (D = 0,25 mm) después del cambio del tubo de RX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138 XVII Lista de acrónimos y siglas Abreviatura Significado ACR Colegio Americano de Radiología ATIA Herramienta Automatizada para Análisis de Imágenes (Automated Tool for Image Analysis) CE Comisión Europea CR Radiografía computarizada (Computed Radiography) CSS Hojas de estilo en cascada (Cascading Style Sheets) CSV Valores Separados por Comas (Comma Separated Values) DB Base de Datos (DataBase) DR Radiografía digital (Digital Radiography) HTML Lenguaje de Marcado de Hipertexto (HyperText Markup Language) HVL Espesor Hemireductor (Half-Value Layer) MPV Valor Medio de Píxel (Mean Pixel Value) MTF Función de Transferencia Modulada (Modulation Transfer Function) NPS Espectro de Potencia de Ruido (Noise Power Sprectrum) NPWE Non-Pre Whitened Model Observer With An Eye Filter OIEA Organismo Internacional de Energía Atómica PHP PHP Hypertext Pre-processor RIC Rango Intercuartílico ROI Región de Interés (Region of interest) RX Rayos X SDNR Relación Diferencia de Señal Ruido (Signal Difference to Noise Ratio) SNR Relación Señal Ruido (Signal to Noise Ratio) SQL Lenguaje de Consulta Estructurado (Structured Query Language) TFT Transistores de Película Delgada (Thin-Film Transistor) VTF Función de Transferencia Visual (Visual Transfer Function) WAMP Windows, Apache, MySQL, PHP WWW World Wide Web XVIII Lista de símbolos d′ índice de sensibilidad. σ desviación estándar muestral. α nivel de significancia. ξ frecuencia espacial. M modulación. C contraste. E espectro de la señal. S señal. I(x) función de distribuciones de gris. µ media de datos. µm media de verdaderos positivos. µn media de falsos positivos. σm desviación estándar de verdaderos positivos. σn desviación estándar de falsos positivos. XIX 1 1 Introducción A partir del 8 de noviembre de 1895 la historia sufriría un cambio drástico en áreas como lo es la física y la medicina debido al físico alemán, Wilhelm Conrad Roentgen. En esa época, el alemán realizó experimentos con tubos de vacío y un generador eléctri- co de alto voltaje (Asociación Colombiana de Radiología, 2020). El tubo estaba cubierto con un cartón negro y grueso, en un cuarto oscuro y en ese instante una placa cubierta en un lado con platinocianuro de bario colocado en dirección de la radiación se volvió fluorescente incluso al estar a 2 m de distancia de la fuente de rayos X (NobelPrize.org, 2020). Al contemplar el evento inició su experimentación y observó la transmisión de la ra- diación en función del grosor de ciertos objetos que interponía entre el tubo y una placa fotográfica. Figura 1.1: Imagen de la mano de la esposa de Wilhelm Conrad Roentgen. Tomado de Busch (2016). La figura 1.1 muestra como Roentgen experimentó con la mano de su esposa al co- locarla en el camino de los rayos X logrando así tomar la primer radiografía por medio 2 de la sombra creada por los huesos y un anillo en el dedo anular izquierdo. Debido a la naturaleza desconocida de dicha radiación electromagnética en ese momento de la historia es que se le otorga el nombre de rayos X. Más adelante, el Premio Nobel de Física de 1914, Max von Laue (por su descubrimiento de la difracción de rayos X por cristales) demuestra que es radiación electromagnética pero de mayor frecuencia que la luz visible (NobelPrize.org, 2020). Con el hallazgo de Wilhelm Conrad Roentgen y el trabajo de cientos de científicos a lo largo de los años, nace el diagnóstico médico por imágenes que dará un salto monu- mental en favor del ejercicio de la medicina. Los equipos radiológicos progresaron con el paso de los años y a su vez también la protección del paciente hasta llegar a la actua- lidad donde es amplia la gama de usos de la exposición de rayos X con fines médicos. Dicho lo anterior, al día de hoy es de suma importancia mantener un programa de con- trol de calidad en radiología para garantizar el correcto funcionamiento de los equipos, y así evitar exposiciones innecesarias a la radiación ionizante. Autoridades como el Or- ganismo Internacional de Energía Atómica (OIEA), el Colegio Americano de Radiolo- gía (ACR) y la Comisión Europea (CE) han demostrado que los programas efectivos de control de calidad, contribuyen a reducir la exposición del paciente a la radiación ionizante y mejoran la calidad de la imagen final. Es imprescindible por tanto, el monitoreo constante de ciertos parámetros para mejo- rar y mantener la calidad de imagen evitando un aumento en la exposición debido a un incorrecto funcionamiento de los componentes del equipo de rayos X. Una posible vía lograr este objetivo es utilizar métricas capaces de evaluar la calidad de imagen percibida por un observador, la presente tesis se enfoca en el estudio de las siguiente métricas: relación señal ruido (“Signal to Noise Ratio” o SNR), relación diferencia de señal ruido (“Signal Difference to Noise Ratio” o SDNR), función de transferencia de modulación (“Modulation Transfer Function” o MTF) y el índice de sensibilidad (“d prime” o d’). En mamografía, por ejemplo, existe la necesidad de detectar objetos sumamente pe- queños como lo son las microcalcificaciones, consideradas por lo general como tal, si el tamaño es menor a 0,5 mm siendo similares a pequeños granos de sal (breastcancer.org, 2022), en donde son observables tamaños de 0,1 mm o mayores (Wilkinson et al., 2017) siendo muy importante contar con el equipo en óptimas condiciones, por lo que anali- 3 zando la evolución en el tiempo de las métricas, se podría comprobar por ejemplo, el uso adecuado del equipo por el personal, una mala calibración del sistema de control automático de exposición (“Automatic Exposure Control” o AEC) y el funcionamiento correcto de las partes del equipo (detector, tubo de rayos X, entre otros). Para esta investigación se utilizaron los resultados de pruebas de control de calidad (de un banco de datos de imágenes sin procesar de mamografía y radiología digital) obtenidas de manera automatizada y remotas, que fueron posteriormente analizados utilizando un sitio web que analice las métricas de calidad. Logrado esto, se propone utilizar el sitio web como herramienta para identificar dife- rencias en las métricas de calidad de imagen a lo largo del tiempo e identificar ten- dencias, las cuales pueden ser causadas desde un cambio de detector hasta un error persistente debido a la labor del personal que toma las radiografías. Paralelamente a la creación del sitio web se analizarán los mapas de varianza en busca de artefactos que se hagan presentes a lo largo del tiempo. 1.1 Objetivo general Elaborar un estudio de la correlación entre métricas de calidad de imagen para equi- pos digitales de mamografía y radiología mediante el uso de un sitio web para la com- probación de sus cambios en el tiempo y el seguimiento de dichas métricas para el control de calidad a fin del aseguramiento del correcto desempeño del equipo. 1.2 Objetivos específicos Obtener mediante el uso de software gratuito las métricas de calidad de las imá- genes del maniquí y los mapas de varianza. Crear un sitio web para el análisis de los datos provenientes de un programa de control de calidad en radiología de manera remota y automatizada. Validar mediante el análisis temporal de las métricas de la calidad de imagen la factibilidad del sitio web para la evaluación del desempeño de los equipos. 4 Correlacionar los hallazgos entre métricas de calidad de imagen con el desempe- ño de los equipos digitales de mamografía y radiología. 5 2 Antecedentes 2.1 Historia de la radiología digital Si bien es cierto que los detectores de radiografía digital fueron desarrollados en la década de 1980, las imágenes de radiología digital no se concretaron sino hasta princi- pios de la siguiente década. Durante la década de 1990 surgen dos tecnologías relacio- nadas con la radiología digital: la radiografía computarizada y la radiografía digital, la primera usando un casette y la segunda completamente digital, de esta manera eli- minando los desechos químicos que son generados en una radiografía convencional (Gálvez, 2013). Ya en los años 2000, los servicios de radiología en muchos países iban caminando hacia las imágenes digitales y en la actualidad la transición de analógico a digital ha evolucionado el procesamiento de imágenes médicas, que con toda certeza será potenciado con el uso de la inteligencia artificial. 