INTRODUCCION.
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.