 | En este trabajo, proponemos una alternativa al proceso de segmentación tradicional, empleando separación de canales y las operaciones básicas de morfología matemática (erosión, dilatación y cierre), además, proponer una modificación al sistema de color YIQ denominado R1G1B1, empleando operaciones como mezcla y multiplicación de imágenes, también una ordenación vectorial por píxel, que permite la eliminación de ruido y la detección exacta de zonas de interés, basadas en umbrales obtenidos mediante una fase de experimentación en imágenes cromáticas. |
Deteccion de astrocitoma cerebral infantil aplicando segmentacion de imagenes y morfologia matematica.
El procesamiento de imágenes en color, es un campo que ha cobrado mucha atención en los últimos años, motivado por la similitud con la visión humana y el aumento de información que la cromaticidad aporta al análisis de imágenes [9]. En el área de la medicina, fisiología y biología, el tratamiento de imágenes digitalizadas en color correspondientes a muestras bio-médicas como tejidos musculares, cerebrales y otras, requieren de la creación de herramientas que ayuden al usuario (médico, biólogo, fisiólogo, etc.) tanto en el diagnóstico como en el tratamiento clínico y de investigación [1] [2] [3].
Originalmente las técnicas de procesamiento y el análisis de imágenes en color, eran generalizaciones de aquellas técnicas utilizadas para el procesamiento de imágenes escala de grises, ya que estas imágenes contenían suficiente información de las escenas capturadas, hasta el punto de detectar bordes y detalles de las imágenes reales, quedando totalmente identificadas por un descenso significativo de luminosidad respecto al resto de la zona por analizar. Sin embargo, la señal de intensidad luminosa de una imagen puede conllevar a errores de interpretación [6] [7] [8].
Básicamente el proceso para transformar una imagen de color del sistema RGB (Red, Green, Blue) al sistema YIQ, se realizaba mediante.
En este trabajo, proponemos la utilización por separado de canales que componen nuestro espacio de color, para obtener una mejor detección de zonas potenciales en imágenes cerebrales, además de proponer una modificación al sistema de color YIQ, que nos permite obtener una mejor segmentación en imágenes a color. También proponer una ordenación vectorial de los píxeles en la imagen denominada ordenación ascendente -descendente, y combinar estas técnicas con la morfología matemática, para eliminar la aparición de falsos colores y obtener zonas perfectamente definidas.
2. PLANTEAMIENTO DEL PROBLEMA
Sabemos que al procesar imágenes con gran variabilidad en la intensidad del color, es difícil detectar, a primera vista, zonas exactas, donde se ubica alguna anomalía, debido al ruido generado alrededor de dichas zonas como se muestra en las siguientes figuras, que corresponden a un astrocitoma metastático [4] [5].
|
|
|
Figura 1. Imágenes correspondientes a un Astrocitoma metastásico, (a) nivel medio, (b) nivel elevado.
Como se puede observar, existe ruido alrededor de las zonas afectadas, dando como resultado, segmentaciones inexactas al realizar el proceso de localización de zonas, como se muestra en la figura 2.
|
|
|
Figura 2. Zonas Potenciales.
3. ESTADO DEL ARTE.
En la actualidad, las aplicaciones de tratamiento y análisis de imágenes aparecen frecuentemente integradas con aplicaciones de visualización. Además de detectar y localizar zonas de interés, los usuarios de las aplicaciones informáticas de imágenes médicas (radiólogos, cirujanos, oncólogos) [1], desean en general mostrar dichas zonas, aprovechando de este modo la naturaleza de la mayoría de las imágenes utilizadas. La segmentación de imágenes digitales en color, es una parte importante para muchas tareas en el análisis y procesamiento digital. Recientemente se han generado una gran cantidad de trabajos que presentan técnicas, modelos y algoritmos para la segmentación de dichas imágenes [8]. Estas técnicas están divididas en cuatro grupos:
· Segmentación basada en el valor del píxel
· Segmentación basada en el área
· Segmentación basada en orillas
· Segmentación basada en la física
La segmentación basada en el valor del píxel comprende las técnicas basadas en el histograma, es decir, se obtiene el histograma de una imagen, se localizan puntos máximos y se analizan los intervalos que rodean a éstos, durante el proceso de segmentación. La segmentación por agrupamiento de píxeles en algún espacio de color de acuerdo a alguna característica, y los algoritmos que usan agrupamiento difuso en espacios de color, también se considera dentro de este grupo.
