En los últimos años, ha habido un creciente interés en investigaciones relacionadas con el recuento de folículos antrales (RFA) y su influencia en la capacidad reproductiva del ganado, así como su aplicación en biotecnologías asociadas a la reproducción (Ireland et al., 2011; Morotti et al., 2015). El RFA es sumamente variable en diferentes especies, pero en ganado, existe una alta repetibilidad en el mismo individuo, independientemente de raza, edad, temporada de cría, lactancia o condiciones de preñez (Burns et al., 2005). Además, el RFA es consistente a lo largo del ciclo estral en vacas individuales; por lo tanto, un único examen de ultrasonido de rutina es suficiente para identificar hembras con RFA bajo, medio o alto (Martinez et al., 2016). Más interesante aún, existen estudios que muestran que vacas con bajo RFA tienen baja fertilidad (Cushman et al., 2009; Martinez et al., 2016).
Para contar los folículos antrales, los veterinarios usualmente realizan una ecografía transrectal, durante la cual, luego de localizar la región del ovario, se lo escanea con un movimiento de rotación que lo recorre de polo a polo. El procedimiento debe realizarse en unos pocos segundos y requiere de entrenamiento por parte de los operadores, para poder detectar y contar los folículos de manera confiable. Los resultados son exactos cuando el ovario tiene unos pocos folículos grandes, pero la exactitud baja cuando el número de folículos en el ovario es grande y/o los folículos son pequeños.
El conteo automático del número de folículos antrales en el ovario permanece como un desafío abierto para los métodos del estado del arte (Hiremath y Tegnoor, 2013; Potocnik et al., 2012). Los bordes de los folículos pequeños son débiles e irregulares debido a las características de las imágenes de ultrasonido. La presencia de estructuras similares a los folículos, como los vasos sanguíneos, hacen que el problema sea aún más difícil. Sin embargo, contar el número de folículos tiene la ventaja que no requiere una segmentación precisa de los folículos. El problema ha sido abordado anteriormente de diferentes maneras, con imágenes de ultrasonido 2D y 3D, pero no hay hasta el momento resultados concluyentes a nivel académico o en desarrollos comerciales.
Se ha descrito un método para detectar automáticamente el ovario y los folículos en ultrasonido 3D (Chen et al., 2009). El enfoque propone un marco probabilístico para estimar el tamaño y la ubicación de cada folículo en el ovario, mediante la fusión de información de contexto, tanto global como local.
El software comercial SonoAVC que se encuentra integrado al ecógrafo Voluson E8 (GE Medical Systems) realiza una segmentación semiautomática de los folículos en imágenes de ultrasonido 3D utilizando un algoritmo basado en morfología matemática (Raine-Fenning et al., 2008).
Los métodos que detectan los folículos en 3D son probablemente los más exitosos. La información adicional presente en ultrasonido 3D puede ser utilizada efectivamente para discernir entre folículos y otras falsas detecciones (Potocnik et al., 2012). Sin embargo, veterinarios de nuestro grupo de investigación, en concordancia con trabajos previos (Potocnik et al., 2012), prefieren escaneos 2D porque las sondas les resultan más fácil de manipular y las imágenes de interpretar. Además, los ecógrafos 3D son aún de difícil acceso para los veterinarios de países en desarrollo. Por esta razón, nuestro objetivo es investigar si es posible contar el número de folículos utilizando videos de ultrasonido 2D.
En lo que refiere a la detección de folículos en una única imagen de ultrasonido, un grupo introdujo varios métodos basados en el crecimiento de regiones (Potocnik y Zazula, 2002a, 2000). Otro grupo propuso varios algoritmos basados en un esquema de extracción de características y clasificación (Hiremath y Tegnoor, 2013).
Para contar todos los folículos del ovario, se necesita más de una imagen. Una de las posibilidades es segmentar las imágenes cuadro a cuadro y luego agrupar las detecciones correspondientes a un mismo folículo como una única detección. Se ha descrito un método que trabaja con una secuencia temporal de imágenes de ultrasonido (Potocnik y Zazula, 2002b) que fue posteriormente mejorado (Potocnik y Zazula, 2003). Los bordes de los folículos detectados son seguidos por una combinación de tres filtros de Kalman mutuamente dependientes.
Lamentablemente, no existe una base de datos pública de imágenes de ultrasonido (2D o 3D) de ovarios que permita una comparación objetiva entre los diferentes métodos.
Conjunto de datos
A los efectos de desarrollar y evaluar el abordaje propuesto, se confeccionaron dos fantomas (elemento utilizado para el calibrado de equipos de imagen y que contiene, en su interior, elementos de características similares a los del organismo) con nueve ovarios cada uno sumergidos en gelatina. Los ovarios se recogieron de un frigorífico, y se acondicionaron eliminando restos de tejido. Cada fantoma se construyó colocando los ovarios en una caja rellena de gelatina, a una altura aproximada de 1 cm.
Para cada ovario, un experto realizó 3 adquisiciones de ultrasonido con la sonda transrectal. Las adquisiciones se realizaron haciendo un giro de la sonda sobre su eje. Los videos fueron adquiridos a 30 cuadros por segundo, a una resolución de 640x480, siguiendo el siguiente criterio: (a) barrido de derecha a izquierda, de polo a polo del ovario (b) barrido de izquierda a derecha, de polo a polo del ovario (c) barrido de ida y vuelta, de polo a polo del ovario, mientras el experto realiza un conteo de folículos.
Luego de escanearlos con ultrasonido, los fantomas fueron desarmados y los ovarios disecados. Para cada ovario, todos los folículos y cuerpos lúteos fueron medidos. Los tamaños de los folículos variaron en el rango de 2 a 20 mm. La Figura 14 muestra uno de los fantomas y el procedimiento de adquisición de ultrasonido.
Procesamiento de señales para la detección de folículos
Detección de regiones candidatas en cada cuadro
El primer paso consiste en detectar automáticamente, en cada cuadro de video, aquellas regiones que parecen ser folículos. Los folículos son estructuras aproximadamente esféricas, rellenas con líquido. La ecogenicidad en las paredes es alta, mientras que el fluido interior es prácticamente anecoico. Se observan típicamente en ultrasonido como círculos oscuros con bordes más intensos. Una cascada de clasificadores (Viola y Jones, 2001) de tipo boosting, que utiliza como características patrones locales binarios (en inglés Local Binary Pattern), es una eficaz y eficiente alternativa para detectar este tipo de estructuras. El clasificador fue entrenado con un conjunto de regiones pertenecientes a folículos, y con regiones negativas. Las regiones fueron escaladas a un tamaño de 24 x 24 píxeles, o equivalentemente 2,4 x 2,4 mm, de acuerdo a la resolución del video utilizado. La figura 15 muestra un ejemplo de una región detectada en un cuadro en particular.
