Herramienta Software para la Reconstrucción y

Visualización 3D del Corazón a partir de

Imágenes de TAC
Luis López Dı́az†1 , Andersson Contreras Olmos†2 , Alberto Cadena∗3 , Nicolas Chaos∗4 and Juan Pablo Tello P.†5
† Universidad del Norte

Barranquilla - Colombia
1
llopeza@uninorte.edu.co
2
anderssonc@uninorte.edu.co
5
telloj@uninorte.edu.co
∗ Clı́nicade la Costa
Barranquilla - Colombia
3
acadenabon@gmail.com
4
nicolaschaosmd@gmail.com

Abstract—This paper presents the development of a
computational tool for the reconstruction and three-
dimensional visualization of the heart from sequences
of computerized axial tomography images (TAC). The
methodology consists of five stages. In the first one, the images
are acquired by a scanner TAC, which they correspond to a
series of axial planes in DICOM format. In the second one,
the images are processed with the purpose of reducing the
present noise and highlight the important features in them. In
the third one, three methods of segmentation are compared:
Region Growing, Otsu and Active Contour, being the third
method the one that better isolates the region of interest
(ROI), while the other two methods, involve morphologic
structures outside the heart. In the fourth one, the rendering
of the cardiac structure already segmented is made and the
3D volume is obtained. Finally, in the fifth one, it is visualized
the reconstructed structure by means of a graphical user
interface (GUI). The validation was based on the visual
perception, and three experts were who determined that the
tool offers a good quality in reconstruction without significant
distortions and like 3D structure obtained from the scanner
TAC, offers the possibility in helping to medical personnel in
preliminary surgical procedures.
Resumen— Se presenta el desarrollo de una herramienta
computacional para la reconstrucción y visualización tridi-
mensional del corazón a partir de secuencias de imágenes de
tomografı́a axial computarizada (TAC). La metodologı́a consta
de cinco etapas. En la primera, se adquieren las imágenes
mediante un escáner TAC, que corresponden a una serie de
planos axiales en formato DICOM. En la segunda, se procesan
las imágenes con la finalidad de reducir el ruido presente y
resaltar caracterı́sticas importantes en ellas. En la tercera,
se comparan tres métodos de segmentación: Crecimiento de
Regiones, Otsu y Contornos Activos, siendo el tercero el que
aı́sla mejor la región de interés (ROI), mientras que los otros
dos, comprometen estructuras morfológicas no pertenecientes
al corazón. En la cuarta, se realiza la renderización de la
estructura cardı́aca ya segmentada y se obtiene el volumen 3D.
Finalmente, en la quinta se visualiza la estructura reconstruida
por medio de una interfaz gráfica de usuario (GUI). La
validación se basó en la percepción visual, y fueron tres
expertos quienes determinaron que la herramienta brinda una
buena calidad de reconstrucción sin distorsiones significativas
y al igual que la estructura 3D obtenida desde el escáner
TAC, brinda la posibilidad de asistir al personal médico en
los procedimientos quirúrgicos previos.
I. I NTRODUCCI ÓN
Las enfermedades cardiovasculares son la primera causa
de mortalidad en el mundo [1], y el diagnóstico de e-
llas es clave a la hora de realizar un tratamiento o in-
tervención temprana en los pacientes. Existen diferentes
medios de diagnóstico en cardiologı́a, todos ellos estable-
cidos en dos grupos. El primero, denominados invasivos,
los cuales representan los procedimientos realizados en las
salas de hemodinámica y los derivados de las unidades
de electrofisiologı́a y arritmias. El segundo, denominados