2.1.1 Control de Calidad en imágenes médicas El control de calidad en equipos de radiación ionizante es de suma importancia puesto que su meta es mantener una consistencia en la calidad de las imágenes. En casos donde el equipo no sea monitoreado puede favorecer a la producción de imáge- nes de calidad inadecuada y esto a su vez conduce pérdida de información para los diagnósticos o en algunos casos, someter al paciente a otra exposición a la radiación para obtener una imagen correcta. Es por esto que la OIEA, OMS y OPS han realiza- do recomendaciones y regulaciones para mantener la calidad idónea de la imágenes reduciendo la dosis en pacientes y trabajadores a una cantidad tan baja como sea ra- zonablemente posible, de esta manera, algunos de los estados miembros del OIEA en América Latina y el Caribe participaron en el Acuerdo de Cooperación Regional para la Promoción de la Ciencia y Tecnología Nucleares en América Latina y el Caribe (AR- CAL), iniciando proyectos de control de calidad en radiología a partir de 1984 (Mora et al., 2021). En 2001, mediante el proyecto RLA/09/35 del ARCAL XLIX, surge el documento “Protocolos de control de calidad en radiodiagnóstico“ con el fin de dar a conocer una 6 serie de procedimientos para el control de calidad en radiología (Blanco et al., 2021). Lo mismo sucedió para mamografía en 2006 en el ARCAL LV en donde se publicó un protocolo específico para mamografía. 2.1.2 Control de calidad remoto y automatizado en imágenes médicas Es un hecho que en la actualidad las tecnología digital está siendo rápidamente adoptada como la norma en las imágenes médicas, no obstante, el personal puede no llegar a ser suficiente para mantener un control de calidad activo, por ello un control de calidad remoto y automatizado es la solución idónea. Ya desde el 2005 se puede encontrar el desarrollo de una plataforma automatizada para la supervisión diaria del control de calidad en mamografía (Binst et al., 2020), para tal caso, los radiólogos rea- lizaban una prueba y enviaban información de las etiquetas DICOM (que contienen la información asociada a imágenes médicas), además miniaturas de las imágenes y en- viando los paquetes de datos para su transmisión a las personas profesionales en física médica vía correo electrónico (actualmente utilizando la nube). A partir de 2021, el OIEA, con ayuda del software ATIA, ofrece una nueva meto- dología para el control de calidad remoto y automatizado, este consiste en el siguiente flujo de procedimientos (Mora et al., 2021): Adquisición de imágenes locales. Verificación de imágenes locales y análisis de artefactos. Carga de imágenes (enviadas por correo o nube). Análisis de imágenes y análisis de resultados. Informes y comentarios. Pese a que esta nueva metodología es interesante y práctica, no existe un análisis exhaustivo que contemple el comportamiento estadístico integral de las imágenes, no se analizan en conjunto los mapas de varianza a lo largo del tiempo y hasta el día de hoy no existe un banco de imágenes tan robusto como el que se presenta en esta tesis. 7 3 Marco teórico 3.1 Control de calidad 3.1.1 Definición de control de calidad La Sociedad Estadounidense para la Calidad define el Control de Calidad (“Qua- lity Control” o QC) como "Las técnicas y actividades de observación utilizadas para cumplir con los requisitos de calidad” (Jones et al., 2015), aplicado al tema de estudio, el control de calidad para imágenes radiológicas tiene por objetivo examinar la dosis entregada, la imagen médica obtenida y el proceso para crearla buscando deficiencias. Para el caso de América Latina, la introducción de programas de control de calidad en radiodiagnóstico se han visto limitados debido a la falta de los siguientes aspec- tos: físicos médicos en la región, acompañamiento de las sociedades profesionales y y carencia de reglamentación específica. La cantidad de físicos médicos clínicamente calificados en América Latina se mantiene insuficiente para cubrir completamente las necesidades, esto en cuanto a control de calidad de radiología de diagnóstico se re- fiere, dado que muchos de ellos se encuentran laborando en el área en radioterapia o medicina nuclear prioritariamente. 3.1.2 Protocolos Los estados miembros del OIEA en América Latina y el Caribe participaron en el ARCAL en donde se inician proyectos de control de calidad en radiología. A través del proyecto regional “Implementación de Normas Básicas de Seguridad en la Práctica Médica” en 2001, se desarrolló un protocolo de control de calidad en español para su uso en radiología de diagnóstico (OIEA, 2001) cubriendo áreas de radiología general, radiología dental, mamografía, fluoroscopía y tomografía computarizada. Posteriormente en 2006, el documento técnico, TECDOC-1517 del OIEA: Control de calidad en mamografía, es publicado cuyo texto se ha utilizado ampliamente en todos los países miembros (OIEA, 2006). 8 3.1.3 Control de calidad remoto y automatizado Numerosos documentos de autoridades internacionales como el OIEA y el Colegio Americano de Radiología muestran que programas de control de calidad que incluyan pruebas diarias o semanales favorecen la calidad de imagen y evitan una sobreexposi- ción a la radiación ionizante del paciente. Es por ello que la introducción de programas de control de calidad remoto y au- tomatizado cobran importancia para poder señalar un mal manejo del equipo por el personal, una mala calibración del sistema, artefactos, vida útil de los detectores o el funcionamiento incorrecto de otras partes del equipo sin la necesidad de que se en- cuentre un físico médico en el sitio. Estos programas remotos permiten mantener el monitoreo de forma más eficaz y tomar medidas tempranas para corregir el presunto problema o incluso el cese de operaciones de la máquina. 3.2 Equipos e imágenes digitales Con la introducción de la tecnología digital, cada vez menos se utiliza la radiogra- fía de película pantalla (llamada también screen-film radiography), siendo remplazada por la radiografía digital. Se tienen dos opciones: radiografía computarizada (CR) y ra- diografía digital (DR), de las cuales la última está convirtiéndose en la opción preferida debido a que genera mejores imágenes diagnósticas. 3.2.1 Elementos básicos de una imagen digital Las imágenes digitales se obtienen a través de dispositivos de conversión analógico- digital y la representación de la imagen se genera a partir de una matriz numérica. La información digital generada es almacenada en el ordenador mediante bits (unos y ceros). Cada una de las celdas recibe el nombre de píxel (unión de las palabras picture y element) (Ministerio de Educación, 2019). De manera concreta, un píxel representa la región más pequeña que puede codificar de manera única un valor único en la imagen. La Figura 3.1 muestra dos imágenes en la que se aprecia una clara diferencia en la resolución, en donde a la imagen de la izquierda le ha sido reducida en un 90 % la cantidad de píxeles obteniendo la imagen de la derecha. Mediante un razonamiento similar, el término vóxel o elemento de volumen se usa 9 Figura 3.1: Comparación entre dos imágenes. La imagen de la izquierda posee más píxeles que la imagen de la derecha. Tomado de Ortega and Suárez-Obando (2016). en imágenes tridimensionales. La Figura 3.2 muestra como ejemplo, una imagen de to- mografía computarizada compuesta por píxeles de manera que cada píxel en la imagen representa la atenuación de rayos X promedio en un pequeño volumen que se extien- de a través de la sección de tejido en donde el tamaño del píxel en la figura ha sido exagerado recordando que cada píxel debería tener el mismo tono de gris. Figura 3.2: Representación de un vóxel de espesor w para una imagen de tomografía compu- tada.Tomado de Mahesh (2002). Para las imágenes digitales suele usarse también el Valor Medio de Píxel (Mean Pixel Value o MPV) que representa el valor promedio de píxeles en una zona de interés. 10 3.2.2 Calidad de las imágenes radiológicas La capacidad de un observador para detectar signos de un proceso patológico de- pende altamente de la calidad de la imagen y esta a su vez depende de al menos 5 factores: contraste, nitidez, ruido, artefactos y distorsión. Contraste El contraste es la característica más fundamental de una imagen y se entiende como la diferencia en la densidad o en la gama de blancos y negros entre áreas en una imagen radiológica (Geha, 2021), es decir, el contraste tiene como función representar una di- ferencia en una o más características del tejido. En una imagen radiológica el contraste puede tener la forma de diferentes tonos de gris o intensidades de luz, no obstante, se puede obtener un mejor contraste si hay una diferencia adecuada en densidad o núme- ro atómico en el objeto de estudio y si el objeto es lo suficientemente grueso (Sprawls, 1993). Figura 3.3: Comparación entre bajo y alto contraste. Tomado de Foundation (2014). En la Figura 3.3 se muestran distintos contrastes para una misma imagen, a la iz- quierda se halla la imagen con un contraste bajo, evidenciando una visibilidad baja. El contraste de imagen óptimo (medio) proporciona la mejor visibilidad lo que permite diferenciar los objetos en toda la imagen. 