Documente Academic
Documente Profesional
Documente Cultură
2009
I. I NTRODUCCI ON
X
1
exp
t(xr , x)
Z
Donde es un parametro que modela la fuerza de la dependencia de los pxeles adyacentes, y Z es una constante
de normalizacion. Esta distribucion de probabilidad es un caso especial de la distribucion de Gibbs, que segun el teorema
Hammersley-Clifford[11] es la distribucion de un campo aleatorio de Markov. Este es el modelo mas sencillo, en el que solo
se tiene en cuenta la dependencia de los pxeles mas cercanos.
Para mejorar el modelo se incluyen las siguientes caractersticas: informacion de bordes, dependencia de pxeles a diferentes
escalas espaciales e informacion a priori del problema.
Para tratar diferentes escalas espaciales es necesario obtener
una representacion multiresolucion de las imagenes X y Y . Para esto, se filtra y submuestrea Y obteniendo una imagen de
menor resolucion. Esto se hace iterativamente para obtener una
piramide multiresolucion como la mostrada en Fig1. Posteriormente, se genera un campo aleatorio de Markov multiresolucion
del mismo tamano que la piramide de Y , en el que ademas de
la dependencia de los pxeles mas cercanos, se agrega la dependencia de los pxeles entre diferentes resoluciones. Los diferentes niveles de la piramide multiresolucion de Y y de X se
denotan como Y {n} y X {n} respectivamente con n = 1, 2, 3 . . .
(2)
xr
PROCESAMIENTO DIGITAL DE IMAGENES,
2009
La informacion de bordes se introduce al modelo de un modo sencillo como se vera mas adelante. Esta informacion es u til
debido a que se ha observado que la mayora de tumores circunscritos son estructuras isodensas, por lo que no contienen
bordes internos. Por el contrario el tejido mamario es abundante en bordes por su textura, conductos sanguineos y conductos
lacteos presentes.
Teniendo en cuenta las caractersticas adicionales, el modelo
completo esta dado por:
p(x) =
X
1
{n}
t(x{n}
)
exp
r ,x
Z
{n}
xr
t(x{n1} , x{n} ) E(y)
DE PAR AMETROS
IV. E STIMACI ON
(3)
(4)
Donde x y x son los parametros de las diferentes distribuciones Gaussianas, y x son los pesos con los que se ponderan
las distribuciones, teniendo as en cuenta el tamano de cada objeto en la imagen.
En la expresion (5), se puede observar que se requiere conocer los parametros x y x para poder obtener muestras. Para
esto, es necesario analizar el histograma del mamograma. En
Fig2 se ven cuatro zonas importantes. La primera es un pico a
la izquierda, generado por el extenso fondo oscuro. La segunda
es una region plana, consecuencia de la porcion del seno que
limita con el fondo, en donde hay un cambio de brillo porgresivo. La tercera zona es una moda ancha que representa el tejido
mamario. Finalmente, la cuarta zona es una pequena moda generada por el musculo pectoral y por etiquetas que indican la
toma y el posicionamiento correcto de la imagen. Los posibles
tumores se ubican entre la tercera y cuarta zona sin una moda
definida.
En el preprocesamiento de la imagen se suprime el fondo,
etiquetas y musculo pectoral para disminuir la cantidad de pxeles analizados por el algoritmo. De este modo se conservan las
regiones de interes.
t(x{n}
) t(x{n1} , x{n} ) E(y) (5)
r ,x
{n}
xr
(t+1)
j
(t+1)
1 X (t)
=
hz i
N n jn
(6)
(t)
n hzjn iyn
P (t)
n hzjn i
(7)
P
=
(t)
(t) 2
n hzjn i(yn j )
P (t)
n hzjn i
P
=
(t)
(t)
(8)
(t)
j N (yn : j , j )
(t)
hzjn i = P (t)
(t)
(t)
j j N (yn : j , j )
(9)
Donde j indica la Gaussiana a la que pertenecen los parametros, n recorre todos los pxeles de y, N (x : , ) representa la
distribucion Gaussiana de la variable x con parametros y ,
y j son pesos que se le asignan a cada Gaussiana para caracterizar el tamano de las regiones en el histograma. Empleando
estas ecuaciones iterativamente, se puede lograr un muy buen
estimativo como se ve en Fig3.
V. P REPROCESAMIENTO
Debido a que el mamograma contiene etiquetas y muchos de
sus pxeles son fondo, es necesario generar una mascara que
indique cuales son las zonas de interes para el algoritmo de segmentacion. Ademas, debido al brillo del musculo pectoral, el
algoritmo de segmentacion puede ignorar un posible tumor y
lograr convergencia sobre este musculo, por lo que su eliminacion es necesaria. A continuacion se describen los metodos
usados para generar la mascara.