no invasivos que están enfocados al diagnóstico, no solo
cuando los pacientes presentan sı́ntomas patológicos, sino
también a la detección precoz de la enfermedad. Dentro este
segundo grupo están la ecocardiografı́a, la cardioresonancia
y la tomografı́a axial computarizada multicorte.
La tomografı́a axial computarizada (TAC) es una técnica
que permite obtener imágenes transversales del cuerpo hu-
mano a partir de múltiples proyecciones de haces de rayos X.
Estas imágenes se pueden procesar para reconstruir planos
sagitales, coronales y oblicuos. La TAC se emplea fre-
cuentemente para evaluar cualitativa y cuantitativamente la
estructura y funcionalidad cardı́aca, para lo cual se emplean
secuencias de imágenes del corazón en uno o más instantes
de tiempo de un ciclo cardı́aco [2].
Los avances recientes en la tecnologı́a de escáneres TAC
han permitido aumentar la velocidad de adquisición, mejorar
la resolución espacial, y realizar la evaluación simultánea
de estructuras cardı́acas y pulmonares. Como consecuen-
cia, se ha podido reducir la exposición a la radiación del
paciente y ha aumentado el uso de esta herramienta para
evaluar y diagnosticar enfermedades congénitas o adquiri-
das del corazón, ası́ como también cardiopatı́as congénitas
en pacientes pediátricos [3], [4]. Adicionalmente, la re-
construcción tridimensional de estructuras del corazón está
siendo una herramienta de gran apoyo, no solo para entender
mejor la anatomı́a de anormalidades complejas del mismo
sino también para brindan la posibilidad de realizar una
planeación quirúrgica más efectiva.
Por otro lado, las técnicas de procesamiento de imágenes,
tales como: filtrado, segmentación y reconstrucción de es-
tructuras tridimensionales, se usan cada vez más en el área
médica y los métodos basados en análisis de imágenes
han ganado mucha aceptación clı́nica ya que dependen
en gran medida de la facilidad de cálculo y la reducción
de la dependencia de procedimientos invasivos impactando
potencialmente en la eficiencia del diagnóstico y en los
protocolos terapéuticos [3]. Fig. 1. Diagrama de bloques del sistema.
Recientemente, se han propuesto diferentes métodos para
la segmentación de las cámaras del corazón, muchos de ellos
para la caracterización de la función cardı́aca [4]. Por otro
lado, los modelos del corazón son cada vez más utilizados
en la orientación intervencionista del médico. Es por esto
que ha sido también necesario extraer otras regiones como
son los grandes vasos conectados al mismo. Adicionalmente
los avances en la velocidad de cómputo y la alta resolución
gráfica, han permitido el análisis y visualización en tiempo
real de caracterı́sticas anatómicas y funcionales de imágenes
médicas en 2D y 3D [2].
Uno de los problemas en el campo del procesamiento de
imágenes es la generación de representaciones geométricas Fig. 2. Muestra tomada de la secuencia DICOM.
asociados a componentes detectados en ellas, y, más aun
cuando se trata de la identificación de componentes com-
plejas, como es el caso de las estructuras anatómicas en aplicado a imágenes T-snakes para 2D y luego a T-surfaces
imágenes médicas. En muchos casos además se presentan en el caso de 3D (MRI y CT).
diferentes factores (tales como ruido, variación de inten- En este trabajo se presenta una herramienta basada en
sidades, etc.) que afectan el proceso de detección de los técnicas clásicas de procesamiento de imágenes que per-
lı́mites de las estructuras y la consiguiente conformación mite la reconstrucción tridimensional del corazón a partir
de un modelo de superficie consistente. Los métodos basa- de imágenes de TAC. El objetivo es obtener un modelo
dos en crecimiento de regiones has sido usadas para este similar al que se obtiene con el escáner TAC Sommaton