11 Nitidez Todos los sistemas radiológicos modulan la señal, por lo que la imagen no reproduce totalmente el objeto de interés, la visibilidad de detalles o nitidez de los objetos en un estudio radiológico es limitada porque todos los métodos de imágenes introducen desenfoque limitando así la nitidez. Cuando el desenfoque está presente aparece una cortina de invisibilidad que cubre pequeños objetos y detalles de la imagen (Sprawls, 1993). Por tanto, la nitidez es la correcta apreciación de los bordes de los objetos en una imagen. Figura 3.4: Comparación de nitidez entre dos imágenes distintas. Tomado de Li et al. (2019). A mayor nitidez es más sencillo diferenciar estructuras, dicha aseveración es apre- ciada en la Figura 3.4 en la que la imagen de la izquierda posee menos nitidez que la imagen de la derecha, así, en esta última se puede apreciar de mejor manera bordes de órganos y estructura ósea. Ruido El ruido en una imagen es el causante de que esta posea una apariencia texturizada o granulada, esto logra afectar el límite entre los objetos visibles e invisibles. El ruido se puede considerar como la variación estocástica de los niveles de gris producido por factores múltiples como retrodispersión y configuraciones de bajo miliamperaje, entre otros. Típicamente el efecto del ruido afecta más a los objetos de bajo contraste que ya están cerca del umbral de visibilidad. La Figura 3.5 muestra la afectación del ruido sobre una imagen (Foundation, 2014), a la izquierda se aprecia una imagen con menor ruido en comparación con la imagen de la derecha por lo que esta se observa con una apariencia más granulada. 12 Figura 3.5: Comparación del ruido entre dos imágenes. Tomado de Sprawls (1993). Artefactos Un artefacto es una estructura u objeto que no está presente en el objeto de estudio pero que aparece en la imagen, y en algunos casos pudiendo producir un diagnóstico errado. Un artefacto no necesariamente afecta significativamente la visibilidad del ob- jeto y la precisión del diagnóstico, puesto que pueden ser identificados, sin embargo podrían oscurecer una parte de una imagen y, en ocasiones, parecer partes del cuerpo. (Sprawls, 1993). Distorsión Una imagen médica no solo debe hacer visibles los objetos internos del cuerpo, sino que debe dar una impresión precisa de su tamaño, forma y posiciones relativas, una distorsión modifica estos tres factores, lo que lleva a una malinterpretación de las ca- racterísticas físicas de lo que se requiere visualizar en la imagen. Ejemplo de ello es el acercamiento a la fuente de radiación puede causar un aumento en la imagen causando una distorción en su tamaño tal es mostrado en la Figura 3.6 (Elhain, 2015) 3.2.3 Radiografía computarizada A diferencia de la radiología convencional donde una película de RX (rayos X) se coloca dentro de dos pantallas fluorescentes, en la radiografía computarizada (CR) se colocan casetes con placas de fósforo fotoestimulable que son expuestos a los RX para luego ser procesadas sin necesidad de los líquidos reveladores presentes en un radio- grafía convencional. 13 Figura 3.6: Distorsión de una imagen debido al acercamiento del objeto a la fuente. Tomado de Sprawls (1993). Las placas tienen un espesor de 1 mm y están recubiertas con compuestos de fluo- rohaluro activado con europio en formación cristalina. El funcionamiento es similar a una radiografía con película pero al exponerse a los rayos X, la imagen latente es alma- cenada por el fósforo fotoestimulable (Small and Donnelly, 2012). Figura 3.7: Lector de CR para obtener la imagen digital. Tomado de Penelope and Williams (2008). La Figura 3.7 muestra como la señal de la placa se obtiene en un lector CR, la placa 14 se escanea con un rayo láser rojo usando un espejo giratorio liberando la energía como luz visible (señal) y siendo detectada por un tubo fotomultiplicador gracias a una serie de fibras ópticas que dirigen la luz. Finalmente la señal pasa a ser convertida en seña- les eléctricas que serán procesadas y convertidas en una imagen digital (Penelope and Williams, 2008). Las placas utilizadas se borran al ser expuestas a luz fluorescente y posteriormente pueden ser reutilizadas. 3.2.4 Radiografía digital En esta tecnología, a diferencia de CR, se utiliza un dispositivo de captura de imáge- nes digitales: panel plano de matriz activa que incluye un dispositivo de conmutación activo llamado transistor de película delgada (TFT). Los paneles de matriz activa uti- lizan silicio amorfo hidrogenado como el semiconductor depositado en un sustrato de vidrio delgado de aproximadamente 0,7 mm (Dance et al., 2014). Como ventaja de DR se ofrece la obtención de la imagen de manera inmediata y eliminando así los costos de procesamiento de películas. El acoplamiento de materia- les de detección de rayos X tradicionales, como fósforos o fotoconductores, con una estructura de lectura de matriz activa de área grande, forma la base de los generadores de imágenes de rayos X de panel plano. Existen dos dispositivos detectores predominantes de imágenes de rayos X de panel plano para radiografía digital: los de conversión directa que incorporan un fotoconduc- tor de selenio amorfo para producir cargas eléctricas en la detección de rayos X y los de conversión indirecta que usan un fósforo para producir fotones de longitud de onda visible para la detección de rayos X. En la Figura 3.8 a la izquierda se muestran los dispositivos de conversión directa en la que los fotones de rayos X se convierten directamente en carga. La carga liberada en la mayor parte del fotoconductor es recogida por un gran campo eléctrico aplicado, que lleva los electrones y agujeros a sus respectivos electrodos. Los fotones de rayos X crean pares de agujeros de electrones en el selenio amorfo y a medida que los agujeros se reemplazan con electrones, el patrón de carga resultante en la capa de selenio se lee mediante una matriz de transistores de película delgada. A la derecha la figura mues- 15 Figura 3.8: Matriz activa con transistores de película delgada (TFT). Izquierda: dispositivo de con- versión directa que utiliza un fotoconductor. Derecha: dispositivo de conversión indirecta que utiliza una capa de fósforo. Tomado de Dance et al. (2014). tra el dispositivo de conversión indirecta, en la cual una capa de fósforo (centellador) se coloca en contacto con el panel plano de matriz activa, de esta manera la intensidad de la luz emitida desde una ubicación particular del fósforo es una medida de la in- tensidad del haz de rayos X que incide en la superficie del receptor en ese punto. Para ello cada píxel en la matriz activa tiene un elemento fotosensible que genera una carga eléctrica, cuya magnitud es proporcional a la intensidad de la luz emitida por el fósforo en la región cercana al píxel (Dance et al., 2014). 3.3 Calidad de radiación Un aspecto que forma una importante parte en la optimización de las imágenes en radiología y mamografía es la calidad de radiación, puesto que afectará la imagen y la dosis entregada al paciente. La calidad de radiación está definitiva por el potencial eléctrico del tubo de rayos X seleccionado para el que se elige una capa de espesor hemireductor (HVL) (Martin, 2007), es decir, el espesor de un material dado que atenúa el 50 % de la energía incidente, además una filtración adicional fija. En cuadro 3.1 se muestran los distintos valores de calidad de radiación utilizando como material de filtración el aluminio. (Commission et al., 2007) Para mamografía típicamente se utiliza la calidad de radiación según la mostrada en cuadro 3.2 con valores de filtración para aluminio y molibdeno (Commission et al., 2007). 16 Calidad de radiación Potencial aproximado del tubo de RX (kV) HVL (mmAl) Filtración adicional (mmAl) RQA 3 50 4,0 10,0 RQA 5 70 7,1 21,0 RQA 7 90 9,1 30,0 RQA 9 120 11,5 40,0 Cuadro 3.1: Valores de calidad de radiación para distintas magnitudes de potencial eléctrico y espesores de aluminio para radiología. Calidad de radiación Potencial aproximado del tubo de RX (kV) HVL (mmAl) Filtración adicional 1 (mmAl) Filtración adicional 2 (mmMo) RQA-M1 25 0,56 2,0 0,03 RQA-M2 28 0,61 2,0 0,03 RQA-M3 30 0,64 2,0 0,03 RQA-M4 35 0,73 2,0 0,03 Cuadro 3.2: Valores de calidad de radiación para distintos valores de potencial eléctrico y espeso- res de aluminio y molibdeno para mamografía. Se ha recomendado para radiografía (Commission et al., 2007) utilizar una calidad de haz RQA 5, la cual se define como un haz de rayos X con potencial eléctrico igual a 70 kV con 0,5 mm de cobre y filtración de aluminio añadida para obtener un HVL nominal de 6,8 mm. Para mamografía se recomienda usar RQA M2 (Monnin et al., 2007), que se define como un haz de rayos X con potencial eléctrico igual a 28 kV con un espesor hemirreductor de 0,61 mmAl, adicionando una filtración extra de 2 mm Al más 0,03 mm Mo (PTB, 2020). 