La segmentación basada en el área, se divide en combinación y división, y crecimiento de regiones. La segmentación basada en orillas se divide en dos grupos, técnicas locales y técnicas globales.
Una vez realizado el pre-procesamiento de la imagen (mejora de la imagen, contraste, brillo, etc.) el proceso de segmentación que proponemos en imágenes 256 X 256 provenientes de un atlas cerebral, formato RGB de 24 bits, consiste en la utilización de canales separados, primero convirtiendo la imagen RGB al sistema R1G1B1 propuesto.
Ya que el modelo presenta como principal ventaja, el desacople entre la información de luminosidad (R1) y la información de color (G1 y B1), de esta forma la imagen puede procesarse sin afectarse sus componentes de color [12] [13] [15]. Separando los canales que en las líneas siguientes denominaremos R1, G1, y B1, después combinando dos de ellos mediante el análisis de sus histogramas para obtener de manera experimental umbrales que identifiquen las zonas buscadas, obteniendo las imágenes mostradas en la figura 6.
Figura 3. Gráfica correspondiente al canal R1.
Figura 4. Gráfica correspondiente al canal G1.
Figura 5. Gráfica correspondiente al canal B1.
|
|
|
|
|
|
Figura 6. (a) Imagen R1G1B1. (b) Canal R1 (c) Canales R1B1. (d) Canales R1G1.
La formulación de morfología matemática en color, requiere la presencia de orden entre los píxeles de la imagen. En escala de grises el orden de los valores discretos 0<1<2<3< … <253<254<255 es suficiente para formar el retículo completo. Una solución al problema de ausencia de orden, se puede alcanzar considerando las imágenes en color, como la composición de tres funciones bidimensionales independientes con un valor unidimensional.
En el caso del espacio propuesto R1G1B1, se considera la imagen como una composición de mapas unidimensionales de valor R1=rojo, G1=verde, B1=azul:
La ordenación vectorial ascendente –descendente propuesta, nos permite obtener un orden entre píxeles, para combinar la técnica de segmentación anterior con la morfología matemática [11] [12] [13]. La tabla 1, muestra un ejemplo de los valores que componen un píxel en una imagen cromática, las tablas 2 y 3 muestran el orden vectorial ascendente – descendente propuesto.
Tabla1. Valores que componen un píxel.
| 58 | 30 | 230 | 17 | 225 | 80 |
| 90 | 60 | 110 | 230 | 255 | 10 |
| 210 | 37 | 201 | 18 | 50 | 41 |
| 129 | 190 | 37 | 90 | 251 | 15 |
Tabla2. Orden vectorial ascendente.
| 30 | 58 | 230 | 17 | 225 | 80 |
| 90 | 60 | 110 | 230 | 255 | 10 |
| 210 | 37 | 201 | 18 | 50 | 41 |
| 129 | 190 | 37 | 90 | 251 | 15 |
Tabla3. Orden vectorial descendente.
| 230 | 58 | 30 | 17 | 225 | 80 |
| 90 | 60 | 110 | 230 | 255 | 10 |
| 210 | 37 | 201 | 18 | 50 | 41 |
| 129 | 190 | 37 | 90 | 251 | 15 |
En el procesamiento de imágenes en color, la transformación del mapa base RGB a otro como puede ser YIQ, L*a*b* o HSI requiere la posterior recuperación a RGB. En la investigación que aquí se presenta, se ha empleado un esquema de procesamiento morfológico vectorial, que realiza las operaciones directamente sobre RGB y sobre una modificación propuesta del sistema YIQ denominado R1G1B1. Permitiendo una identificación clara de aquellas zonas potenciales donde se ubica la anomalía cerebral, partiendo del análisis separado de canales.
