Revista Aristas Ciencia Básica y Aplicada

Transcripción

1 Contenido disponible en Revista Aristas Ciencia Básica y Aplicada ELIMINACIÓN DE LA SOBRESEGMENTACIÓN DE IMÁGENES COLPOSCÓPICAS UTILIZANDO K-MEANS. Itzel María Abundez Barrera a, Alma Patricia Vásquez González b, Raúl Bernal c, Eréndira Rendón Lara d. a Licenciada en Informática Administrativa Maestría en Ciencias en Ciencias Computacionales, Instituto Tecnológico de Toluca. iabundezb@ittoluca.edu.mx b Licenciada en Informática, Instituto Tecnológico de Orizaba. avasquezg@toluca.tecnm.mx c Ingeniero en Sistemas Computacionales, Tecnológico de Toluca. raulbv_escarlata21@hotmail.com d Doctorado en Ciencias Computacionales, Instituto Tecnológico de Toluca. erendon@ittoluca.edu.mx Información del artículo Historia del artículo: Recibido: 24 Julio 2015 Aceptado: 26 Noviembre 2015 Publicado: 02 Febrero 2016 Palabras clave: Colposcopía, Sobresegmentación, k-means. Datos de contacto del primer autor: Itzel María Abundez Barrera iabundezb@ittoluca.edu.mx México Resumen Este Una Colposcopía permite a los ginecólogos realizar un diagnóstico de la salud del cuello uterino de la mujer. Para apoyar la confiabilidad del diagnóstico haciendo uso de herramientas tecnológicas, como el procesamiento digital de imágenes a través de diferentes técnicas como la segmentación. El método de Segmentación con Operaciones morfológicas y Watershed (SOW), se diseñó para segmentar imágenes colposcópicas y con ello detectar regiones no sanas, entendiendo como no sanas a regiones que contienen una lesión por virus del papiloma humano (VPH), sin embargo, el método Watershed presenta una sobresegmentación. Para eliminar este problema se propuso el uso del algoritmo de agrupamiento k-means como solución a dicha sobresegmentación. Este agrupamiento está basado en las características propias de las imágenes, tales como el color del modelo RGB (por sus siglas en inglés Red, Green, Blue) y las texturas presentes en las imágenes en estudio. Los resultados fueron evaluados mediante el índice de similitud: sensibilidad, entre la segmentación de la metodología propuesta y la realizada por el experto humano, con el objetivo de evaluar la similitud entre regiones. La metodología fue desarrollada en el software Matlab. 17 al 20 de febrero Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright Tijuana, Baja California, México. 32

2 1. INTRODUCCIÓN En el tratamiento de imágenes médicas una de las etapas influyentes y determinantes para su correcta aplicación es la segmentación, es decir, el proceso de particionar imágenes según sus componentes estructurales más importantes en regiones uniformes con respecto a alguna de sus características [1]. Este proceso puede presentar ciertos inconvenientes como es la sobresegmentación, que es la obtención de segmentos no deseados de una imagen, ya sea que se generen particiones en exceso o bien particiones insuficientes con respecto a la segmentación esperada. En el trabajo de Rafael Lemus [2], después de aplicar la segmentación los resultados presentan una sobresegmentación por lo que es necesario eliminarla. Esto se logra detectando los diferentes segmentos presentes en la sobresegmentación de cada imagen de prueba, después se obtienen las características representativas de cada segmento, para posteriormente realizar la agrupación de estos segmentos con el método k-means y así generar un agrupamiento que contenga la o las regiones de interés. Al utilizar el método de agrupamiento k-means es eliminada la sobresegmentación. Todas las imágenes de prueba contienen lesiones con virus del papiloma humano. 2. TRABAJOS RELACIONADOS El trabajo SEGMENTACIÓN CON WATERSHED USANDO prior shape Y appearance knowledge [3] propone un nuevo método para mejorar la segmentación de Watershed mediante la utilización de prior shape y appearance knowledge. Este método alinea de forma iterativa un histograma forma resultando en un agrupamiento mejorado en los segmentos de Watershed, mediante el algoritmo de agrupamiento k-means, como se muestra en la Fig. 1. 1) Modelando la forma y el appearance knowledge 2) Watershed con la transformada de Watershed. El primer algoritmo propuesto está basado en lógica difusa, cuya metodología se muestra en la Fig. 2, mientras que el segundo está basado en Agrupamiento (Clustering) y en la Fig. 3 se muestra la metodología. Segmentación con Watershed Cálculo de las características estadísticas Selección de las regiones Construcción de funciones de pertenencia. Cálculo de los grados de verdad. Umbralización Creación de marcadores externos Figura 2. Metodología del Algoritmo basado en Lógica Difusa Segmentación con Watershed Filtro de Mediana Cálculo de Características 3) Mejoramiento de K-Medias 4) Alineación iterativa de la forma Agrupamiento Figura 1. Metodología de Segmentación con Watershed usando prior shape y appearance knowledge. Otro trabajo es el que se presenta en SOLUCIÓN DEL PROBLEMA DE SEGMENTACIÓN EN APLICACIONES DE LA TRANSFORMADA DE WATERSHED [4] que propone dos algoritmos para solucionar el problema de sobresegmentación realizada Operaciones Morfológicas Figura 3. Metodología del Algoritmo basado en Agrupamiento. 17 al 20 de febrero Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright Tijuana, Baja California, México. 33