3.4 Métricas de calidad de imagen 3.4.1 Relación Señal Ruido (SNR) La relación señal ruido de los píxeles de una imagen se define como la razón que existe entre la señal en una ubicación dada dentro de la imagen y el ruido inherente en la misma ubicación . Para calcular la señal S (intensidad de radiación incidente), se toma el valor de píxel promedio de una región de interés (ROI). Las mediciones deben tener un área igual de ROI y este no debe ser colocado sobre artefactos formados en la imagen además de poseer cierta calidad del haz de radiación. 17 Dado que la desviación estándar (σ) es un promedio de las desviaciones indivi- duales de cada medición, la desviación estándar del mismo ROI se utiliza como una estimación muy simple del ruido por lo que el SNR se calcula como sigue (Smith et al., 1997): SNR = Promedio Desviación estándar , (3.1) SNR = S σ , (3.2) 3.4.2 Relación Diferencia de Señal Ruido (SDNR) La Relación Diferencia Señal Ruido se utiliza para cuantificar la calidad de imagen en términos de la capacidad de la detectabilidad de estructuras. Básicamente es la ra- zón entre la diferencia de señales entre la desviación estándar. Al igual que el SNR se considera que el ruido (σB) es la desviación estándar de los píxeles dentro del ROI de fondo. Se calcula como sigue: SDNR = Promedio f ondo − Promedioobjeto de inters Desviación estándar f ondo , (3.3) SDNR = SB − SO σB , (3.4) Figura 3.9: Ejemplificación gráfica del SDNR. Tomado de Bernhardt et al. (2006). En la Figura 3.9 se muestra una ejemplificación del SNDR para un objeto en estudio en el cual se aprecia el ruido inherente donde: 18 So = objeto de interés. Sop = señal objeto de interés. SBS = señal de dispersión en el fondo. SBP = señal del fondo. La señal y el ruido deben ser promediados sobre un área del mismo tamaño. 3.4.3 Función de Transferencia Modulada (MTF) Transformar una señal para lograr así transmitirla de manera física es lo que se define como modulación (Universidad de la República de Uruguay, 2013). Con la ayuda de la Función de Transferencia Modulada se logra cuantificar la de- gradación del contraste de un sistema en función de la frecuencia espacial (Dance et al., 2014), por lo que las frecuencias espaciales altas corresponden a detalles finos y bordes afilados, mientras que las frecuencias espaciales bajas corresponden a detalles gruesos. Si la respuesta a altas frecuencias es mejor, indica que más pequeñas son las estructuras que se pueden resolver. La amplitud de la intensidad (pico-pico) dividida por la suma de sus valores máximo y mínimo es lo que se conoce como profundidad de modulación (Boreman, 2001): M = Amax − Amin Amax + Amin , (3.5) Todo sistema óptico tiene una resolución espacial limitada, la Figura 3.10 muestra lo que provoca dicho sistema: una disminución en la profundidad de modulación M. 19 Figura 3.10: Decrecimiento de la profundidad de modulación al pasar por el sistema óptico. To- mado de Boreman (2001). Como en todo sistema óptico, existe un tamaño finito de respuesta y es lo que causa el descenso en la amplitud. Seguidamente se calcula la transferencia de modulación (MT) que relaciona la ima- gen modulada con el objeto (Boreman, 2001): MT = Mimagen Mobjeto , (3.6) Finalmente, suponiendo una modulación de objeto constante, el MTF se define co- mo la modulación de la imagen en función de la frecuencia espacial ξ suponiendo una modulación de objeto constante: MTF = Mimagen(ξ) Mobjeto , (3.7) En la Figura 3.11 se aprecia la disminución de la profundidad de modulación al aumentar la frecuencia. 20 Figura 3.11: Obtención del MTF a partir de las modulaciones de objeto e imagen. Tomado de Boreman (2001). En la práctica el MTF se puede entender como la relación entre la reproducibilidad del contraste en función de la frecuencia espacial tal y como se observa en la Figura 3.12, en donde el contraste entre pares de línea se va difuminando, por lo que es más difícil resolver cada par de líneas. Figura 3.12: Pares de línea y disminución del contraste entre ellas conforme se aumenta la frecuen- cia. Tomado de Krtalić et al. (2019). 3.4.4 Índice de sensibilidad (d′) Para cualquier modelo de detección es estrictamente necesario conocer la relación que existe entre la tasa de aciertos (detectar correctamente la señal) y una tasa de falsos 21 positivos (llamadas también señales impostoras), para el análisis de las imágenes, un falso positivo es detectar el ruido de fondo y ser tomado como parte de la imagen. El índice de sensibilidad o d’ (pronunciado como d-prima) en la Figura 3.13, pro- porciona la separación entre los medios de las distribuciones de una señal verdadera y una señal falsa, en unidades de la desviación estándar de la distribución de falsa señal (Anzar, 2012). Un valor de d’ igual 0 indica que no se podrá diferenciar la señal del ruido de fondo, sin embargo a mayores valores se incrementa la posibilidad para dis- tinguir las señales del ruido. Figura 3.13: Distribuciones normales iguales para el ruido y la señal, la línea vertical es el criterio de decisión. Tomado de Stanislaw and Todorov (1999). En la Figura 3.13 se muestran dos distribuciones iguales que corresponden a la se- ñal y al ruido y se requiere diferenciar la señal del ruido. c es un criterio que tiene el objetivo de detectar la señal, cuando está presente, y no informar la señal cuando está ausente. Además, separa el espacio de probabilidad en dos partes estableciendo que si se recoge un valor superior a c, se considera la señal como presente y si se obtiene un valor que es inferior a c se considera la señal como ausente (Elrod, 2005). La colocación del criterio c la Figura 3.13 puede elegirse según el tipo de análisis, por ejemplo, si se requiere mayor certeza de que efectivamente es una señal (verdadero positivo), c se mueve en la dirección de señal teniendo menor probabilidad de detectar 22 ruido como si fuese señal sin embargo disminuye la capacidad de detectar esta puesto que se puede ser detectada como ruido. Por el contrario, si se requiere aumentar la probabilidad de detectar la señal, c se mueve en la dirección de ruido pero aumenta la probabilidad de detectar el ruido como si formara parte de la señal (falso positivo). El índice de sensibilidad puede ser calculado de la siguiente manera (Anzar and Sathidevi, 2012): d′ = µm − µn√ σ2 m − σ2 n , (3.8) donde µm es la media de aciertos, σ2 m la varianza de aciertos, µm la media de falsos positivos y σ2 n la varianza de falsos positivos La Figura 3.14 muestra dos pares de distribuciones: arriba existe una menor dis- tancia entre las medias de dos distribuciones, es decir, un menor d’, por lo que existe una menor probabilidad de diferenciar una de la otra. Abajo se muestra una mayor probabilidad de diferenciar una distribución de la otra debido a un mayor d’. Figura 3.14: Separaciones entre medias de dos pares de distribuciones. Arriba se muestra una menor distancia entre las dos medias de la distribución, abajo se muestra una mayor distancia entre las medias de la distribución. Tomado de Manzanero et al. (2011). Alternativamente se puede calcular d′ basándose en el modelo de observador llama- do "non-pre whitened model observer with an eye filter (NPWE)", este es un modelo matemático cuyo objetivo es obtener un resultado similar a un observador humano 23 en presencia de ruido dentro de un filtro de paso bajo (low-pass filter) (Monnin et al., 2011). En este modelo el índice de detectabilidad se puede expresar como (Monnin et al., 2011): d′ = √ 2πC ∫ ∞ 0 E2(ξ)MTF2(ξ)VTF2(ξ)ξ dξ√∫ ∞ 0 E2(ξ)MTF2(ξ)VTF4(ξ)NNPS(ξ)ξ dξ , (3.9) en donde C es el contraste, E es el espectro de la señal que describe la magnitud y las ca- racterísticas de fase de una señal en función de la frecuencia (Semmlow, 2018), MTF es la Función de Transferencia Modulada, NNPS el espectro de potencia de ruido norma- lizado (Normalized Noise Power Spectrum) y se encarga de describir las propiedades de ruido de un sistema de imágenes (es muy útil para investigar las fuentes de rui- do del detector) (Dance et al., 2014), ξ es la frecuencia espacial, VTF es la Función de Transferencia Visual que similarmente al MTF, representa el reconocimiento visual a la frecuencia espacial visual pero correspondiente a la visión humana. Como se puede apreciar en la Figura 3.15, el VTF decrece conforme aumenta la frecuencia espacial. Figura 3.15: Función de Transferencia Visual (VTF) en función de la frecuencia espacial. Tomado de Shaw (2002). Para analizar el d’ se puede hablar de objetos de distinto diámetro, por ejemplo, en esta investigación, para mamografía se utilizan objetos de diámetro de 0,1 mm y 0,25 mm en tanto para RX se utilizan diámetros de 0,3 mm y 4 mm. 3.5 Programación Web La Web ha sido de gran relevancia en las últimas décadas pues facilita la comuni- cación con la gran parte del planeta con contenidos como experiencias, conocimientos, 24 servicios, archivos, multimedia, entre muchos otros, por lo que se convierte en una he- rramienta potencial para el uso en en el control de calidad en una cantidad amplia de áreas. 