Download An Approach for Automatic Segmentation of Thermal Images in

An Approach for Automatic Segmentation of
Thermal Images in Computer Aided Diagnosis
R. S. Marques, A. Conci, M. G. Pérez, V. H. Andaluz, T. M. Mejía
1
Abstract— Breast cancer is major cause of the high mortality
rates among young women in developing countries. In Latin
America, it is a great health problem, as well. For example in
Brazil and Ecuador, this is the leading cause of cancer among
women around 35 years old. Early detection is important to
improve the chance of cure. Thermal imaging has the ability to
show regions where there is any potential cancer by indicating
areas of the body where there is an abnormal temperature
variation. Moreover, thermography can detect suspicious regions
in patients of any age, even in cases of dense breasts, where the
detection of an abnormality can not be achieved by
mammography. An essential step in the use of thermal imaging
systems is the development of computer-aided diagnosis (CAD).
However, any development towards a CAD system or even an
examination guided by computer should consider adequate
extraction of the region of interest (ROI). This paper proposes a
methodology for automatic segmentation of thermal imaging
breast and validation of the results by generating a Ground
Truth (GT). The automatic method proposed in this paper
consists of several image-processing techniques such as
thresholding, clustering, edge detection and refinement, among
others. For the evaluation of the results the developed GT are
presently available on the Internet, in order to allow proper
verification of the results. Finally, the results obtained by the
proposed methodology for the 328 images used in this study
showed average values of accuracy and sensitivity around 96%
and 97%, respectively.
Keywords— Image Processing, early detection, automatic
segmentation of imaging, region of interest (ROI), thermal
images, clustering, morphological operations, region growing,
curve fitting, refinements, interpolation, Hausdorff distance,
Computer Aided Diagnosis (CAD).
I. INTRODUCCION
E
L CÁNCER de mama es la tumoración maligna más
frecuente entre las mujeres de edad adulta. Su incidencia
ha ido en aumento en los últimos años en países desarrollados
y en aquellos en vía de desarrollo. La incidencia de cáncer de
mama aumenta en los países en desarrollo debido al aumento
de la esperanza de vida, el crecimiento urbano y la adopción
de estilos de vida occidentales. Aunque, en algunos la
disminución del riesgo de padecerlo se podría lograr mediante
R. S. Marques, Instituto Tecgraf, PUC-Rio, Rio de Janeiro, RJ,
[email protected]
A. Conci, Dep. Ciência Computação, Instituto de Computação-IC
Universidade Federal Fluminense - UFF, Niterói, Rio de Janeiro, Brasil
[email protected]
M. G. Pérez, Escuela Politécnica Nacional (EPN), Quito, Ecuador,
[email protected]
V. H. Andaluz, Universidad de las Fuerzas Armadas ESPE, SangolquiEcuador, [email protected]
T. M. Mejía, Universidad Técnica de Ambato, [email protected]
la prevención, estas estrategias no pueden acabar con la
mayoría de los cánceres de mama que se desarrollan en países
de recursos bajos y medios, donde el cáncer de mama se
diagnostica en etapas muy tardías. Por lo tanto, la detección
temprana con el fin de mejorar el resultado y la supervivencia
del mismo sigue siendo la piedra angular del control del
cáncer de mama Anderson et al., 2008 [1].
Así, diferentes estudios han demostrado que la detección
del cáncer en estado inicial, es muy importante para aumentar
la tasa de supervivencia en las pacientes afectadas. El
diagnóstico médico basado en diferentes tipos de imágenes
(rayos
X,
ultrasonidos
y
resonancia
magnética,
principalmente). Además, de técnicas más recientes tales
como la tomosíntesis, la imagen óptica (Optical imaging);
tomografía computarizada (CT); los biomarcadores, la
termografía, etc., son herramientas de gran importancia para la
detección precoz de estas patologías. Esta pronta detección es,
en parte, la responsable de la reducción de los índices de
mortalidad por esta causa. Aunque la detección y diagnóstico
mediante pruebas médicas anuales (principalmente,
mamografías) sigue siendo una práctica común en muchos
países como por ejemplo, Estados Unidos. En la mayoría de
los demás países, estas pruebas se realizan con una
periodicidad menor. Una revisión de estas modalidades de
imágenes se puede ver en el trabajo de Ng. [2].
Realmente, la mamografía es la técnica de referencia y la
más utilizada para este tipo de diagnóstico, pero no es
considerada una técnica de diagnóstico precoz ya que por lo
general esta prueba confirma el diagnóstico de cáncer en
etapas avanzadas. Una resonancia magnética es muy costosa y
factible en países con buena infraestructura en salud y que
además, pueden costear programas de cribado poblacionales,
organizados a largo plazo.
No obstante, en la actualidad, técnicas alternativas como la
termografía tienen un gran potencial para la detección
temprana de cáncer de pecho, a bajo coste y a temprana edad
[3][4][5]. Según Keyserlink et al. [6] esto puede ocurrir diez
años antes que otras técnicas. Por otra parte, tiene un gran
potencial para diferenciar lesiones benignas de las malignas
[7] e indicación pronostica [8][9][10][11]. En Qi y Diakides
[10] han demostrado que si el tumor se detecta en tamaño
menor de 10 mm, la paciente tiene una probabilidad del 85%
de curación, en contraste con una probabilidad del 10% si el
cáncer se detecta tarde.
