Sistema automatizado diagnostico lesiones imagenes mamografias. Segunda parte. Referencias .8
Módulo de clasificación
En la fase de test, el clasificador toma el vector de características extraído del patrón de entrada y le asigna la clase con la que se encuentra una mayor similitud, de acuerdo al modelo inducido durante el entrenamiento. En ocasiones la salida del clasificador no se limita a la clase más similar y puede ofrecer múltiples hipótesis en forma de lista de n-tuplas conteniendo el identificador del objeto, una etiqueta de clase (hipótesis) y el nivel de fiabilidad asignado a la hipótesis.
Aproximación estadística al reconocimiento de formas
En el reconocimiento estadístico de formas, una forma o patrón se representa por un conjunto de d características o atributos en forma de vector d-dimensional. Además, se espera que los patrones de una misma clase se agrupen en zonas del espacio determinadas por las densidades dependientes de cada clase (denominadas densidades condicionales de clase) obtenidas a partir de un conjunto de muestras de entrenamiento. Ello posibilita la existencia de ciertas metodologías estadísticas que permiten la clasificación de nuevos patrones, lo que constituye la finalidad de cualquier sistema de reconocimiento.
Existen diversas estrategias a la hora de diseñar un clasificador estadístico, en función del tipo de información disponible sobre las densidades condicionales de clase. Si se dispone de densidades condicionales de clase completamente conocidas, se adopta la regla de decisión de Bayes óptima. Esta situación, sin embargo, no es habitual, por lo que las densidades deberán ser aprendidas a partir de un conjunto de muestras de entrenamiento. Si suponemos que las densidades condicionales de clase se ajustan a una forma determinada (por ejemplo, una o varias gaussianas multivariadas) pero algunos de sus parámetros son desconocidos (por ejemplo medias y/o matrices de covarianza), nos encontramos ante una aproximación paramétrica. En este contexto, la estrategia habitual para solucionar el problema consiste en reemplazar los parámetros desconocidos por sus valores estimados, lo que se conoce como clasificador empotrado (plug-in) de Bayes.
Si no se presupone ante una aproximación no paramétrica. En este caso, debe de estimarse la función de densidad o bien construir directamente las fronteras de decisión a partir de las muestras de entrenamiento.
Otra dicotomía que se presenta en el reconocimiento estadístico es la que se refiere a los modelos de aprendizaje supervisado y no supervisado. La diferencia entre estos es que en el caso del aprendizaje supervisado las muestras de entrenamiento están etiquetadas (esto es, la clase a la que pertenecen es conocida), mientras que la etiqueta de clase (y en ocasiones el número de éstas) es desconocida en el caso no supervisado.
En la tabla 4, se muestran las distintas aproximaciones al reconocimiento estadístico. A medida que nos desplazamos hacia abajo, la información disponible disminuye y, por tanto, aumenta la dificultad de la clasificación. En cierta manera, puede decirse que la mayoría de las aproximaciones intentan implementar la regla de decisión de Bayes.
Tabla 4. Aproximaciones al reconocimiento estadístico de formas.
Aproximaciones a la detección de tumores en imágenes médicas
A continuación se muestran las distintas fases que se abordan habitualmente durante la implementación de un sistema de ayuda al diagnóstico de cáncer.
FIGURA 5. Fases que se abordan habitualmente durante la implementación de un sistema de ayuda al diagnóstico de cáncer.
Etapas en el diseño de un sistema de ayuda al diagnóstico de cáncer por ordenador a partir de imágenes médicas.
Todo sistema de CAD comienza con la digitalización de la imagen adquirida (rayos X, ecografía, RMN, entre otras), tras lo cual es habitual realizar un preproceso que ayude a eliminar ruido de la misma y, especialmente, a mejorar el contraste y realzar las regiones de la imagen de mayor interés. A continuación, en la fase de segmentación, se detectan y localizan las regiones sospechosas, lo que define las llamadas Regiones de Interés o ROIs. No debe confundirse esta segmentación con el término de igual nombre que habitualmente se utiliza en el reconocimiento de formas y procesamiento de imágenes.
En este caso la segmentación es una primera aproximación para aislar las regiones sospechosas de lo que claramente corresponde a tejido normal. En la siguiente fase, se extraen y seleccionan las características de las ROIs obtenidas en la fase anterior, para posteriormente proceder a su clasificación, otorgando a cada región de interés (ROI) un score o nivel de sospecha. Finalmente, es necesario emplear técnicas que permitan evaluar los resultados obtenidos, de manera que éstos puedan ser comparados de un modo objetivo. A continuación se explica con mayor detalle cada una de estas fases.
Preprocesamiento
La finalidad principal del preproceso es aumentar las diferencias entre las anomalías y el tejido sano. Los métodos más utilizados en este sentido son:
a) La modificación global del histograma. Esto se consigue mediante distintas aproximaciones como son la ecualización del histograma (EH), la EH multipico donde el histograma se particiona en función de los picos que contenga, ecualizándose cada partición de forma independiente y la expansión del histograma de modo que este abarque todo el rango de valores posibles.
b) El procesamiento local, en el que se aplican técnicas muy diversas en ventanas locales de la imagen (por ejemplo regiones de interés (ROI)) orientadas a resaltar las posibles anomalías que se encuentren en dichas ventanas locales.
c) El procesamiento multiescala, basado habitualmente en el uso de. Para ello la imagen digital se transforma mediante el uso de wavelets y se modifican los coeficientes para realzar las anomalías. Finalmente se aplica la transformación inversa del wavelet para devolver la imagen a su dominio original.
Segmentación
La fase de segmentación trata de aislar las regiones sospechosas (regiones de interés (ROI)) del resto de la imagen. Este proceso determinará la sensibilidad del sistema, esto es, su capacidad para detectar correctamente el tejido canceroso. La segmentación debería aislar el mayor número posible de anomalías, aunque entre las regiones de interés (ROI) se encuentren regiones correspondientes a tejido sano (falsos positivos). Los falsos positivos deberán ser eliminados en una fase posterior. Atendiendo a su naturaleza, las aproximaciones a la segmentación pueden dividirse en tres grupos: técnicas clásicas, substracción de imágenes bilaterales y técnicas multiescala.
a) Técnicas clásicas: la técnica clásica más sencilla es la umbralización global.
b) Su funcionamiento se basa en que 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 regiones de interés (ROI), por lo que la salida generada por esta umbralización se utiliza normalmente como entrada de algún otro proceso posterior.