Sistema automatizado de apoyo al diagnostico de lesiones en imagenes de mamografias. Tercera parte. Metodologia
Autor: Dr. Juan José Bedolla Solano | Publicado:  10/02/2012 | Radiodiagnostico y Radioterapia , Articulos , Imagenes de Radiodiagnostico y Radioterapia , Imagenes | |
Sistema automatizado diagnostico lesiones imagenes de mamografias. Tercera parte. Metodologia .1

Sistema automatizado de apoyo al diagnóstico de lesiones en imágenes de mamografías. Guerrero. México. Tercera parte. Metodología.

Dr. Juan José Bedolla Solano
Dr. Ramón Bedolla Solano
Dr. José Antonio Montero Valverde
Dr. José Luis Rosas Acevedo
Dra. Miriam Martínez Arroyo
Dr. Ramiro Morales Hernández

Palabras clave: Metodología, sistema automatizado, cáncer de mama, preprocesamiento, selección y extracción de características, clasificación de muestras.

Resumen

Se desarrollará un sistema automatizado que apoye al experto humano en el diagnóstico de lesiones en imágenes de mamografías. Este diseño, consistirá en un programa elaborado a base de un lenguaje computacional, fundamentado en técnicas empleadas en la clasificación y detección de patrones en imágenes de mamografías. 

diagnostico_lesiones_mamografia/metodologia_procesamiento_imagenes

Figura 8. Etapas que integran el sistema a desarrollar

Primera etapa: Preprocesamiento

En esta etapa se inicia con el ingreso de la imagen original tomada de la base de datos del repositorio Digital Database for Screening Mammography (DDSM), el cual ha servido de referencia para la mayoría de los trabajos realizados con este propósito. Son imágenes de alta resolución en escala de grises. La etapa de pre-procesamiento, tiene como finalidad eliminar aquellos ruidos o elementos en la imagen que pueden distorsionar el proceso de identificación de microcalcificaciones, así como reducir el área de trabajo sólo a la región de la mama, para ello se aplican dos procedimientos: el filtro mediana y el corte automático. En este procedimiento se obtiene como resultado la imagen pre-procesada y una imagen espejo binarizada.

El pre-procesamiento, es fundamental para eliminar aspectos de distorsión de las imágenes, causadas principalmente por la colposcopia, en cuya técnica, el experto humano dirige la cámara manualmente y por consiguiente a este procedimiento, se generan algunas alteraciones como calidad de la resolución, brillo excesivo, pérdida de la profundidad, distorsión por movimientos del paciente, reactivos duplicados en la zona, ruido en la imagen debido a la presencia de instrumentos médicos utilizados en el procedimiento.

Con la aplicación de filtros, se procede a la disminución de ruidos ocasionados por diferentes factores: errores de impresión de la mamografía, rayones en la misma y algunas incrustaciones de partículas de polvo. La aplicación de filtros depende en gran medida del tipo de ruido que se desea eliminar. En esta parte del sistema se utilizó el técnica denominada filtros gaussianos.

Filtro Gaussiano

El filtro gaussiano, es considerado uno de los mejores métodos para la eliminación de ruidos de las imágenes. Para el sistema automatizado de apoyo al diagnóstico de lesiones en imágenes de mamografía, se utilizó la umbralización global, técnica clásica más sencilla en la que su funcionamiento se basa en el pico generado en el histograma por las regiones que contienen anomalías, es distinto del pico generado por el tejido sano. Esta técnica, sin embargo, no tiene gran precisión en la detección de ROIs, por lo que, la salida generada por esta umbralización se utiliza como entrada de algún otro proceso posterior. Una técnica algo más precisa consiste en la umbralización local. En este caso, el valor de umbral se determina localmente para ventanas de menor tamaño en función de los niveles de gris de los pixeles contenidos en la ventana.

En el Preprocesado, se va a aislar la región de interés (mama) de las demás áreas, con esto se pretende reducir el área de procesamiento de la imagen, eliminando parte del fondo y etiqueta de la mamografía (en la mayoría de los casos presentes) dejando centrando únicamente la mama.

Después de analizar 100 mamografías se determinó que la mama presenta niveles de intensidad de gris comprendidos entre 130 y 250, por lo tanto estos son los valores de umbral que se van a utilizar en este trabajo.

Una vez determinado el intervalo de umbral se procede a remplazar las intensidades de nivel de gris inferiores a 130 y superiores a 250 por el color negro total dejando la región de la mama (tejido fibroglandular, conductos galactóforos, ganglios linfáticos y músculo pectoral) sin cambios tal como se muestra en la Figura 9. 

diagnostico_lesiones_mamografia/mamografias_tejido_fibroglandular

Figura 9. Imagen mostrando el efecto de reducir el área de procesamiento, (a) imagen original, (b) imagen reducida.

En la figura anterior, puede apreciarse también como el filtro Gaussiano elimina mejor el ruido y enborrona menos los bordes.

Las instrucciones utilizadas en Matlab, en las que fue aplicada la técnica de filtros gaussianos se detalla en el siguiente código:

Im=imread(‘C:MATLAB7WORKimagenescameraman.gif’);
fn=imnoise(im,’gaussian’);
h1=fspecial(‘gaussian’);
h2=fspecial(‘average’);
g1=imfilter(fn,h1);
media2=imfilter(fn,h2);
%Representaciones de las imágenes
subplot(2,2,1),subimage(im),title(‘Imagen original’);
subplot(2,2,2),subimage(fn),title(‘Imagen con ruido gaussiano’);
subplot(2,2,3),subimage(g1),title(‘Filtro gaussiano’);
subplot(2,2,4),subimage(media2),title(‘Filtro de media 3x3’);

Segunda etapa: Selección y extracción de características

La extracción de características es, básicamente, un proceso de extracción de la información útil contenida en la señal a tratar. Los algoritmos de extracción de características, por tanto, crean nuevas características a partir de transformaciones y/o combinaciones de las características del conjunto original. La elección de un determinado método de extracción de características (o la combinación de varios de estos métodos) es una decisión que tendrá gran repercusión en las prestaciones del sistema.

En el caso de trabajar con imágenes mamográficas, y más concretamente con detección de lesiones, lo habitual será tratar de diferenciar únicamente entre dos clases: lesión y tejido normal o sano. Aunque tener que discriminar únicamente entre dos clases pueda parecer una reducción de la complejidad del problema, lo cierto es que éstas, especialmente la correspondiente a tejido sano, pueden tener apariencias muy dispares, por lo que lograr una buena representación de ambas puede llegar a ser una tarea de una complejidad considerable.

Otras partes de este trabajo
Este trabajo consta de distintas partes. A continuación se listan todas:
  1. Sistema automatizado de apoyo al diagnostico de lesiones en imagenes de mamografias. Primera parte. Generalidades
  2. Sistema automatizado de apoyo al diagnostico de lesiones en imagenes de mamografias. Segunda parte. Situacion referencial
  3. Sistema automatizado de apoyo al diagnostico de lesiones en imagenes de mamografias. Tercera parte. Metodologia


Categorías
Buscar publicaciones:



 Búsqueda Avanzada




  Revista Electrónica de PortalesMedicos.com

Revista de Medicina y Ciencias de la Salud, de periodicidad quincenal, dirigida a los profesionales de la Salud de habla hispana. ISSN 1886-8924