Muchos países de bajos y medios ingresos que se enfrentan
a la carga de cáncer mama, necesitan implementar programas
costo-efectivos, combinadas y asequibles para hacer frente a
esta enfermedad altamente prevenible [12]. La termografía es
una de las más recientes alternativas. Es especialmente
indicada para identificar posibles lesiones que después son
estudiadas para lograr la detección precoz de anomalías de la
mama. La termografía (estudio térmico por imágenes) es una
forma de medir y representar gráficamente el calor sobre la
superficie del seno mediante una cámara sensible al calor.
El diagnóstico precoz o el conocimiento de los primeros
signos y síntomas en la población sintomática, ayuda en el
diagnóstico y el tratamiento temprano. Los programas de
cribado, es decir, la aplicación sistemática de pruebas de
tamizaje en una población aparentemente asintomática, tienen
como objetivo detectar a las personas que presenten anomalías
indicativas de cáncer. Un programa de cribado es una empresa
mucho más compleja que un programa de diagnóstico precoz
(OMS, 2007) [13]. Independientemente del método de
detección precoz utilizado, dos aspectos esenciales para el
éxito de la detección precoz poblacional son una atenta
planificación y un programa bien organizado y sostenible que
se focalice en el grupo de población adecuado y garantice la
coordinación, continuidad y calidad de las intervenciones en
todo el continuum asistencial. La selección como objetivo de
grupos de edad inadecuados, por ejemplo, mujeres jóvenes
con bajo riesgo de cáncer de mama, puede traducirse en una
disminución del número de cánceres detectados por cribado,
potenciando medidas costo-efectivas [14]. Además, esa
focalización en las mujeres más jóvenes obligaría a analizar
más tumores benignos y provocaría una sobrecarga
innecesaria de los servicios de salud, por los recursos
diagnósticos adicionales que entrañaría Yip et al., [14].
Algunos datos sugieren que esta estrategia de diagnosticar
oportunamente el cáncer de mama puede originar un
"descenso del estadio TNM" (aumento de la proporción de
cánceres de mama detectados en una fase temprana) de la
enfermedad, que la haría más vulnerable al tratamiento
curativo Yip et al., [14][15].
El cáncer también tiene un costo social; la perdida de
enorme potencial humano y el tratamiento y el cuidado de un
número creciente de pacientes con cáncer tiene un impacto
económico creciente. Esto también es una experiencia
universal, pero una vez más los detalles son muy diferentes
entre los países. El World Cancer Report 2014, revela una
carga en el cáncer que se proyecta aumentar en un 70% en
todo el mundo en tan sólo dos décadas, pero es en los países
de más bajos ingresos con los servicios de cáncer menos
desarrollados que el impacto será mayor, puesto que el inicio
precoz de algunos tipos comunes de cáncer (por ejemplo: el
cuello uterino, hígado, etc.) y la supervivencia general en los
países de recursos bajos y medios significan que la carga de
años de vida saludable perdidos en estos países es similar a la
de los países con más altos ingresos[16].
Es oportuno señalar, que hacer frente a los desafíos
planteados por el notable aumento del número de casos de
cáncer a nivel mundial, que aunque, se prevé que descienda
esta pesada carga en los países de ingresos bajos y medios
para tratar la manera de salir del cáncer hacen que sea
inverosímil; incluso en los países de más altos ingresos
tendrán dificultades para hacer frente a los crecientes costos
de tratamiento y de cuidado. Por lo tanto, esclarecer las causas
y la elaboración de estrategias de prevención eficaces, para
luchar contra el cáncer, tales como la recolección de datos
precisos sobre el cáncer, la ocurrencia de cáncer de base,
registros poblacionales, son componentes esenciales. Estos
enfoques complementan los beneficios en la mejora del acceso
a servicios asequibles y eficaces tratamientos del cáncer.
En paralelo a los trabajos realizados sobre las causas y su
prevención, se han hecho notables progresos en la
comprensión de los eventos moleculares y celulares que
transforman una célula en normal funcionamiento, en parte de
un tumor maligno, que puede acabar con la vida de su
huésped. Estos emocionantes avances de la ciencia básica
tienen ramificaciones que son evidentes, sobre todo en la
clasificación de tipos de cáncer, en la búsqueda de nuevas vías
que den pistas sobre sus causas, para poner de relieve las
oportunidades para la detección temprana y la prevención
[16].
Así, en la literatura muchos científicos han propuesto
varios métodos para segmentar y detectar regiones calientes en
termogramas y tejidos potencialmente sospechoso presentes
en estas imágenes [17-24]. En [25] se puede encontrar un
estudio completo de todas estas técnicas y la eventual
aplicación de esta, para la detección de cáncer de mama [26].
La termografía puede detectar el cáncer de mama en etapas
tempranas de la enfermedad, es posible más temprano que
utilizando la mamografía [27] [25], incluso 8-10 años antes
[28].
En este trabajo se propone el uso de diversas técnicas de
procesamiento de imágenes, tales como la umbralización,
detección de contornos, operaciones morfológicas,
crecimiento de región y agrupamiento (clustering), así como
métodos numéricos de ajuste de curvas por aproximación e
interpolación, y la obtención de los bordes para la extracción
automática de las regiones de interés de ambas mamas, en
imágenes termográficas.
II. MATERIALES Y MÉTODOS
La segmentación automática de la región de interés (ROI)
que se propone en este trabajo considera tres pasos: La
detección de los contornos laterales, la obtención de los
límites superior y la identificación de los límites inferiores, tal
como se muestra en la Fig. 1 [29].
Figura 1. Ilustración de las etapas de la segmentación automática: detección
de los límites laterales, superiores e inferiores [29].
