Los métodos del valor umbral son un grupo de algoritmos, cuya finalidad, es llevar a cabo las segmentaciones que varían ampliamente dependiendo de la aplicación específica, tipo de la imagen, y otros factores, solo se utiliza para segmentar imágenes con mucho contraste. Por ejemplo, la segmentación del tejido del cerebro tiene diferentes requerimientos que la segmentación de un hígado.

Otros factores como el ruido, volúmenes parciales y movimientos en la imagen, también pueden tener consecuencias significativas en el desempeño de los algoritmos de segmentación. Más aun, cada tipo de imagen tiene un conjunto de características propio.

Actualmente, no existe un método de segmentación que alcance resultados aceptables para todo tipo de imágenes médicas. No existen métodos que sean generales y que puedan ser aplicados a cualquier variedad de datos. De cualquier forma, los métodos que son especializados para aplicaciones particulares pueden obtener mejores resultados tomando en cuenta conocimiento a priori. Por lo tanto, la selección de un método apropiado para un problema de segmentación puede ser muy difícil.

Los trabajos de investigación citados anteriormente, describen varios CADs (7), o métodos automatizados que se han propuesto con el objeto de apoyar en el diagnóstico de cáncer para ofrecer tratamientos oportunos.

Cada trabajo propone un método y en algunos casos aplica diferentes técnicas para resolver el problema de acuerdo a lo planteado.

Los métodos de segmentación que se describen pueden ser vistos como problemas de optimización, donde la segmentación deseada, es la que minimiza alguna función de energía o de costo definida para una aplicación en particular. La ventaja de ver la segmentación como un problema de optimización, es que define de manera precisa los aspectos deseables de las imágenes. Es muy claro que para diferentes aplicaciones, se necesitan diferentes funciones.

El trabajo de investigación “Sistema automatizado de apoyo al diagnóstico de lesiones en imágenes de mamografía, tiene como objetivo, desarrollar e implementar una herramienta, usando los algoritmos de minería de datos (redes neuronales y k-means), para el procesamiento de imágenes médicas de mamografías digitales, que permitan el análisis de los datos y seguimiento para otras etapas.

La aplicación fue desarrollada en el lenguaje de programación MATLAB y C++, tomando como ventaja la transportabilidad a diferentes sistemas operativos, así como la base de datos en MYSQL.

El sistema desarrollado, se conforma de las siguientes etapas: digitalización, preprocesamiento, segmentación y selección y extracción de características, para lo cual se utilizan métodos estadísticos, teorías de fractales y diversas técnicas con algoritmos tales como modelos de Markov, algoritmos de lógica difusa y redes neuronales. En el sistema automatizado, se procesa la imagen y se obtiene un diagnóstico de preclasificación sobre ella, basado en el histograma, tejido, operaciones (ecualizar, binarizar, cortar, brillo, contraste, reflejo, zoom); y con la manipulación de la imagen y agrupamiento se realiza la detección de anomalías.

La minería de datos, aplicada al procesamiento de imágenes ha dado buenos resultados a través de la aplicación de redes neuronales para las tareas de clasificación y agrupamiento [Antonie et al, 2001].

El trabajo propuesto, dirigido al sector salud, considera que al aplicar métodos de clasificación, utilizando la minería de datos, puede proporcionar buenos resultados que pudieran ser de gran utilidad en la detección de anomalías en dichas imágenes.

Además se pueden determinar estrategias para el pre-procesamiento de la imagen, proponer que sistema inteligente es el más apto para realizar el reconocimiento y el método que genere un posible diagnóstico, validarlo mediante un conjunto de datos reales, empleando las redes neuronales para clasificar imágenes tomográficas, detección de anormalidades contenidas y proveer una buena clasificación.

La metodología propuesta en este trabajo, se conforma por una serie de etapas, las cuales se describen a continuación. La primera etapa, consiste en obtener regiones de interés (ROI) de las imágenes de nuestra base de datos. La segunda etapa consiste en aplicar el proceso de filtrado Quincunx, y el proceso de filtrado Wavelet Daubechies DB4, a este último se le aplica una umbralización suave en los detalles de descomposición en el dominio transformado. El 70% de las imágenes de datos, son utilizadas para este propósito. La tercer etapa consiste en la extracción de las características no contextuales (intensidad de píxel) y contextuales (contraste local CI, contraste local normalizadoCIn y magnitud de gradiente B), los cuales forman un arreglo de características que serán analizados. En la cuarta etapa estas características son analizadas mediante la combinación del método de regresión secuencial SFS y una Red Neuronal Artificial de Regresión General GRNN, el cual selecciona el arreglo óptimo que modele las mejores características que sean representativas a microcalcificaciones. En la última etapa se realiza la segmentación a las imágenes, mediante el algoritmo de clasificación no supervisado k-medias, en el cual se obtienen los centros para clasificar el resto de las imágenes de la base de datos (30%) y poder comparar finalmente, si las imágenes segmentadas con las características extraídas de las imágenes procesadas con filtro Quincunx, son o no mejores respecto a las imágenes segmentadas con las características extraídas de imágenes procesadas con la familia de Wavelet.

