Centro de Ciencias de la Atmósfera, UNAM, Circuito Exterior, CU, México DF CP

Transcripción

1 Detección de Cáncer Cerebral en Adultos, Mediante Computación Difusa, Técnicas de Procesamiento Digital de Imágenes y Cómputo Neuronal feed-forward, a Tomografías Computarizadas y Resonancias Magnéticas. Ernesto Cortés Pérez 1, Tomás Morales Acoltzi, Nicolás Alonzo Gutiérrez 1. 1 Laboratorio de Tecnologías Inteligentes del Instituto Tecnológico De Apizaco Avenida Instituto Tecnológico S/N, Apizaco Tlaxcala, México, CP neto_144@yahoo.com.mx, nalonzo@itapizaco.edu.mx, vr_ojos@ yahoo.com.mx Centro de Ciencias de la Atmósfera, UNAM, Circuito Exterior, CU, México DF CP acoltzi@atmosfera.unam.mx Resumen. Se presenta un sistema, que segmenta y detecta automáticamente tumores en imágenes de resonancia magnética del cerebro humano, el conocimiento basado en sistemas de procesamiento digital de imágenes y un método difuso para la calibración del contraste, fueron diseñados para ser independientes de cualquier protocolo de escaneo de resonancias magnéticas. Operaciones de morfología matemática extraen la región interna del cerebro. Segmentación por división, etiquetado y fusión de regiones provee la obtención de las regiones de interés. Se obtienen los descriptores de textura y forma mediante la detección de bordes y cálculo de características. Finalmente, mediante una red neuronal multicapa feed-forward, se obtiene la clase a la que pertenece la imagen (sana o enferma). El sistema ha sido probado en una base de datos de imágenes de resonancias magnéticas, las cuales presentan distintas patologías, la base de imágenes también incluye casos de personas sanas. Palabras clave: imágenes cerebrales, tomografías computarizadas, resonancias magnéticas, visión artificial, tumor cerebral, píxel, segmentación, umbralización, intracraneal, histograma, lógica difusa, patología, red neuronal. 1 Introducción Los descubrimientos de fenómenos físicos tales como rayos X, ultrasonido, radiactividad, resonancia magnética (RM), tomografía axial computarizada (TAC) y el desarrollo de instrumentos que permiten la generación de imágenes médicas, utilizando los principios físicos de tales fenómenos, han proporcionado algunas de las herramientas de diagnóstico más eficaces en medicina [1][]. Esto permite la exploración de la estructura, función y patología del cerebro humano con una diversidad de sistemas de imágenes, así como también la planificación de

2 tratamientos y cirugías por parte de los especialistas. El análisis de este tipo de imágenes proporciona la capacidad de generar conjuntos de datos, los cuales representan información detallada para aplicaciones tanto clínicas como de investigación. El objetivo final de los estudios por imágenes, es el de realizar una interpretación cuantitativa/cualitativa de los datos, para ello es necesario cumplir con un conjunto de etapas tales como mejoramiento o realce de la calidad de los datos e identificación de las estructuras anatómicas de interés. Recientemente, la aplicación de técnicas de la computación suave y procesamiento digital de imágenes (PDI), aplicadas a imágenes de RM y TAC, para la detección de cáncer cerebral, han atraído la atención de varios investigadores, y por consiguiente han comenzado ha automatizar este proceso []. Lo que se propone en esta investigación, es un análisis con aplicación de técnicas PDI, para procesar RM y TAC, y al mismo tiempo con lógica difusa, lograr detectar zonas del cerebro con cáncer, y finalmente con una red neuronal de tipo feedforward clasificar a la persona como enferma o sana, o dicho de otra manera con o sin patologías. Actualmente, la tendencia en la medicina es realizarla desde un punto de vista preventivo, y requiere de métodos objetivos y rápidos para atender a un mayor número de pacientes. Por lo cual, se trata de un dominio multidisciplinario en el cual la medicina, informática, matemáticas y física aplicadas se asocian, a fin de construir nuevas herramientas de ayuda al diagnóstico no invasivo, a la planeación y al seguimiento terapéutico, basadas en un análisis automático de imágenes médicas. En investigaciones realizadas previamente, se pueden mencionar algunas como: Segmentación Activa de Imágenes Biomédicas. Nuevos Potenciales Basados en la Notabilidad de Bordes y la Disimilaridad entre Regiones [3], y Análisis de componentes independientes aplicado a resonancias magnéticas, en donde se emplean técnicas del PDI y métodos probabilísticos, dejando a un lado procedimientos eficaces de la computación suave. El principal objetivo de esta investigación, es el análisis de imágenes médicas (RM y TAC cerebrales), para extraer características mediante técnicas de cómputo difuso y PDI, y con esto realizar la detección de patologías a través de una red neuronal, para emitir un diagnóstico sistemático y objetivo, como principal aportación en esta investigación, se propone un análisis de este tipo de imágenes para detectar patologías como cáncer cerebral en adultos, esto a diferencia de otras investigaciones, se realiza con la combinación de técnicas de Procesamiento y Análisis de imágenes, Lógica Difusa y una Red Neuronal. El resto del artículo se divide de la siguiente manera: se discute el tipo de corte procesado en la sección, después, sección 3, trata la forma en como se mejoró el contraste y el sistema de inferencia difuso utilizado, en la sección 4 se continua con el análisis y se detallan los niveles del procesamiento en la segmentación, así como la metodología utilizada, después se mencionan las técnicas en las que se apoyó esta

