Segmentarea Automata A Hemangioamenlor Din Imagini Clinice

Universitatea Politehnica Bucureşti
Facultatea de Inginerie Medicală
Domeniul Științe Inginerești Aplicate
Specializarea Echipamente și sisteme medicale
LUCRARE DE LICENŢĂ
Segmentarea automată a hemangioamelor
din imagini clinice
Coordonator Absolvent
Conf. Dr. Ing. Alina-Elena SULTANA Andreea Negoie
Bucureşti,
iulie 2018
CUPRINS
CAPITOLUL I .................................................................................................................................... - 3 -
I.1.Introducere ................................................................................................................................. - 3 -
I.2. Justificare medicală................................................................................................................... - 3 -
I.3. Evaluarea pre-tratament ............................................................................................................ - 6 -
I.4 Mediul MatLab .......................................................................................................................... - 8 -
CAPITOLUL II ................................................................................................................................. - 10 -
II.1. Stadiul actual ......................................................................................................................... - 10 -
II.2. Etapa de preprocesare ............................................................................................................ - 11 -
II.2. Transformări colorimetrice ................................................................................................... - 12 -
II.1.1 Alegerea spațiului de culoare........................................................................................... - 16 -
II.2.1 Transformări punctuale .................................................................................................... - 20 -
CAPITOLUL III................................................................................................................................ - 25 -
III.1. Procesarea imaginilor ........................................................................................................... - 25 -
III.2. Tehnici de segmentare cu selecție automată a pragului ....................................................... - 26 -
II.2.1 Metoda Otsu .................................................................................................................... - 26 -
II.2.2 Segmentarea Kittler ......................................................................................................... - 29 -
III.3 Tehnici de clustering ............................................................................................................. - 33 -
III.3.1 Fuzzy C-means (FCM) ................................................................................................... - 33 -
III.3.2 Expectation maximization (EM) .................................................................................... - 38 -
CAPITOLUL IV ............................................................................................................................... - 41 -
IV.1. Extragerea parametrilor........................................................................................................ - 41 -
IV.2. Clasificare hemangioamelor pe baza parametrilor de culoare (redness) și arie ................... - 44 -
REZULTATE .................................................................................................................................... - 46 -
CONCLUZII ..................................................................................................................................... - 49 -
BIBLIOGRAFIE ............................................................................................................................... - 51 -
ANEXE ............................................................................................................................................. - 55 -
-2-
CAPITOLUL I
I.1.Introducere
Scopul acestei lucrări este de a pune în evidență cele mai eficiente metode de segmentare
a hemangioamelor din imagini clinice. Utilitatea acestei aplicații constă în îmbunătățirea
metodelor de monitorizare a hemangioamelor. Întrucât procesul de vindecare este unul
îndelungat, se dorește verificarea constantă a dimensiunilor hemangiomului pentru a putea
stabili eficacitatea tratamentului. Pentru ca aplicația să fie eficientă aceasta trebuie să
funționeze pe orice tip, formă și dimensiune de hemangiom, fară a integra în regiunea de interes
alte obiecte precum riglă, fire de păr, porțiuni de materiale textile sau alte obiecte ce pot fi
prezente în fotografie.
I.2. Justificare medicală
Hemangioamele sunt tumori vasculare necanceroase. Sunt cele mai comune tumori
întâlnite la copii. De obicei cresc o perioadă apoi se retrag fără tratament. In general acestea nu
cauzează probleme. Totuși, uneori hemangioamele se pot deschide, pot sângera sau pot ulcera,
cauzând dureri. În funcție de mărime și localizare pot fi inestetice. În plus, pot apărea însoțite
de anomalii ale sistemului nervos central sau ale coloanei vertebrale. De asemenea, pot fi
însoțite de hemangioame interne care afectează organe precum ficatul, părți ale sistemului
gastro-intestinal/respirator sau creierul.[1]
-3-
Fig.1.1 Hemangiom superficial
Hemangioamele infantile reprezintă cel mai frecvent tip de tumori benigne, cu o

prevalență estimată la 1-10% dintre sugari la nivel mondial [2]. Chiar dacă afecțiunea este, în
mare parte, inofensivă [3], există anumite situații specifice în care tratamentul este necesar sau
chiar urgent [2]. Aceste tumori se dezvoltă timpuriu, doar 20% [4] dintre ele fiind prezente la
naștere, cu o frecvență crescută la sexul feminin, rasa albă [5] și la sugarii cu greutate mică la
naștere [6]. O incidență crescută a hemangioamelor este de asemenea observată la gemeni [7].
Unele studii au raportat tulburarea la mulți frați ai aceleiași familii, cu părinți ne-afectați,
subliniind o eventuală iminență genetică [8].
Ipoteza patogenezei susține ideea că hemangioamele se dezvoltă prin hiperplazie celulară

și prin proliferarea celulelor endoteliale [9]. Cercetările importante au arătat că factorii
angiogenici și vasculogeni stimulează proliferarea [9,10,11,12,13] și acești markeri
influențează toate fazele evolutive ale hemangioamelor. Până în prezent, cea mai folosită terapie
a fost reprezentă de corticoterapie, fie sistemică, fie topică.
Efectele lor asupra evoluției hemangiomului sunt benefice, însă efectele secundare sunt
semnificative [9]. De la descoperirea, în 2008, a medicamentului Laute-Labreze, propranololul
a fost utilizat în terapiile infantile cu hemangiom, cu rezultate bune și cu puține efecte adverse,
care au o severitate minimă [14]. Totuși, există multiple posibilități de abordări terapeutice care
includ chirurgie, radioterapie, terapie cu laser, embolizare, Imiquimod sau Vincristine, terapii
care trebuie individualizate. Influența hemangioamelor rămâne o provocare actuală pentru
știința medicală, generând întrebări constante despre factorii de risc, factorii de prognostic,
patogeneză, evoluție și tratament.
-4-
Hemangioamele care necesită tratament precoce agresive sunt cele care afectează din
punct de vedere estetic, cresc rapid sau cele care obstrucționează vederea, auzul, respirația,
mâncatul sau orice altă funcție a corpului. Hemangioamele pe partea inferioară a feței și gâtului
pot bloca mai târziu căile respiratorii interne. De asemenea, hemangioamele mai mari care sunt
lăsate să regreseze singure (se vor micșora de-a lungul anilor) vor arăta mai bine dacă sângele,
pielea întinsă și țesutul gras rezultat vor fi îndepărtate chirurgical. [1]
Fig. 1.2 Stadiile de vindecare a hemangioamelor în timp
Majoritatea hemangioamelor, atunci când sunt diagnosticate pentru prima dată, sunt doar
superficiale. Acestea pot fi tratate cu un laser de îndată ce sunt diagnosticate, iar tratamentul
precoce este cheia, deoarece laserul devine mai puțin eficient pe masură ce hemangiomul crește.
Laserul selectează zonele roșii și micșorează vasele, astfel încât rezultatul să fie o leziune mai
puțin vizibilă. Tratamentele repetate pot elimina aproape complet componenta superficială. [16]
Cu toate acestea, deoarece laserul poate pătrunde numai 1-3 mm, acesta nu poate micșora nici
o componentă profundă. Uneori, tratamentul precoce va împiedica creșterea ulterioară, deși
porțiunile mai profunde pot persista și cresc. [17] Riscul de cicatrizare este mic și nu este
așteptată eliminarea completă a fiecărei urme. Hemangioamele profunde nu au o componentă
superficială pe piele. Au cavități mari, moi, care sângerează, cu o nuanță albastră.
Hemangioamele compuse au părți superficiale și profunde. Acestea sunt adesea cele mai mari,
se răspândesc pe toată fața sau corpul sau se află pe nas, gură, maxilar etc. [14]
-5-
Fig 1.3 RMN secțiune axială , hemangiom profund
Patogeneza hemangioamelor infantile este încă vagă. Cercetătorii din întreaga lume
consideră că tulburarea este o problemă stringentă și de aceea au fost efectuate mai multe studii
pentru a elucida mecanismul exact al dezvoltării hemangiomului infantil.[15] Teorii multiple
au fost subliniate, dar mai sunt încă multe de descoperit.
Hemangioamele cutanate superficiale progresează secvențial prin următoarele etape:

• Decolorarea locală a pielii
• Ocazional (în special la nivelul leziunilor pe buze și fese), o ulcerație superficială
• Telangiectazii fine
• O maculă sau papulă roșie sau purpurie, adesea înconjurat de un halou pal, decolorat
vascular
• Hemangioame profunde sau subcutanate prezente cu un nodul, placă sau tumoră, în culoarea
pielii sau albastru.[19]
Hemangioamele din interiorul corpului trec de obicei neobservate până când cresc sau
până când formează hemangioame multiple.[17] Simptomele includ:
- greață
- vărsături
- disconfort abdominal
- pierderea apetitului
- pierderea în greutate inexplicabilă
- senzație de plenitudine în abdomen [19]
I.3. Evaluarea pre-tratament
Majoritatea cazurilor de hemangiom infantil pot fi diagnosticate clinic, dar studiile

imagistice (RMN, ultrasunete Doppler) sau biopsia tisulară pot fi necesare în cazurile
-6-
îndoielnice.[18] Pot fi necesare investigații suplimentare, în funcție de locația (locurile) și de
gradul de implicare.
Hemangioamele pot fi asociate cu hemangiomatoza viscerală, localizarea leziunilor

viscerale care se corelează adesea cu locul implicării cutanate. Copiii cu hemangioame
segmentare mari pe față sunt expuși unui risc pentru sindromul PHACES (anomalii ale fosei
posterioare, hemangioame, anomalii arteriale, coarctarea aortei și a defectelor cardiace,
anomalii oculare, cleftingul stern și rahul supra-ombilical) și ar trebui supuse unei examinări
profilactice oftalmologice, cardiace și neurologice. Imagistica prin rezonanță magnetică (IRM)
cu angiografie a regiunii capului și gâtului este de obicei indicată la astfel de sugari [21, 22, 23]
Similar cu sindromul PHACES, hemangioamele segmentare din regiunea perineală pot fi
asociate cu malformații ale sistemelor urogenitale sau anogenitale ; acestea includ regiunea
sacrală și BAZIN sindrom (hemangioamele de perineu, malformații genitale externe,
lipomyelomeningocele, anomalii vesicorenale) . Hemangioamele pe regiunea lombosacrală pot
fi un marker al disparismului spinării oculte. Un RMN vertebral este indicat ca un test de
screening pentru toate cazurile cu hemangioame lombosacrale [24]. Implicarea laringiană poate
apărea dacă hemangioamele sunt prezente pe distribuția cervico-facială, mandibulară sau la
nivelul regiunii mentoniere. La copiii afectați trebuiesc investigate semnele și simptomele
obstrucției căilor respiratorii (stridor, disfonie) prin examinare laringiană [25]. Copiii care
suferă de hemangiom cutanat multiplu (hemangiomatoza neonatală difuză) constituie un alt
grup care este expus riscului de afectare viscerală și este recomandat în general să se testeze
pacientul pentru implicarea hepatică prin ultrasunete abdominale. [26, 27] Au fost demonstrate
niveluri crescute de deiodinază de iodotironină în hemangioame proliferative mari, care pot
duce la hipotiroidism. Până în prezent, majoritatea cazurilor de hipotiroidism au fost observate
în asociere cu hemangiomatoza hepatică, deși activitatea iodothyronin deiodinazei a crescut și
în unele leziuni cutanate mari. De aceea, a fost făcută o recomandare pentru efectuarea testelor
de funcționare a tiroidei la pacienții cu hemangiomatoză hepatică sau hemangioame cutanate
mari [27, 28].
Odată ce a fost luată o decizie pentru a trata hemangiomul, investigațiile înainte de

tratament trebuie adaptate la modalitatea terapeutică aleasă. Înainte de inițierea tratamentului
cu propranolol, copiii trebuie evaluați pentru următoarele contraindicații: astm bronșic,
insuficiență cardiacă, bradicardie sinusală, hipoglicemie, hipotensiune arterială, blocaj cardiac
și alergie cunoscută la propranolol. Examinarea inițială trebuie să includă o evaluare cardio-
pulmonară aprofundată, incluzând rata pulsului, tensiunea arterială și glicemia. O
electrocardiogramă de bază (ECG) este de obicei recomandată. Deși ecocardiografia nu este o
-7-
investigație de rutină, poate fi necesară pentru excluderea bolilor funcționale și structurale ale
inimii [20]. Tratamentul înainte de începerea terapiei cu steroizi include eradicarea infecției
active sau a bolii primare de imunodeficiență și o examinare antropometrică de bază ( înălțime,
greutate) și tensiunea arterială, care ar trebui monitorizate în serie.
Hemangiomul este întâlnit și la alte specii. Macroscopic, hemangiomul apare ca o tumoră

unică, mai rar multiplă, având localizări în tegumentul membrelor, flancurilor, gâtului, pe faţă,
scrotum şi perineu. Localizările în organe sunt mai frecvente în: mucoasa bucală, splină, ficat,
pulmon şi cord. La vier se descrie hemangiomul scrotal. La cabaline localizarea este subcutanată.
Tumorile apar ca mase rotunde, bine circumscrise, ferme sau fluctuante, având culoare roşie,
vişinie sau negricioasă, cu dimensiuni între 0,5 şi 3,0 cm diametru. Hemangioamele cutanate sunt
mai mici, cu aspect sesil sau pedunculat, putând fi confundate cu melanomul cutanat.
Leziuni asemănătoare hemangioamelor au fost descrise la bovine, la câine şi la vier. La
bovine, sunt descrise formaţiuni angiomatoase cutanate. Microscopic, se constată că sunt în derm,
având structuri de venule sau arteriole, cu reacţie inflamatorie şi ulcerare. Leziuni asemănătoare
se întâlnesc la om, cunoscute sub formă de granuloame piogene, cu etiologie stafilococică.
Structura microscopică se caracterizează prin lacuri de sânge, cu septuri vasculare
căptuşite de celule endoteliale bine diferenţiate. Histologic se disting două aspecte, structuri de
tip cavernos şi de tip capilar. Proliferarea vasculară este acompaniată de fibroză. Frecvent se pot
identifica microtrombi, iar septurile conjunctive, adesea, sunt hialinizate. Tumora este delimitată
dar nu este încapsulată.
Hemangioamele, după extirpare, nu recidivează. În cazul tumorilor localizate în
organele parenchimatoase se poate produce moartea prin hemoragii interne.
I.4 Mediul MatLab
MatLab este o platformă de programare concepută special pentru calcule tehnice. Oferă
un sistem unitar și interactiv ce include calcule numerice și vizualizări grafice. Acesta dipune
de o serie de soluții specifice pentru diferite aplicații, numite toolbox-uri. Poate fi categorizat
ca fiind un limbaj de programare adaptat pentru probleme științifice datorită funcțiilor sale
specializate, în cadrul cărora instrucțiunile sunt interpretate linie cu linie.
-8-
Fig.1.4 Interfața mediului MatLab
Programul integrează funcții de analiză numerică, calcul vectorial, calcul matricial,

procesare de semnale, prelucrare de imagini și realizare de grafice într-un mediu user friendly,
în care soluțiile sunt scrise, în proporție mare, matematic, fară a necesita cunoștințe
avansate de programare.
Image Processing Toolbox, biblioteca cu funcții pentru prelucrarea imaginilor

implementată în MatLab, oferă un set cuprinzător de algoritmi standard de referință și aplicații
pentru fluxul de lucru pentru procesarea, analiza, vizualizarea și dezvoltarea algoritmilor de
prelucrare de imagini. Se pot efectua operații de segmentare a imaginilor, îmbunătățirea
imaginii, reducerea zgomotului, transformări geometrice, înregistrarea imaginilor și procesarea
imaginilor 3D. [30]
Datorită multitudinii de funcții deja implementate, a fiabilității programului și a
multiplelor modalități de prelucrare oferite, mediul MatLab este cel mai potrivit program pentru
procesarea de imagini, în vederea obținerii unor date concludente din punct de vedere medical.
-9-
CAPITOLUL II
II.1. Stadiul actual
Mai multe abordări pentru prelucrarea imaginilor cu caracter dermatologic au fost

propuse în trecut, privind, în principal, imaginile cu leziuni ale pielii precum melanoame sau
psoriazis. Maglogiannis și Ilias [31] propun o metodă hibridă ce utilizează transformarea log-
polară pentru estimarea parametrilor de scalare și de rotație, un criteriu de schimbare a semnului
în combinație cu o schemă de optimizare hill-climbing pentru estimarea unei scheme de
traducere. Ersbøll și colab. [32] lucrează cu analiza formei statistice după segmentarea leziunii
pentru a face o aliniere rigidă, presupunând că scala imaginii ramâne constantă. Ulterior,
deplasările interne mici sunt corectate printr-o schemă combinată de înregistrare și aliniere.
Algoritmul SHARP segmentează leziunile din imagini și utilizează momente de ordinul întâi și
doi a imaginilor binare rezultate pentru a determina parametrii de rotație și traducere.
Pentru segmentarea melanoamelor se utilizează adesea o operație de segmentare cu

prag automat. Lucrarea lui Round et al [33] cu privire la segmentarea leziunilor cutanate este
în esență o aplicație a algoritmului de divizare și îmbinare . Hance și colab. [33] au realizat o
compararea a șase algoritmi de segmentare a culorii pentru aplicarea specială a frontierelor
tumorale (pragul adaptiv, fuzzy c-means, scindarea pe centru, tăierea mediană, diviziunea și
îmbinarea, segmentarea multirezoluțională).
Pentru segmentarea alunițelor, în lucrarea publicată de Tim K. Lee [36], se propune

folosirea unei filtrări mean shift, urmată de un algoritm de clasificare a claselor pentru
identificarea regiunii de interes.
Sathya și Manavalan [37] studiază efectul algoritmilor de clustering asupra imaginilor,

punând în evidență eficiența acestora, lucru ce pare promițător și în cazul imaginilor clinice cu
hemangioame.
Aceste metode nu sunt potrivite în totalitate pentru segmentarea imaginilor clinice

conținând hemangioame deoarece acestea trebuiesc monitorizate în timp iar pe parcursul
investigațiilor fotografierea se face din diferite unghiuri și la diferite distanțe. De asemenea,
aspectul hemangiomului se schimbă pe parcursul tratamentului, de aceea este nevoie de un
- 10 -
algoritm adaptabil, care să recunoască regiunea de interes atunci când proprietățile fizice se
schimbă.
În cazul hemangioamelor, Sebastian Zambanini [34, 35] propune segmentarea

regiunilor aparținând hemangiomului folosind o pre-segmentare bazată pe un algoritm
perceptron urmat de o etapă de postprocesare în care regiunile cu proprietăți atipice sunt
respinse. Pe un set de 29 de imagini, algoritmul de segmentare a atins o rată fals pozitivă de
15,5% și o rată negativă de 13,1%.
II.2. Etapa de preprocesare
Obiectivele principale ale preprocesării imaginilor inainte de segmentarea acestora sunt