propósito, además que han permitido incorporar nuevos Force y, a partir de éste, permitir la manipulación de la
elementos durante el crecimiento, haciendo de ellos, algorit- estructura reconstruida buscando mejorar en los procesos
mos más robustos. El inconveniente que poseen, como todo de diagnóstico y en la asistencia de los procedimientos de
esquema que trabaja en un dominio discreto, es que el mo- planeación quirúrgica.
delo de superficie reconstruido a partir de la segmentación
obtenida posee un aspecto escalonado, el cual debe ser post- II. M ETODOLOG ÍA
procesado mediante algún algoritmo de suavizado antes del
renderizado [2]. La herramienta para la reconstrucción tridimensional del
Barrios M., Ramı́rez H. y Bonaveri P. en [5], presentan corazón consta de cinco (5) etapas. La primera consiste en
una forma de generar la segmentación y reconstrucción en la adquisición de las imágenes médicas provenientes del
3D de una región del cerebro afectada por un infarto a partir escáner TAC. La segunda, realiza el pre-procesamiento de
de un conjunto de imágenes de CT. Mediante segmentación las muestras para el mejoramiento y reducción de ruido de
basada en el algoritmo de crecimiento de regiones evalúan las mismas. La tercera permite la segmentación de la región
el volumen de estas regiones, cuantificando el daño causado. de interés (ROI). La cuarta, consiste en la renderización y
En [6] Orlando J. y otros presentan un método para la obtención del volumen 3D del corazón; y, la quinta que
segmentación de regiones de interés en imágenes médicas permite la visualización de la estructura reconstruida. En
volumétricas basado en un algoritmo de crecimiento de la Fig. 1. se presenta el diagrama de bloques del sistema
regiones. El método se aplica a imágenes de CT y MRI implementado.
detectando adecuadamente algunas estructuras como: huesos
y riñones, en imágenes de CT y tumores, en MRI. A. Adquisición
Allevato E., Pedarré R. y otros en [2], proponen la Las imágenes (DICOM) son adquiridas usando un escáner
integración de algoritmos basados en crecimientos de re- TAC y almacenadas en un computador personal. Mediante el
gionesy contornos deformables para la generación de mallas toolbox de procesamiento digital de imágenes de MATLAB
de superficie. Primero realizan una detección inicial de se extrae la información de interés y se inicia con el
cada región de interés y posteriormente un refinamiento de respectivo procesamiento. Una muestra tı́pica de imagen
la superficie mediante Contornos Activos. El esquema es médica de TAC es mostrada en la Fig. 2.
 (a) (b)
Fig. 3. Preprocesamiento de las muestras: (a) Original, y (b) Filtrada.
B. Pre-procesamiento
La etapa de pre-procesamiento busca minimizar el ruido
presente en las imágenes con el fin de mejorar la calidad de
las mismas y prepararlas para la siguiente etapa. El proceso
consta de tres fases: las transformaciones morfológicas, la
segmentación de las estructuras pulmonares y el proceso de
filtrado de las imágenes.
Las transformaciones morfológicas permiten suprimir
pequeñas regiones de la imagen que no representan gran
importancia en la reconstrucción. Es decir, regiones como:
vasos sanguı́neos y estructuras pulmonares que no hacen
parte del corazón. Este proceso se lleva a cabo usando
operaciones de erosión y apertura [7].
En el examen de TAC, los pulmones del paciente están
llenos de aire; lo que hace que la imagen correspondiente a
la región pulmonar sea de tono oscuro. Esto debido a que
el aire posee un bajo ı́ndice de absorción de rayos X. La
caracterı́stica del aire descrita permite que la segmentación