3.5.1 World Wide Web (WWW) La World Wide Web, WWW, W3 o simplemente Web, es la interconexión existente entre páginas web públicas mediante una conexión a Internet. Comúnmente se comen- te el error de considerar la web e internet como un mismo significado, sin embargo la Web es una colección de páginas construidas sobre la Internet siendo esta última una gran red de dispositivos conectados entre sí alrededor del globo (mozilla.org, 2005b) resaltando además que Internet ya existía antes de la creación de la World Wide Web (Leiner et al., 1999). La Web tiene tres componente esenciales para su acceso (Raffin, 2020): Traducción. Se introduce la dirección URL que, grosso modo, permite la comuni- cación con el servidor web iniciando la transmisión de datos entre este y el usua- rio. Petición HTML: El programa encargado de navegar en Internet solicita y obtiene la conformación de la página web. Renderización. Mediante código HTML se construye la página web para que que pueda ser vista por el usuario. 3.5.2 Lenguaje de Marcado de Hipertexto (HTML) El Lenguaje de Marcado de Hipertexto, mayormente conocido como HTML (Hyper- Text Markup Language) forma la parte más elemental del contenido Web y es utilizado para definir el significado y la estructura del contenido Web (Lapuente, 2020). El tér- mino hipertexto se utiliza para referirse a los enlaces dentro de una página web que conectan dentro de un sitio Web o varios sitios Web y marcado se refiere al etiquetado de texto, imágenes, video, entre otros (Lapuente, 2020). Junto con la WWW, el HTML fue creado por el físico del CERN, Tim Berners-Lee cuya visión era desarrollar un medio de transmisión de información entre científicos que laboraban como investigadores en el área de Física de alta energía (Bustos, 2020). 25 Berners desarrolló el primer servidor web, navegador de internet y página web en 1990 (Berners-Lee and Cailliau, 1990). Es meritorio resaltar que HTML no es un lenguaje de programación, podría definir- se como un lenguaje de presentación o de marcado debido a que un documento HTML contiene toda la información sobre la apariencia y la interacción con el usuario con la ventaja que es independiente del tipo de computadora en donde se esté ejecutando (mozilla.org, 2005a). Por ende un documento HTML únicamente requiere un procesa- dor de textos y un navegador que permita el acceso al WWW de Internet. 3.5.3 Clasificación de programación en Internet Programación del lado del cliente En este tipo de programación los programas elaborados yacen con la página web en un servidor pero el cliente los obtiene y es este el que ejecuta el código. Programación del lado del servidor A diferencia de la programación del lado del cliente los programas son ejecutados en el servidor por lo que al cliente se le transfiere el resultado de la ejecución del pro- grama. La Figura 3.16 resume lo anterior: cuando el código se ejecuta directamente en Figura 3.16: Diferencia entre la programación del lado del cliente y la programación del lado del servidor. Tomado de Camacho Castillo (2015). el navegador de internet se define como lado del cliente y cuando es ejecutado en el 26 servidor y luego devuelto al explorador como respuesta a las peticiones se define como lado del servidor. 3.5.4 Servidor HTTP Apache El Servidor HTTP Apache (comúnmente conocido como Apache) fue creado de ma- nera colaborativa inicialmente por ocho personas a finales de febrero de 1995 (Apache, 2020). Es un poderoso software gratuito y de código abierto, que es ejecutado en un servidor cuya función es el establecimiento de la conexión entre dicho servidor y el navegador que utilice el cliente. El proceso de funcionamiento básico es devolver una respuesta a una solicitud hecha por el navegador, como puede ser la petición de archi- vos por ejemplo. Dicho de otro modo, es el software que se encargar de servir contenido en la Web. 3.5.5 PHP Hypertext Pre-processor (PHP) Creado en 1994 por Rasmus Lerdorf bajo el nombre de Personal Home Page Tools (php.net, 2011), PHP es un acrónimo recursivo de PHP Hypertext Pre-processor el cual es un lenguaje de programación de propósito general ampliamente utilizado para el desarrollo de páginas web y que puede ser incrustado en HTML, además es gratuito y se ejecuta del lado del servidor por lo que posee la ventaja de que el cliente recibe el resultado de la petición y no podrá conocer el código ejecutado. 3.5.6 Hojas de estilo en cascada (CSS) Las Hojas de Estilo en Cascada usualmente llamado como CSS (Cascading Style Sheets) no es un lenguaje de programación como PHP o un lenguaje de marcado co- mo HTML sino que se utiliza para aplicar estilos (colores, formas, posición, márgenes, entre otros) a diversos elementos en HTML por lo que se podría decir que es un len- guaje de estilos. CSS fue creado por Consorcio de la World Wide Web (World Wide Web Consortium) en 1996 (Bustos, 2019). El fin último de CSS es estilizar una página web. 3.5.7 Gestor de bases de datos MySQL Una base de datos es un conjunto de datos e información almacenada electrónica- mente de manera estructurada típicamente en filas y columnas en una o varias tablas cuyo acceso, administración, actualización y creación se da mediante un gestor de base 27 de datos (Oracle, 2020). Por lo general el Lenguaje de Consulta Estructurado (SQL) es utilizado con ese propósito. MySQL es un sencillo y conocido gestor de bases de datos (DB) cuya notoriedad yace en su rendimiento, facilidad de uso y su libre distribución bajo la Licencia Pública General o GPL (General Public License) (Santillán et al., 2014) 28 4 Metodología Seguidamente se enumeran los procesos para cumplir con los objetivos. 4.1 Maniquí y software OIEA-ATIA para la obtención de las métricas de calidad de imagen Para el diseño del maniquí utilizado en la obtención de las imágenes y su poste- rior extracción de métricas (Mora et al., 2021), la propuesta fue simple y relativamente económica. Para RX se utilizó una placa de cobre homogénea como atenuador cuyo espesor fue de 0,2 cm. En una pieza cuadrada de polimetilmetacrilato (PMMA) (placa objetivo) de 28 cm de lado y 0,5 cm de espesor se colocaron dos piezas: un cuadrado de cobre de 5 cm de lado y 0,2 cm de espesor, utilizado para MTF y d’ inclinado de 2 a 5 ° y un cuadrado de aluminio de 1 cm de lado y 0,4 cm de espesor, utilizado para el SDNR y el d’. La Figura 4.1 muestra el posicionamiento de las partes mencionadas. Figura 4.1: Posicionamiento de la lámina de PMMA de 0,5 cm de espesor y los cuadrados de cobre y aluminio en el maniquí para RX (no se muestra el atenuador de cobre). Elaboración propia (2022). Con repecto al maniquí de mamografía, su diseño es similar pero en este caso se 29 utilizó un atenuador de PMMA en sustitución del cobre de lados 24 y 30 cm con espesor 4 cm. La placa objetivo igualmente consta de 24 y 30 cm de lados pero con un espesor de 0,5 cm. Los cuadrados de cobre y aluminio tenían respectivamente un grosor de 0,1 y 0,02 cm. El diseño es mostrado en la Figura 4.2 Figura 4.2: Posicionamiento de las lámina de PMMA de 4 cm y 0,5 cm de espesor y de los cuadra- dos de cobre y aluminio en el maniquí para mamografía. Elaboración propia (2022). Para la obtención de las imágenes crudas (sin procesar) se tomaron en cuenta una serie de consideraciones (Mora et al., 2021): Los maniquí deben exponerse a parámetros clínicamente relevantes que abarquen tantos componentes de imagen como sea posible (tubo, colimador, rejilla, detector, control automático de exposición [AEC]). Para el maniquí radiográfico, se utilizarán los ajustes técnicos para un protocolo estándar de abdomen de tamaño mediano, como una distancia de fuente a imagen (SID) de 100 cm, pico de 80 kilovoltios (kVp) y AEC 10 mAs. Para el maniquí de mamografía, se puede utilizar una configuración de paráme- tros totalmente automática o 28 kVp con AEC semiautomático. Si no se registran en el encabezado DICOM, los parámetros de exposición resultantes se deben re- gistrar para el seguimiento de la estabilidad. Para la radiografía, el campo de ra- yos X se debe colimar con la placa de prueba para minimizar la dispersión. 