de a obține imagini mai clare, pentru a evidenția detaliile importante, precum și pentru a ușura
etapele ulterioare de procesare și de evaluare automată a imaginii.
Deși preprocesarea imaginilor poate distorsiona sau modifica datele brute din imaginea
inițială, utilizarea inteligentă a tehnicilor de preprocesare poate oferi beneficii și rezolva
probleme care, în cele din urmă, conduc la o segmentare mai bună.
În funție de imaginea originală și de rezultatul dorit se pot alege una sau mai multe
funcții de imbunătățire a calității imaginii.
Tehnicile de îmbunătățire a calității imaginilor au fost utilizate pe scară largă în multiple
aplicații ale procesării de imagini, unde calitatea subiectivă a imaginilor este importantă pentru
interpretarea umană. Contrastul este un factor important în orice evaluare subiectivă a calității
imaginii. Contrastul este creat de diferența de luminanță reflectată de două suprafețe adiacente.
Cu alte cuvinte, contrastul este diferența în proprietățile vizuale care face ca un obiect să se
distingă de alte obiecte și de fundal. În percepția vizuală, contrastul este determinat de diferența
de culoare și strălucire a obiectului cu alte obiecte. Sistemul vizual este mai sensibil la contrast
decât la luminanța absolută; prin urmare, percepția nu variază odată cu modificarea condițiilor
de iluminare.
- 11 -
II.2. Transformări colorimetrice
Imaginile colorate pot fi reprezentate printr-o funcție de intensitate C(x,y,λ), dependentă

de lungimea de undă λ a luminii reflectate. De exemplu, pentru o valoare fixă λ, C(x,y,λ)
reprezintă o imagine monocromă.
Raspunsul luminozității unui observator uman la o imagine va fi, prin urmare:
∞
𝑓(𝑥, 𝑦) = ∫0 𝐶(𝑥, 𝑦, λ)V(λ)d λ (2.1)
unde V (λ) este factorul de răspuns al ochiului uman la frecvența λ.

V (λ) se numește funcția relativă de eficiență luminată a sistemului vizual. [38]
Percepția culorilor este determinată de natura luminii reflectate de către obiect. Prin
urmare, culoarea unui obiect este determinată de lumina incidentă pe obiect și cantitatea de
lumină reflectată și absorbită. Proprietățile de reflexie sunt determinate de:
∙ Pigmenții chimici
∙ Structurile fizice ale suprafeței [39]
Datorită acestor caracteristici de absorbţie, culorile sunt observate sub forma unor
combinaţii de variabile primare: roşu, verde şi albastru. Prin combinarea celor trei culori
primare obținem culoarea alb.[38]
Pentru vederea culorilor sunt responsabile celulele cu con. Experimental, s-a
demonstrat faptul că acestea pot fi împărțite în trei categorii principale de detecție,
corespunzătoare culorilor principale, roșu, verde și albastru:
65% din conuri sunt sensibile la roșu

33% la verde
2% la albastru
prin urmare, au trei funcții de reacție la luminozitate:
∞
𝑓𝑅(𝑥, 𝑦) = ∫0 𝐶(𝑥, 𝑦, λ)VR(λ)d λ (2.2)
- 12 -
∞
𝑓𝐺(𝑥, 𝑦) = ∫0 𝐶(𝑥, 𝑦, λ)VG(λ)d λ (2.3)
∞
𝑓𝐵(𝑥, 𝑦) = ∫0 𝐶(𝑥, 𝑦, λ)VB(λ)d λ (2.4)
Spațiile de culoare se referă la un sistem de coordonate de culoare în care fiecare

punct reprezintă o culoare. Modele diferite sunt definite (standardizate) în scopuri diferite.
[39]
a. RGB (roșu, verde,albastru)

-folosit pentru monitoare color (CRT și LCD) și camere video [40]
Fig. 2 .1 Reprezentare 3D a spațiului de culoare RGB

[https://en.wikipedia.org/wiki/RGB_color_space]
b. HSV (nuanță, saturație și luminozitate)

- este cel mai apropiat de modul în care ochiul uman percepe culorile
- fiecare nuanță este reprezentată de o porțiune radială, centrată în jurul unei axe de culori
neutre (negru- în partea de jos; alb-în partea de sus) [41]
- 13 -
Fig. 2.2 Reprezentare 3D a spațiului de culoare HSV
[https://www.researchgate.net/figure/HSV-color-space-Hue-saturation-value_fig1_284698928]
c. Lab este cel mai uniform spațiu de culoare

- L reprezintă luminozitatea culorii
-a este componenta care descrie spectrul de culori de la verde (valori negative) la roșu (valori
pozitive)
-b este componenta care descrie culorile de la albastru (valori negative) până la galben (valori
pozitive)
-toate cele trei componente au o plajă de valori predefinită, cu valori absolute [42]
Fig. 2.3 Reprezentare 3D a spațiului de culoare Lab

[https://www.researchgate.net/figure/CIE-LAB-1976-color-space_fig2_263697963]
- 14 -
c. YCbCr (sau YUV) este adesea folosit în sistemele video și fotografia digitală
(sistemul vizual este mult mai sensibil la luminanță decât la culoare) [43]
Fig. 2.4 Reprezentare 3D a spațului de culoare YcbCr

[https://techpubs.jurassic.nl/manuals/hdwr/developer/OctPersVid_PG/sgi_html/ap
d.html]
d. XYZ este cunoscut ca format primar

Este o transformare liniara a valorilor tristimuls RGB astfel încât :
• orice culoare fizică monocromatică să fie caracterizată de valori tristimulus
pozitive
• componenta Y să fie o măsură a eficienței luminoase (deci a luminanței
culorii)
• pentru o lumină albă valorile tristimulus să fie egale. [44]
- 15 -
Fig. 2.5 Reprezentarea grafică a formatului XYZ
[http://forum.luminous-landscape.com/index.php?topic=37695]
Conversia între spațiile de culoare poate fi liniară sau neliniară. Unele modele pot fi
mai utile atunci când se dorește vizualizarea mai bună a unui obiect.
II.1.1 Alegerea spațiului de culoare
Primul pas pentru scrierea algoritmului de segmentare a imaginilor este stabilirea

spațiului de culoare cel mai potrivit pentru imaginile alese.
În vederea alegerii celui mai potrivit plan de vizualizare s-au trecut un eșantion de cinci
imagini, cu proprietăți diferite, prin toate spațiile de culoare menționate, au fost descompuse în
trei planuri pentru a se putea studia vizibilitatea obiectului de interes pentru fiecare, în parte.
Planul de culoare trebuie ales în funție de aplicația dorită. Nu se poate afirma despre un
anumit plan de culoare faptul că oferă mai multe informații decât celelalte. Gradul de utilitate
al fiecăruia depinde de tipul imaginii, de informația din imagine, de coloristica imaginii și de
datele care se doresc a fi extrase.[45]
- 16 -
În aplicația curentă, extragerea zonelor de hemangiom din imagini clinice, se așteaptă
să dea informații concludente un plan de roșu, deoarece acesta ar minimiza detaliile zonei de
background, unde culoarea roșie se găsește în proporții foarte mici față de regiunea de interes.
a b c d
Fig. 2.6 Imagine cu hemangiom reprezentat în diferite spații de culoare
a) spațiile de culoare de culoare RGB, HSV, Lab, YCbCr; b) planurile R, H, L și Y;
c) planurile G, S, a și Cb; d) planurile B, V, b și Cr;
În imaginea prezentată mai sus se poate observa o imagine cu hemangiom trecută prin
patru spații de culoare: RGB, HSV, Lab și YcbCr, în această ordine. Pe prima coloană sunt
imaginile în spatiile de culoare menționate, apoi cele trei planuri ale fiecărui spațiu, separat.
Figura 2.7, în particular, are claritate bună atat pe dimensiunile G și B ale spațiului RGB,
cât și pe componenta de saturație din spațiul HSV însă în imaginile unde hemangiomul nu are
o culoare foarte pronunțată regiunea de interes nu se distinge, după cum se observă în imaginea
de mai jos:
- 17 -
a b c
Fig. 2.7 a) Imagine cu hemangiom în format RGB; b) Componenta de saturație a imaginii ;
c) Planul green-red din Lab al imaginii;
Figura 2.7 reprezintă imaginea originală, în comparație cu planul de saturație din HSV
și axa verde-roșu din spațiul Lab. În imaginea de saturație hemangiomul nu are conturul foarte
bine definit, spre deosebire de cea de-a doua.
Rolul schimbării spațiului de culoare este de a pune in evidență hemangiomul în
favoarea altor obiecte ce pot apărea în imagine. Chiar dacă, la prima vedere, calitatea imaginii
și contrastul par mai scăzute după această modificare, atât timp cât nu sunt afectate merginile
hemangiomului contrastul poate fi îmbunătățit ulterior.
a b
Fig. 2.8 a) Imagine RGB cu hemangiom; b)Imagine în Lab, planul a
În figura 2.8 se poate observa cel mai bine faptul că forma hemangiomului rămâne
intactă, în timp ce celelelte zone se contopesc, formând un fundal comun. Micșorarea numărului
de moduri al histogramei este un pas important în preprocesarea imaginilor deoarece cu cât
histograma este mai simplă, cu atât segmentarea este mai precisă.
- 18 -
a b
Fig. 2.9 a) Histograma imaginii 2.8.a; b)Histograma imaginii 2.8.b;
Pentru testarea teoriei s-a incercat segmentarea unei imagini în două spații de culoare
diferite, folosind același algoritm de segmentare.
a b
c d
Fig. 2.10 a) Planul S al unei imagini HSV; b) Segmentarea imaginii a; c) Planul a al unei imagini Lab;
d) Segmentarea imaginii c;
- 19 -
Deși, vizual, prima variantă a imaginii pare mai clară, algoritmul de segmentare nu poate
distinge zona de hemangiom de cea non-hemangiom, rezultatul fiind o imagine aproapeneagră.
Imaginea cu dimensiunea a a spațiului Lab deși pare destul de ștearsă oferă, totuși, o segmentare
net superioară.
Astfel, pentru ca algoritmul să poată fi folosit pe o varietate cât mai mare de imagini se
va alege spațiul de culoare Lab, planul a.
II.2.1 Transformări punctuale
Transformările punctuale modifică fiecare pixel al imaginii inițiale conform unei

operații impuse și folosește rezultatele pentru a crea o imagine nouă.[46]
Transformările logaritmice [46] pot fi folosite pentru a intensifica intensitățile unei
imagini. Mai des, este folosit pentru a mări detaliile (sau contrastul) în imaginile cu
luminozitate scăzută. În mediul MatLab, ecuația folosită pentru a obține transformarea
logaritmică a imaginii este:
𝑀−1
𝑟𝑒𝑧 = log(𝑀)log⁡(1+𝑢) (2.5)
unde M este numărul de nivele de gri din imaginea inițială, iar u reprezintă imaginea inițială.
Transformarea putere [46] poate fi dată de expresia:

𝑢
𝑟𝑒𝑧 = (𝑀 − 1) (𝑀−1)𝑟 (2.6)
unde M este numărul de nivele de gri, u imaginea original și r puterea.

Pentru diferite valori ale exponentului pot fi obţinute diferite nivele de îmbunătăţiri.
Această tehnică este destul de frecvent numită corecţie gamma. Monitoarele de afişare diferite
afişează imagini la diferite nivele de claritate deoarece fiecare monitor are built-in un modul
de corecţie Gamma cu anumite intervale Gamma şi astfel un monitor bun corectează automat
toate imaginile afişate.
Diferenţa dintre funcţia logaritmică şi funcţiile de putere este că, folosind funcţia de
putere o familie de curbe de transformare posibile pot fi obţinute doar prin diferențe de λ.
Funcția exponențială [46] vizează extinderea nivelurilor superioare de gri, în
detrimentul nivelurilor inferioare gri, care vor apărea mai compacte pe histogramă spre
deosebire de funcția logaritmică. Pentru realizarea transformării este utilizată formula:
u
rez=M M−1 (2.7)
- 20 -
unde M este numărul de nivele de gri și u imaginea inițială.
În cazul imaginilor cu hemangiom niciuna din operațiile menționate nu aduce
imbunătățiri semnificative. În timp ce funcțiile de transformare de tip logaritmic și exponențial
deteriorează imaginea până la punctul în care zona de hemangiom aproape nu mai poate fi
distinsă de piele, funcția putere păstrează calitatea imaginii însă nu aduce îmbunătățiri
semnificative.
Fig. 2.11 Imagine cu hemangiom supusă celor trei modificări de contrast punctuale: logaritmică,
exponențială și putere
II.2.2 Egalizarea de histogramă
Histograma este o reprezentare grafică a distribuției nivelurilor de gri ale unei imagini.
În termeni simpli, reprezintă numărul de pixeli pentru fiecare valoare de intensitate considerată.
[47]
- 21 -
Fig. 2.12 Histogramă bimodală
În figura 2.12, axa X reprezintă scala tonală (negru la stânga și alb la dreapta), iar axa
Y reprezintă numărul de pixeli dintr-o imagine. Aici, histograma arată numărul de pixeli pentru
fiecare nivel de luminozitate (de la negru la alb), iar atunci când există mai mulți pixeli, vârful
la nivelul anumit de luminozitate este mai mare. Se poate observa faptul că histograma are două
moduri, reprezentând zona de hemangiom și pielea.
Egalarea histogramei este o tehnică de imbunătățire a calității imaginilor prin
intensificarea contrastului. Deoarece unele imagini conțin pixeli cu valori aproapiate, pentru a
se distinge mai bine anumite zone este nevoie de întinderea nivelurilor de gri pe o plajă mai
mare. Întinderea maximă de contrast este atinsă atunci când pixelii din imagine au valori
cuprinse între 0 și 255. [46]
Egalizarea adaptivă de histogramă diferă de egalizarea histogramei obișnuite în sensul
că metoda adaptivă calculează mai multe histograme, fiecare corespunzând unei secțiuni
distincte a imaginii, și le folosește pentru a redistribui valorile de luminozitate ale imaginii. Prin
urmare, este potrivită pentru îmbunătățirea contrastului local și pentru îmbunătățirea vizibilității
contururilor din fiecare regiune a imaginii.
Histograma adaptivă, limitată de contrast (CLAHE) diferă de egalizarea histogramei
adaptive în limita de contrast. În cazul CLAHE, procedura de limitare a contrastului este
aplicată fiecărei vecinătăți din care derivă o funcție de transformare. CLAHE a fost dezvoltat
pentru a preveni amplificarea zgomotului pe care o poate genera egalizarea histogramei
adaptabile.[48]
- 22 -
Fig. 2.13 Histograma 2.12 după operația de egalizare de histogramă
Figura 2.13 reprezintă histograma unei imagini dupa egalizarea adaptivă a histogramei,
limitată de contrast. Se observă faptul că cele două moduri nu se mai disting, nivelurile de gri
se extind pe toată zona, inclusiv zona goală dintre moduri, formând unul singur.
a b
Fig. 2.14 a) Aspectul imaginii înainte de egalizarea histogramei; b) Imagine după egalizarea
histogramei
Diferența dintre imaginea originală și imaginea după egalizarea histogramei este destul
de mare. După egalizare, zona din jurul hemangiomului se deschide ușor, iar zona de interes se
distinge mult mai bine din fotografie.
- 23 -
a b
Fig. 2.15 a) Aspectul unei imagini cu contrast mic înainte de egalizarea histogramei;
b) Imagine după egalizarea histogramei
Deși într-o imagine unde hemangiomul deja se distinge destul de bine egalizarea de
histograma nu este un pas absolut necesar, în cazul imaginilor unde diferența de contrast între
piele și hemangiom nu este foarte mare acest pas poate ușura procesul de segmentare. Figura
2.15 este cel mai bun exemplu pentru acest caz. Deși la imaginea anterioară diferența era
vizibilă, dar nu semnificativă, în cazul acestei imagini se poate observa faptul că hemangiomul
se distinge mult mai bine.
- 24 -
CAPITOLUL III
III.1. Procesarea imaginilor
Procesarea imaginilor este o metodă de efectuare a unor operații pe o imagine, pentru a

obține o imagine îmbunătățită sau pentru a extrage câteva informații utile din aceasta. Este un
tip de procesare a semnalului în care intrarea este o imagine și ieșirea poate fi imaginea sau
caracteristicile asociate cu acea imagine. Tehnicile de procesare a imaginilor se numără printre
tehnologiile cu creștere rapidă. Aceasta reprezintă o arie centrală de cercetare în domeniul
disciplinelor de inginerie și informatică.[46]
În cadrul acestei lucrări, pentru atingerea scopului, anume divizarea imaginii în două
categorii: hemangion și non-hemangiom se vor folosi algoritmi de segmentare.
Algoritmii de segmentare folosiți pentru imaginile
monocromatice au, în general, la bază două caracteristici ale
intensității imaginii: discontinuitățile și similitudinile. În cazul
primei categorii, abordarea constă în divizarea imaginii în
funcție de modificările bruște de intensitate, așa cum se
întâmplă în cazul contururilor și marginilor. Pentru a doua
categorie de algoritmi, segmentarea partiționează imaginea în
regiuni cu proprietăți similare, conform unui criteriu prestabilit.
O altă abordare fundamentală în segmentare este compararea
fiecărui pixel, în parte, cu un prag, metodă care oferă un calcul
rapid. [49]
Un sistem obiectiv de monitorizare și evaluare automată

ar fi un instrument foarte util pentru medici în prezicerea
dezvoltării tumorii și luarea celei mai potrivite decizii în ceea ce
Fig. 3.1 Imagine înainte și după segmentare
- 25 -
privește tratamentul. Cu toate acestea, până în prezent, doar câteva rezultate sunt raportate pe
această temă . Primul pas pentru un astfel de sistem de monitorizare automată constă în
detectarea regiunii hemangiomului.
Pentru investigarea diferitelor metode de tratament, este necesar să se determine
suprafața pe care hemangiomul o acoperă pentru a afla cât de mult a crescut sau a scăzut de la
ultima examinare.
Pentru ca evaluarea să fie mai ușoară, mai rapidă, mai confortabilă și în majoritatea
cazurilor mai precisă decât o segmentare manuală a zonei afectate a pielii, este preferata o
metodă automatizată.
În procesarea imaginilor, segmentarea imaginii este procesul de împărțire a unei imagini

digitale în mai multe segmente (seturi de pixeli, de asemenea cunoscute sub numele de super-
pixeli). Scopul segmentării este de a simplifica și / sau de a schimba reprezentarea unei imagini
în ceva mai semnificativ și mai ușor de analizat. Segmentarea imaginii este folosită în mod
obișnuit pentru a localiza obiectele și limitele (linii, curbe etc.) în imagini. Mai precis,
segmentarea imaginilor este procesul de atribuire a unei etichete fiecărui pixel dintr-o imagine,
astfel încât pixelii cu aceeași etichetă să aibă anumite caracteristici.[50]
Sarcina algoritmului de segmentare este de a găsi regiunile dintr-o imagine aparținând
hemangiomului. Zona de interes conține atât pixeli de hemangiom, cât și non-hemangiom, care
sunt în majoritatea cazurilor piele (dar pot fi, de asemenea, păr, haine, instrumente de masura
etc.)
Pentru determinarea celei mai bune modalități de segmentare se va folosi o bază de date
ce conține 72 imagini clinice cu hemangioame, cu clarități, texturi si forme cât mai diversificate,
provenite de la 28 de pacienți. Pe acestea se vor aplica, pe rând operații de segmentare în
vederea alegerii celei mai potrivite metode.
III.2. Tehnici de segmentare cu selecție automată a pragului
II.2.1 Metoda Otsu
Metoda de prag a lui Otsu implică iterarea tuturor valorilor prag posibile și calcularea
unei măsuri a distribuției acestora de o parte și de alta a pragului, adică pixeli de interes și
pixeli de fundal. [49]
- 26 -
Este folosită pentru a reduce o imagine cu nivele de gri la una binară. Algoritmul imparte
imaginea în două clase de pixeli conform histogramei bimodale (pixeli în de hemangiom și
pixeli de fundal), apoi calculează pragul optim separând cele două clase astfel încât dispersia
lor combinată să fie minimă sau, astfel încât variația lor între clase este maximă.
Pragul optim de segmentare se alege astfel încât varianța dintre clase să fie minimizată.
Aceasta se calculează după formula:[50]
2
𝜎𝑤⁡(𝑡) = 𝑞1 (𝑡)𝜎12 (𝑡) + 𝑞2 (𝑡)𝜎22 (𝑡) (3.1)
Unde probalilitatea fiecărei clase poate fi scrisă ca:
𝑞1 (𝑡) = ∑𝑡𝑖=1 𝑃(𝑖) (3.2)
𝑞2 (𝑡) = ∑𝐼𝑖=𝑡+1 𝑃(𝑖) (3.3)
Iar media claselor este dată de ecuațiile:
𝑖𝑃(𝑖)
𝜇1 (𝑡) = ∑𝑡𝑖=1 𝑞 (3.4)
1 (𝑡)
𝑖𝑃(𝑖)
𝜇2 (𝑡) = ∑𝐼𝑖=𝑡+1 𝑞 (3.5)
2 (𝑡)
Astfel, varianța individuală a fiecarei clase poate fi scrisă ca:
𝑃(𝑖)
𝜎12 (𝑡) = ∑𝑡𝑖=1[𝑖 − 𝜇1 (𝑡)]2 𝑞 (3.6)
1 (𝑡)
𝑃(𝑖)
𝜎22 (𝑡) = ∑𝐼𝑖=𝑡+1[𝑖 − 𝜇2 (𝑡)]2 𝑞 (3.7)
2 (𝑡)
Pentru alegerea pragului se calculează valorile parametrilor pentru fiecare valoare a

luminanței ( tє(0,255)) și se alege valoarea pentru care 𝜎𝑤2⁡ (𝑡) are cea mai mică valoare.
Acest tip de segmentare are rezultate foarte bune doar atunci când pixelii din imagine,
aparținând clasei non-hemangiom au proprietăți asemănatoare. De exemplu pentru o imagine
unde hemangiomul se diferentiază foarte clar de piele și nu există alte obiecte care pot altera
histograma bimodală, se va obține o segmentare de tipul celor prezentate mai jos:
- 27 -
a b
Fig. 3.2 a) Imagine cu hemangiom; b) Imagine segmentată prin metoda Otsu;
a b
Însă ulititatea acestui tip de segmentare scade pentru imaginile cu histogramă mai
complexă.
Rezultatul poate fi îmbunătățit prin preprocesarea imaginii. După oparația de egalizare

a histogramei segmentarea este puțin mai precisă, însă rezultatul nu este,totuși, unul
mulțumitor.
- 28 -
Fig. 3.5 Imaginea 3.4.a segmentată prin metoda Otsu după egalizarea histogramei
Mediul MatLab are implementată o funcție care calculează automat pragul de

segmentare prin metoda Otsu, fără a fi nevoie de implementarea manuală a acesteia. Pentru a
folosi această funcție imaginea trebuie să fie cu nivele de gri. Sintaxa folosită pentru
segmentarea imaginilor cu selecție a pragului după crieriile impuse de Otsu este:
Imagine_gri=rgb2gray(imagine_originală);
Nivel_otsu=graythresh(imagine_gri);
Imagine_segmentată=im2bw(imagine_gri, nivel_otsu);
Funcția graythresh calculează automat pragul de segmentare folosindu-se de histograma

imaginii date, apoi segmentarea se face cu funcția de binarizare (im2bw), care selectează zona
de hemangiom dupa pragul calculat anterior.
Pentru imaginile din planul a al spațiului Lab nu este nevoie de pasul de trecere în tonuri
de gri, deoarece imaginea este deja reprezentată cu această hartă de culoare.
II.2.2 Segmentarea Kittler
În afara metodelor de segmnetare implementate deja în MatLab, există și alte metode

pentru selecția pragului optim pentru segmentarea imaginilor. Stabilirea unei metode eficiente
implică evaluarea histogramei sau orice altă formă de analiză a intensității nivelurilor de gri.
- 29 -
O abordare eficientă este considerarea segmentării o problemă de clasificare. Astfel
scopul algoritmului este să clasifice fiecare pixel, în funție de apartenența lui la una din cele
două categorii (regiune de interes și background) după intensitatea luminoasă a acestuia.
Kittler și Illingworth [51] au propus o abordare iterativă pentru algoritmul de calculare

al erorii minime, care este, la fel ca Otsu, o segmentare cu prag automat. Acesta poate fi privită
ca o generalizare a algoritmului intermeans .
Se pornește de la o valoare a pragului, aleasă în mod aleatoriu, apoi se calculează
varianța valorilor pixelilor precum și varianța medie pentru fiecare din cele două categorii
(definite de poziția față de prag). Apoi se schimbă poziția pragului și se refac calculele până
când nu mai există schimbări de valori între iterații.
Pentru calculul matematic se urmează urmatorii pași:
i. Se alege un prag inițial t.

ii. Se calculează valoarea medie a claselor, varianța individuală și proporția în care
apar cele două clase:
1
𝑝1 = ∑𝑡𝑘=0 ℎ𝑘 (3.8)
𝑛2
1
𝜇1 = 𝑛2 𝑝 ∑𝑡𝑘=0 𝑘ℎ𝑘 (3.9)
1
1
𝜎12 = 𝑛2 𝑝 ∑𝑡𝑘=0 𝑘 2 ℎ𝑘 (3.10)
1
În mod similar se calculează parametrii p2, 𝜇2 , 𝜎22 pentru pixelii din intervalul cuprins
între t+1 și N.
iii. Se reestimează pragul t conform formulei:
𝐵+√𝐵2 −𝐴𝐶
𝑡=[ ] (3.11)
𝐴
Unde A, B și C sunt coeficienții din probabilitatea densității distribuției Gaussiene:
1 1
𝐴 = 𝜎2 − 𝜎2 (3.12)
1 2
- 30 -
𝜇 𝜇
𝐵 = 𝜎12 − 𝜎22 (3.13)
1 2
𝜇 𝜇 𝜎 2 𝑝2
𝐶 = 𝜎12 − 𝜎22 + 𝑙𝑜𝑔 𝜎12 𝑝22 (3.14)
1 2 2 1
iv. Cu pragul calculat la pasul anterior se recalculează parametrii, cei doi pași
repetându-se până când valoarea lui t converge către una stabilă.
Deoarece acest tip de segmentare nu se regăsește în biblioteca MatLab-ului, funcția va

fi scrisă conform formulelor matematice pentru determinarea pragului. Odată ce pragul a fost
stabilit, segmentarea se face cu funcția de binarizare și parametrul t calculat anterior.
a b c
Fig. 3.6 a) Imaginea RGB; b) Planul a al imaginii; c) Imaginea segmentată prin metoda Kittler
Pentru imaginile clare, cu hemangiom bine definit și bine separate de zona de fundal
segmentarea cu prag Kittler este una reușită. Marginile reale ale hemangiomului sunt păstrate,
există mici erori insă se poate măsura cu o precizie destul de bună dimensiunea reală a
hemangiomului.
- 31 -
a b c
Insă, precum segmentarea cu calcularea pragului prin metoda lui Otsu, algoritmul nu
este capabil să detecteze porțiunile hemangimului unde se schimbă colorația. Astfel, pentru
unele hemangioame va fi detectată o zonă mai mica, ceea ce scade acuratețea segmentării.
a b c
Cu cât calitatea imaginii scade și intervin mai multe obiecte în jurul hemangiomului cu
atât calitatea acestei segmentări scade. Algoritmul detectează doar zonele puternic colorate,
eliminând porțiuni din mijlocul tumorii.
Din rezultatele acestor segmentări cu prag automat se disting limitările acestora. Deși
se obtin rezultate foarte bune pe imagini unde histograma are doar două moduri, clasificarea
regiunilor de hemangion și non-hemangiom nu se mai face foarte exact atunci cand histograma
este alterata. Se poate observa faptul că până și o discolorație a regiunii de hemangiom poate
scădea calitatea rezultatului, iar pixelii de hemangiom cu nivele de gri cu valori apropiate de
fundal se confundă cu acesta.
Astfel, pentru obținerea unui rezultat mai bun se vor încerca, în continuare, alte metode
de segmentare ce nu implică calcularea unui prag.
- 32 -
III.3 Tehnici de clustering
Clustering-ul este o tehnică de segmentare a imaginilor. Sarcina clusterului este de a

împărți un set de date imagine într-un număr de grupuri sau clustere disjuncte.
Analiza clusterelor nu este un algoritm specific, ci se poate realiza prin diferiți algoritmi
care diferă semnificativ ca mod de detecție a ceea ce constituie un cluster în mod eficient.
Noțiunea de cluster se referă la grupuri de pixeli cu proprietăți fizice asemănatoare (formă,
culoare, textură). Algoritmul adecvat de grupare și setările parametrilor (inclusiv parametrii
cum ar fi funcția de distanță de utilizat, pragul de densitate sau numărul de clustere așteptate)
depind de setul individual de date și de rezultatele așteptate. Analiza clusterului ca atare nu este
o sarcină automată, ci un proces iterativ de identificare a claselor. Adesea este necesară
modificarea parametrilor de preprocesare a datelor și a parametrilor de model până când
rezultatul atinge proprietățile dorite.[37]
Spre deosebire de tehnicile de segmentare cu prag, care se bazează doar pe valorile
nivelurilor de gri, pe care le consideră suficiente pentru caracterizarea imaginii, în tehnicile de
clustering sunt luate în calcul caracteristici suplimentare. Aici gruparea se face prin calcularea
probabilității de a aparțiune unei clase prin compararea acestuia și integrarea lui acolo unde
sunt găsite proprietăți similare.
III.3.1 Fuzzy C-means (FCM)
Clusteringul fuzzy este o metodă de grupare în care datele pot aparține mai multor
grupuri. Algoritmul împarte punctele de date în grupuri bazate pe similitudinea dintre elemente
și verifică pentru a găsi modele sau asemănări între elementele dintr-un set. Elementele din
clustere ar trebui să fie cât mai apropiate posibil între ele și cât mai diferite de cele din alte
grupuri. Din punct de vedere computațional, este mult mai ușor să creeze granițe fuzzy decât
să stabilească un grup pentru un punct.[52]
Această abordare ia in calcul faptul că nu toți pixelii hemangiomului au proprietăți
identice și nu consideră cele două clase exclusiv disjuncte. În imaginile cu caracter medical este
întâlnit destul de frecvent cazul în care regiunea de interes se confundă, din punct de vedere al
luminanței cu fundalul. Prin urmare, condiția impusă anterior (un pixel poate aparține unei
singure clase), limitează performanțele algoritmilor. Pentru depășirea acestei bariere se va
- 33 -
considera că fiecare pixel poate aparține mai multor clase, cu un procentaj de probabilitate mai
mic sau mai mare. [37]
Conform algoritmului Fuzzy C-Means (FCM) un punct de date poate aparține în mod
teoretic tuturor grupurilor, cu o funcție de membru (numită de asemenea calitate de membru)
între 0 și 1, unde: 0 este locul în care punctul de date este la cel mai îndepărtat punct din centrul
unui cluster și 1 este locul unde datele punctul este cel mai apropiat de centru.
Gradul de apartenență al unui pixel la un grup se calculează după formula:
1
1 𝑚−1
( )
(𝑥𝑡 −𝜇𝑖 )2
𝜇𝑖𝑗 = 1 (3.15)
𝐾 1 𝑚−1
∑𝑠=1( )
(𝑥𝑡 −𝜇𝑠 )2
Centrul claselor se calculează astfel:
∑𝑁 𝑚
𝑗=1 𝜇𝑖𝑗 𝑥𝑗
𝜇𝑖 = ∑𝑁 𝑚 (3.16)
𝑗=1 𝜇𝑖𝑗
Parametrul m se numește grad de fuzificare al partiției. De acesta depinde distribuția

gradelor de apartenență a vectorilor între clase.
Etapele algoritmului sunt:
i. Inițializarea centroizilor claselor 𝜇𝑖 cu valori aleatoare sau presupunearea

poziției acestora atunci când este posibil
ii. Calculul conform formulei a gradelor de apartenență a vectorilor la clase
precum și a centrului claselor.
iii. Repetarea calculului până când nu se mai obțin diferențe semnificative
Algoritmul de segmentare bazat pe clustering de tip fuzzy este implementat in MatLab,

și este de forma:
[CENTER, U, OBJ_FCN] = fcm(DATA, N_CLUSTER)
Unde center returnează coordonatele pentru centrul fiecărui cluster, U reprezintă gradul
de apartenență.
- 34 -
La fiecare iterație funcția este minimizată pentru a găsi cea mai potrivită locație pentru
fiecare valoare și pentru clustere, acestea fiind returnate în variabila OBJ_FCN.
Funcția primește ca parametri de intrare imaginea care se dorește segmentată și numărul

de clase în care va fi împărțită.
Pentru aplicația în curs se vor folosi două clase. Se așteaptă ca algoritmul să distingă
pixelii de hemangiom, pe care să îi atribuie unei clase, apoi să mai formeze o clasă conținând
pixeli cu alte informații. În teorie, acest tip de segmentare ar trebui să aibă rezultate mai bune
pentru imaginile în cauză.
a b
Fig. 3.9 a) Imagine RGB; b) Imagine după segmentarea Fuzzy C-means
Pentru imaginile simple rezultatele sunt asemănătoare cu segmentările pe baza metodei

Otsu, însă timpul de rulare al acestui algoritm este mult mai mare. Micile goluri din interiorul
hemangiomului pot fi acoperite cu o funcție de umplere, implementată în MatLab, numită
imfill.
Această funcție are rolul de a identifica

porțiunile din interiorul hemangiomului care au
fost identificate ca non-hemangiom și de a le
umple. Pentru acest lucru trebuie specificat în
cadrul funcției parametrul “holes” astfel:
img_filled=imfill(img_fcm,'holes')
Fig. 3.10 Efectul funcțiti imfill asupra imaginii segmentate
- 35 -
a b
a b
În cazul imaginilor complexe se observă diferențe considerabile în calitatea segmentării.

Atât în cazul hemangiomului cu discolorație, cât și in cazul celui acoperit cu fire de păr, care
nu au putut fi segmentat cu tehnicile anterioare, imaginea segmentată păstrează conturul real al
hemangiomului. Ca și în cazul anterior, golurile pot fi umplute cu ajutorul funcției specifice.
Deoarece imaginile din data de baze sunt diferite din punct de vedere al calității,
contrastului și luminozității, și pentru că histogramele au, în general, mai mult de două moduri
iar algoritmul trebuie să împartă pixelii în două clase: hemangiom și non-hemangiom, sarcina
devine mai dificilă. Pentru obținerea unor rezultate mai bune s-au ales două metode de
segmentare:
- 36 -
- Prima formează o clasă cu pixelii de luminozitate mică și medie și o clasă cu pixelii
cu valori mari ale luminozității
- Cea de-a doua formează o clasă cu pixelii întunecați și una cu cei cu valori medii și
mari ai nivelurilor de gri
Datorită diversității imaginilor nu poate fi afirmat despre una din cele două metode
faptul că ar oferi rezultate superioare față de cealaltă.
a b c
Fig. 3.12 Imagine unde segmentarea FCM are rezultate mai bune cu cea de-a doua variantă
a) Imaginea originală; b) Imagine segmentată prin FCM cu primul prag; c) Imagine segmentată
prin FCM cu cel de-al doilea prag;
a b c
Fig. 3.13 Imagine unde segmentarea FCM are rezultate mai bune cu prima variantă de
segmentare; a) Imaginea originală; b) Imagine segmentată prin FCM cu primul prag; c) Imagine
segmentată prin FCM cu cel de-al doilea prag;
- 37 -
a b c
Fig. 3. 14 Imagine unde cele două metode de sejmentare FCM oferă rezultate asemănătoare
a) Imaginea originală; b) Imagine segmentată prin FCM cu primul prag; c) Imagine segmentată
prin FCM cu cel de-al doilea prag;
După cum se observă în imaginile de mai sus, tipul de segmentare cel mai potrivit
depinde de imagine, fiecare metodă putând oferi informații precise.
III.3.2 Expectation maximization (EM)
Acest algoritm se bazează pe alocarea datelor către un anumit set de partiții. Fiecare
valoare dată este asociată cu o partiție printr-un sistem bazat pe gradul în care este asociată o
valoare de date cu o anumită partiție. Expectation maximization se bazează foarte mult pe
presupunerea că valorile inițiale ale partițiilor sunt apropiate de clusterele naturale ale datelor
date.[53]
Algoritmul a fost explicat și denumit, într-o lucrare din 1977, de Arthur Dempster, Nan
Laird și Donald Rubin. Aceștia au subliniat faptul că metoda a fost "propusă de mai multe ori
în circumstanțe speciale" de către autorii anteriori. Lucrarea Dempster-Laird-Rubin a
generalizat metoda și a schițat o analiză de convergență pentru o clasă mai largă de probleme.
Indiferent de invențiile anterioare,metoda inovatoare Dempster-Laird-Rubin din Jurnalul
Societății Regale de Statistică a devenit un instrument important de analiză statistică.
Expectation-Maximization este o modalitate de a găsi probabilitatea maximă pentru
parametrii modelului atunci când datele sunt incomplete, au lipsuri sau au variabile latente
nevăzute (ascunse). Este un mod iterativ de a aproxima funcția maximă de probabilitate.
Funcționează prin alegerea valorilor aleatoare pentru punctele de date care lipsesc și folosind
- 38 -
acele informații pentru a estima un al doilea set de date. Noile valori sunt folosite pentru a crea
o mai bună estimare pentru primul set, iar procesul continuă până când algoritmul converge
într-un punct fix.[37]
Pașii pe care algoritmul îi parcurge sunt:[53]
i. Se face estimarea inițială pentru parametrii modelului și se creează o distribuție

a probabilităților. Acest lucru este denumit uneori Pasul E pentru distribuția
așteptată (de aici termenul expectation)
ii. Datele sunt suprapuse în model.
iii. Distribuția probabilităților din etapa E este optimizată pentru a include noile
date. Acest lucru este denumit uneori Pasul M.
iv. Etapele 2 până la 4 se repetă până când se atinge stabilitatea (adică o distribuție
care nu se schimbă de la etapa E la etapa M).
a b
c d
Fig. 3.15 a,c) Imagini segmentate cu FCM; b,d) Imagini segmentate cu EM;
- 39 -
Imaginile aflate pe prima coloană au fost segmentate cu fuzzy c-means iar cele alăturate
folosind expectation maximization.
Rezultatele obținute nu prezintă diferențe mari față de imaginile segmentate cu Fuzzy

C-means. Spre deosebire de fuzzy, expectation maximization nu este o funcție implementată in
MatLab, de aceea folosirea acesteia are un grad de dificultate mai ridicat.
- 40 -
CAPITOLUL IV
IV.1. Extragerea parametrilor
Utilitatea procesului de segmentare automată a imaginilor clinice constă în ușurarea

procesului de monitorizare a vindecării hemangiomului. Astfel, după procesul de segmentare
este necesar un pas suplimentar, de măsurare a parametrilor pentru a putea fi comparate datele
obținute între sesiuni.
Cele mai relevante date ce pot fi extrase din imaginile clinice cu hemangioame sunt
dimensiunea și roșeața acestora.
Întrucât, de la o sesiune la alta pot varia o multitudine de parametri precum poziția

pacientului, distanța de la care se face fotografierea zonei și unghiul din care se preia imaginea,
o simplă comparație a celor două fotografii nu este suficientă.
Pentru determinarea ariei se va scrie un program care verifică valoarea fiecărui pixel
din imaginea selectată și îi numără pe cei cu valoarea 255, corespunzătoare albului.
Pentru a afla dimensiunea reală a hemangiomului se va măsura pe scala gradată din

imagine numărul de pixeli ce corespund unui centimetru și se va ridica numărul la pătrat pentru
determinarea corespondentului în pixeli a unui centimetru pătrat. Pentru a afla aria
hemangiomului se împarte numărul total de pixeli la numărul de pixeli dintr-un centimetru
pătrat.
Dimensiunile sunt stocate pentru a putea fi comparate în urmatoarele sesiuni.
Deoarece hemangioamene sunt manifestări ale unor vase de sânge sparte, o

caracteristică importanta a acestora este roșeața. Pentru a calcula acest parametru se va face
același tip de parcurgere a imaginii segmentate pentru verificarea valorii pixelilor, apoi se vor
lua valorile corespunzătoare din imaginea inițială pentru pixelii care după segmentare sunt albi
și se va face media acestora.
Pentru exemplificare, se vor urmări o serie de date preluate de la un singur pacient, pe

parcursul a mai multe sesiuni.
- 41 -
Imaginile sunt prezentate în ordine cronologică, fiecare avand în partea de jos
segmentarea corespunzătoare.
Fig. 3.13 Procesul de vindecare al hemangiomului
Fig. 3.14 Imaginile segmentate în fiecare stadiu al vindecării
Tabel 4.1. Parametrii extrași din imaginile clinice pe parcursul celor cinci sesiuni
Pacient 1 Sesiunea 1 Sesiunea 2 Sesiunea 3 Sesiunea 4 Sesiunea 5
Număr de
55953 13555 4401 14948 499
pixeli
Redness 176.62 158.92 192.92 168.42 103.20
Dimensiune
0.25 0.3354 0.1502 0.1442 -
(cm2)
- 42 -
După cum se observă și în imagini aria hemangiomului scade de la o sesiune la
urmatoarea, până când devine aproape inobservabil. Pentru ultima imagine aria nu a putut fi
calculată deoarece lipsește instrumentul de măsură din fotografie. Fără acesta nu se poate face
scalarea imaginii deoarece dimensiunea în pixeli nu poate fi convertită în mod direct în
dimensiune reală. Precum în cazul sesiunilor 3 și 4, unde numărul de pixeli crește dar
dimensiunea scade, putem avea orice număr de pixeli corespondenți unui centimetru, numărul
fiind diferit pentru fiecare fotografie.
Tabel 4.2. Parametri extrași pentru primele trei sesiuni de tratament a hemangiomului unui pacient
Pacient 2 Sesiunea 1 Sesiunea 2 Sesiunea 3
Număr de pixeli 374136 134631 118382
Redness 163.80 124.21 181.12
Dimensiune (cm2) 6.09 4.55 2.79
Cu datele prezentate în această formă, datele devin mult mai ușor de urmărit. În cazul
pacientului selectat, se observă o reducere semnificativă, de aproximativ 2 cm2, a
hemangiomului între sesiuni.
Totuși, în cazul parametrului redness se observă o creștere. Gravitatea situației trebuie

evaluată de medic, deoarece aceasta poate fi o simplă eroare datorată luminanței mediului în
momentul preluării imaginii.
Pentru evitarea acestei situații este recomandată încercarea menținerii condițiilor în care
sunt preluate imaginile, pe cât posibil.
Pe de altă parte, informația poate fi corectă, intensificarea culorii hemangiomului poate

fi o reacție adversă la tratament.
- 43 -
IV.2. Clasificare hemangioamelor pe baza parametrilor de culoare (redness) și
arie
Pe baza parametrilor calculați, a fost stabilit un criteriu de clasificare (bazat pe

informațiile furnizate de clinicieni) cu privire la evoluția hemangiomului. Astfel, se distring trei
cazuri:
a. Proliferarea are loc dacă oricare dintre condițiile de mai jos este îndeplinită:
o atât parametrul de culoare cât și cel de dimensiune crește cu cel puțin 6%;
o roșeața crește cu 10% și suprafața nu scade,
o aria crește cu 10% și roșeață nu scade;
b. Regresia apare dacă apare oricare dintre condițiile de mai jos:
o atât roșeața cât și aria scad cu cel puțin 6%;
o roșeața scade cu 10% și suprafața nu crește,
o dimensiunea scade cu 10% și roșeața nu crește;
c. Staționaritatea este cazul în care nu se produc schimbări semnificative, mai mari de 6%,
între sesiuni.
În baza de date pusă la dispoziție de către Spitalul Clinic de Urgență pentru copii
“Marie Sklodowska Curie” din București există date suficiente pentru calcularea ariei doar
pentru 13 pancienți din cei 28, dintre care 4 au date preluate la o singură sesiune.
Din acestea doar în 40% din cazuri se observă îmbunătățiri.
Tabel 4.3. Compararea rezultatelor obtinute cu expertiza medicului
Expertiza medicului Rezultate
Redness Dimensiune General Redness Dimensiune General

Bocu s1-s2 regres regres regres regres regres regres
s1-s3 regres regres regres regres regres regres
s2-s3 regres regres regres progres progres progres
Dumitrecu s1-s2 progres progres progres regres progres progres
s1-s3 regres regres regres progres regres regres
Grigore s1-s2 stationare stationare stationare regres regres regres
- 44 -
Lepadatu s1-s2 regres regres regres regres regres regres
Viulet_gat s1-s2 progres stationare progres regres stationare stationare
s1-s3 regres regres regres progres stationare progres
Viulet_tor s1-s2 stationare stationare stationare stationare progres progres
Tabelul 4.3 prezintă rezultatele obținute în urma comparării rezultatelor între sesiuni
conform regulilor menționate anterior. Primele rezultate reprezintă opinia medicului la control,
acestea fiind urmate de rezultatele obținute din imagini.
În cazul parametrului redness doar 18.75% din rezultate coincid. Acest lucru se
datorează condițiilor de fotografiere. Deoarece majoritatea cazurilor apar la naștere sau în
primii ani de viață și atunci sunt și tratate nu se poate vorbi despre colaborarea pacientului.
Deci, pe lânga factorul de mediu, în calitatea pozei mai este introdus un factor perturbator,
mișcarea subiectului.
Pentru parametrul dimensiune se observă o rată de succes de 77.7%. Parametrul de

dimensiune e mult mai ușor de surprins în fotografie. Erorile pot fi introduse de modificări
extreme ale unghiului de preluare a imaginii sau de acoperirea zonei de interes cu alte obiecte
(mână, riglă, etc.).
- 45 -
REZULTATE
Din punct de vedere al spațiului de culoare, cele mai concludente informații au fost
oferite de planul green-red al Lab.
Fig. 4.1 Aspectul planului a pentru diferite hemangioame
Deși, vizual, trecerea imaginilor în acest plan pare să afecteze în mod negativ calitatea
imaginilor acest pas îmbunătățește vizibil calitatea segmentării imaginilor. Acest lucru se
datorează faptului că ochiul uman percepe mai bine contrastul decat luminanța, pe când
algoritmii de prelucrare a datelor sunt sisteme obictive ce țin cont, în mod egal, de toți
parametrii.
Din același motiv imaginile par mai clare după egalizarea histogramei. Operația are
scopul de a crește contrastul, deci de a face imaginea mai adecvată pentru percepția vizuală.
Însă, la rularea algoritmului de selectare aceast proces s-a dovedit a avea, în unele cazuri, efecte
negative.
a b c d
Fig. 4.2 Testarea eficienței segmentării înainte și după egalizarea de histogramă
a)Imagine în planul a al spatiului Lab; b) Segmentarea imaginii 4.2.a; c) Imaginea 4.2.a după
egalizarea histogramei; d) Segmentarea imaginii cu histograma egalizată;
- 46 -
Deși afirmația nu este general valabilă iar operația de egalizare de histograma poate să
nu afecteze urmatoarele etape de prelucrare, nu a fost observat niciun caz în care aceasta a adus
imbunătățiri semnificative.
Diferențe se observă și între operațiile de același tip: nu toate segmentările cu prag