A. Características de las imágenes
Las imágenes utilizadas para la segmentación se encuentran
almacenadas en la base de datos en ocho diferentes posiciones.
Las capturas en estas posiciones se obtuvieron sin registrar
ningún detalle específico del operador de cámara. La Fig. 2,
muestra las ocho diferentes posiciones adoptadas Adquisición
de la imagen de las dos mamas, posición de la paciente de
frente, con las manos en la cintura (T1); paciente de frente y
las manos sobre la cabeza (T2); lateral externa, mama derecha
(LEMD); lateral externa, mama izquierda (LEMI); mama
derecha (MD); mama izquierda (MI); lateral interna, mama
derecha (LIMD) y finalmente, lateral interna, mama izquierda
(LIMI).
Un punto importante, que merece la pena aclarar es que las
imágenes térmicas que se visualizan, no son más que
imágenes en pseudo-colores, generados a partir de una matriz
de temperaturas. Para la realización del método propuesto en
este trabajo, una imagen es generada a partir de la matriz de la
temperatura, utilizando 256 niveles de gris, es decir, la menor
temperatura registrada corresponderá al nivel 0 (negro) y la
más alta corresponderá al nivel 255 (blanco), los demás
valores serán reescalonados en el rango de 0 a 255.
T1
matriz de temperaturas para la gama de 256 niveles de gris por
nuestras formas de visualización, no siendo utilizados los
pseudo-colores disponibles por el software proporcionado por
FLIR. Esta cuantificación se lleva a cabo para cada imagen,
como sigue: la temperatura más baja encontrada
corresponderá al nivel de gris 0 (negro) y la temperatura más
alta corresponderá al nivel de gris 255 (blanco), las demás
temperaturas serán reescalonadas para los valores enteros en el
rango de 0 a 255. La Fig. 3, ejemplifica la diferencia en las
conversiones entre la paleta de colores de FLIR y la
conversión llevada cabo en este trabajo.
T2
(a)
Posición LEMD
MD
Posición LEMI
MI
Figura 3. (a) Matriz de temperaturas (b) Histograma de la imagen después de
la transformación de (a) a la paleta de niveles de gris (Grey) mediante el
software FLIR (c) Histograma de la imagen después la conversión propuesta
en este trabajo. (d) Imagen en niveles de gris, después de la conversión
propuesta en este trabajo [29].
B. Detección de los límites laterales
Posición LIMD
Posición LIMI
Figura 2. Serie de imágenes adquiridas en las ocho posiciones propuestas,
Motta [30].
Las imágenes utilizadas en este trabajo fueron adquiridas
con una cámara térmica modelo FLIR S45 y 320 píxeles de
ancho por 240 de alto. El software de la cámara presenta
varias posibilidades de correspondencia entre la matriz de
temperaturas y el conjunto de colores (paleta de colores).
Debido a que la paleta de colores de 135 niveles de gris ya no
se utilizan, en este trabajo, se realizó una transformación de la
La detección de los límites laterales se ha realizado en dos
etapas. En primer lugar, se ha quitado el fondo de la imagen,
eliminando parte del cuerpo de la paciente. Después, se han
detectado los bordes laterales del cuerpo.
1) Remover el fondo de la imagen
Quitar el fondo en una imagen, permite resaltar las regiones
de interés. Los histogramas de algunas de las imágenes
utilizadas en los experimentos, han permitido visualizar unas
modas bien pronunciadas y en general, una clara separación
entre dos clases predominantes, donde una de estas clases
corresponde al fondo de la imagen y la otra al cuerpo de la
paciente, tal como se puede observar en la Fig. 4.
Así, para extraer las regiones de interés, se ha manipulado el
histograma aplicando una técnica de umbralización. La
umbralización de las imágenes, se ha realizado mediante el
método de Otsu [31][32]. La principal característica de este
método consiste en una maximización de la varianza entre las
clases de la imagen [33], maximizando así la distinción entre
el cuerpo de la paciente y el fondo de la imagen (Fig. 5).
criterio para la detección de bordes mediante las derivadas
discretas de una imagen es utilizar las regiones donde la
primera derivada es superior a cierto umbral o las regiones
donde la segunda derivada tiene cambio de signo (cruces por
cero) [34].
Como una imagen es una función de dos dimensiones, es
necesario considerar los cambios de los niveles de gris en
muchas direcciones. Por ello, las derivadas parciales en
relaciona a
son utilizada para las direcciones
horizontales y verticales. La primera derivada de un punto es
obtenida por el operador gradiente, el cual es definido por la
suma de sus primeras derivadas parciales.
Debido a que los bordes pueden estar horizontal, vertical o
en cualquier dirección arbitraria, el operador Laplaciano se
destaca por ser isotrópico, es decir, detecta los bordes en
cualquier dirección (a diferencia de los operadores de primera
derivada) [35]. Por este motivo, es que se ha utilizado el
operador Laplaciano en la imagen resultante de la
umbralización de Otsu (Fig. 6) para la detección de los
contornos del cuerpo de la paciente [29]. El filtro Laplaciano
utilizado en este trabajo como una matriz de convolución 3x3,
es el siguiente [35]:
0
1
0
1
4
1
0
1
0
Figura 4. Histogramas de algunos termogramas utilizados [29].
Figura 6. Detección de los bordes en las imágenes [29].
C. Detección de los límites superiores
Para obtener los límites superiores de la región de interés es
preciso identificar primero si existe presencia de cuello y de
brazos en las imágenes, los dos casos pueden ocurrir en estas
posiciones de la adquisición de la imagen, tal como se muestra
en la Fig. 7.
