Clasificacion del grado de astrocitoma cerebral infantil.

septiembre 17, 2007 at 11:28 am Deja un comentario

 

1aaa.jpg

1. INTRODUCCION

El procesamiento de imágenes en color está motivado por dos factores: en primer lugar, por una similitud con la visión humana totalmente cromática, y en segundo lugar por el aumento de la información que aporta el análisis de estas imágenes.

Es un campo que ha cobrado mucha atención en los últimos años. En el área de la medicina, fisiología y biología el tratamiento de imágenes digitalizadas correspondientes a muestras bio-médicas como tejidos musculares, cerebrales y otras, que requieren de la creación de herramientas que ayuden al usuario (médico, biólogo, fisiólogo, etc.) tanto en el diagnóstico como en el tratamiento clínico y de investigación. La visión por computadora se considera como el conjunto de técnicas y modelos que permiten el procesamiento y análisis de la información espacial obtenida a través de imágenes digitales [Ballard 2002].

Por ejemplo, técnicas enfocadas a resolver problemas relacionados con la visión humana, como la identificación, clasificación, descripción y seguimiento de objetos. Hoy en día la visión por computadora beneficia a muchos sectores de la sociedad como el industrial, la medicina, las telecomunicaciones y la investigación científica. Algunas de las aplicaciones desarrolladas se utilizan para el control de calidad, para el diagnóstico y la detección de enfermedades.

2. PLANTEAMIENTO DEL PROBLEMA

El cáncer engloba a una familia compleja de enfermedades. Éstas son una de las principales causas de muerte a nivel mundial, y la segunda causa de muerte en la población Mexicana. Actualmente, el astrocitoma cerebral constituye el tipo de
cáncer más frecuente en la población infantil Mexicana. Aproximadamente el 50% de los tumores cerebrales en los niños son
infratentoriales y tres cuartos de estos están situados en el cerebelo o cuarto ventrículo [PDQ 2004]. Entre los tumores infratentoriales (fosa posterior) más comunes se encuentran los siguientes:

– Astrocitoma cerebeloso Meduloblastoma

– Ependimoma,

– Glioma del tronco encefálico

– Tumores teratoides atípicos / rabdoides

Debido a la diversidad de tumores existentes y al grado al que pertenecen, la detección y clasificación es complicada y en ocasiones se necesita invertir demasiado tiempo para lograr un diagnóstico.

astrocitoma_tabla1

Tabla 1. Clasificación general del grado de un tumor.

3. ESTADO ACTUAL.

En la actualidad, las aplicaciones de tratamiento y análisis de imágenes aparecen frecuentemente integradas con aplicaciones de visualización. Además de detectar y localizar zonas de interés, los usuarios de las aplicaciones informáticas de imágenes médicas (radiólogos, cirujanos, oncólogos) [PDQ 2004], desean en general mostrar dichas zonas, aprovechando de este modo la naturaleza de la mayoría de las imágenes utilizadas. Así, los médicos demandan de forma creciente aplicaciones que integren técnicas de tratamiento y análisis con funcionalidades de visualización.

4. DISEÑO METODOLÓGICO.

Obtener una serie de imágenes de alguno de los siguientes estudios:

– Tomografía computarizada.

– Resonancia magnética.

– Tomografía por emisión de positrones.

– Magneto encefalografía.

Para realizar un preprocesamiento de la imagen, mejorarla, detectar bordes, segmentarla, extraer las características más relevantes, regiones y zonas potenciales para la obtención de resultados que permitan emitir un diagnóstico.

astrocitoma_analisis_imagen

Figura 1. Esquema de representación del análisis de una imagen.

5. PROCESO DE SEGMENTACIÓN.

La extracción de la información comienza en la etapa de segmentación. El primer paso en el análisis de imágenes, es generalmente utilizar técnicas para la segmentación de una imagen en regiones. Una región en una imagen, es un grupo de píxeles conectados, que tienen propiedades similares. Es obvio que las regiones son importantes para la interpretación de las imágenes, pues pueden corresponder a objetos o zonas de interés en la escena [Jain, 2002] y [José Crespo, 2004].

Modelo propuesto.

Para el proceso de segmentación proponemos un modelo de color denominado (R1G1B1) basado en una modificación de la matriz de coeficientes del modelo de color YIQ, ya que éste, presenta como principal ventaja, el desacople entre la información de luminosidad (R1) y la información de color (G1 y B1), de esta forma la imagen puede procesarse sin afectarse sus componentes de color. Mediante el análisis de histogramas de cada uno de los canales que forman la imagen, es posible obtener de manera experimental umbrales que identifiquen las zonas buscadas.

astrocitoma_canalR1

Figura 2. Gráfica correspondiente al canal R1.

astrocitoma_canalG1

Figura 3. Gráfica correspondiente al canal G1.

astrocitoma_canalB1

Figura 4. Gráfica correspondiente al canal B1.

astrocitoma_ImagenR1G1B1  astrocitoma_canalR1b

(a) (b)

astrocitoma_CanalesR1B1  astrocitoma_CanalesR1G1

(c) (d)
Figura 5. (a) Imagen R1G1B1. (b) Canal R1 (c) Canales R1B1. (d) Canales R1G1.