Para eliminar el fondo, se emplea un umbral adaptativo generado por el metodo de Otsu, ya que e ste separa la moda del
fondo y la moda del tejido mamario. Los pxeles por debajo de
este umbral son includos en la mascara. Los pxeles por encima del umbral son sometidos a un algoritmo de clasificacion de
componentes conectadas para separar los objetos en la imagen.
Se escoge el objeto mas grande como el objeto de interes y los
demas se incluyen en la mascara. De este modo, se eliminan
etiquetas y otros objetos irrelevantes.
Para eliminar el musculo pectoral, se emplea una version simplificada del algoritmo de segmentacion previamente explicado.
Dado que el musculo pectoral generalmente se encuentra ubicado en una de las esquinas de la region de interes del mamograma, es facil detectarlo. Sin embargo, a causa del a ngulo de vista,
algunos mamogramas presentan solapamiento entre el musculo
pectoral y otros objetos brillantes (tumor o tejido glandular denso), por lo que la eliminacion directa no es viable.
Teniendo en cuenta que el musculo pectoral tiene una forma aproximadamente triangular, se aplica descriptores de forma
para su eliminacion[13], conservando as cualquier otro objeto
superpuesto con el musculo. En Fig4 se muestran las etapas de
formacion de la mascara.
Figura 4. Etapas de formacion de la mascara, arriba imagen sin procesar, abajo izquiera eliminacion de etiqueta y fondo, arriba izquierda eliminacion de
musculo.
PROCESAMIENTO DIGITAL DE IMAGENES,
2009
VII. C ONCLUSIONES
Este trabajo muestra que dentro de un campo aleatorio de
Markov se puede incluir tanta informacion u til como se quiera para segmentar una imagen. Ademas no es necesario que el
objeto a segmentar genere una moda apreciable en el histograma, como en trabajos anteriores donde se usa procesamiento
estocastico sobre texturas. Aunque este procesamiento se basa
en tomar muestras de distribuciones de probabilidad, los resultados de la segmentacion no varan visiblemente al segmentar
varias veces una misma imagen.
Aun queda mucho trabajo en esta aplicacion. Por ejemplo,
segmentar tumores en mamogramas donde el tejido mamario es
bastante denso (los tumores son dficiles de percibir por expertos en esta clase de casos) y diferenciar por la forma objetos que
son segmentados erroneamente como tumor; e incluso extender
el modelo para segmentar otras anormalidades en el mamograma.
R EFERENCIAS
[1] Heath, Bowyer, Mass detection by relative image intensity, Universidad de Florida del Sur, Base de datos de mamografas,
http://marathon.csee.usf.edu/Mammography/Database.html
[2] Seshandri, Kandaswamy Detection of breast cancer by mammogram image segmentation, J Can Res Ther 2005;1:232-4
[3] Sampat, Bovik, Detection of spiculated lesions in mammograms, Proceedings of the 25th Annual International Conference of the IEEE EMBS Cancun, Mexico - Septiembre 2003
[4] Alvarez,
Guevara, Garca, Santamara,Velez, Metodologa para la deteccion de micrcalcificaciones en mamografas digitales utilizando wavelets
[5] Alvarez,Guevara,Holgu
n, Procesamiento de imagenes aplicadas a mamografas digitales, Scientia et Technica Ano XII, No 31, Agosto de 2006
UTP. ISSN 0122-1701
[6] M. Wirth, D. Nikitenko, J. Lyon, Segmentation of the Breast Region in
Mammograms using a Rule-Based Fuzzy Reasoning Algorithm, ICGSTGVIP Journal, Vol 5, No 2, Enero 2005
[7] Geman, Geman, Stochastic relaxation, Gibbs distributions and Bayesian
restoration, IEEE Transactions on pattern analysis and machine intelligence Vol. PAMI6, Noviembre 1984
[8] S.G. Hoggar, Mathematics of digital images, Cambridge University Press
2006
[9] Comer, Delph, Segmentation of textured iamges using a multiresolution
Gaussian autoregressive model, IEEE Transaction on image procesing, Vol
8, No 3, Marzo 1999
[10] Comer, Delph, The EM/MPM Algorithm for Segmentation of Textured
Images: Analysis and Further Experimental Results, IEEE Transaction on
image procesing, Vol. 9, NO. 10, OCTOBER 2000
[11] Maria Petrou, Pedro Sevilla, Image processing: Dealing with textures,
John Wiley & sons Ltd. 2006
[12] Tzikas, Likas, Galatsanos The variational approximation for Bayesian
inference, IEEE Signal processing magazine, November 2008
[13] Gonzalez, Woods, Digital image processing Addison-Wesley (1993)
[14] Marroquin, Mitter, Poggio, Probabilistic solution of ill-posed problems
in computational vision, Joint America Statistic Association, Vol 82, pg
76, Marzo 1987
[15] J Suckling et al, The Mammographic Image Analysis Society Digital
Mammogram Database, Exerpta Medica. International Congress Series
1069 pp375-378 (1994)