Figura 5. Ilustración del proceso de umbralizaciones mediante el método de
Otsu [31][29].
2) Contorno del cuerpo
Considerando una imagen como una función de dos
variables
, , de forma que los bordes de dicha imagen se
caracterizan por un cambio de nivel de gris cuando se presenta
una discontinuidad de intensidad respecto al gradiente de la
imagen tiene una variación repentina, la derivada discreta de
una imagen funciona como un detector de bordes [34].
En el caso de imágenes, la derivada discreta es interpretada
como la tasa de cambio de niveles de gris, siendo mayor cerca
de los bordes cerca de los bordes superior e inferior en las
regiones donde los tonos tienen variaciones suaves [34]. El
Figura 7. Presencia/ausencia de cuello y brazos en las imágenes [29].
Esta identificación, se realiza por el número de las
alternancias que se produce entre el fondo y el cuerpo de la
paciente en la imagen umbralizada mediante el método de
Otsu [31][32]. Para ello, la imagen es explorada por una línea
de exploración [35], donde los puntos de alternancias son
identificados, tal como se puede observar en la Fig. 8. El
procedimiento que identifica los puntos y los números de
alternancias se describen en el algoritmo 1 (Fig. 9). El
procedimiento que identifica los puntos y los números de
alternancias (Fig. 10. (a)) se describen en el algoritmo 1
(Fig. 9).
Sea A={a1, a2,…am} denotado como un conjunto de puntos
donde ocurren las alternancias de colores (cuerpo de la
paciente y fondo de la imagen), tenemos las siguientes
situaciones:
• En las imágenes donde el cuello y brazos no capturan el
número de alternancias (por ejemplo, en la Fig. 8. (b)) m=|A|
no excederá, en dos unidades y el límite superior de la ROI
se define por el propio límite superior de la imagen.
• Las imágenes donde los brazos y el cuello son capturados
(|A|≥6) el límite superior de la ROI se define mediante el
segmento de recta (b1, b2) que interconecta dos puntos b1 y
b 2.
Para encontrar los puntos b1 y b2 basta con realizar un
crecimiento de región [34] a partir de semillas adecuadas se
encuentran los puntos más bajos en relación a sus regiones.
Para definir b1 en las imágenes en el cual |A| ≥ 6 basta utilizar
como semilla el punto a2, mientras que para encontrar el punto
b2 se utiliza como semilla el punto am-2.
El crecimiento de región utilizado, se basa en una
estructura de vecindad a 4 [34]. En la Fig. 10 se puede
observar los puntos de alternancias obtenidos. Después del
crecimiento de región, se obtienen los puntos b1 y b2 (Fig. 10
(b)). Al final del crecimiento de ambas regiones, se dibuja un
segmento de línea entre los dos puntos inferiores (Fig. 10 (c)).
Figura 8. Alternancias en las imágenes [29].
Xmin ←0;
Xmax ←anchura %cuando x ≡ anchura,cor(x,y)=0(negro)
y ←altura -1; A ← 0; ultimo_cor ← 0;
para x = Xmin hasta Xmax hacer
cor_actual ← cor(x, y);
si cor_actual ≠ ultimo_cor entonces
A ← A ∪ {(x, y)};
fin si
ultimo_cor ← cor_actual;
fin para
return A
Figura 9. Algoritmo 1. Identificación de los puntos de alternancias
D. Detección de los límites inferiores
Definir los límites de las regiones de interés es ciertamente
la etapa más compleja de todo el proceso de segmentación.
Debido a las características propias de cada paciente, una
segmentación automática que pueda abarcar el mayor número
de pacientes no es fácil.
Resumidamente, la etapa de detección de los límites
inferiores inicialmente intenta encontrar las regiones más
calientes correspondientes a los pliegues inframamarios de la
paciente. Luego, después de la ejecución de una serie de
refinamientos, se encuentra un conjunto de puntos que
representan la curva de los pliegues inframamarios. Usando
técnicas de aproximación e interpolación de puntos en las
curvas se encuentra la curva que define el límite inferior de la
región de interés (Fig. 11).
1) Umbralización de las regiones más calientes
Uno de los principales indicadores de los limites inferiores
de las mamas son los pliegues inframamarios. Puede ocurrir
una superposición de piel entre una porción inferior de la
mama y la pared anterior del tórax. Esta región, retiene más
calor y representa las temperaturas más elevadas,
correspondiendo a imágenes en escala de grises con curvas
más claras. Otras partes del cuerpo que poseen temperaturas
más elevadas son las axilas y los pliegues abdominales
[36][29].
(a)
(b)
(c)
Figura 10. (a) Puntos de alternancia destacados, (b) crecimiento de región y
detección de los puntos inferiores, (c) trazado de segmento de recta entre los
puntos inferiores encontrados [29].
2) Refinamientos
Después de la umbralización de la imagen, es necesario que
todas las regiones calientes no relacionadas con los pliegues
inframamarios sean eliminadas en sucesivas etapas de
refinamientos.
a) Clustering
El primer paso para eliminar las regiones no relacionadas
con los pliegues inframamarios, consiste en separar los pixeles
en diferentes grupos. La separación de los pixeles se realiza
basándose en sus vecindades, es decir, todos los pixeles que
están interconectados deben formar parte de un mismo grupo.
La Fig. 12, muestra el clustering realizado, donde cada grupo
posee un color distinto.
Antes del clustering de los pixeles, se realiza una operación
morfológica de cerramiento [34], con el objetivo de unir las
regiones cercanas, pero desconectadas. A continuación, la
imagen es iterada y para cada pixel (no visitado) se realiza un
procedimiento de crecimiento de región, utilizando una
estructura de vecindad a 8 [34][29].
b) Eliminaciones
Una vez que se realiza el clustering es necesario eliminar
los agrupamientos indeseados. Para realizar esta tarea, se
adaptó el algoritmo, el criterio aplicado consiste en eliminar
todos los grupos que poseen pocos píxeles, o que estuviesen
muy próximos al límite inferior de la imagen, o por encima del
punto medio del cuerpo [29].
c) Separación de los puntos
Para obtener las curvas que más se aproximan a los bordes
de las mamas, es necesario separar los puntos relacionados
con la mama izquierda y la mama derecha. Después de las
eliminaciones realizadas en etapas anteriores es posible que
|D|=1 o |D|=2. Denotando Dizq y Dder como los grupos
relacionados a la mama izquierda y derecha [29].
d) Reducción del número de puntos
El primer paso, consiste en detectar los puntos más
elevados, con el fin de encontrar curvas que mejor delimiten
cada uno de los pechos, es necesario reducir el conjunto de
puntos obtenidos después de la última etapa de separación de
los puntos. Para que en lo sucesivo se tenga solo el par
,
, se utilizará los puntos más elevados verticalmente
de cada agrupamiento [29], como se muestra en la línea de la
Fig. 13 (b).
e) Definición de puntos de la mama
El siguiente paso del método consiste en encontrar los
puntos de la parte externa de la mama. Estos puntos deben
estar en la misma línea horizontal de los puntos Dder y Dizq.
Con los puntos laterales encontrados (Lizq y Lder) se encuentran
los puntos de la parte externa de cada mama (Eder y Eizq) [29].
(a)
(b)
Figura 12. Umbralización y clustering. (a) Después de la umbralización de las
regiones calientes, (b) Después del clustering, donde las flechas indican la
región de los pliegues inframamarios [29].
E. Ajuste de curvas
Al final de la última etapa del refinamiento es necesario
encontrar curvas que se ajusten mejor a los conjuntos de
puntos encontrados (Bder y Bizq).
IR_0861
IR_3849
IR_1321
(a)
(b)
(c)
Figura 13. Ejemplos de las etapas efectuadas en el paso de refinamientos (a)
después de la separación entre la mama izquierda y derecha, (b) después de la
detección de los puntos más elevados de cada clustering, (c) después de
seleccionar el mejor segmento [29].
El término ajuste de curvas se refiere a un conjunto de
técnicas que tienen por finalidad encontrar la expresión
analítica que represente un conjunto arbitrario de datos
geométricos, como las coordenadas de puntos. Para ello,
existen dos formas de realizar es ajuste: aplicando técnicas de
interpolación o de aproximación [37][29]. La Fig. 14 muestra
un ejemplo de ajuste de curvas aplicando interpolación, Spline
cubica.
Figura 11. Detección de los límites inferiores.
F. Finalización de la segmentación
Después de detectar los límites laterales, superiores e
inferiores, se realiza la unión de los resultados de cada una de
esas etapas (Fig. 1), de lo cual resultará una imagen que sólo
tiene los bordes de la región de interés (Fig. 15). Hasta
entonces los puntos que componen la región de interés no se
han determinado.
1) Definición de la región de interés
Para finalizar la extracción de la región de interés se
realiza un crecimiento de región en un punto superior al punto
más elevado del borde inferior. Al final de la detección de los
que
límites inferiores de la ROI se encuentra el punto
representa el punto más elevado (en relación al eje y) del
borde inferior. Consecuentemente, basta utilizar el pixel que
se encuentra arriba de
como semilla para iniciar el proceso
de crecimiento de región. Dicho resultado se puede ver en la
Fig. 16.
2) Separación de las mamas
La separación de las mamas llevada a cabo en esta trabajo
está compuesta en cierto modo de una contrapropuesta de la
propuestas presentadas en Motta [30, 36] y Borchartt el al.
[38] para corregir la postura de las pacientes en las imágenes
térmicas, teniendo en cuenta que muchas veces las pacientes
se encuentran inclinadas para la izquierda o para la derecha.
Borchartt el al. [38] propuso una transformación geométrica
como una etapa de preprocesamiento en la metodología de
Mota [30, 36] para corregir el mal posicionamiento de los
pacientes.
En este trabajo, la separación de las mamas está basada en
cuatros puntos de referencia. Para una fácil comprensión se
el punto más elevado de la curva inferior que
denomina
delimita los pliegues inframamarios, debido a que después de
la interpolación entre las curvas encontradas para la mama
izquierda y derecha, respectivamente.
y
se definen justo
después del ajuste de curvas por aproximación realizado para
cada mama.
es el punto superior aún indefinido que junto
con
formarán un segmento de recta que dividirá la imagen
en mama izquierda y derecha. Donde se muestra la relación de
estos puntos para que un segmento de recta
sea dibujado
(Fig. 17).
Figura 17. Separación de las mamas mediante los cuatro puntos de referencia
aplicada sobre la imagen IR_0225.
Figura 14. Resultado de ajuste de curva mediante interpolación por spline
cúbica natural para algunas imágenes: (a) después del ajuste por
aproximación, (b) después del ajuste por interpolación de los dos puntos [29].
Figura 15. Resultado de la conjunción de los bordes encontrados en las etapas
de detección de los límites laterales, inferiores y superiores [29].
El objetivo de la separación de las mamas que se propone
en este trabajo es dividir a la ROI de acuerdo a la inclinación
de la paciente (Fig. 18). Teniendo en cuenta que un segmento
de recta
posee un grado de inclinación en relación con el
eje x igual a θ.
Para determinar la inclinación de la paciente basta encontrar
el punto
que formara un segmento de recta
con una
inclinación θ en relación al eje y [29].
(a)
(b)
(c)
Figura 16. (a) Resultado de la unión de las tres etapas de detección, (b)
después del crecimiento de la región y (c) Extracción de la región de interés
[29].
Figura 18. Proceso de separación de las mamas, aplicado sobre la imagen
IR_0225. (a) Obtención de los bordes que delimitan las mamas, (b) exclusión
de las regiones no útiles de la ROI y (c) separación de la mama derecha e
izquierda [29].
III. RESULTADOS EXPERIMENTALES
En este trabajo, además de la segmentación automática de
las mamas se presenta un sistema CAD inicial desarrollado
con el objetivo de ayudar en la visualización e interpretación
de imágenes térmicas. Dicho sistema no tiene la intención de
detectar la presencia de una posible enfermedad, solamente
mostrar información que pueda mejorar la interpretación de
las imágenes por el médico, así como ayudarle en la edición
de los informes.
Una vez realizado todo el proceso de la segmentación,
juntamente con la separación de las mamas (izquierda y
derecha), es posible proporcionar algunos datos más
detalladamente. Lo que se pretende es presentar un histograma
de las temperaturas de la mama izquierda y derecha, con el fin
de proporcionar información de la temperatura máxima,
mínima, media, mediana y la desviación estándar de las
temperaturas (Fig. 19).
Además de lo anterior, para la validación de los resultados
obtenidos se han validado con aplicación construida para la
generación del Ground Truth desarrollado en una Tablet con
tecnología touch screen destinado a ayudar a los expertos
médicos en la tarea de la segmentación manual de las
imágenes térmicas (Figs. 20 y 21).
Más detalles sobre el desarrollo y las características de esta
aplicación se pueden encontrar en [39].
Figura 20. Aplicación para generar el Ground Truth, en una Tablet [29].
Figura 21. Clasificaciones binarias: (a) Método Automático (b) Ground Truth
(c) Superposición de (a) y (b). [29].
IV. CONCLUSIONES
La extracción de la región de interés de las mamas es un
paso importante en las imágenes térmicas para el desarrollo de
sistemas de detección y ayuda al diagnóstico médico.
De acuerdo a las validaciones realizadas mediante las
métricas estadísticas y de la distancia Hausdorff, el método
propuesta presenta resultados óptimos, mostrando ser un
método eficiente y rápido. Además se puede concluir que una
etapa fundamental para el proceso de la segmentación
automática es la correcta identificación del conjunto de puntos
relacionados con los pliegues inframamarios y no en el ajuste
de curvas. Aunque se detectaron errores que en gran parte se
debe a problemas de mala posición durante la adquisición,
pacientes con senos voluminosos, así mismo por el hecho de
que las pacientes presentan una elevada asimetría entre las
mamas.
Con la extracción de las regiones de interés mediante el
método automático y la generación de sus respectivos Ground
Truth se abre la posibilidad de que otros autores utilicen estas
imágenes para validar y comparar los abordajes propuestos en
este trabajo.
(a)
AGRADECIMENTOS
Los autores brasileños recibieron becas del CNPq, CAPES
en el desarrollo de este trabajo; recibieron apoyo parcial de los
proyectos INCT-MACC (Medicina Assistida por Computação
Científica) y FAPERJ- SiADE (Sistemas de Apoio à Decisão).
También, María G. Pérez quiere agradecer a la EPN por
apoyar este trabajo.
REFERENCIAS
[1]
(b)
Figura 19. Resultados experimentales. (a) imagen IR 1632, de una paciente
con cáncer (mama derecha) y los patrones de cada mama (b) Histograma de
temperaturas de cada mama, mama derecha (línea azul), y mama izquierda
(línea roja) [29].
B.O. Anderson, C.H. Yip , R.A. Smith , R. Shyyan , S.F. Sener , A.
Eniu , R.W. Carlson, E. Azavedo ,J. Harford (2008), Guideline
implementation for breast healthcare in low-income and middleincome countries: overview of the Breast Health Global, Initiative
Global Summit 2007. Cancer, vol. 113, pp. 2221-43. URL:
http://www.who.int/topics/cancer/breastcancer/es/index4.html
[2]
E.Y.K. Ng, Breast imaging: A survey, World J Clin Oncol, 10, vol. 2,
no. 4, pp. 171-178, 2011
[3]
J.L. Griffin, D. Perlman, “Detección de Cáncer de Mama en Mujeres
con Riesgo Promedio y Alto” (en español), Obstetrics & Gynecology
116, pp. 1410-1421, 2010.
[4]
E.Y.K. Ng, E.C. Kee, R.U. Acharya, Advanced technique in breast
thermography analysis, in: Proceedings of the 27th Annual
Conference on IEEE Engineering in Medicine and Biology, pp. 710713, 2005.
[5]
P. Kapoor, S.V.A.V. Prasad, Image processing for early diagnosis of
breast cancer using infrared images, Institute of Electrical and
Electronics Engineers, vol. 3, pp. 564-566, 2010.
[6]
J.R. Keyserlink, P.D. Ahlgren, E. Yu, N. Belliveau, M. Yassa,
Function infrared imaging of the breast, IEEE Engineering in
Medicine and Biology Magazine, vol. 19, no. 3, 30-41, 2000.
[7]
Y.R. Parisky, A. Sardi, R. Hamm, K. Hughes, L. Esserman, S. Rust,
K. Callahan, Efficacy of computerized infrared imaging analysis to
evaluate a mmographically suspicious lesions, American Journal of
Roentgenology, vol. 180, pp. 263-269, 2003.
[8]
J. Koay, C. Herry, M. Frize, Analysis of breast thermography with an
artificial neural network, in: Proceedings of the 26th Annual
International Conference on IEEE EMBS, pp. 1159-1162, 2004.
[9]
J.Wang, K.J.Chang, C.Y.Chen, K.L.Chien, Y.S.Tsai, Y.M.Wu, Y.C.
Teng, T.T.F.Shih, Evaluation of the diagnostic performance of
infrared imaging of the breast: a preliminary study, BioMedical
Engineering, vol. 9, no. 3, pp. 1-10, 2010. URL:
http://www.biomedical-en gineering-online.com/content/9/1/3S.
[10] H. Qi, and N. Diakides, Infrared Imaging in Medicine, pp. 1-10. URL:
http://
a
thermal
image.com/content/00/01/48/03/46/userimages/Infrared%20Imaging%
20in%20Medicine.pdfS.
[11] E.Y.K. Ng, N.M. Sudarshan, Numerical modelling in conjunction
with thermography as an adjunct tool for breast tumor detection, BMC
Cancer, vol. 4, pp. 1-26, 2004.
[12] URL: www.breastcancer.org
[23] B. Sowmya, S. Bhattacharya. Colour image segmentation using fuzzy
clustering techniques and competitive neural network. Appl Soft
Comput., vol. 11, pp. 3170-8, 2011
[24] M. K. Pakhira, A modified k-means algorithm to avoid empty clusters.
Int J Rec Trends Engin.; vol. 1, pp. 220-6, 2009
[25] T. B. Borchartt, A. Conci, R.C.F. Lima, R. Resmini, A. Sanchez,
"Breast thermography from an image processing viewpoint: A
survey", Signal Processing, vol. 93, no. 10, pp. 2785-2803, 2013.
[26] D. A. Kennedy, T. Lee, D. Seely, “A Comparative Review of
Thermography as a Breast Cancer Screening Technique”, Integrative
Cancer Therapies, vol. 8, pp. 9-16, 2009.
[27] N. Sánchez Aldana, J. Velásquez Gómez, Imágenes por Radiación
Infrarroja y Termografía, Escuela de Ingeniería de Antioquia (EIA) e
Instituto
de
Ciencias
de
la
Salud
(CES).
URL:
http://web.usal.es/~lcal/termografia_documento.pdf.
[28] E.Y. K. Ng and L.N. Ung, Statistical analysis of healthy and
malignant breast thermography. Journal of Medical Engineering and
Technology, vol. 25, pp. 253-263, 2001.
[29] R.S. Marquês, “Segmentação automática das mamas em imagens
térmicas, “Dissertação de Mestrado, Universidade Federal
Fluminense, Niterói-RJ, 2012.
[30] Motta, L. S. Obtenção automática da região de interesse em
termogramas frontais da mama para o auxílio à detecção precoce de
doenças. Dissertação de mestrado, Instituto de Computação,
Universidade Federal Fluminense, Niterói, RJ, Brasil, 2010.
[31] N. Otsu, A threshold selection method from gray level histograms.
IEEE Trans. Systems, Man and Cybernetics. vol. 9, pp. 62-66, 1979.
[32] F. E. S. Alencar, D. C. Lopes and F. M. Mendes Neto; Development
of a System Classification of Images Dermoscopic for Mobile
Devices, IEEE Latin America Transactions, vol. 14, no. 1, 2016.
[33] M. Sezgin, B. Sankur, Survey over image thresholding techniques and
quantitative performance evaluation. Journal of Electronic Imaging,
vol. 13, no. 1, pp. 146-168, 2004.
[34] E. Azevedo, A. Conci, F. G. Leta, Computação Gráfica, V.2 - Teoria e
Prática. Elsevier, Rio de Janeiro, 2008.
[13] URL: http://www.who.int/topics/cancer/breastcancer/es/index3.html
[14] C.H. Yip, R.A. Smith, B.O. Anderson, A.B. Miller, D.B. Thomas,
E.S. Ang, R.S. Caffarella, M. Corbex, G.L. Kreps, A. McTiernan,
Guideline implementation for breast healthcare in low- and middleincome countries: early detection resource allocation. Cancer. vol.
113, no. 8, pp. 2244-2256, 2008.
[35] F. Shih, Image Processing and Pattern Recognition: Fundamentals
and Techniques. John Wiley & Sons, Piscataway, 2010
[15] Taller de Estrategias de Intervención en Cáncer de Mama en el Marco
del Plan Esperanza. Ministerio de Salud, INEN EsSalud y OPS/OMS.
URL:
http://www.paho.org/per/images/stories/FtPage/2013/Antecedentesampliados_Taller-Estrategias-Cancer-de-Mama_Plan-Esperanza.pdf
[37] L. Piegl, W. Tiller. The NURBS book (2nd ed.). Springer, New York,
1997
[16] World Cancer Report 2014. URL: www.World Cancer Report 2014
[17] E.Y.K. Ng, A review of thermography as promising non-invasive
detection modality for breast tumor, Int. J. Thermal Sciences, vol. 48,
pp. 849–859, 2008.
[18] E.Y.K. Ng, Y. Chen, Segmentation of breast thermogram: improved
boundary detection with modified snake algoritm. J Mech Med Biol.,
vol. 6, pp. 123-36, 2006.
[19] E.Y.K. Ng, Y. Chen, L.N. Ung, Computerized breast thermography:
study of image segmentation and temperature cyclic variations. Int J
Med Eng Technol.; vol. 25, pp. 12-6, 2001.
[20] M. EtehadTavakol, S. Sadri, E.Y.K Ng, Application of K- and fuzzy
c-means for color segmentation of thermal infrared breast images. J
Med Syst. vol. 34, pp. 35-42, 2010.
[21] M. EtehadTavakol, E.Y.K. Ng. Breast thermography as a potential
non-contact method in the early detection of cancer: a review. J Mech
Biol. 2013;13:1330001
[22] T. Jakubowska, B. Wiecek, M. Wysocki, C. Drews-Peszynski.
Thermal signatures for breast cancer screening - comparative study.
In: Engineering in Medicine and Biology Society (ed): Proceedings of
the 25th Annual International Conference of the IEEE, Cancun,
Mexico, vol. 2, pp. 1117-20, 2003
[36] L. Motta, A. Conci, R. C. F. Lima, E. Diniz, Automatic segmentation
on thermograms in order to aid diagnosis and 2d modeling. In:
Proceedings of 10th Workshop en Informática Médica (Belo
Horizonte, BH, Brasil, vol. 1, p. 1610-1619, 2010.
[38] T.B. Borchartt, R. Resmini, R. S. Marques, A. Conci, A. C. Silva, R.
C. F. Lima, Registro de imagem para correção da posição corporal em
mamotermogramas. VII Congresso Nacional de Engenharia Mecânica,
2012.
[39] R.S. Marques, R. Resmini, A. Conci, C. A. P. Fontes, R.C. F. Lima,
Método para segmentação manual de imagens térmicas para geração
de ground truth. In: Proceedings of XII Workshop em Informática
Médica (Curitiba, PR, Brasil, 2012).
Rafael S. Marques es licenciado en Informática por la
Universidad Federal de Juiz de Fora - MG (2010), tiene
título de maestría en Ciencias de la Computación por la
Universidad Federal Fluminense - RJ (2012). Cuenta con
experiencia en diversas áreas de la informática, con énfasis
en la computación visual. Actuando sobre la Elaboración y
Análisis de Imágenes Médicas. Actualmente, trabaja en
Instituto Tecgraf de la PUC- Rio como investigador científico.
Aura Conci: Ingeniero civil por la U. Federal do Espírito
Santo (1979), maestría (1983) y doctorado (1988) en
Ingeniería Civil en la Pontificia U. Católica de Río de
Janeiro. Fue profesor del Dep. Ing. Mecánica de la PUC/RJ
1988-1994, prof. visitante en la City City University London
en 2007/2008, post doctor en 2011 en la U. Rey Juan Carlo
de Madrid y prof. visitante en 2013 en York U. (Canadá). Es
profesor de la U. Federal Fluminense desde 1994. Ha trabajado en Ciencias de
la Computación, desde la creación del Instituto de Ciencias de la
Computación de la UFF. Su línea de investigación se considera la aplicación
de Métodos Numéricos y Computación Visual. Actúa sobre los temas: análisis
de imágenes, procesamiento de imágenes, de imágenes biomédicas,
computación visual y reconocimiento de patrones.
María G. Pérez: Obtuvo el título de Doctor en Informática y
modelización matemática por la Universidad Rey Juan Carlos
de Madrid en 2012. Fue docente investigador en el
Departamento de Ciencias de la Computación de la
Universidad Rey Juan Carlos (Madrid), España (2000-2012).
Fue profesor visitante en la Universidad Técnica de Ambato,
Ecuador (desde 2012 hasta marzo de 2015). Actualmente, es
profesor investigador en la Facultad de Ingeniería de Sistemas de la Escuela
Politécnica Nacional de Quito, Ecuador. Su investigación se centra en el
desarrollo de métodos computacionales para el análisis de imágenes
biomédicas, procesamiento de imágenes, computación visual y
reconocimiento de patrones, entre otras.
Víctor H. Andaluz: Obtuvo su título de Doctor en Ingeniería
en Sistemas de Control, en 2011 en el Instituto de
Automática (INAUT) de la Universidad Nacional de San
Juan, Argentina. Realizó una estadía investigativa en el
Instituto de Sistemas en Tiempo Real (RTS) de la
Universidad Leibniz de Hannover, Alemania, como becario
del DAAD (Instituto Alemán de Intercambio Académico). Ha
trabajado como Instructor de Laboratorio en la Facultad de Eléctrica y
Electrónica de la Escuela Politécnica Nacional. Además ha trabajo como
Profesor-Investigador en la Escuela Superior Politécnica de Chimborazo y
como Director de Investigación y Desarrollo de la de la Universidad Técnica
de Ambato. Actualmente, ocupa el cargo Profesor Principal 1 de la
Universidad de las Fuerzas Armadas ESPE. Sus áreas de interés son: Robótica
Aplicada, Control Cooperativo, Control Industrial, entre otros.
Tatiana M. Mejía es Ingeniera en Electrónica y
Comunicaciones por la Universidad Técnica de Ambato
(2015). Actuando sobre la Elaboración y Análisis de
Imágenes Médicas. Actualmente, tramita la posible
incorporación a un programa de doctorado en el exterior.