30 Después de haber establecido lo anterior, se procedió a la toma de las imágenes sin procesar para RX y mamografía, en donde la cantidad total de imágenes que fueron analizadas es de 238: 112 de radiología convencional tomadas desde el 6 de junio de 2017 hasta el 15 julio de 2017 y 126 de mamografía desde el 5 de junio de 2017 hasta el 24 de diciembre de 2019. La Herramienta Automatizada para Análisis de Imágenes o ATIA (Automated Tool for Image Analysis) utilizada consistió en un poderoso pero a la vez sencillo software capaz de crear automáticamente ROI’s y analizar la imagen para obtener así las métricas SNR, SDNR, MTF y d’. La interfaz del software es mostrada en la Figura 4.3. Figura 4.3: Software ATIA utilizado para obtener las métricas. Elaboración propia (2020). La Figura 4.4 muestra como automáticamente ATIA creó ROI’s sobre los dos objetos de prueba y el cálculo del valor de las métricas. Mediante ATIA se extrajeron las métricas de calidad de imagen. Estas métricas fue- ron automáticamente guardadas en un archivo de extensión .csv (valores separados por coma) para cada una de las imágenes digitales. Posteriormente alimentaron la ba- se de datos remota creada con MySQL. Es importante señalar que para el MTF se obtienen 6 valores que corresponden al 50 %, 20 % y 10 % tanto para el borde horizontal como el vertical, en donde MTF 50 31 Figura 4.4: Software ATIA utilizado para obtener las métricas. Elaboración propia (2020). % hace referencia a la frecuencia a la cual el se puede reproducir detalles finos con una atenuación del 50 %, es decir, donde el contraste entre blanco y negro entre pares de línea ha caído al 50 % (Ratchev, 2010), de la misma manera para el respectivo 20 % y 10 %. De forma más sencilla puede decirse que es la frecuencia para la cual la capacidad del sistema para reproducir detalles finos disminuye a la mitad. Luego de obtener el archivo .csv, se hizo la conversión a una hoja de cálculo con- vencional en donde se obtuvieron las métricas tal cual se aprecia en la Figura 4.5 (el recuadro rojo enmarca las métricas que fueron utilizadas para alimentar la base de da- tos). Asimismo, los mapas de varianza de las imágenes fueron obtenidos mediante ATIA para posteriormente analizar la aparición de artefactos en las imágenes que podrían a lo largo del tiempo. Los mapas de varianza para para RX tienen una forma semejante en la Figura 4.6, a la izquierda un mapa de varianza para RX y a la derecha para mamografía. 32 Figura 4.5: Hoja de cálculo exportada por ATIA. Elaboración propia (2020). Figura 4.6: Mapa de varianza para RX (izquierda) y mamografía (derecha), obtenidos mediante el software ATIA. Elaboración propia (2020). Los mapas de varianza proporcionan una visión de la uniformidad de la imagen, el software ATIA permite al usuario elegir los límites para la gama de colores en rela- ción con el fondo, sin embargo, una ventana más amplia puede provocar que algunas anomalías no sean visibles y una muy estrecha puede mostrar anomalías que no son realmente importantes (Mora et al., 2021). Para efecto del estudio de la presente tesis 33 se mantuvo el valor inicial recomendado. En la Figura 4.7 los límites de la gama de colores elegidas por defecto. Figura 4.7: Ventana para la gama de colores utilizando ATIA. Elaboración propia (2023). 4.2 Desarrollo del sitio web 4.2.1 Creación de la base de datos Para la creación de páginas web inicialmente se requiere un entorno de desarrollo, para ello se eligió WampServer (WAMP es un acrónimo de Windows, Apache, MySQL y PHP). WampServer funciona como un servidor virtual local que posibilita el desa- rrollo de páginas y aplicaciones web con Apache2, PHP y MySQL (Bourdon, 2011). Además de lo mencionado se requirió el uso de PhpMyAdmin (también incluido en el entorno WampServer) cuya función es administrar las bases de datos de MySQL a través de navegadores web (Čihař, 2006). La DB creada debía de incluir los campos de fecha, SDNR, SNR, MTF al 10 %, 20 % y 50 % tanto horizontal como vertical, d’, así como valores para los límites superiores e inferiores, estos últimos se utilizaron luego para la creación de los gráficos. La Figura 4.8 muestra las tablas utilizadas para el inicio de sesión (usuario), alma- cenamiento de métricas de mamografía (mammo) y rayos X (rx). 34 Figura 4.8: Creación de las primeras tablas para la base de datos. Elaboración propia (2020). En la Figura 4.9 se aprecian los campos de la tabla mammo en donde luego se alma- cenaron los respectivos valores de las métricas de calidad de imagen exportadas por ATIA. 4.2.2 Diseño del sitio web La gran mayoría del código HTML, CSS y PHP fue escrito utilizando Dreamweaver y Brackets (un editor de texto de código abierto que además comprende el diseño Web) (Brackets, 2014). Primeramente fue necesario crear la página inicial en donde colocar un usuario y contraseña y así resguardar los datos. Habiendo creado el inicio de sesión fue necesario programar con el lenguaje PHP y con la ayuda de CSS, la página y el estilo respectivamente para permitir seleccionar el tipo de estudio (mamografía o RX) al cual le fueron extraídas las métricas con ATIA y ser guardadas en la base de datos. Seguidamente fue necesario crear el código en PHP para que se pueda subir hojas de cálculo y ser reconocidas como tal para poder extraer el valor de las métricas de 35 Figura 4.9: Creación de las primeras tablas para la base de datos. Elaboración propia (2020). calidad de imagen de celdas específicas como fue mostrado en la Figura 4.5, luego de esto se debe acceder a la DB y almacenar estos valores. 4.2.3 Creación de gráficos de control Para crear los gráficos de control se requirió de la librería Highcharts, escrito en JavaScript cuya función es crear gráficos interactivos con la ventaja de que se basa en las capacidades de los navegadores web por lo que no necesita plugins como Flash o Java Highcharts (2020). Cada una de las métricas posee su gráfico de control característico en los cuales es necesario colocar un límite superior e inferior para reconocer ya sea un dato atípico, una mala toma de datos, un error en la imagen o problemas del equipo que requieran atención inmediata. 36 De acuerdo con el equipo de trabajo de ATIA, bajo convención se obtienen los lí- mites de control utilizando un número limitado de datos (por lo general eligen 5 o 10) para así mantener un punto de referencia seleccionado mediante un comisionamiento (también llamado puesta en marcha) del equipo o a partir del cuál el personal encarga- do del equipo indique que se encuentra en un punto óptimo y estable. Para la presente tesis, los gráficos de control son delimitados por un medio ancho de 2σ. 4.3 Colección de datos Luego de crear la página que mostrará los gráficos de control se coleccionó en orden cronológico todas las observaciones y para así comprobar la factibilidad del sitio web para evaluar el desempeño del equipo. Figura 4.10: Gráfico de control para el análisis del índice de sensibilidad d’. Elaboración propia (2020). La Figura 4.10 muestra uno de los gráficos de control (d’ para RX) que crea la página web con la ayuda de la librería Highcharts, cuyo fin es el análisis gráfico de los datos obtenidos a lo largo del tiempo, por lo que es una herramienta muy poderosa para el análisis de fluctuaciones y los respectivos datos atípicos. La línea horizontal superior representa 2σ por encima del promedio y la inferior 2σ por abajo del promedio, esto es, µ ± 2σ. Con cada nuevo valor que se introduzca en la base de datos la desviación estándar es calculada nuevamente por lo que es un valor dinámico con el tiempo. Para validar el funcionamiento correcto y factibilidad del sitio web, cada uno de los 37 gráficos de control fueron también fueron creados mediante hojas de cálculo y compa- rados uno a uno con los del sitio web. Dicho lo anterior se logró observar cualitativa y cuantitativamente qué métricas son susceptibles a eventos como cambio de detector, calibración e incorrecto uso del perso- nal a cargo que serán mostradas en los resultados. Además de la colección de las métricas de calidad de imagen también se obtuvo los mapas de varianza para el detector (Figura 4.6) para cada imagen tanto para RX como para mamografía, estos fueron colocados en orden cronológico en videos para poder observar de manera general regiones que posean cambios a lo largo del tiempo que indiquen un posible agotamiento del detector o zonas con píxeles