Download Descargar - telcon uni

“III CONGRESO INTERNACIONAL DE TELECOMUNICACIONES TELCON-UNI
2014”
Reconocimiento de Patrones Reticulares
mediante Procesamiento Digital de Imágenes
sobre Tomografías Axiales Computarizadas
P. Hernández, Member IEEE, J. Prieto, Member IEEE

tratamiento respectivo dependiendo del agravamiento del
cuadro clínico.
Resumen—Los continuos cambios climáticos, las variaciones de
temperatura y altos niveles de humedad surgen enfermedades
como la neumonía, muy frecuente en países como Colombia,
ocasionando que en centro de salud se vea reflejada mayor
asistencia de pacientes pero a falta de diagnóstico y de tratamiento
oportuno genera complicaciones. Nuestro estudio permitió
estudiar características de dicha enfermedad con el objetivo de
conocer que patrones son los relacionados a la hora de
diagnosticar por un especialista la patología; ubicación y forma
son los manejados dentro de esta paper para la creación de una
herramienta que mediante procesamiento digital de imágenes sea
capaz de emitir un posible diagnóstico entre pacientes sanos o
enfermos, esto sin excluir el criterio del médico especialista.
II. INVESTIGACIONES REALIZADAS
Dentro de los descubrimientos que se consideren herramientas
eficaces y de suma importancia en el campo de la medicina para
poder detectar y diagnosticar enfermedades en los pacientes
encontramos: rayos X, ultrasonido, radiactividad, resonancia
magnética y tomografía axiales computarizadas. El objetivo de
este tipo de exámenes es permitir de alguna manera al médico
tratante la exploración a profundidad de los órganos para
conocer las causas que ocasionan el mal funcionamiento de los
mismos trayendo como consecuencia el deterioro de la salud de
los pacientes.
Índices—Diagnóstico, Neumonía, Pulmón, Parénquima,
Patología, Patrón, Procesamiento Digital de Imágenes,
Telemedicina, Tomografías Axiales Computarizadas
Por otra parte, tecnologías como la telemedicina y ciencias
como la inteligencia artificial han sido utilizados dentro de la
medicina con el fin de servir de ayuda y soporte, de esta manera,
la unificación de ambos términos ha dado como resultado
programas, aplicaciones que no se orientan en suprimir el
criterio del especialista. Algunos proyectos investigativos que
han implementado estos dos parámetros son:
I. INTRODUCCIÓN
L
AS patologías vienen representadas de acuerdo a ciertos
patrones que las caracterizan, para la neumonía una
enfermedad infecciosa que se presenta en los pulmones
logra representarse a través de dos patrones: reticulares y
alveolares, ubicados en diferentes zonas dentro de la
estructura pulmonar denominada parénquima. Para el
desarrollo de esta herramienta, se tuvo la colaboración de
médicos especialistas que suministraron sus conocimientos
para lograr la correcta identificación de la patología dentro de
las tomografías axiales computarizadas, permitiendo así
generar la respectiva clasificación por medio del porcentaje de
ocupación de la enfermedad entre pacientes sanos o enfermos.
A. Detección de Cáncer en Adultos mediante
Computación Difusa, Procesamiento Digital de
Imágenes y Cómputo Neuronal Free-Forward a
Tomografías Computarizadas y Resonancias
Magnéticas: Este proyecto fue creado con el fin de
detectar automáticamente tumores en imágenes de
resonancia magnética del cerebro humano, el proceso
era extraer la región interna del cerebro, luego
proceder a la segmentación por división y etiquetado,
para que posteriormente por medio de la detección de
bordes y cálculo de características, e ingresaran las
variable dentro de la red neuronal y se obtuviese la
correspondiente clasificación. [1]
B. Software para reconocimiento de
patrones en
imágenes médicas. El cual incorporaba algoritmos de
visión por computadora y técnicas de reconocimiento
de características, esta creación surge en vista que la
responsabilidad de los médicos a la hora de
El objetivo primordial de este trabajo, es lograr asertividad al
momento de clasificar los exámenes médicos, mediante la
creación de una herramienta semi-independiente del control
humano, que integre técnicas de procesamiento digital de
imágenes que permitan realizar el reconocimiento de los
patrones, obteniendo como resultado un posible diagnóstico, su
utilidad se enfoca a ayudar o servir de apoyo a los especialistas
a la hora de generar su diagnóstico, disminuyendo los tiempos
de respuesta por parte de los centros de salud y la orden de
1
“III CONGRESO INTERNACIONAL DE TELECOMUNICACIONES TELCON-UNI
2014”
diagnosticar es bastante alta y lo que se quiere es
ayudar de manera significativa a los especialistas en
la toma de decisiones. Para esto se identificaron los
requisitos necesarios para el sistema, entre ellos se
encontraba: la segmentación de una zona dentro de la
imagen, la extracción de características, la
comparación y la correlación de las mismas, el patrón
escogido que se adaptará al contexto del sistema y lo
hiciera lo más preciso posible.
C. Sistema Inteligente para la detección de enfermedades
coronarias. Se toma la decisión de implementar
sistemas de inteligencia artificial para predecir de
manera automática fallas en el corazón y de esta
forma ayudar a los cardiólogos a identificar las
enfermedades y reducir la carga sobre el personal
involucrado a la hora de diagnosticar. Dentro de su
ejecución también se utilizaron las redes neuronales.
[2]
III. DESARROLLO INVESTIGACIÓN
Fig. 1. Forma del Patrón reticular presente cuando un paciente tiene neumonía
El desarrollo de esta investigación necesita una base de datos
de 50 tomografías de las cuales el 70% de ellas presenta el
patrón reticular (neumonía) el 30 % es de pacientes sanos.
Las características y la forma de estos patrones mencionados
anteriormente pueden observarse en la FIG 1. Dichos patrones
se logran presentar cuando un paciente presenta neumonía,
siendo esta, un proceso infeccioso del parénquima pulmonar,
ocasionando una inflamación de los bronquiolos que causa que
los sacos de aire de los pulmones se llenen de mucosa y otros
líquidos, dificultando que el oxígeno llegue a la sangre. [3] Por
lo general, la neumonía presenta áreas de consolidación e
inflamación en las pequeñas vías aéreas y los alvéolos que la
rodean, suele ser múltiple y bilateral y afecta directamente a los
lóbulos inferiores, esta enfermedad es considerada una de las
principales causas de mortalidad en países en desarrollo y de
morbilidad y hospitalización en los desarrollados. [4] Lo
anteriormente, es visible dentro de las tomografías, mediante
el tamaño, forma, y luminosidades bastante notorias y
específicos. FIG 2.
La característica principal del patrón reticular es:
Engrosamiento de los septos interlobulares, estos últimos se
componen de tejido conectivo que contienen vasos linfáticos y
venas pulmonares, y en los hallazgos radiológicos el
engrosamiento de los septos interlobulares localizados en la
porción central del parénquima pulmonar producirá imágenes
lineales u opacidades lineales de varios centímetros de longitud.
Ver FIG. 2 y 3. [5]
Fig. 2. Visualización del patrón reticular presente en las tomografías axiales
computarizadas
2
“III CONGRESO INTERNACIONAL DE TELECOMUNICACIONES TELCON-UNI
2014”
Fig. 4. Aciertos de la implementación de Filtros sobre las imágenes
diagnósticas
Como se puede observar en la FIG 4. Los aciertos de la
implementación de filtros sobre los exámenes médicos nos
arrojan que el Filtro Canny viene siendo el más adecuado para
realizar el reconocimiento de patrones, en vista que al utilizarlo
no genera tanta erosión sobre la imagen, sin embargo, la
identificación solo podrá realizarse mediante la ayuda de un
médico especialista, en vista que por sí sola el diagnóstico es
casi imposible.
Fig. 3. Visualización de los patrones reticulares juntos con patrones alveolares
sobre las tomografías axiales computarizadas
Se debe acotar que la selección de las técnicas de
procesamiento fue lo más transparente posible, todas las
pruebas fueron realizadas en las 50 tomografías axiales
computarizadas pertenecientes a la base de datos.
Cabe recordar, que la idea de crear una herramienta semiindependiente del control humano es no necesitar que el médico
tenga que analizar la imagen en su totalidad, sino que el mismo
software sea capaz de analizar y arrojar el resultado para que
este sirva de ayuda en el diagnóstico. Por tal razón, se descarta
los filtros como técnica de PDI y se procede a buscar otra que
se enfoque al propósito de la investigación. Para esto, la
siguiente técnica aplicada fue la de resalte de características
claves dentro de la zona de estudio (parénquima pulmonar) a
través del contraste. Por lo general, para observar el
funcionamiento de esta técnica es necesario hacer uso de los
llamados histogramas, los cuales nos muestran una breve
aproximación a la distribución de probabilidad de los niveles de
grises de los pixeles. [7]
IV. TÉCNICAS DE PROCESAMIENTO DIGITAL DE
IMÁGENES PARA IDENTIFICACIÓN DE PATRONES
RETICULARES
Luego de conocer cómo determinar los patrones reticulares
dentro de las tomografías axiales computarizadas de manera
visual y a su vez de establecer las características a nivel
computacional como por ejemplo: ubicación y forma; se
procede a buscar técnicas específicas dentro del procesamiento
digital de imágenes que logren resaltar esas características
mencionadas anteriormente y proporcionar un posible
diagnóstico de los exámenes médicos.
Dentro de los primeros experimentos ejecutados a toda la base
de datos de las tomografías axiales computarizadas, fue la
implementación de Filtros, tales como: Canny, Prewitt y Sobel.
[6]
Se debe tener en cuenta que la finalidad de ajustar el contraste
en las imágenes diagnósticas es:
Los resultados arrojados al utilizar dichos filtros sobre las
imágenes diagnósticas fueron los siguientes: Ver FIG 4.
3
-
Mejorar la visualización de lo que se está buscando
(patrones reticulares)
-
Obtener una distribución uniforme de los valores, ya
sea aumentando o disminuyendo la línea recta que
representa los grises con pendiente a 45 grados. [8]
“III CONGRESO INTERNACIONAL DE TELECOMUNICACIONES TELCON-UNI
2014”
Entre las técnicas seleccionadas para implementar en todas la
base de datos (50 tomografías axiales computarizadas) son:
Imadjust e Histeq, su procesado puede verse en las FIG. 5
deben verse mejor distribuidos a lo largo del eje X, y para la
segunda ronda lo más conveniente es que el histograma
acumulativo debe tener una pendiente de 45 grados. Ver FIG 6.
Posteriormente, luego de obtener que las tomografías axiales
computarizadas puedan interpretarse de una mejor forma,
ubicando con mayor facilidad los patrones reticulares, se toma
la decisión de implementar técnicas de umbralización, esto con
el fin de conocer el valor de intensidad de los patrones dentro
de las imágenes diagnósticas.
(a)
(b)
Fig. 5. Imagen procesada con Imadjust e Histeq
(c)
Como puede analizarse, la imagen procesada con imadjust
permite resaltar la ubicación del patrón reticular, que en este
caso, viene siendo una ligera nubosidad de un tono grisáceo
tenue ubicado en el borde de la estructura pulmonar. Y
posteriormente, utilizando la técnica Histeq, se destaca aún más
las características del patrón. Se debe tener presente que hasta
este punto, todas las tomografías tuvieron doble ajuste de
contraste.
Para comprobar lo dicho anteriormente se utilizan los
histogramas, para la primera ronda los valores del histograma
(d)
Fig. 6. a) Histograma de imagen con imadjust b) Histograma ecualizado con
Histeq, c) Histograma Acumulativo con imadjust d) Histograma Acumulativo
con Histeq
La técnica de umbralización permitirá que dentro de las
imágenes diagnósticas la zona a trabajar se vea más reducida y
concentrada dentro del objeto de estudio, esta umbralización
consiste en separar los pixeles en dos categorías [0 1], siendo 0
la representación de los patrones reticulares y 1 el fondo de la
4
“III CONGRESO INTERNACIONAL DE TELECOMUNICACIONES TELCON-UNI
2014”
imagen. [9] [10] Estudiando cada tomografía se pudo
determinar que estos patrones representativos de la neumonía
poseían un valor de intensidad el cual estaba representado entre
[140 160]. Ver FIG 7.
(b)
Fig. 7. Rango de Umbralización para reconocimiento de patrones reticulares
en imágenes diagnósticas.
Fig. 8. Binarización de las imágenes médicas dentro del rango establecido
[140-160]
Se debe tener presente, que en un histograma y en imágenes de
tipo uint8 los valores de intensidades van desde 0 hasta 255, por
lo tanto, el valor del pixel (patrón reticular) se encontraba
dentro del mismo. Es por esta razón, que se decide binarizar la
imagen, para esto los límites del rango encontrado son
establecidos bajo este criterio, siendo 0=0, 128=0.5 y 255=1,
El límite inferior del rango del patrón (140) cambiado a valores
entre [0 1] viene dado por 0.546875; y el límite superior del
rango del valor de píxeles del patrón (160) viene dado por
0.625. Ver FIG. 8.
El siguiente paso luego de la binarización de las imágenes que
destaquen el objeto de interés es el filtrado de la imagen, para
esta etapa se implementaron varios filtros, pero cada uno de
ellos lograba resaltar los bordes pero distorsionaba el relleno de
la estructura pulmonar, imposibilitando así el reconocimiento
de patrones, por tal razón, el filtro seleccionado para esta etapa
del proyecto es el Filtro Laplaciano, este permite el relleno de
contornos y mantiene intacto las características de los patrones
y por ende la ubicación de los mismos. Este filtro funciona de
la siguiente manera es un operador de tipo escalar considerado
un filtro para realzar detalles finos de una imagen. [9] De esta
manera, es capaz de detectar bordes, basado en la primera y
segunda derivada. El resultado de la implementación de este
filtro puede observarse en la FIG. 9
La siguiente técnica a implementar será el etiquetado de
objetos, esto con la finalidad de detectar los patrones en
imágenes RGB, esta técnica consiste en demarcar dentro de una
imagen cierta cantidad de elementos encontrados e
interconectados entre sí, para este proyecto solo se asigna la
detección de 4 objetos, a cada uno se le proporciona un color
en específico, el de los patrones reticulares viene siendo el color
azul, que dentro de imágenes RGB, está en el rango establecido
de [0 0 190]- [0 0 210]. Ver FIG 10.
(a)
5
“III CONGRESO INTERNACIONAL DE TELECOMUNICACIONES TELCON-UNI
2014”
Fig. 9. Procesado de Imágenes Diagnósticas con Filtro Laplaciano
Fig. 11. Diagrama de Flujo Primera Etapa de PDI.
V. RESULTADOS
Teniendo las técnicas de procesamiento digital de imágenes ya
seleccionadas e implementadas en todas y cada una de las
imágenes diagnósticas se procede a ejecutar la parte de
reconocimiento de patrones por medio de ambos procesos de
diagnósticos planteados en el Diagrama de Flujo 1.
El primero de ellos es reconocimiento de patrones utilizando las
técnicas de procesamiento, el cual consiste en contar la cantidad
de pixeles que representan el patrón reticular de acuerdo al
siguiente criterio:
- Rango de identificación en imágenes en escala de
grises [140- 160]
- Rango de identificación en imágenes a color [0 0
190]-[0 0 210]
- Porcentaje de ocupación.
Para este último ítem el porcentaje de ocupación está referido
de la siguiente manera, si la ocupación de los patrones supera
el 78-80% dentro del parénquima pulmonar, el diagnóstico es 1
“tiene neumonía”, caso contrario el diagnóstico es 0, “no tiene
neumonía”.
Fig. 10. Etiquetado de Objetos en Imágenes Diagnósticas
Ya con las técnicas definidas para el reconocimiento de
patrones se procede a mostrar el diagrama de flujo que fue
implementado en cada imagen diagnóstica. Ver FIG 11 y 12.
6
“III CONGRESO INTERNACIONAL DE TELECOMUNICACIONES TELCON-UNI
2014”
Y el segundo proceso es mediante la red neuronal, la cual
consiste en ingresar el criterio de identificación mencionado
anteriormente en las variables de entrada de la red y proceder a
entrenarla para que proporcione la clasificación respectiva.
Fig. 13.Gráfica de eficiencia de cada procedimiento de diagnóstico para
Tomografías Computarizadas de pacientes enfermos
Fig. 12 . Segunda Etapa de Procesamiento Digital de Imágenes
Fig. 14. Gráfica de eficiencia de cada procedimiento de diagnóstico para
Tomografías Computarizadas de pacientes sanos
Ambos procesos serán comparados con el criterio del médico
tratante, esto con el fin de comprobar cuál de los dos procesos
es el más eficiente y asertivo a la hora de diagnosticar.
VI. BIBLIOGRAFÍA
Dentro de las pruebas que se ejecutaron y se comparan los
resultados fueron los siguientes: Ver FIG 13 y 14, las cuales
mediantes gráficas y estadísticas ven la eficacia de cada
procedimiento.
[1] E. Cortéz, T. Morales y N. Alonzo, «Detección de
Cáncer Cerebral en Adultos mediante computación
difusa, tecnicas de procesamiento de imágenes y Redes
Neuronales a Tomografias Computarizadas y
Resonancias Magnéticas,» s.f.
[2] M. Bernal, D. Clavijo y J. Silva, «Sistema Inteligente
para la detección de enfermedades coronarias.,» 2006.
[3] J. Calvo, A. Maldonado y M. Bernal, «Neumonías de la
Comunidad,» 2004.
[4] J. Pericas, «Bronquitis y Neumonía,» 2008.
Por tal razón y observando todo el proceso de implementación
de técnicas de procesamiento digital de imágenes se puede decir
que estas permitieron poder visualizar aún mejor los patrones
reticulares enfocándolos un poco mejor con el propósito de
realizar un pre diagnósticos de las tomografías entre pacientes
sanos o enfermos
7
“III CONGRESO INTERNACIONAL DE TELECOMUNICACIONES TELCON-UNI
2014”
[5] M. Maffessanti y G. Dalpiaz, «Tomografías Axiales
Computarizadas de Alta Resolución,» s.f.
[6] R. Medina y J. Bellera, «Bases del Procesamiento de
Imágenes Médicas,» s.f.
[7] A. Poliszuk, «Aplicaciones de las Telecomunicaciones
en salud en la subregión andina de Bogotá-Colombia,»
2006.
[8] J. Selman, «Aplicaciones Clínicas del Procesamiento
Digital de Imágenes,» 2004.
[9] J. Paez, «Procesamiento Digital de Imágenes,» s.f.
[10] B. Escalante, «Procesamiento Digital de Imágenes,»
2006.
[11] L. Cárdenas, «MYCIN: Medical Diagnosis using
Production Rules,» s.f.
[12] Luchau y Croitoru, «Modelo Educativo Computacional
para el Control de Anestesia,» s.f.
VII. BIOGRAFÍAS
PAMELA ANDREA HERNÁNDEZ GAONA
(M’14) Nació en Caracas-Venezuela el 07 de Mayo de 1987.
Aspirante al Título de Ingeniero de Telecomunicaciones (espera
de ceremonia de grado) de la Fundación Universitaria San
Martín (Bogotá-Colombia). A partir del 2014 ejerce el cargo en
la Secretaría de la RAMA IEEE FUSM BRANCH de la cual es
miembro.
ING. JUAN DAVID PRIETO RODRÍGUEZ
(M’ 14) Nació en Bogotá, Colombia, el 12 de Julio 1984. Se
graduó como Ingeniero electrónico y Telecomunicaciones de
La Fundación Universitaria San Martín en el 2009. A partir del
2011 ejerce su profesión como consultor en seguridad de la
información y como docente.
Aspirante al título de especialista en seguridad informática de
la Universidad Piloto de Colombia. En la actualidad es
miembro activo de la Rama IEEE de la institución y docente
consejero.
8