Una vez obtenida la imagen aplicamos una mezcla y multiplicación de imágenes definida por:
Donde Fi,j es el valor del píxel en la imagen resultante Ai,j y Bi,j son los valores del píxel para la posición i,j dentro de las imágenes de color (canales). Segmentamos utilizando el canal que tenga un nivel más elevado de información de acuerdo a los valores del umbral localizado, en este caso G1 de acuerdo a su estadística. Posteriormente aplicamos las operaciones morfológicas de erosión, dilatación y cierre para obtener la imagen mostrada en la figura 7.
Figura 7. Imagen resultante
Este proceso se ha realizado con imágenes cromáticas en otras tonalidades que también contienen ruido alrededor de las zonas a localizar. Los resultados obtenidos son mostrados en las figuras siguientes aplicando todo el proceso antes mencionado.
Figura 8. Imagen con otra tonalidad.
Analizando los componentes por separado, podemos observar cuales son los canales que se van a utilizar de acuerdo a las gráficas mostradas a continuación, que representan la cantidad de puntos dentro de los umbrales obtenidos previamente, no importando la tonalidad que presente la imagen, para este caso, se puede realizar un proceso previo para el mejoramiento de brillo, contraste, etc.
Figura 9. Componente R1.
Figura 10. Componente B1.
Figura 11. Componente G1.
|
|
|
|
|
|
Figura 12. Las imágenes (a) (b) y (c) corresponden a los canales R1, R1B1 y R1G1, respectivamente.
|
|
|
A continuación se presentan las gráficas resultantes del análisis separado de canales:
|
|
|
Figura 14. (a), (b) y (c) resultado del análisis de canales R1G1B1, (d) y (e) áreas segmentadas luego de las operaciones de mezcla y multiplicación propuestas más dilatación y cierre.
Como se puede observar con este proceso se elimina el ruido potencial y se identifica claramente la zona en donde se ubica la anomalía (astrocitoma metastásico).
|
|
|
Figura 15. (a) División en zonas (b) Zonas con áreas detectadas.
La siguiente tabla muestra el número total de píxeles, número de píxeles de áreas afectadas y su porcentaje.
Tabla 4. Porcentajes de áreas afectadas.
| Zonas | #píxeles áreas afectadas | #píxeles totales por área | % área afectada |
| 1 | 169 | 3320 | 5.09 |
| 2 | 136 | 3128 | 4.34 |
| 3 | 503 | 4975 | 10.11 |
| 4 | 709 | 4848 | 14.62 |
| 5 | 0 | 2302 | 0.0 |
| 6 | 383 | 2302 | 16.63 |
| 7 | 0 | 1882 | 0.0 |
| 8 | 0 | 1916 | 0.0 |
El espacio de color utilizado generalmente para procesamiento de imágenes cromáticas, es el espacio RGB, pero no existe un modelo óptimo general para todas las aplicaciones, ya que se han desarrollado otros modelos específicos que interaccionan mejor con la aplicación o imagen de estudio.
En una imagen cromática se tiene una mayor cantidad de información, pero esto puede dar origen a la detección de zonas inexactas al realizar el proceso de segmentación y localización de zonas de interés.
Se ha comprobado que al trabajar con los canales por separado del sistema (R1,G1,B1) propuesto, en combinación con operaciones para establecer un orden vectorial (ascendente - descendente) por píxel se elimina el ruido potencial y la aparición de falsos colores, además se obtienen zonas exactas durante el proceso de segmentación
Cada uno de los canales contiene información útil para la segmentación, trabajando por separado con cada uno de ellos y combinando únicamente los que presenten la mayor cantidad de ésta, mediante un análisis gráfico para obtener un resultado final (imagen con las zonas exactas).
Apoyados en técnicas como mezcla y multiplicación de imágenes además de morfología matemática, se obtienen zonas perfectamente definidas y con un mayor realce para la presentación e interpretación de resultados.