3 investigación para extraer las características, sección 5, la construcción de la matriz de entrenamiento para la red neuronal, sección 6, por último, en las secciones 7 y 8, se muestran los resultados y conclusiones, respectivamente. Cortes de Interés para el Estudio La metodología que aquí se describe, puede procesar cualquier corte del cerebro humano en el plano axial, comenzando de la parte superior del cerebro, y moviéndose hacia los hombros 7 u 8 cm. Un ejemplo de este tipo de corte, después del procesamiento, se puede observar en la figura. Adquisición de la imagen Contraste Difuso No Segmentación Óptimo Si Extracción de características Cómputo Neuronal (clasificación) Interpretación de la escena (diagnóstico) Fig. 1. Diagrama de flujo de la metodología. Fig.. Corte de interés. Se muestra una imagen de una resonancia magnética en corte axial en la figura, que presenta astrocitoma anaplástico.

4 3 Mejoramiento del Contraste Estas imágenes se evalúan mediante el tejido cerebral, y también se habla de densidades, que se miden en unidades Hounfield. Por convención, el agua posee densidad cero. A continuación se presenta en la figura 3 la nomenclatura utilizada, y en la tabla 1 los tejidos que representa cada densidad. Hiperdenso Isodenso Hipodenso Fig. 3. Nomenclatura. Tejidos Densidades Denominación Metal 1000 UH Hiperdenso con artificios Hueso o calcio 300 UH Hiperdenso Sangre fresca Alrededor de 70 Hiperdenso UH Tejidos blandos 30 UH Isodenso Agua 0 Hipodenso Grasa -100 Densidad Grasa Aire Tabla 1.Densidades. Para determinar el umbral óptimo de la imagen original, se aplicó el algoritmo de Otsu [6], ecuación 1, una vez obtenido este umbral, sirve de entrada al sistema de inferencia difuso, cuya definición de términos lingüísticos entrada-salida se observan en la figura 4. σ = ω 1.( µ 1 µ T ) + ω.( µ µ T ) (1) El conjunto de reglas empleado en el sistema es el siguiente: 1.-IF contraste IS muy bajo THEN sube todo contraste..-if contraste IS más o menos bajo THEN sube alto contraste. 3.-IF contraste IS regular THEN sube medio contraste. 4.-IF contraste IS normal THEN casi no subas contraste. 5.-IF contraste IS alto THEN no subas contraste.

5 Fig. 4. Conjuntos de entrada y salida Contraste y Cambio en el contraste, respectivamente. Finalmente, se obtiene una imagen de resonancia magnética con el contraste óptimo, figura 5. 4 Segmentación Fig. 5. Imagen con contraste mejorado. En esta etapa del proceso se determina el eventual éxito o fracaso del análisis, el algoritmo de segmentación de imágenes monocromáticas, está basado en principalmente dos propiedades del nivel de gris: discontinuidad y similaridad. El primer paso para la segmentación de la patología es, extraer la región intracraneal (hueso) del resto de la imagen, para efectuar ésto, se realizaron operaciones de morfología matemática como erosión, dilatación y cierre, esto es: A B = ( A B) ΘB () Aplicando una operación de cerradura 5x5 se remueven regiones pequeñas extracraneales, y se separa la parte interna del cerebro. Una vez aislada la parte del cerebro, donde se va a realizar la detección de la patología, se procede a segmentar por etiquetado, división y fusión de regiones, como se muestra en la figura Fig. 6. División de regiones con etiquetado.

6 5 Descriptores de forma Después de segmentar la imagen, el siguiente paso consiste en describir la zona, para esto, la representación se hizo por sus características externas (contorno) y sus características internas (píxeles que comprenden la región), éstas se enlistan a continuación: Área. Perímetro. Área convexa. Diámetro. Excentricidad. Solidez. Forma (mediante la firma). 6 Cálculo y Reconocimiento Una vez obtenidas las características, éstas representan la imagen, y se organizan de manera vectorial por región, es decir, cada patología detectada es una región o un vector. Fig. 7. Vector de características. La matriz de características de una imagen dependerá del número de regiones o vectores que represente la misma, es decir, cada imagen presentará un número diferente de regiones, por ejemplo, una imagen con 7 regiones formará una matriz con 7 columnas, una imagen con 3 regiones formará una matriz de 3 columnas, y así sucesivamente, finalmente, todas la matrices se concatenan lateralmente para formar la matriz final de longitud n, donde n es el número de regiones localizadas en todas imágenes. Ver figura 8. Clase = Fig. 8. Matriz de características.

