Optimización en algoritmos de filtrado de fascículos de materia blanca superficial en datos de tractografías probabilísticas.

Abstract

Durante los últimos años se han desarrollado diversas técnicas de imagenología para el estudio del cerbero humano. Una de estas es la imagen por tensor de difusión, la cual permite visualizar fibras cerebrales. Los algoritmos de segmentación automática de fibras, tienen como objetivo clasificar las fibras en sus respectivos fascículos. Este proceso automatizado, según las especificaciones del algoritmo, pueden generar errores o fascículos ruidosos, donde el ruido corresponde a ciertas fibras del fascículo que son diferentes del resto desde un punto de vista topológico y morfológico. Los algoritmos de filtrado, fueron diseñados para eliminar las fibras ruidosas de los fascículos. A partir del análisis de un algoritmo de filtrado diseñado en Python, se desarrolla una versión optimizada en C. Este algoritmo utiliza como criterio de filtrado, la distancia SSPD, una métrica que permite establecer una unidad de medida entre curvas de diferentes longitudes, formas y localización. Además del filtrado, se realiza un algoritmo de reducción dimensional, el cual transforma las fibras a un espacio bidimensional, minimizando los tiempos de cómputo en el proceso de filtrado. A través de un análisis teórico, en C se crean librerías destinadas a realizar estos procedimientos. En el desarrollo de la implementación en C, se hacen diversas optimizaciones respecto al algoritmo original, siendo la principal, el cómputo de la mitad de la matriz de distancias SSPD, el cual es el procedimiento de mayor costo computacional del algoritmo. Estas optimizaciones, en conjunto con el uso de computación paralela generan un algoritmo de filtrado que es sobre 4000 veces más rápido que su implementación en Python.

In recent years, various imaging techniques have been developed to study the human brain. One of these techniques is the difussion tensor imaging,which allows to visualize brain fibers. The objective of automatic fiber segmentation algorithms is to classify the fibers into their corresponding fascicles. This automated process, according to the algorithm specifications, can generate errors or noisy fascicles, where the noise corresponds to certain fibers of the fascicle that are different from the rest from a topological and morphological point of view. Filtering algorithms was designed to remove the noisy fibers of the fascicle. Based on the analysis of a filtering algorithm designed in Python, a C optimized version is developed. This algorithm uses the SSP distance as a filtering criterion, a metric that allows establishing a unit of measurement between curves of different lengths, shapes and location. In addition to filtering, a dimensional reduction algorithm is performed, which transforms the fibers into a two-dimensional space, minimizing the computation times in the filtering process. Through a theoretical analysis, C libraries are created to perform these procedures. In the development of the C implementation, various optimizations are made with respect to the original algorithm, the main one being the computation of half of the SSP distance matrix, which is the procedure with the highest computational cost of the algorithm. These optimizations, together with the use of parallel computing, generate a filtering algorithm that is over 4000 times faster than the Python implementation.