SciELO - Scientific Electronic Library Online

 
vol.16 número1Efectos metabólicos de la asociación glibenclamida-metformín en diabéticos obesosMétodo para el estudio de la resistencia eléctrica de la piel en ratas índice de autoresíndice de assuntospesquisa de artigos
Home Pagelista alfabética de periódicos  

Serviços Personalizados

Journal

Artigo

Indicadores

  • Não possue artigos citadosCitado por SciELO

Links relacionados

  • Não possue artigos similaresSimilares em SciELO

Compartilhar


Revista Cubana de Investigaciones Biomédicas

versão impressa ISSN 0864-0300versão On-line ISSN 1561-3011

Rev Cubana Invest Bioméd v.16 n.1 Ciudad de la Habana jan.-jun. 1997

 

Técnicas

Hospital "Dr. Carlos J. Finlay". Laboratorio de Procesamiento Digital de Señales (LAPDIS)

Métodos de segmentación de imagen aplicados a las lesiones arteriales. I. Comparación

Dr. Roberto Rodríguez, Prof. Dr. José E. Fernández-Britto, Ing. Teresa E. Alarcón, Prof. Hans Guski y Prof. Charles Taylor

RESUMEN

Se presenta una comparación de los resultados obtenidos al usar 2 métodos de segmentación de imagen en lesiones ateroscleróticas de la aorta torácica; uno supervisado y el otro no supervisado. La segmentación se empleó con preprocesamiento y sin preprocesamiento. Se presentan las ventajas que origina este tipo de procedimiento en la discriminación de las diferentes lesiones, a saber: estrías adiposas, placas fibrosas, placas complicadas y placas calcificadas. Se constata que en todos los casos los algoritmos no supervisados fueron superiores a los supervisados.

Descriptores DeCS: PROCESAMIENTO DE IMAGEN ASISTIDA POR COMPUTADOR/métodos; ARTERIOSCLEROSIS; AORTA TORACICA; ALGORITMOS. INTRODUCCIÓN

Una de las herramientras más importantes del procesamiento digital de imágenes (PDI) empleada en la medicina es, sin duda, la segmentación que en muchas ocasiones sirve de base para posteriores procedimientos de clasificación, reconocimiento y análisis de diferentes estructuras (Rodríguez R, Gil J, Fernández-Britto JE, Hita R. Identificación de diferentes lesiones histopatológicas mediante procesamiento digital de imágenes. I Congreso Latinoamericano de Informática en Salud, febrero, 1992, p. 99).1,2

El objetivo de la segmentación es agrupar conjuntos de pixels parecidos en mayores unidades. En este sentido se pueden distinguir 2 tipos de segmentación: segmentación supervisada (SP) y no supervisada (SNP).3

Se entiende como SP cuando el agrupamiento de los pixels se realiza a partir de clases prefijadas por el observador, utilizando para ello un vector (con no menos de 2 componentes) de las clases patrones, el cual es movido por toda la imagen con vista a lograr el efecto deseado (Rodríguez R. La interacción y el conocimiento heurítico en la restauración y el mejoramiento digital de imágenes: un sistema inteligente SIPDI. [Tesis de Doctor en Ciencias Técnicas] ISPJAE, 1995).

La SNP parte del hecho de que la escena está compuesta por varias estructuras, y que éstas deben ser separadas de acuerdo con algún criterio determinado. Aquí no se predeterminan clases, todo lo semejante es agrupado en una misma unidad de acuerdo con la relación existente entre los vecinos más cercanos.

El presente trabajo tiene como objetivo realizar un estudio comparativo entre diferentes métodos de segmentación con vista a ser empleados en lesiones ateroscleróticas de la aorta torácica, así como mostrar algunos de los resultados alcanzados, todo lo cual servirá de base para el procesamiento automático de este tipo de lesiones (Fernández-Britto JE. Atherosclerotic lesion: a morphometric study applying a biometric system. [Thesis of Doctor in Medical Sciences Promotion B] Humboldt University of Berlin, 1987).2,4

MÉTODOS

La digitalización de las arterias se realizó directamente sobre ellas. Otros autores hacen la captación y el análisis a partir de las fotografías obtenidas de las arterias.3 Esto, al ser un paso adicional, proporciona cierta pérdida de información con respecto a la escena original, lo que hace más engorroso el proceso de clasificación de las diferentes lesiones.

En las imágenes (método SP) se calculó un vector cuyas componentes eran la media y la varianza. Estas se calculan, respectivamente, según las expresiones siguientes (Rodríguez R. La interacción y el conocimiento heurítico en la restauración y el mejoramiento digital de imágenes: un sistema inteligente SIPDI. [Tesis de Doctor en Ciencias Técnicas] ISPJAE, 1995):

                      n+i   m+j m = 1/(2*n+1) (2*m+1) S      S f(k,1) (1)                     k=i-n  l=j-m
                      n+i m+j d = 1/(2*n+1) (2*m+1) S    S (f(k,1) - m)2  (2)                     k=i-n l=j-m
donde n y m son el tamaño de la ventana (kernel) y f(k,1) es la imagen de entrada.

La asimetría y la kurtosis también se pueden calcular, respectivamente, a través de las expresiones siguientes:

m3 = S (h(i) - m)3/N (3)

m4 = S (h(i) - m)4/N (4)

donde h(i) es el histograma de la imagen y N, el número de muestras.

Los métodos de segmentación utilizados se recogen en la tabla.