defectuosos, cada mapa en los videos tiene una duración de 400 ms, es decir, 2,5 imágenes por segundo. Posteriormente se ubicaron las regiones en las que se observaron cambios a lo largo del tiempo (píxeles amarillos o rojos), dichas regiones (sombreadas) son mostradas en la Figura 4.11 para RX en la que se puede apreciar dos mapas debido a la forma en que adquirían las imágenes antes (izquierda) y después (derecha) del cambio del tubo de RX, cuya resolución es de 347×423 píxeles2 con una profundidad de 24 bits. La regiones 1 y 2 solo son posibles de analizar después del cambio del tubo de RX puesto que antes la región aparece completamente en rojo, caso contrario a las regiones 3 y 4 que sí permiten una comparación entre sí antes y después. Es importante resaltar que no se tomó en cuenta la región donde se ubican los objetos de prueba (cuadrados rojos), puesto que el grosor y color de relleno es muy variable de imagen a imagen y no permite la automatización para el conteo de píxeles defectuosos. Para el caso de los mapas de variación para mamografía, estos tienen una resolución de 232×291 pixeles2 con una profundidad de 24 bits, en ellos el color rojo significa que existe una diferencia significativa entre píxeles cercanos por lo que, de manera contra- ria, el verde indica que existe uniformidad entre los puntos cercanos, por ende colores de la gama del amarillo indican la transición entre un color y otro. Se utiliza una sola región de interés como lo muestra la Figura 4.12. De manera similar a la Figura 4.11 no se puede analizar la totalidad de la imagen puesto que en muchos de los mapas para mamografía aparecen zonas completamente rojas (por debajo de la región 1) sin embargo se puede analizar gran parte de la imagen debido a que los objetos de estu- dio (cuadrados rojos) no cambian significativamente en el grosor de su contorno ni en 38 Figura 4.11: Regiones de análisis en mapas de variación para RX antes del cambio del tubo de RX (izquierda) y después (derecha). Elaboración propia. relleno. Figura 4.12: Región de análisis en mapas de variación para mamografía. Elaboración propia (2021). Habiendo elegido las regiones se obtienen las coordenadas en píxeles para RX y 39 RX xinicial x f inal yinicial y f inal Región 1 0 345 0 55 Región 2 0 345 370 420 Región 3 40 320 70 130 Región 4 40 320 235 315 Mamografía xinicial x f inal yinicial y f inal Región 1 0 231 0 280 Cuadro 4.1: Coordenadas en píxeles para cada región en los mapas de variación para RX y mamo- grafía mamografía según la tabla 4.1. Una vez elegidas las coordenadas a estudiar se desarrolló un macro en ImageJ que pudiese detectar cambios en los colores de las imágenes de 24 bits predominantemen- te verdes de tal manera que al encontrar un píxel amarillo o rojo (posible deficiencia en el detector) en las regiones indicadas, este fuese añadido a un contador de píxeles respectivo para ambos colores que luego fueron graficados en función del tiempo y así observar la evolución temporal y detectar si existió una tendencia a la alza de píxe- les rojos (posiblemente defectuosos), amarillos o verdes o incluso si no hay ninguna tendencia clara. 40 5 Resultados 5.1 Obtención de los mapas de varianza mediante el software ATIA Los mapas de varianza generados por ATIA fueron analizados uno a uno para des- cubrir posibles píxeles defectuosos o deficiencias en la detectabilidad, para ello se gra- ficó de manera cronológica la cantidad de píxeles rojos, amarillos y verdes (baja, media y alta uniformidad entre puntos cercanos) y así identificar si existe o no una tendencia conforme se avanza en el tiempo. Para mamografía se logró extraer satisfactoriamen- te 59 mapas de varianza antes del cambio de detector y 106 después del cambio de detector, para RX 98 imágenes después del cambio de tubo de RX. La imagen 5.1 muestra el conteo de píxeles verdes extraídos de cada uno de los mapas de varianza para mamografía antes del cambio de detector. En el eje vertical se muestra el conteo de píxeles verdes y en el horizontal se coloca el número de imagen, de manera que el número 1 corresponde al mapa de varianza respectivo al primer día, 2 el respectivo al segundo día, sucesivamente hasta la última imagen. Del mismo modo se muestra el conteo de píxeles amarillos y rojos en las figuras 5.2 y 5.3 (en ninguno de los casos, no se eliminaron datos atípicos, en el siguiente capítulo serán evaluados y eliminados). 41 Figura 5.1: Conteo de píxeles verdes antes del cambio de detector para mamografía. Elaboración propia (2023). Figura 5.2: Conteo de píxeles amarillos antes del cambio de detector para mamografía. Elaboración propia (2023). 42 Figura 5.3: Conteo de píxeles rojos antes del cambio de detector para mamografía. Elaboración propia (2023). Para el estudio de la cantidad de pixeles después del cambio de detector en mamo- grafía se obtuvo las gráficas mostradas en las figuras 5.4, 5.5 y 5.6. 43 Figura 5.4: Conteo de píxeles verdes después del cambio de detector para mamografía. Elabora- ción propia (2023). Figura 5.5: Conteo de píxeles amarillos después del cambio de detector para mamografía. Elabo- ración propia (2023). 44 Figura 5.6: Conteo de píxeles rojos después del cambio de detector para mamografía. Elaboración propia (2023). En el caso de RX, antes del cambio del tubo de RX, no fue posible realizar los gráficos de conteo debido a la baja similitud entre mapas de varianza y a un mal estado de estos, no obstante, sí fue posible realizarlo luego del cambio del tubo de RX de manera que, de forma similar para el caso de mamografía, se obtienen los gráficos para el conteo de los píxeles de colores verdes, amarillos y rojos respectivamente en las figuras 5.7, 5.8 y 5.9. 45 Figura 5.7: Conteo de píxeles verdes después del cambio del tubo para RX. Elaboración propia (2023). Figura 5.8: Conteo de píxeles amarillos después del cambio del tubo para RX. Elaboración propia (2023). 46 Figura 5.9: Conteo de píxeles rojos después del cambio del tubo para RX. Elaboración propia (2023). Finalmente, se elaboraron videos colocando uno a uno los mapas de varianza en or- den cronológico y fueron subidos a una plataforma estable para de esta manera poder comparar si existe un cambio visualmente aparente desde el inicio hasta el final de la toma de datos, tales videos se pueden observar según se muestra en la tabla 5.1. Mapa de variación Enlace al video Mamografía antes del cambio de detector https://youtu.be/ynQS3N6p294 Mamografía después del cambio de detector https://youtu.be/Ivy3lo97Es0 Radiografía antes del cambio del tubo de RX https://youtu.be/9fFDPHZYpPc Radiografía después del cambio del tubo de RX https://youtu.be/mPS2CzFKAhg Cuadro 5.1: Enlaces a los videos de mapas de variación para mamografía antes y después del cambio del detector y radiografía convencional antes y después del cambio del tubo de RX. 47 5.2 Creación del sitio web para el control de calidad de manera re- mota y automatizada El desarrollo del sitio web fue elaborado de manera satisfactoria haciendo uso del lenguaje PHP, programas editores de PHP (como Brakets y Dreamweaver), CSS, DB en MySQL y el servidor local virtual WampServer. 5.2.1 Funciones del sitio web El ingreso a todo el contenido del sitio web se ve restringido por un inicio de sesión de la manera mostrada en la figura 5.10 por lo que fue necesario previamente crear el usuario y contraseña en la DB. Figura 5.10: Inicio de sesión del sitio web. Elaboración propia (2021). Posterior al ingreso, se muestra el menú en la parte superior que permite el acceso a las distintas páginas web como es mostrado en la Figura 5.11, en donde se muestra Planteamiento del problema y Acerca de la Tesis que direccionan a la información básica pertinente a la presente tesis como lo son los objetivos y el tema de estudio en el primer caso y la información sobre el comité y estudiante en el segundo caso. Para la observación y análisis de los gráficos de control es imperante primeramente seleccionar el tipo de estudio, ya sea RX o mamografía, haciendo clic sobre las respectivas palabras ubicadas en la parte inferior de la página como se manifiesta en la figura 5.11. 