de la estructura del corazón sea menos compleja. Por re-
comendación del cardiólogo se decidió segmentar los pı́xeles
a partir de un umbral determinado (U > 800) [8], [9].
En la fase de filtrado se implementa la técnica de filtro de
mediana con el objetivo de minimizar el ruido, sin afectar
significativamente los contornos de la imagen procesada. El
filtro usa una máscara cuadrada que recorre toda la imagen
y, asigna a los pı́xeles incluidos en la máscara el valor de
la mediana [8].
C. Segmentación
La etapa de segmentación busca extraer la región de
interés (ROI) del conjunto de imágenes DICOM, aislando
las partes que representan información importante para el
propósito del trabajo. Existen diferentes algoritmos de seg-
mentación usados en el procesamiento de imágenes médicas,
sin embargo únicamente se usaron las técnicas clásicas y
probablemente las menos complejas: El método de Creci-
miento de Regiones (Fig. 4a), que requiere un valor semilla
para detectar la región a segmentar [10]. El método Otsu
(Fig. 4b), que utiliza un umbral para clasificar si un pı́xel
pertenece o no a la región de interés [11], y, el método
de Contornos Activos (Fig. 4c), que detecta la región a
segmentar basado en los contornos y lı́mites de la imagen
[12], [13].
La segmentación obtenida con la técnica de Contornos
Activos presenta un mejor resultado desde el punto de vista
de la percepción visual de los especialistas, dado que ésta
(a) (b)
(c) (d)
Fig. 4. Imagen preprocesada: (a) Original, (b) Contornos Activos, (c)
Crecimiento de Regiones, y (d) Método de Otsu.
presenta mayor correspondencia a la estructura cardı́aca de
interés, mientras que los otros dos métodos incluyen en
la ROI estructuras que no pertenecen al corazón. Por este
motivo el método de Contornos Activos, se selecciona para
la implementación de la aplicación desarrollada.
D. Reconstrucción de vistas
La reconstrucción de vistas tiene por objetivo crear
imágenes del corazón en los planos sagitales y coronales. El
plano sagital corresponde a un corte perpendicular de la caja
torácica del paciente (Fig. 5a), mientras el plano coronal es
un corte frontal del corazón (Fig. 5b). Las nuevas vistas se
generan a partir de transformaciones lineales de las matrices
de pı́xeles en la pila de cortes axiales que obtiene el escáner.
La Fig. 5c, muestra de manera gráfica la forma como se
calculan las vistas mencionadas.
E. Renderización
La etapa final del procesamiento consiste en la renderi-
zación de la estructura cardı́aca ya segmentada. Para este
propósito se usa el método de isosuperficies, que consiste
en definir un cubo con los valores del pı́xel en las ocho
esquinas del mismo. Si uno o más pı́xeles del cubo tiene
un valor menor o mayor que el isovalor (definido por el
usuario), entonces el cubo pertenece a la isosuperficie. Una
vez determinados los bordes del cubo que intersectan a
la isosuperficie, se crean puntos adicionales, resultado de
la interpolación, los cuales se conectan entre sı́ (poligo-
nización) cerrando las estructuras con las que se obtiene
el volumen 3D. Adicionalmente se ajustan los valores de
luz y colores para lograr el efecto tridimensional similar al
obtenido desde el escáner TAC [14], [15]. En la Fig. 6a, se
muestra la estructura reconstruida directamente del escáner,
la cual se tomó como punto de referencia para poder realizar
la evaluación que se explica más adelante. La imagen es una
 (a) (b)
(c)
Fig. 5. Imagen preprocesada: (a) Sagital, (b) Coronal, y (c) Transformación
matricial.
(a) (b)
Fig. 6. Estructura 3D del corazón reconstruido: (a) Escáner, y (b)
Herramienta desarrollada.
captura de la pantalla del escaner y por tanto, no brinda la
posibilidad de ningún tipo de pos-procesamiento, similar al
que se desarrolla en este trabajo. Es importante mencionar
que el fabricante del escaner TAC restringe el acceso al
código fuente para modificar las estructuras reconstruidas.
En la Fig 6b, se muestra la estructura reconstruida por la
herramienta desarrollada.
F. Visualización
Se desarrolló una interfaz gráfica usuario (GUI) para
visualizar los resultados obtenidos en el proceso de renderi-
zación. La GUI (Fig. 7.) muestra información del paciente
y el equipo con que se realiza el examen TAC. Además,
se muestran los cortes axiales (superior derecha), sagitales
(inferior izquierda) y coronales (inferior derecha). Por otro
lado, en la GUI se tiene la opción de generar un modelo
3D a partir de dos procedimientos, que para nuestro caso
los hemos denominado métodos. El método asistido, que
reconstruye el modelo a partir de una máscara ingresada
por el usuario; mientras que el método automático, que
reconstruye el modelo con base en la ubicación del corazón
que se encuentra en la parte central de las imágenes.
III. R ESULTADOS
Se tomaron muestras de exámenes TAC de ocho (8)
pacientes de la Clı́nica de la Costa, previa aprobación del
Fig. 7. Interfaz Gráfica de Usuario.
TABLE I
C RITERIO DE EVALUACI ÓN .
Nivel Valoración Descripción
1 Deficiente Reconstrucción no apta para un análisis
2 Aceptable Reconstrucción con ciertas imperfecciones,
brinda poca información
3 Buena Reconstrucción con buena calidad sin distor-
siones significativas
4 Óptima Reconstrucción de alta calidad
Comité de Ética de la misma Clı́nica. Las muestras fueron
adquiridas con el Escáner Sommaton Force CTAWP757474.
La selección de los pacientes fue realizada por un especia-
lista en cardiologı́a. En promedio se obtuvieron de 300 a
350 imágenes por paciente. Cada una de ellas fue procesada
conforme se explicó en la metodologı́a para obtener el volu-
men del corazón reconstruido. Adicionalmente, se utilizaron
2 herramientas software de libre distribución: VolView [16]
y LiveVolume [17], que realizan reconstrucción tridimen-
sional de estructuras a partir de secuencias de imágenes.
El propósito fue realizar una comparación de los resultados
obtenidos mediante la herramienta expuesta en este trabajo
y los que arrojan las herramientas de libre distribución.
La comparación se llevó a cabo mediante criterio visual,
y fueron un especialista en cardiologı́a, un cirujano cardio-
vascular y un experto en imágenes quienes determinaron la
validez de la herramienta desarrollada.
Los algoritmos se implementaron en un equipo de
cómputo estándar (Intel Core i5 2.3 GHz 32Bits, 4GB
de RAM y Windows 7 Ultimate), a excepción del programa
LiveVolume que requiere de una unidad de procesamiento
gráfico (GPU), el cual se ejecutó en un computador de
escritorio de caracterı́sticas similares.
Para cuantificar los criterios de evaluación, se utilizó una
escala que va de 1 a 4, donde 1 representa la calificación más
baja y 4 la calificación más alta, tal como se muestra en la
Tabla I. En la Tabla II se muestra las evaluaciones realizadas
al volumen reconstruido del paciente AAA. Como se puede
observar, aquı́ están consignadas todas las calificaciones
dadas por los evaluadores para las vistas 1, 2 y 3, las cuales
fueron obtenidas con cada uno de los métodos, nombrados
como A, B, C y D. Los métodos A y B son propios de
la herramienta desarrollada, mientras que el C y D son
métodos comerciales. El A corresponde al método asistido
(necesita de una máscara inicial dada por el usuario); el
método B corresponde al método automático (no necesita de
una máscara); el método C corresponde al método usando el
 TABLE II
R ESULTADOS DE EVALUACI ÓN PARA EL PACIENTE AAA.