DISCUSIÓN

Los resultados obtenidos con los métodos de SP fueron pobres en comparación con la SNP para el caso en que el vector de búsqueda esté formado por 2 componentes, la media y la varianza. Los orificios intercostales, una de las estructuras más difíciles de discriminar en estas imágenes no pudieron ser aislados con estas técnicas; éstos quedaban agrupados como parte de unas de las lesiones.

Próximas investigaciones exigen ampliar las componentes de este vector, como podrían ser, por ejemplo, la kurtosis y la asimetría. No obstante, de los métodos de SP el algoritmo de MacQeen resultó ser más sensible, en las definiciones de las imágenes segmentadas, que el Min-max.5 El algoritmo de Min-max no produjo buena segmentación para el caso de la lesión del tipo II (placas fibrosas).

Las técnicas de crecimiento de regiones (SNP) fueron mejores para este tipo de imágenes (lesiones ateroscleróticas) que la SP. En general, quedaban bien determinadas las lesiones con respecto al fondo y los orificios intercostales se definían del resto de las estructuras.

De las técnicas de SNP, la que resultó más adecuada para este tipo de imágenes fue el método de emersión, ya que logró una definición prácticamente exacta de los diferentes tipos de lesiones.4

Los métodos de crecimiento de regiones (SNP) se utilizaron de forma interactiva, es decir, segmentando la zona de interés del observador. Esta forma de trabajo se debió a que, dada su complejidad estos algoritmos consumen mucho tiempo computacional. El algoritmo de Kolmogorov-Smirnov,3 a pesar de ser un poco más rápido en su ejecución, es menos sensible en las fronteras y por tanto, en la definición de las diferentes lesiones.

Las técnicas tanto de SP como la SNP fueron empleadas realizando un tipo de preprocesamiento, un filtro paso bajo antes de segmentar, esto con el objetivo de atenuar el ruido que se origina en el momento de la captación de la imagen. Este paso es de suma importancia cuando la imagen es captada con cámara de televisión.

Los resultados obtenidos se compararon con aquellos sin realizar preprocesamiento, y se verificó la efectividad de este paso. Por ejemplo, en las imágenes en las que no se realizó preprocesamiento antes de la segmentación, se originó un nivel de ruido que atenuaba las fronteras de las lesiones segmentadas. Esto se mejoró sustancialmente al filtrar las imágenes. Para las imágenes de las lesiones arteriales este paso es importante sea cualquiera de los métodos seleccionados (algoritmos de SNP o SP) (tabla).

TABLA. Métodos de segmentación utilizados
Min-Max (SP)
Vector
Media y varianza
MacQeen (SP)
Vector
Media y varianza
Emersión (SNP)
Tomando los 8 vecinos
Métodos de crecimiento de regiones
Smirnov (SNP)
Kolmogorov
Tomando los 8 vecinos
CONCLUSIONES
  1. En las investigaciones realizadas se pudo constatar que la segmentación supervisada (SP) produce resultados más groseros que la segmentación no supervisada (SNP).
  2. Con la SP no se pudo discriminar los orificios intercostales, éstos se clasificaban como parte de unas de las lesiones.
  3. Entre los métodos de SP utilizados el de MacQeen produjo mejor resultado que el de Min-max.
  4. De los métodos de SNP el algoritmo de emersión resultó ser mejor que el de Kolmogorov-Smirnov.
  5. Con este trabajo se verificó que el paso de preprocesamiento resultó muy importante para el caso de las lesiones ateroscleróticas.
SUMMARY
    A comparison of the results obtained on using 2 image segmentation methods in arteriosclerotic lesions of the thoracic aorta is presented. One of these methods was supervised and the other wasn't. The segmentation was used with preprocessing and without preprocessing. The advantages of this type of procedure for the discrimination of different lesions, such as adipoid striae, fibrous plates, complicated plates, and calcified plates, are explained. It is shown that in every case the non-supervised algorithms were high than those supervised.

    Subject headings: IMAGE PROCESSING, COMPUTER ASSISTED/methods; ARTERIOSCLEROSIS; AORTA, THORACIC; ALGORITHMS.

REFERENCIAS BIBLIOGRÁFICAS
  1. Ferre-Roca O. Análisis de imagen (I, II). Aplicaciones. Universidad de la Laguna. La Laguna: Nueva Gráfica. 1990.
  2. Muerle JL, Allen DC. Experimental evaluation of techniques for automatic segmentation of objects in a complex scene, in pictorial pattern recognition (G. C. Cheng et al, eds.), Thompson, Washington, pp. 3-13, 1968.
  3. Cornill JF, Barrett WA, Herderick EE, Mahley RW, Fry DL. Topographic study of sudanophilic lesions in cholesterol-fed minipigs by image analysis. Arteriosclerosis 1985;5:415-26.
  4. Fernández-Britto JE. Atherosclerotic lesion of the aorta: its study applying an atherometric system using multivariate statistical technique. Acta Morphol Hung 1987;35:3-7.
  5. Niblack W. An introduction to digital image processing. Prentice Hail International, 1988.
Recibido: 30 de noviembre de 1995. Aprobado: 20 de diciembre de 1996.

Doctor en Ciencias Técnicas Roberto Rodríguez. Hospital "Dr. Carlos J. Finlay". Laboratorio de Procesamiento Digital de Señales (LAPDIS). Ave. 31 esquina a 114, Marianao, Ciudad de La Habana, Cuba.

Creative Commons License Todo o conteúdo deste periódico, exceto onde está identificado, está licenciado sob uma Licença Creative Commons