Las propiedades de una descomposición Wavelet son afectadas de manera favorable en el esquema de muestreo, es decir, que las muestras de la señal, en el caso bidimensional, es dividida en un número de fases.

La imagen de la primera fase es reconstruida por medio de la diferencia de la salida del filtro de actualización y del promedio de los coeficientes Wavelet. Entonces e la imagen reconstruida de la primera fase es filtrada con el filtro de predicción cuya salida es agregada a los coeficientes de detalle Wavelet resultantes de la imagen de la segunda fase. La imagen reconstruida se obtiene simplemente uniendo ambas fases.

La segmentación Quincunx ligeramente mejor en comparativa con la imagen segmentada Wavelet, también obtiene un mejor número de características que representa mejor a las microcalcificaciones, así como un bajo número de clases necesarias para la segmentación.

El filtrado Quincunx es una mejora al filtrado Wavelet convencional, debido a que obtiene diferentes propiedades de orientación bajo una descomposición Wavelet. Las características de una imagen que no pueden ser detectadas mediante los detalles horizontales, detalles verticales y detalles diagonales, pueden ser detectadas mediante el empleo de Wavelets no separables como el enrejado Quincunx, el cual ofrece una solución a este problema. Los coeficientes Wavelet de detalles, están dominados por el ruido, mientas que los coeficientes de aproximaciones, proveen más información de la señal que del ruido.

Las mamografías correctamente clasificadas, consideraron algunos criterios como las categorías de acuerdo a la información y posteriormente evaluar el grado de acierto. Con esto, se busca disminuir el número de falsos positivos.

Algunas aplicaciones utilizadas en este trabajo, para la clasificación de imágenes médicas son el FP Image (8), el cual fue usado en la visualización de imágenes y la conversión de estas en otros formatos, el ImageMagick (9), permite la conversión a otros formatos y transformaciones de las imágenes, el software ImageJ (10), que permite visualizar, editar, analizar, procesar, guardar e imprimir imágenes, Soporta stacks, una serie de imágenes que comparten una ventana simple, permite también el cálculo de estadísticas, crea histogramas, permite el procesamiento y está diseñado con arquitectura abierta que provee extensibilidad a través de plugins, que permiten resolver problemas de tratamiento y análisis de imágenes; y el Weka (11), que contempla algoritmos que pueden ser aplicados directamente a una base de datos o llamada desde su propio código Java. WEKA contiene herramientas de datos: pre-procesamiento, clasificación, regresión, agrupación, normas de asociación, y la visualización. También es bien adecuado para el desarrollo de nuevos sistemas de aprendizaje automático.

La herramienta radiográfica BI-RADS fue usada como un sistema de control de calidad durante los reportes e interpretaciones de mamografías, haciendo una evaluación numérica de categorías (clase 0, clase I, clase II, clase III, clase IV, clase V y clase VI) para la interpretación por el radiólogo. Con lo qué, la aplicación presenta un reporte radiográfico uniforme y más preciso para que pueda ser interpretado por los médicos especializados.

La información clasificada en categorías, respecto al análisis de las imágenes, presentan una base de datos en la que el resultado obtenido puede precisar el diagnóstico del cáncer de mama, además será de mucho apoyo a los médicos especialista en el sector salud minimizar los falsos positivos.

Las imágenes de mamografía para este proyecto de investigación fueron tomadas de The Mammographic Image Analysis Society (MIAS). La base de datos contiene 322 imágenes de las cuales 25 contienen microcalcificaciones, 13 son malignas y 12 son benignas. Varios trabajos relacionados han usado en sus pruebas esta base de datos (Egan, 1988; Karssemeijer, 1996 y, Rangayyan, 1997).

La base de datos utilizada en este trabajo de investigación es la de MIAS (12), con base en el acuerdo de licencia disponible en
http://peipa.essex.ac.uk/ipa/pix/mias/Licence.txt.