3 3. METODOLOGÍA El Método propuesto en la presente investigación para la eliminación de la sobresegmentación, se muestra en la Fig. 4. Figura 4. Método para la eliminación de la sobresegmentación. 3.1 Segmentación con el algoritmo WATERSHED. Figura 6. Representación de una imagen en el modelo de color RGB. Con la imagen a color en su forma matricial, se procede a extraer los segmentos resultantes de la segmentación trabajando con segmentos en escala de gris y una segunda matriz, que finalmente permitan obtener las características representativas de cada segmento. La Fig. 7 muestra un ejemplo ilustrativo de este proceso. El procedimiento inicia utilizando el método de segmentación que plantea Rafael Lemus en su tesis de maestría [2] llamado SOW, el cual está basado en la transformada Watershed, donde propone reducir la sobresegmentación que la transformada de Watershed presenta, utilizando operaciones morfológicas (apertura y cierre) y filtros de gradiente (Sobel y Umbral), de tal manera que la región o regiones de interés (Lesión) estén presentes en los resultados obtenidos por el método propuesto. El modelo se presenta en la Fig. 5. Transform ar la imagen de RGB a escala de Grises Filtro por umbral Detección de Bordes y/o Operaciones Morfológicas Transform ada de Watershed Figura 5. Etapas del Desarrollo del Método SOW 3.2 obtención de segmentos presentes en la imagen para la extracción de características. Como resultado del proceso anterior, se obtiene una matriz tridimensional NxMx3, donde cada dimensión contiene los valores del modelo de color RGB para cada posición, como lo muestra la Fig. 6. Figura 7.Construcción de una matriz por segmento. a) Imagen original, b) Obtención de segmentos, c) Matriz binaria del segmento. A continuación se extraen las características por segmento: Los valores R, G y B del modelo de color RGB. Estas características se obtienen calculando la moda de cada valor. Texturas: contraste, homogeneidad, energía, correlación, entropía, media, skew, kurtosis, varianza, desviación estándar y el segundo, tercero y cuarto momento del histograma. Estas características son obtenidas de la matriz de concurrencia y del histograma asociado a cada segmento. 3.3 agrupamiento de los segmentos con k-means y construcción de la imagen resultante del agrupamiento. En esta etapa son agrupados los segmentos presentes en la segmentación, utilizando el método de agrupamiento K-means a la muestra de características, mediante los pasos: 17 al 20 de febrero Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright Tijuana, Baja California, México. 34

4 Indicar el número de grupos a generar, para la presente investigación se propusieron dos (regiones sanas y no sanas). El método de agrupamiento propone un centroide para cada grupo, seguido del cálculo de la distancia euclidiana a partir de las características presentes en cada segmento con respecto al centroide propuesto para dicha característica. Después, se actualizan los grupos de los segmentos. Actualización de los centroides de grupos. Este proceso se repite de manera iterativa hasta que no exista cambio en los valores de los centroides. Para este proceso se utilizó la función kmeans(x,k) de Matlab [5], donde X es la muestra después de aplicar la agrupación y k el número de grupos. Esta etapa finaliza reconstruyendo la imagen segmentada original, con la agrupación obtenida asignando el grupo resultante del k-means a cada pixel de la matriz del segmento correspondiente a ese grupo. 4. EVALUACIÓN DE LA AGRUPACIÓN DE LA SEGMENTACIÓN En esta etapa se evalúan los resultados de las nuevas imágenes resultantes de la agrupación a través de índices de similitud. Se obtiene una imagen binaria de cada imagen, de la región de interés (ROI) para después proceder a evaluarla con el índice de sensibilidad. Este índice proporciona una medida cuantificada de las nuevas segmentaciones con respecto a la segmentación realizada por un experto. la posición (x, y), presentes en las matrices y se contabilizan los pixeles coincidentes por coordenada. La intersección es el número de pixeles coincidentes y la unión es la suma de los pixeles presentes tanto en X como en Y, excepto la intersección. c. Calcular la Sensibilidad. Obtenidos los datos necesarios para la Ec. (1), calculando la ecuación para cada imagen a evaluar. 5. RESULTADOS Para llevar a cabo las pruebas se utilizó un conjunto de imágenes colposcópicas, cuyas características se muestran en la Tabla 1. Tabla 1. Características de las Imágenes Colposcópicas Nombre de la Imagen Dimensiones de la imagen Segmentos por imagen Segmentos por región de Interés Imagen1 695x Imagen2 351x Imagen3 480x Imagen4 433x Imagen5 480x Imagen6 480x Imagen7 480x Siguiendo con la metodología propuesta se realizaron las pruebas siguientes: 1. Segmentación con el algoritmo Watershed. Abrir la imagen a segmentar con el método SOW, realiza la segmentación como lo muestra la Fig SENSIBILIDAD Es definida como la proporción de elementos coincidentes entre la muestra de referencia y la segmentada, entre la totalidad de ambas muestras. Ec. (1): A B Sensibilidad = (1) A B + A B a. Obtener la matriz de datos de la imagen con la zona de interés. Para esta etapa es necesario contar con las imágenes, de la nueva segmentación la cual será comparada con la realizada por el experto humano (quien indica cual es la región que tiene una lesión por VPH), en su forma binaria con la región de interés forma matricial. b. Se obtiene la intersección y la unión. Para esta fase se realiza un recorrido de las matrices obtenidas, haciendo una comparación celda a celda para cuantificar los pixeles etiquetados con 0 (negro), en Figura 8. Prueba de Segmentación con Watershed 2. Detección de cada segmento y obtención de características. En la Fig.9 se observa el proceso en el que se realiza la detección de los segmentos presentes en la imagen y se obtienen sus características. 17 al 20 de febrero Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright Tijuana, Baja California, México. 35

