Sistema automatizado de apoyo al diagnostico de lesiones en imagenes de mamografias. Segunda parte. Situacion referencial
Autor: Dr. Juan José Bedolla Solano | Publicado:  10/02/2012 | Radiodiagnostico y Radioterapia , Articulos | |
Sistema automatizado diagnostico lesiones imagenes mamografias. Segunda parte. Referencias .7

Diagnóstico Asistido por Computadora (CAD´s)

El Análisis mediante Componentes Principales (PCA), es una técnica estadística que permite reducir la dimensionalidad del espacio de características, sin que ello suponga una pérdida en el rendimiento del clasificador. Se ha demostrado cómo, partiendo de un espacio de características de dimensión d = 225 (ventana de características de 15 x15), en el que se puede llegar a trabajar con tan solo 15 o 20 características y al mismo tiempo mantener, o incluso mejorar, las tasas de clasificación.

En relación a las distintas aproximaciones de extracción de características evaluadas, SFUM y niveles de gris (ambas combinadas con PCA) son las que mejores resultados ofrecen. AFUM, a pesar de ser una técnica extremadamente sencilla, ofrece también buenos resultados, aunque significativamente con menores resultados que los conseguidos con las dos anteriores.

Experimentos de detección con imágenes completas

Esta parte consiste en detectar tumores a partir de una imagen completa de mamografía. Para ello será necesario, en primer lugar, clasificar individualmente cada uno de los píxeles que forman la imagen. Esto genera un mapa de sospecha que recoge la estimación de la probabilidad a posteriori de cada píxel de la mamografía. A continuación, a partir del mapa de sospecha, habrá que decidir qué regiones de la imagen corresponden a tejido sano y qué otras a algún tipo de tumor.

El sistema de ayuda al diagnóstico propuesto se evalúa mediante el uso de curvas FROC. En ellas se muestra el porcentaje de tumores que el sistema es capaz de detectar (verdaderos positivos) en función del número medio de errores de falso positivo cometidos por imagen. Los resultados obtenidos se comparan con otros resultados publicados con anterioridad por otros autores que emplearon la misma base de datos como Oporto, Martínez y Montero.

Detección de regiones sospechosas

Para poder definir regiones sospechosas a partir del mapa de sospecha es necesario:
 Establecer un umbral que permita decidir si un píxel se considera que tiene una .alta sospecha tumoral.
 Establecer un criterio de vecindad que permita agrupar píxeles sospechosos en regiones sospechosas.
 Establecer el nivel de sospecha de la región completa en función del nivel de sospecha individual de los píxeles que la forman.

Introducción al reconocimiento de formas

Aproximación deductiva. La aproximación deductiva intenta abordar racionalmente el problema planteado. Puesto que se basa en mecanismos de deducción bien establecidos, el conocimiento deductivo puede codificarse mediante la lógica matemática.

Aproximación inductiva. La aproximación inductiva se aplica en aquellos problemas en los que no se encuentra una explicación satisfactoria sobre los pasos o mecanismos que conducen a la resolución de los mismos. El clasificador usará este modelo en una etapa posterior para identificar (clasificar) objetos no vistos durante la etapa de aprendizaje.

Aproximación estadística. La aproximación estadística, también llamada geométrica, se basa en una teoría clásica y robusta como es la teoría de la decisión. Un objeto se representa en forma de d características o medidas y se trata como un punto en un espacio vectorial d-dimensional. El significado de las características viene dado, consecuentemente, por la posición de los vectores (puntos) en el espacio. El objetivo es escoger aquellas características que permiten distribuir los vectores de manera que las distintas clases o categorías ocupen regiones lo más compactas y disjuntas posible.

Aproximación estructural. En muchos problemas de reconocimiento de formas, los patrones que se presentan contienen una riqueza estructural importante, susceptible de ser modelada.

Los métodos estructurales aprovechan este tipo de información y ofrecen una perspectiva jerárquica de estas estructuras. De este modo, un patrón es visto como una composición de subpatrones más simples, los cuales están constituidos, a su vez, por otros subpatrones. Los patrones más elementales se denominan primitivos.

El patrón o forma original se representa en términos de interrelaciones entre estas primitivas. Partiendo de este punto de vista, puede establecerse una analogía entre la estructura de los patrones y la sintaxis de un lenguaje: los patrones son vistos como frases de un lenguaje y las primitivas como alfabeto de este lenguaje.

En este caso, los métodos de clasificación se denominan sintácticos.

En los métodos sintácticos, las frases son generadas a partir de una gramática que tendrá que ser inferida para cada patrón a partir de la muestra de entrenamiento. Una frase de test será clasificada según la aceptación de una determinada gramática o directamente por traducción.

Esquema general de un sistema de RF inductivo supervisado

Un sistema de reconocimiento opera funcionalmente en dos modos: entrenamiento o aprendizaje y test o clasificación. En la Figura 2.1 se muestra un modelo genérico de sistema de reconocimiento de formas. Cada una de las etapas mostradas tendrá unas características determinadas en función del sistema de reconocimiento que se desee implementar 

diagnostico_lesiones_mamografias/reconocimiento_formas_supervisado

Figura 3. Modelo de un sistema de reconocimiento de formas inductivo supervisado.

Módulo de adquisición

En esta primera etapa se mide un objeto del mundo real mediante los sensores físicos apropiados. En muchos casos esta información se presenta en forma de señal analógica, la cual puede ser preprocesada para mejorar su calidad o para aislar la parte útil de la misma. Una posterior digitalización de la señal permite que ésta pueda ser tratada por un computador, bien para almacenarla en algún tipo de soporte permanente, bien para utilizarla directamente como entrada en la etapa posterior. Se dice que la señal obtenida pertenece al espacio de representación primario.

Módulo de preprocesamiento

Su función es, básicamente, realzar y acondicionar el patrón de interés respecto del resto de la señal. En el caso particular de que la señal de entrada represente una imagen, serán operaciones habituales de esta etapa el escalado, cuantificación, filtrado, modificaciones del histograma, transformaciones geométricas, operaciones morfológicas, eliminación de ruido y segmentación.

Módulo de obtención de características

La obtención de características incluye los procesos de extracción, selección y reducción de características. El objetivo de esta etapa es encontrar el conjunto de características que mejor representa el objeto de entrada, esto es, que minimice las diferencias intraclase y maximice las diferencias interclase. La obtención de características es la parte menos sistemática del proceso y tiene una gran dependencia del tipo de tarea a realizar.

Se han considerado tres tareas en el proceso de obtención de características: la extracción, que hace referencia a la transformación de la señal del dominio primario a un dominio más adecuado para tratar el problema; la selección, con la que se escogen aquellas características que aportan información valiosa para la identificación del objeto, desechando la información no discriminante o redundante; y la reducción del número de características, que contribuirá a reducir el coste computacional.

Módulo de aprendizaje

El clasificador se entrena tratando de particionar el espacio de características generado por el módulo anterior, con el objetivo de minimizar el error de clasificación entre los prototipos del conjunto de evaluación. La retroalimentación hacia los módulos anteriores permite al diseñador del sistema escoger, entre las distintas técnicas probadas, aquella que mejor rendimiento proporcione, atendiendo a los resultados obtenidos al clasificar el conjunto de evaluación.

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

Revista Electronica de PortalesMedicos.com
INICIO - NOVEDADES - ÚLTIMO NÚMERO - ESPECIALIDADES - INFORMACIÓN AUTORES
© PortalesMedicos, S.L.
PortadaAcerca deAviso LegalPolítica de PrivacidadCookiesPublicidadContactar