La formulación de morfología matemática en color, requiere la presencia de orden entre los píxeles de la imagen.

En escala de grises el orden de los valores discretos 0<1<2<3<.<253<254<255 es suficiente para formar el retículo completo.
Una solución al problema de ausencia de orden, se puede alcanzar considerando las imágenes en color, como la composición de tres funciones bidimensionales independientes con un valor unidimensional.

En el caso del espacio propuesto R1G1B1, se considera la imagen como una composición de mapas unidimensionales de valor R1=rojo, G1=verde, B1=azul:

astrocitoma_ordenacion_vectorial

La ordenación vectorial ascendente . descendente propuesta, nos permite obtener un orden entre píxeles, para combinar la técnica de segmentación anterior con la morfología matemática. La tabla 1, muestra un ejemplo de los valores que componen un píxel en una imagen cromática, las tablas 2 y 3 muestran el orden vectorial ascendente . descendente propuesto.

Tabla 2. Valores que componen un píxel.

astrocitoma_tabla2

Tabla 3. Orden vectorial ascendente.

astrocitoma_tabla3

Tabla 4. Orden vectorial descendente.

astrocitoma_tabla4

En el procesamiento de imágenes en color, la transformación del mapa base RGB a otro como puede ser YIQ, L*a*b* o HSI
requiere la posterior recuperación a RGB. En la investigación que aquí se presenta, se ha empleado un esquema de procesamiento morfológico vectorial, que realiza las operaciones directamente sobre RGB y sobre el modelo propuesto R1G1B1, permitiendo una identificación clara de aquellas zonas potenciales donde se ubica la anomalía cerebral, partiendo del análisis separado de canales. Una vez obtenida la imagen aplicamos una mezcla y multiplicación de imágenes definida por:

astrocitoma_formula

Donde Fi,j es el valor del píxel en la imagen resultante Ai,j y Bi,j son los valores del píxel para la posición i,j dentro de las imágenes de color (canales).

Segmentamos utilizando el canal que tenga un nivel más elevado de información de acuerdo a los valores del umbral localizado, en este caso G1 de acuerdo a su estadística. Posteriormente aplicamos las operaciones morfológicas de erosión, dilatación y cierre para obtener la imagen mostrada en la figura 7.

astrocitoma_formula2

astrocitoma_formula3

astrocitoma_1   astrocitoma_2

Figura 6. Imagen resultante

6. RESULTADOS.

Este proceso se ha realizado con imágenes cromáticas en otras tonalidades que también contienen ruido alrededor de las zonas a localizar. Los resultados obtenidos son mostrados en las figuras siguientes aplicando todo el proceso antes mencionado.

astrocitoma_3

Figura 7. Imagen con otra tonalidad.

Analizando los componentes por separado, podemos observar cuales son los canales que se van a utilizar de acuerdo a las gráficas mostradas a continuación, que representan la cantidad de puntos dentro de los umbrales obtenidos previamente, no importando la tonalidad que presente la imagen, para este caso, se puede realizar un proceso previo para el mejoramiento de brillo, contraste, etc.

astrocitoma_Componente_R1

Figura 8. Componente R1.

astrocitoma_Componente_B1

Figura 9. Componente B1.

astrocitoma_Componente_G1

Figura 10. Componente G1. 

 

astrocitoma_4   astrocitoma_5

(a) (b)

astrocitoma_6   astrocitoma_7

(c) (d)
Figura 11. Las imágenes (a) (b) y (c) corresponden a los canales R1, R1B1 y R1G1, respectivamente.

astrocitoma_8   astrocitoma_9

(a) (b)
Figura 12. (a) Imagen sistema R1G1B1, (b) imagen resultado de orden vectorial ascendente – descendente.

A continuación se presentan las gráficas resultantes del análisis separado de canales:

astrocitoma_analisis_canales

(a)

astrocitoma_analisis_canales2

(b)

astrocitoma_analisis_canales3

(c)

astrocitoma_areas_segmentadas   astrocitoma_areas_segmentadas2

(d) (e)
Figura 13. (a), (b) y (c) Análisis de canales, (d) y (e) áreas segmentadas.

Como se puede observar con este proceso se elimina el ruido potencial y se identifica claramente la zona en donde se ubica la anomalía (astrocitoma metastásico). 

Red neuronal.