Paciente AAA
Vista 1 Vista 2 Vista 3
A B C D A B C D A B C D
Eval 1 3 2 4 1 3 2 2 1 2 1 3 2
Eval 2 3 4 2 1 3 2 2 2 2 1 2 3
Eval 3 3 2 3 2 3 2 3 3 4 2 3 3
Media 3 2,7 3 1,3 3 2 2,3 2 2,7 1,3 2,7 2,7

(a) (b)

(a) (b)

(c) (d)

Fig. 9. Volumen reconstruido de la vista superior izquierda con los

diferentes métodos: (a) Asistido, (b) Automático, (c) VolView, y (d)
LiveVolume.

3,5

3,0

2,5
(c) (d)
2,0

Fig. 8. Volumen reconstruido de la vista superior derecha con los diferentes 1,5
métodos: (a) Asistido, (b) Automático, (c) VolView, y (d) LiveVolume.
1,0

0,5
software LiveVolume y, el método D corresponde al método 0,0
usando el software VolView. AAA BBB CCC
En la Fig. 8., se muestra un ejemplo de los volúmenes
Met A Met B Met C Met D
reconstruidos de la vista superior derecha para el paciente  
AAA y en la Fig. 9., los volúmenes reconstruidos de la vista Fig. 10. Calificación promedio para 3 pacientes usando los 4 métodos.
superior izquierda para el mismo paciente.
De acuerdo a las evaluaciones realizadas, el método de
reconstrucción asistida obtuvo en promedio, el valor más de muestras) no es compensada por la disminución de los
alto en la calificación con respecto a los otros tres (3). Según tiempos de ejecución. De esta manera, es recomendable usar
los rangos establecidos en la Tabla I, la reconstrucción tridi- el total de las muestras en el proceso de renderizado con el
mensional visualizada es de buena calidad y sin distorsiones fin de obtener un mayor detalle en la estructura reconstruida.
significativas. En la Fig. 10., se muestra un ejemplo de los
resultados para tres (3) de los ocho (8) pacientes empleados Finalmente, la herramienta desarrollada permite recons-
en el trabajo. Por otro lado, el método de reconstrucción au- truir estructuras particulares de la región cardı́aca. La util-
tomático obtuvo un desempeño comparable con el programa idad se da, gracias a que, con el equipo escáner TAC
de libre distribución LiveVolume. es posible identificar anatómicamente y adquirir cada una
Adicionalmente, se compararon los tiempos de ejecución de las partes que el especialista pueda considerar impor-
para los dos (2) métodos implementados. El método de tante en la toma de las muestras de imagen. Además en
reconstrucción asistido presentó un menor tiempo de eje-
cución, esto sin duda, a causa del menor número de ite-
TABLE III
raciones que realiza en el proceso de segmentación usado T IEMPOS DE EJECUCI ÓN DE LOS M ÉTODOS IMPLEMENTADOS .
(Contornos Activos). Por último, se evaluaron los tiempos
de ejecución para diferentes proporciones de las n muestras Muestras Asistido Automático
Tiempo Tiempo Tiempo Tiempo
de imágenes que se tienen para cada paciente. Como se (s) Normalizado (s) Normalizado
puede observar en la Tabla III, el ahorro en tiempo de 100% 356,58 100,00 791,20 100,00
procesamiento no es significativo; por tanto, la pérdida en 80% 328,10 92,01 704,11 88,99
el nivel de detalle (reflejado en la disminución del número 60% 253,05 70,97 560,10 70,79