5 Figura 9. Detección de Segmentos y obtención de características 3. Agrupamiento de los segmentos con k-means y construcción de la imagen resultante del agrupamiento. En la Fig.10 se muestra el agrupamiento y en la Fig. 11 se visualiza el resultado de la segmentación con el agrupamiento. Figura 10. Realización del agrupamiento Figura 12. Validación de resultados mediante los Índices de similitud Los resultados de realizar la validación con los índices de similitud se muestran en la Tabla 2. Tabla 2. Validación de Resultados Imagen Segmentos de la Zona de Interés después del Agrupa-miento Sensibilidad Imagen Imagen Imagen Imagen Imagen Imagen Imagen La validación permite comprobar que al utilizar el método de agrupamiento k-means se elimina la sobresegmentación, al aplicar el agrupamiento los segmentos de la zona de interés que presentan sobresegmentación fueron agrupados en el mismo grupo. Además aquellas que no muestran sobresegmentación, no presentan cambios en los segmentos que componen dicha zona, presentando como ventaja la reducción de los segmentos adicionales que acompañan a la zona de interés. La Fig. 10 muestra de forma gráfica los resultados, pudiendo apreciar que los segmentos obtenidos tienen un alto grado de similaridad, recordando que dos imágenes son iguales cuando el valor de similaridad es 1. Figura 11. Imagen Resultante del Agrupamiento 4. Validación de la segmentación resultante después del agrupamiento mediante el cálculo de la Sensibilidad, como se muestra en la Fig Sensibilidad al 20 de febrero Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright Tijuana, Baja California, México. 36

6 6. CONCLUSIONES Las conclusiones obtenidas en la presenta investigación son: 1. La mala Calidad e Iluminación de una imagen afecta en su totalidad el proceso de segmentación. 2. Los diferentes segmentos presentes en la sobresegmentación deben tener características marcadamente distintas para que sean distinguibles entre sí. 3. El funcionamiento del algoritmo K-means depende en gran medida de las características de cada segmento de la sobresegmentación, las cuales a su vez son totalmente dependientes de la calidad de las imágenes colposcópicas. 7. REFERENCIAS [1] Gustavo Meschino, Modelos Híbridos de Inteligencia Computacional aplicados en la Segmentación de Imágenes de Resonancia Magnética, Tesis de Doctorado. Universidad Nacional de Mar del Plata, [2] G. Rafael Lemus Segmentación de Imágenes Colposcópicas Mediante Técnicas Basadas en Regiones, Tesis de Maestría. ITT, [3] Ghassan Hamarneh and Li Xiaoxing, Watershed segmentation using prior shape and appearance knowledge, Image and Vision Computing. Vol. 27. No. 1. pp , [4] Mariela González, Gustavo Meschino and Virginia Ballarin, Solving the over segmentation problem in applications of Watershed Transform, Journal of Biomedical Graphics and Computing, pp , [5] Matlab (2015). Versión: R2015a. Número de licencia: Vigencia: 01/03/ al 20 de febrero Facultad de Ciencias Químicas e Ingeniería. UABC. Copyright Tijuana, Baja California, México. 37