48 Figura 5.11: Página principal y selección de estudio. Elaboración propia (2021). En la figura 5.12 se presenta el menú sesión cuya función es permitir en cualquier momento elegir qué tipo de estudio es el deseado por el usuario para introducir da- tos nuevos de las métricas de calidad de imagen, esto es, permitir elegir entre RX y mamografía además de facultar el cierre de sesión. Figura 5.12: Contenido del menú sesión. Elaboración propia (2021). Es importante hacer notar que si se da clic en el menú Gráficos de control y no 49 se elige previamente el tipo de estudio (RX o mamografía) no es posible visualizar los gráficos de control lo que ocasionará que en la parte inferior se muestre un mensaje indicando que se debe seleccionar primeramente un tipo de estudio para poder facultar el ingreso a dichos gráficos como se presenta en la figura 5.13. Figura 5.13: Página principal en donde primeramente se debe seleccionar el tipo de estudio para acceder a los gráficos de control. Elaboración propia (2021). Una vez elegido el tipo de estudio se le solicita al usuario seleccionar el archivo exportado por el software ATIA según lo expuesto en la figura 5.14, tal archivo contiene los valores de la métricas de calidad de imagen que serán extraídas por la página web y almacenadas en la DB de manera automática. Una vez adicionadas las métricas de calidad a la base de datos es posible seleccionar en cualquier momento desde el menú la respectiva opción para presentar uno de los diez gráficos de control disponibles (figura 5.15) para así finalmente acceder a la página pertinente. La figura 5.16 muestra una de las posibles gráficas de control a seleccionar. 50 Figura 5.14: Selección del archivo exportado por ATIA. Elaboración propia (2021). Figura 5.15: Selección del tipo de gráfico de control en el sitio web. Elaboración propia (2021). 51 Figura 5.16: Selección del tipo de gráfico de control en el sitio web. Elaboración propia (2021). 52 5.2.2 Gráficos de control Se muestra a continuación la forma que toman los gráficos de control para RX con fecha de inicio a partir del 6 de junio de 2017 y cuya última fecha es el 25 de marzo de 2021 y de igual forma para mamografía con fecha de inicio el 5 de junio de 2017 y de finalización el 26 de junio de 2020. Notar que todas las gráficas cuentan con dos líneas rectas funcionando como cotas señalando el valor del tercer cuartil más 1,5 veces el rango intercuartílico (RIC) y el valor del primer cuartil menos 1,5 veces el rango intercuartílico. La figura 5.17 presenta los gráficos de control para RX resultantes para SDNR y SNR, de igual manera la figura 5.18 muestra los gráficos para MTF horizontal, en tanto la figura 5.19 hace lo mismo para MTF vertical, finalmente la figura 5.20 muestra los gráficos obtenidos para el índice de sensibilidad. 53 Figura 5.17: Gráficos de control para RX correspondientes a SDNR (arriba) y SNR (abajo) presen- tados en el sitio web. Elaboración propia (2021). 54 Figura 5.18: Gráficos de control para RX correspondientes a MTF horizontal 50 % (A), 20 % (B) y 10 % (C) presentados en el sitio web. Elaboración propia (2021). 55 Figura 5.19: Gráficos de control para RX correspondientes a MTF vertical 50 % (A), 20 % (B) y 10 % (C) presentados en el sitio web. Elaboración propia (2021). 56 Figura 5.20: Gráficos de control para RX correspondientes a d’ para D = 0,3 mm (arriba) y D = 4 mm (abajo) presentados en el sitio web. Elaboración propia (2021). 57 Para el caso de mamografía, se exponen los respectivos gráficos de control corres- pondientes a SDNR y SNR (figura 5.21), MTF horizontal (figura 5.22), MTF vertical (figura 5.23) e índice de sencibilidad (figura 5.24). Figura 5.21: Gráficos de control para mamografía correspondientes a SDNR (arriba) y SNR (abajo) presentados en el sitio web. Elaboración propia (2021). 58 Figura 5.22: Gráficos de control para mamografía correspondientes a MTF horizontal 50 % (A), 20 % (B) y 10 % (C) presentados en el sitio web. Elaboración propia (2021). 59 Figura 5.23: Gráficos de control para mamografía correspondientes a MTF vertical 50 % (A), 20 % (B) y 10 % (C) presentados en el sitio web. Elaboración propia (2021). 60 Figura 5.24: Gráficos de control para mamografía correspondientes a d’ para D = 0,1 mm (arriba) y D = 0,25 mm (abajo) presentados en el sitio web. Elaboración propia (2021). 61 5.3 Validación del sitio web La factibilidad del sitio web para el análisis de la métricas de calidad mediante los gráficos de control requirió una validación. Se procedió de manera independiente a realizar cada uno de los mencionados gráficos en una hoja de cálculo, con la ventaja adicional de que son más sencillos de manipular. La figura 5.25 da una muestra de las comparaciones hechas a cada uno de los gráficos. Figura 5.25: Validación del gráfico SDNR del sitio web (arriba) mediante comparación utilizando una hoja de cálculo (abajo). Elaboración propia (2021). 62 6 Discusión El software gratuito ATIA permitió la extracción de métricas de calidad así como los mapas de varianza, eventualmente complementarán las pruebas de control de calidad de un programa establecido en las instituciones, siendo de esta manera, paralelo a los programas de QC. Seguidamente, se discuten los resultados obtenidos a partir de las variaciones observadas en las métricas y los mapas de varianza a lo largo del tiempo 6.1 Mapas de varianza El análisis del cambio de los mapas de varianza en el tiempo tienen una beneficio inherente, sin embargo, es importante notar que no está destinado a ser utilizado para verificar la reproducibilidad entre equipos distintos. El análisis de los mapas de va- rianza permite reconocer píxeles defectuosos que puedan agudizar problemas a largo plazo. Como es de esperar, en los gráficos del conteo de píxeles, en todos los casos, se mani- fiesta una cantidad importante de dispersión entre datos debido a que la aleatoriedad juega un papel notable al momento de obtener la cantidad de colores, no obstante, fue importante identificar valores atípicos y de esta manera no ser incluidos en el posterior análisis. Para distinguir y excluir datos atípicos se utilizó el complemento de Microsoft Excel, Análisis de datos, con este se obtuvo la lista de los residuos estándares. Como regla general se puede considerar un valor atípico a aquel cuyo valor absoluto de los residuos estándares sea mayor a 2 (Illowsky and Dean, 2023). La regla anterior se aplicó al análisis de la cantidad de píxeles verdes, amarillos y rojos. 6.1.1 Análisis estadístico integral de los mapas de varianza en mamografía La hipótesis propuesta es que, antes del cambio de detector y a medida que pasa el tiempo, la cantidad de pixeles verdes deben mostrar un decrecimiento, implicando un crecimiento de pixeles amarillos mayoritariamente y una tendencia casi constante de rojos, en otras palabras, la fatiga del equipo debe ser un proceso progresivo pasando poco a poco de verde a amarillo y muy lentamente a rojo. Luego del cambio de de- tector, el cambio de colores con respecto al tiempo debe ser menos pronunciado. Para 63 que el modelo lineal pueda ser utilizado se deben cumplir los siguientes supuestos (Statologos, 2021): 1. Existe una relación lineal entre la variable dependiente e independiente. 2. Los residuos son independientes (no hay una relación entre residuos consecuti- vos). 3. Existe homocedasticidad, es decir, la varianza de los residuos es constante. 4. Los residuos se distribuyen de manera normal. El primer supuesto (linealidad) puede ser comprobado utilizando el complemento Análisis de datos de MS Excel con la prueba t para la pendiente. La hipótesis nula para la prueba t para la pendiente dicta que no existe relación lineal entre las variables (pendiente = 0) y la hipótesis alternativa indica que existe una relación lineal entre las variables (pendiente ̸= 0) (Hartmann, 2023). Para acoger la hipótesis alternativa como razonable, el p-valor deberá ser menor al nivel de significancia (α) elegido como 0,05, esto debido a que si p < α indicaría que los valores obtenidos son poco probables de ocurrir, señalando así, que la linealidad es adecuada (hipotesis alternativa). En los cuadros 6.1 y 6.2 se muestra los respectivos p-valores para antes y después del cambio de detector, en donde el p-valor para verde y amarillo antes del cambio de detector es menor al nivel de significancia indicando que no se puede descartar que la linealidad está presente, lo anterior no aplica al rojo. Posterior al cambio de detector, el p-valor es mayor al nivel de significancia por lo que no se puede rechazar la hipótesis nula. Color de pixeles p-valor Verde <0,0001 Amarillo <0,0001 Rojo 0,07 Cuadro 6.1: Prueba t para pendientes para mamografía antes del cambio de detector. 64 Color de pixeles p-valor Verde 0,94 Amarillo 0,83 Rojo 0,35 Cuadro 6.2: Prueba t para pendientes para mamografía después del cambio de detector. El segundo supuesto (independencia de los residuos) se puede comprobar utilizan- do la prueba de Durbin-Watson cuya hipótesis nula dicta que no existe correlación entre los residuos. Se considera en general que si el estadístico Durbin-Watson tiene un valor entre 1,5 y 2,5 (Zakerian and Subramaniam, 2009) (zona de no autocorrelación), no existe evidencia