(a) (b)
Fig. 11. Reconstrucciones particulares: (a) Aorta Ascendente, y (b) Aorta
Descendente.
el examen de TAC del corazón, quedan intrı́nsecamente
contenidas todas las partes que lo conforman. Por tanto,
con una adecuada segmentación de la región de interés, se
puede reconstruir la estructura deseada y de esta manera
brindar una opción adicional para el análisis, no solo en los
procesos de diagnóstico si no también en la planeación de
procedimientos quirúrgicos previos. En la Fig. 11 se muestra
la reconstrucción de las arterias: aorta ascendente y aorta
descendente.
IV. C ONCLUSIONES
La herramienta computacional desarrollada permite la
reconstrucción de un modelo 3D del corazón a partir de
una serie de imágenes en formato DICOM, con el propósito
de asistir al personal médico en procesos de diagnóstico y
en los procedimientos quirúrgicos previos. El objetivo es
permitir avanzar, de la medicina basada en la experiencia
del médico y en la improvisación, hacia el concepto de la
medicina personalizada, esta vez aplicado a la cirugı́a en
el cual se realiza un modelo para cada paciente, donde el
cirujano pueda planear las intervenciones.
Por otra parte, se utilizaron métodos clásicos de proce-
samiento de imágenes en todo el proceso, mostrando que
no necesariamente se debe usar técnicas avanzadas para
obtener buenos resultados. Sin embargo, se proyecta y se
está trabajando en la implementación de nuevas técnicas
para lograr mejoras y obtener una reconstrucción que se
asemeje mucho más a la que genera el equipo escáner
Sommaton Force.
[6] J. I. Orlando and H. L. Manterola, “Segmentación y caracterización
de volúmenes en imágenes médicas tridimensionales,” 2012.
[7] R. C. Gonzalez, R. E. Woods, and S. L. Eddins, Digital image
processing using MATLAB. Gatesmark Publishing Knoxville, 2009,
vol. 2.
[8] R. E. W. Rafael C. Gonzales, Digital Image Processing, 2nd ed.
Prentice-Hall, Inc., 2002.
[9] D. E. Mohrman, L. J. Heller, and A. M. G. Rojas, Fisiologia
cardiovascular. McGraw-Hill, 2007.
[10] Daniel, “Region growing, 2d/3d grayscale,” http:
//www.mathworks.com/matlabcentral/fileexchange/
32532-region-growing--2d-3d-grayscale-, 2011.
[11] D. Garcia, “Image segmentation using otsu thresholding,”
http://www.mathworks.com/matlabcentral/fileexchange/
26532-image-segmentation-using-otsu-thresholding/content/otsu.m,
2010.
[12] S. Lankton, “Active contour segmentation,” http://www.mathworks.
com/matlabcentral/fileexchange/19567-active-contour-segmentation,
2008.
[13] E. Coto, “Métodos de segmentación de imágenes médicas,” Universi-
dad Central de Venezuela: Lecturas en Ciencias de la Computación,
pp. 9–15, 2003.
[14] P. Talaia, M. Parente, A. Fernandes, and R. N. Jorge, “3d geometry
reconstruction from gray and rgb medical images,” Computational
Vision and Medical Image Processing: VipIMAGE 2011, p. 297, 2011.
[15] H. Wang and X. Pu, “3d medical ct images reconstruction based on
vtk and visual c++,” in Bioinformatics and Biomedical Engineering,
2009. ICBBE 2009. 3rd International Conference on. IEEE, 2009,
pp. 1–4.
[16] Kitware, “Volview,” http://www.kitware.com/opensource/volview.
html, 2015.
[17] LiveVolume, “Livevolume,” http://www.livevolume.com/, 2013.

R EFERENCES
[1] W. H. F. World Health Organization and W. S. Organization,
“Global atlas on cardiovascular disease prevention and control,”
http://www.world-heart-federation.org/fileadmin/user upload/images/
CVD Health/Global CVD Atlas.pdf, 2011.
[2] A. Cardona, N. Nigro, V. Sonzogni, and M. Storti, “Segmentación
de imágenes digitales 3d basado en regiones y contornos activos
para la generación de mallas de superficie,” Mecánica computacional,
vol. 25, pp. 1149–1161, 2006.
[3] L. Clarke, R. Velthuizen, M. Camacho, J. Heine, M. Vaidyanathan,
L. Hall, R. Thatcher, and M. Silbiger, “Mri segmentation: methods
and applications,” Magnetic resonance imaging, vol. 13, no. 3, pp.
343–368, 1995.
[4] U. Barcaro, D. Moroni, and O. Salvetti, “Automatic computation
of left ventricle ejection fraction from dynamic ultrasound images,”
Pattern Recognition and Image Analysis, vol. 18, no. 2, pp. 351–358,
2008.
[5] P. Bonaveri Arangoa, M. Barrios Barrios, and H. Ramı́rez Llinas,
“Segmentación de imágenes de tomografı́a computarizada en pa-
cientes que han sufrido un accidente cerebro vascular,” 2011.