Referencias Bibliográficas:
[ 1 ] Ballard, D.H., Brown, C.M.. “Computer Vision”. Prentice-Hall. 2002
[ 2 ] Jain, A.K., Kailath, T.. "Fundamentals of digital image processing". Prentice-Hall information and systems sciences series. Prentice-Hall, Englewood Cliffs,NJ. 2002
[ 3 ] National Cancer Institute, U. S. National Institute of health, and summary PDQ 2004 - 2005. On line: www.cancer.gov.
[ 4 ] Keith A. Johnson, M.D. J. Alex Becker, Ph.D. “The whole brain Atlas University of Harvard” 2004 – 2005.
[ 5 ] Gonzalo Pájares Jesús M. Alfaomega “Visión por computador Imágenes Digitales y sus aplicaciones”. Segunda edición, 2002
[ 6 ] Rafael C. González “Digital Imagen Processing”: Prentice Hall 2002
[ 7 ] Rafael Palacios Hielsher “Procesamiento del color”., Instituto de Investigación Tecnológica de Madrid 2003.
[ 8 ] J.J. Baéz Rojas, M.L. Guerrero “Segmentación de imágenes de color” Universidad Tecnológica de la Mixteca 2004.
[ 9 ] Marcos Martín “Técnicas de Segmentación de Imagen”, 2004.
[10] José Crespo del Arco, Raúl Alonso Calvo, “Temas avanzados en tratamiento y análisis de imágenes en morfología Matemática”, 2004.
[11] Grupo de automática, robótica y visión Artificial, “Extensión de la morfología matemática a imágenes en color “ Universidad de Alicante, Depto. De física, ingeniería de sistemas y teoría de
la señal, 2004.
[12] Joes Staal, Michel D.Max A. Viergever and Bram van Ginneken, “Ridge-based Vessel Segmentation in Color Images of the Retina” IEEE transactions on medical imaging vol 23, No 4 2004.
[13] “Procesamiento morfológico de imágenes en color”. 2005.
[14] Ernesto Coto “Métodos de segmentación de Imágenes Médicas”, Universidad central de Venezuela facultad de ciencias 2005.
[15] Jesús Angulo, Jean Serra, “Segmentación de imágenes en color“ utilizando histogramas bi-variables en espacios de color polares luminancia/ saturación/matiz”, centro de morfología matemática, Paris Francia 2005.
[16] Mariana del Fresno, Mario Moreno, Marcelo Venere, “Segmentación de regiones de interés en imágenes médicas”, Universidad nacional del centro, Argentina 2005.
[17] Y. J. Kim, B.F.M. Romeike, “Automated nuclear segmentation in the determination of the Ki-67 labeling index in meningiomas”. Clinical Neuropathology, Vol 25 – No 2/2006
[18] Pingkun Yan and Ashraf A. Kassim, “Segmentation of volumetric MRA images by using capillary active contour” Department of Electrical and Computer Engineering, National University of
Singapore, 10 Kent Ridge Crescent, 119260 Singapore, Singapore 2006.
[19] Okazawa, Richelle Ebrahimi, Jason Chuang, Robert N. Rohling and Septimiu E. Salcudean, ”Methods for segmenting curved needles in ultrasound images”, Department of Electrical and Computer Engineering, University of British Columbia, 2332 Main Mall, Vancouver, BC, Canada V6T 1Z4 2006.
[20] N. Passat C. Ronse, J. Baruthio, J.-P. Armspach and C. Maillot “Magnetic resonance angiography: From anatomical knowledge modelling to vessel segmentation”. Laboratoire des Sciences de Image, de Informatique et of détection (LSIIT), UMR 7005 CNRS- ULP, Bd Institut de Physique Biologique Laboratoire de Neuroimagerie in Vivo 2006.
[21] Oliver Wirjadi, Thomas M. Breuel, Wolfgang Feiden and Yoo jin Kim, “Automated feature selection for the classification or meningioma cell nuclei”, Universitat des saarlandes, Institute of
Neurolopathology, 2006.