La red neuronal utilizada fue de tipo backpropagation, la estructura de la red tiene 6 neuronas en la capa oculta, 20 neuronas
en la capa de entrada y neuronas en la capa de salida, logrando la convergencia en 10000 épocas.

Se entrenó con 20 imágenes y 75 para el reconocimiento, éstas fueron diferentes a las utilizadas para la fase de entrenamiento, la cual arrojó los resultados mostrados en la tabla siguiente:

astrocitoma_tabla5

Tabla 4. Porcentaje de reconocimiento por parte de la red.

astrocitoma_red_neuronal

Figura 14. Gráfica de reconocimiento de la red neuronal.

7. CONCLUSIONES

El espacio de color utilizado generalmente para procesamiento de imágenes cromáticas, es el espacio RGB, pero no existe un modelo óptimo general para todas las aplicaciones, ya que se han desarrollado otros modelos específicos que interaccionan mejor con la aplicación o imagen de estudio.

En una imagen cromática se tiene una mayor cantidad de información, pero esto puede dar origen a la detección de zonas inexactas al realizar el proceso de segmentación y localización de zonas de interés.

Se ha comprobado que al trabajar con los canales por separado del sistema (R1,G1,B1) propuesto, en combinación con operaciones para establecer un orden vectorial (ascendente – descendente) por píxel se elimina el ruido potencial y la aparición de falsos colores, además se obtienen zonas exactas durante el proceso de segmentación.

Cada uno de los canales contiene información útil para la segmentación, trabajando por separado con cada uno de ellos y combinando únicamente los que presenten la mayor cantidad de ésta, mediante un análisis gráfico para obtener un resultado final (imagen con las zonas exactas).

Apoyados en técnicas como mezcla y multiplicación de imágenes además de morfología matemática, se obtienen zonas perfectamente definidas y con un mayor realce para la presentación e interpretación de resultados. La red neuronal tipo Backpropagation tiene un excelente porcentaje de reconocimiento en base a las pruebas realizadas y a los resultados obtenidos que ya se han expuesto. La calibración de la red dependerá de la aplicación a la cual esté 1destinada, por ello, los parámetros como el número de capas ocultas, el número de épocas y el número de neuronas de entrada, influyen directamente para la convergencia exacta o aproximada de la red.

Referencias Bibliográficas:

[Gilabert,1992] Gilabert, E. (1992).Medida del color, Servicio de Publicaciones de la Universidad Politécnica de Madrid, pág. 32.
[González,1993] González, R. Woods, R. (1993) Digital Image Processing, Addison- Wesley.
[Comer 1999] Comer M, Delp, E. (1999). Morphological Operations for Colour Image Processing, Journal of Electronic Imaging.
[Utp, 2000] Universidad Tecnológica de Pereira, (2000) http://ohm.utp.edu.co/ neuronales
[Handbury,2001] Handbury, A. (2001) Vectorial orders. Technical Doc. Centre de Morphologie Matémathique. Ecole des Mines de Paris.
[ Ballard, 2002 ] Ballard, D.H. (2002), Brown, C.M. .Computer Vision.. Prentice . Hall.
[ Jain, 2002 ] Jain, A.K., Kailath, T. (2002) “Fundamentals of Digital image processing”. Prentice Hall Information and systems Sciences series. Prentice-Hall, Englewood Cliffs, NJ.
[Pajares, 2002] Gonzalo Pajares Jesús M. Alfa omega (2002) .Visión por computador Imágenes Digitales y sus aplicaciones.. Segunda edición.
[González,2002] Rafael C. González (2002) .Digital Imagen Processing.: Prentice Hall.
[Hielsher, 2003] Rafael Palacios Hielsher (2003) .Procesamiento del color., Instituto de Investigación Tecnológica de Madrid.
[PDQ, 2004] National Cancer Institute, U.S. (2004) National Institute of health, and summary PDQ 2004 On line:
[Rojas, 2004] J.J. Baéz Rojas, M.L. Guerrero (2004) .Segmentación de imágenes de color. Universidad Tecnológica de la Mixteca.
[Martín, 2004] Marcos Martín (2004) .Técnicas de Segmentación de Imagen., Notas del curso.
[Crespo 2004] José Crespo del Arco, Raúl Alonso Calvo, (2004) .Temas avanzados en tratamiento y análisis de imágenes en morfología Matemática..
[Garva, 2004] Grupo de automática, robótica y visión Artificial, (2004) .Extensión de la morfología matemática a imágenes en color.Universidad de Alicante, Depto. De física, ingeniería de sistemas y teoría de la señal,
[Staal, 2004] Joes Staal, Michel D.Max A. Viergever and Bram van Ginneken, (2004) .Ridge-based Vessel Segmentation in Color Images of the Retina. IEEE transactions on medical imaging vol 23, No 4. [Keith A, 2005] Keith A. Johnson, M.D. J. Alex Becker, Ph.D. (2005) .The whole brain Atlas University of Harvard..
[EBSCO, 2005] EBSCO (2005), New York University Medical Center, Department of Neurosurgery
[Zamora 2005] Francisco Gabriel (2005) .Procesamiento morfológico de imágenes en color.. – Virtual Library Miguel de Cervantes.
[Coto, 2005] Ernesto Coto (2005) .Métodos de segmentación de Imágenes Médicas., Universidad central de Venezuela facultad de ciencias.
[Angulo, 2005] Jesús Angulo, Jean Serra, (2005) .Segmentación de imágenes en color.utilizando histogramas bivariables en espacios de color polares luminancia/ saturación / matiz., centro de morfología matemática, Paris Francia.
[Fresno, 2005] Mariana del Fresno, Mario Moreno, Marcelo Venere, (2005) .Segmentación de regiones de interés en imágenes médicas., Universidad nacional del centro, Argentina
[Kim, 2006] Y. J. Kim, B.F.M. Romeike, (2006) .Automated nuclear segmentation in the determination of the Ki-67 labeling index in meningiomas.. Clinical Neuropathology, Vol 25 . No 2.
[Yan, 2006] Pingkun Yan and Ashraf A. Kassim, (2006) .Segmentation of volumetric MRA images by using capillary active contour. Department of Electrical and Computer Engineering, National University of Singapore, 10 Kent Ridge Crescent, 119260 Singapore, Singapore.
[Okazawa,2006] Okazawa, Richelle Ebrahimi, Jason Chuang, Robert N. Rohling and Septimiu E. Salcudean, (2006) .Methods for segmenting curved needles in ultrasound images., Department of Electrical and Computer Engineering, University of British Columbia, 2332 Main Mall, Vancouver, BC, Canada V6T 1Z4.
[Passat, 2006] N. Passat C. Ronse, J. Baruthio, J.- P. Armspach and C. Maillot (2006) .Magnetic resonance angiography: From anatomical knowledge modelling to vessel segmentation.. Laboratoire des Sciences de Image, de Informatique et of détection (LSIIT), UMR 7005 CNRS-ULP, Bd Institut de Physique Biologique Laboratoire de Neuroimagerie in Vivo.
[Wirjadi, 2006] Oliver Wirjadi, Thomas M. Breuel, Wolfgang Feiden and Yoo jin Kim, (2006) .Automated feature selection for the classification or meningioma cell nuclei., Universitat des saarlandes, Institute of Neurolopathology.
[Mery, 2006] Mery Domingo (2006) Extracción de características, departamento de ciencia de la computación, universidad católica de chile.
[Martínez, 2006] Martínez Robles Manuel, (2006), .Segmentación de Imágenes Cerebrales en color: Aplicando Separación de Canales y Morfología Matemática., Maestría en Ciencias en Ciencias de la Computación Instituto Tecnológico de Apizaco. Artículo aceptado en el Congreso Internacional Argentino de investigación Pediátrica.

Fuente:

http://www.portalesmedicos.com/publicaciones/articles/407/5/

Clasificacion-del-grado-de-astrocitoma-cerebral-infantil.-Segmentacion-de-imagenes

%2C-morfologia-matematica-y-redes-neuronales

 

 

Entry filed under: Alta Tecnología Médica, Cáncer en General, Documentos de importancia, Enfermedades de la infancia, Neurobiología, Pediatría, Técnicas diagnósticas. Tags: .

Glucosa en LCR Manipulacion de citostaticos.

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s

Trackback this post  |  Subscribe to the comments via RSS Feed


La Fundación Anna Vázquez es una entidad sin fines de lucro aprobada legalmente según Personería Jurídica Nº 361/07 CUIT30-71028256-7 Tiene como misión atender las necesidades del niño enfermo de cáncer cerebral y su familia a lo largo de las distintas etapas de la enfermedad. IMPORTANTE: Este es un SITIO DE DIVULGACIÓN CIENTÍFICA, por lo cual contiene imágenes médicas que pueden alterar su sensibilidad
Los artículos puestos a consideración aquí son de carácter netamente informativo y de ninguna manera deben tomarse como consejo profesional, visite a su médico para obtener diagnóstico y tratamiento. Las expresiones aquí vertidas en los comentarios o en los artículos recopilados, son exclusiva responsabilidad de sus autores y no concuerdan necesariamente con las opiniones de quienes formamos la Fundación.

Estadísticas del Web Site de la Fundación Anna Vázquez

  • 11,915,931 personas ya nos visitaron...
septiembre 2007
L M X J V S D
« Ago   Oct »
 12
3456789
10111213141516
17181920212223
24252627282930

Archivos de la Fundación Anna Vázquez


A %d blogueros les gusta esto: