Download Descargar - telcon uni
Document related concepts
Transcript
“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