7 La matriz anterior será la entrada a la red neuronal feed-forward, ésta tiene una capa de entrada de 1 neuronas, esto es por ser el número de características extraídas del vector que representa cada región, una capa oculta de 9 neuronas y una capa de salida de neuronas, las cuales son las clases a representar (sano o enfermo). y s i m s = f i= 1 W x + b s ki i k (3) Fig. 9. Arquitectura de la red neuronal. 7 Experimentación y Resultados La clase 1 consta de 71 imágenes de personas sanas, donde se extrajeron 89 muestras, la clase consta de 54 imágenes de personas que presentan patologías, donde se extrajeron 65 muestras, los experimentos se realizaron con validación cruzada de a 5 grupos, y 10 corridas. El modelo propuesto se comparó con una red neuronal incremental RCE y con el perceptron multicapa del software para minería de datos Weka 3.5, y los resultados fueron: Algoritmo Backpropagation Perceptron Multicapa (weka) RCE Reconocimiento 94.9 % % 100 % Tabla. 3. Porcentaje de reconocimiento. 8 Conclusión Un Sistema difuso para el contraste, operaciones morfológicas, y características como la firma, Área, Perímetro y la Solidez, permiten discriminar de manera eficiente una clase de otra, es decir, una imagen de una persona sana, de una imagen de una persona

8 que presenta patologías. El modelo propuesto logró obtener un 94.35% de reconocimiento total con 18 características y 91.5% global, con esto se puede deducir que, entre más muestras existan en el corpus, la red neuronal arroja mejores resultados, con 1 características se obtuvo 94.9% de reconocimiento, pero en el reconocimiento global fue 89.97%, por lo cual se puede deducir que, entre más características que discriminen de manera eficiente a la región, se puede obtener un mejor resultado, el problema aquí solucionado, fue encontrar estas características. Con la red neuronal multicapa de Weka el reconocimiento fue de 93.35%, pero el máximo se obtuvo con RCE siendo de 100%. Se puede concluir que una red neuronal incremental ofrece muy buenos resultados con este tipo de datos, pero no se descarta la funcionalidad de una red neuronal tipo feed forward, ya que su porcentaje de reconocimiento es óptimo. 9 Referencias 1. Tendencias 1, Revista de ciencia, tecnología, sociedad y cultura, disponible en: Detección de puntos anatómicos de referencia en imágenes médicas usando lógica difusa, S. Ayalon, L. Moreno, Gran Canaria España, Segmentación Activa de imágenes Biomédicas. Nuevos potenciales basados en la Notabilidad de Bordes y la Disimilaridad entre Regiones Clasificación de Llanto del Bebé Utilizando una Red Neural de Gradiente Conjugado Escalado, J. Orozco García, Carlos A. Reyes García, Instituto Nacional de Astrofísica Óptica y Electrónica. 5. Universidad Nacional de Quilmes Ing. en Automatización y Control Industrial Cátedra: Visión Artificial Octubre de 005, Segmentación por umbralización, Método de Otsu. 6. González, R., Woods, R. Digital Image Processing. Adison Wesley. 7. Curso de Procesamiento Digital de Imágenes, Elena Martínez Departamento de Ciencias de la Computación, IIMAS, UNAM. 8. Zadeh, L. Fuzzy logic, IEEE Computer, 1:83, Analysis Tool For Diffusion Tensor MRI, Pierre Fillard and Guido Gerig, Department of Computer Science, Department of Psychiatry, University of North Carolina, Chapel Hill, NC 7599, USA ESCPE Lyon, Villeurbanne, FRANCE, Assessing Early Brain Development in Neonates by Segmentation of High- Resolution 3T MRI, Guido Gerig, Marcel Prastawa, Weili Lin and John Gilmore, Department of Computer Science, Psychiatry and Radiology University of North Carolina, Chapel Hill, NC 7599, USA, Synthetic Ground Truth for Validation of Brain Tumor MRI Segmentation, Marcel Prastawa, Elizabeth Bullitt, Guido Gerig Dept. of Computer Science, Dept. of Surgery, Dept. of Psychiatry University of North Carolina, Chapel Hill, NC 7599, USA, Corpus Callosum Subdivision based on a Probabilistic Model of Inter-Hemispheric Connectivity, Martin A. Styner, Ipek Oguz1, Dept. of Computer Science, Univ. of North Carolina, Dept. of Psychiatry, Univ. of North Carolina, Chapel Hill NC 7599, USA, 005.