automat au același rezultat, lucru valabil și pentru clustering. Acest lucru depinde strict de datele
de intrare, o operație poate avea rezultate mai bune pe o imagine și rezultate inconcludente pe
o alta.
a b
Fig. 4.3 Compararea rezultatelor aplicării segmetării Kittler pe două imagini
a) Imaginile originale; b)Imagini segmentate prin metoda Kittler
Operațiile de segmentare cu selecție automată a pragului pot fi aplicate în cazul în care

imaginea ce se dorește a fi segmentată este o imagine curată, din punct de vedere al numarului
de obiecte din fundal, care cresc numărul de moduri ale histogramei. După cum a fost
demonstrat anterior, acesta este cazul în care operația în cauză are cele mai bune rezultate.
Citirea histogramei nu este o etapă obligatorie. In general, simplitatea imaginii poate fi estimată
cu ochiul liber.
Cea mai simplă metodă pentru determinarea automată a pragului de segmentare este
Otsu, deoarece este deja implementată în Matlab și este foarte ușor de apelat.
Din același considerent, pe partea de clustering Fuzzy C-means este cea mai rapidă
soluție. Totuși acesta folosește calcule mai complexe pentru categorizarea pixelilor. Spre
- 47 -
deosebire de segmentarea cu prag, unde condiția pe care trebuie să o verifice fiecare pixel este
poziția față de prag, acest tip de segmentare verifică gradul de apartenență al fiecărui vector la
fiecare clasă. Acest lucru face ca timpul de rulare să crească semnificativ. Dacă metoda Otsu
oferă rezultatul aproape instant, pentru fuzzy c-means timpul poate fi estimate la câteva minute,
crescând odată cu complexitatea fotografiei.
Prin urmare, deși operațiile de clustering s-au dovedit a fi mai eficiente, se poate folosi
o metodă mai simplă și rapidă, atunci când imaginea permite acest lucru.
Celelalte două metode discutate nu aduc îmbunătățiri față de echivalentele lor deja
implementate deja în MatLab.
- 48 -
CONCLUZII
Concluzionând, în urma studiului efectat, se poate afirma faptul că cea mai eficientă
metodă de segmentare a imaginilor implică extragerea, în etapa de preprocesare, a planului a al
spațiului de culoare Lab . Pentru segmentarea propriu zisă cea mai eficientă metodă este
clusteringul Fuzzy C-means.
Fig. 5.1 Flux de lucru pentru procesul de segmentare
În imaginea de mai sus este prezentat fluxul de lucru, fiecare imagine reprezentând o
etapă a procesului de segmentare, după cum urmează:
Prima imagine: Imaginea originală, în format RGB
A doua imagine: Reprezintă planul a al spațiului Lab
A treia imagine: Segmentarea prin metoda de clustering Fuzzy C-means
A patra imagine: Umplerea golurilor din porțiunea segmentată
Din punct de vedere al monitorizării dimensiunii hemangiomului algoritmul propus

oferă o soluție rapidă, întroducând foarte rar erori. Totuși, se obțin rezultate foarte slabe pentru
parametrul de monitorizare al roșeții hemangiomuli.
Erorile ar putea fi eliminate aproape complet dacă s-ar păstra condițiile de mediu. O
metodă eficientă ar fi folosirea blitz-ului în realizarea fotografiei, deoarece acesta ar oferi o
luminozitate similară atât atunci când imaginile sunt obținute la lumina naturală, cât și la lumină
artificială.
- 49 -
De asemenea, ar trebui să se țină cont de faptul că pentru obținerea dimensiunii leziunii
este nevoie de un instrument de scalare, cum ar fi o riglă. Tot pentru obținerea unei dimensiuni
corecte ar trebui ca aparatul de fotografiat să fie poziționat paralel cu hemangiomul (să se evite
schimbările radicale de unghi).
Pe viitor, aplicația poate fi imbunătățită, prin implementarea acesteia intr-un soft

compatibil cu sistemele de operare folosite de telefoanele mobile. Acest lucru ar permite
pacientului să monitorizeze evoluția hemangiomului acasă, prin simpla lui fotografiere.
Aplicația ar calcula parametrii fără a fi nevoie de deplasarea pacientului la spital pentru
intervenția medicului, astfel, pacientul ar putea inregistra evoluția parametrilor între sesiunile
de tratament. De asemenea, aceasta ar putea stoca datele pentru fiecare pacient în parte, ușurând
munca clinicienilor.
- 50 -
BIBLIOGRAFIE
[1] Hemangioma: Symptoms, Diagnosis, and Treatment.” Healthline, Healthline Media,

www.healthline.com/health/hemangioma#overview1.
[2] W.A. Lister, “The natural history of strawberry naevi”,Lancet, 1 (1938), pp. 1429-1434
[3] M. Jinnin, T. Ishihara, E. Boye, B.R. Olsen “Recent Progress in studies of infantile hemangioma”
J Dermatol, 37 (11) (2010), pp. 939-955
[4] C. Kilcline, I.J. Frieden “Infantile hemangiomas: how common are they? A systematic review of
the medical literature” Pediatr Dermatol, 25 (2) (2008), pp. 168-173
[5] A.N. Haggstrom, B.A. Drolet, E. Baselga, S.L. Chamlin, M.C. Garzon, et al. “Prospective study of
infantile hemangiomas: demographic, prenatal, and perinatal characteristics” J Pediatr, 150 (3) (2007),
pp. 291-294
[6] C. Léauté-Labrèze, A. Taïeb “Efficacy of beta-blockers in infantile capillary haemangiomas: the
physiopathological significance and therapeutic consequences” Ann Dermatol Venereol, 135 (12)
(2008), pp. 860-862
[7] B.G. Haik, F.A. Jakobiec, R.M. Ellsworth, I.S. JonesCapillary hemangioma of the lids and orbit:
an analysis of the clinical features and therapeutic results in 101 cases
[8] L.C. Chang, A.N. Haggstrom, B.A. Drolet, E. Baselga, S.L. Chamlin, et al.Hemangioma
investigator group. Growth characteristics of infantile hemangiomas: implications for management
[9] K.G. Chiller, D. Passaro, I.J. Frieden , “Hemangiomas of infancy: clinical characteristics,
morphologic subtypes, and their relationship to race, ethnicity, and sex” Arch Dermatol, 138 (2002),
pp. 1567-1576
[10] A.H. Jacobs “Strawberry hemangiomas: the natural history of the untreated lesion” Calif Med, 86
(1) (1957), pp. 8-10
[11] N.B. Esterly “Cutaneous hemangiomas, vascular stains and malformations, and associated
syndromes” Curr Probl Dermatol, 7 (3) (1995), pp. 65-108
[12] A.N. Haggstrom, B.A. Drolet, E. Baselga, S.L. Chamlin, M.C. Garzon, K.A. Horii, et al.
“Prospective study of infantile hemangiomas: clinical characteristics predicting complications and
treatment” Pediatrics, 118 (3) (2006), pp. 882-887
[13] A.M. Margileth, M. Museles, “Cutaneous hemangiomas in children. Diagnosis and conservative
management”
[14] “Hemangiomas - American Osteopathic College of Dermatology (AOCD).” Necrobiosis
Lipoidica Diabeticorum - American Osteopathic College of Dermatology (AOCD),
www.aocd.org/?page=Hemangiomas.
[15] Bota, Madalina, et al. INFANTILE HEMANGIOMA: A BRIEF REVIEW. Department of Pediatrics
II, Iuliu Hatieganu University of Medicine and Pharmacy, Cluj-Napoca, Romania,
www.bing.com/cr?IG=045C3192E9034337BC7E298115B8DF3D&CID=13297B74F258640C0A907
- 51 -
760F3EF659C&rd=1&h=5vXXx2K2AMb60_t4rharwbowglO7tEut5UQcGT2wmAw&v=1&r=https%
3a%2f%2fwww.researchgate.net%2fprofile%2fAlexandru_Tataru%2fpublication%2f276257512_Infa
ntile_Hemangioma_A_Brief_Review%2flinks%2f56eba1d008ae2a58dc4a4ffb.pdf%3finViewer%3d0
%26pdfJsDownload%3d0%26origin%3dpublication_detail&p=DevEx.LB.1,5068.1.
[16] Callahan, Alison B., and Michael K. Yoon. “Infantile Hemangiomas: A Review.” Saudi Journal
of Ophthalmology, Elsevier, July 2012, www.ncbi.nlm.nih.gov/pmc/articles/PMC3729453/
[17] Munden, et al. “Prospective Study of Infantile Haemangiomas: Incidence, Clinical Characteristics
and Association with Placental Anomalies.” Health Communication, Oxford PharmaGenesis, Oxford,
europepmc.org/articles/PMC4410180.
[18] Sethuraman, Gomathy, and Vamsi K Yenamandra. “Management of Infantile Hemangiomas:

Current Trends.” Journal of Cutaneous and Aesthetic Surgery.
[19] Antaya, Richard J. “Capillary Malformation Differential Diagnoses.” Background,

Pathophysiology, Etiology, 6 Dec. 2017, emedicine.medscape.com/article/1084479-differential.
[20] Han, J S, et al. “Congenital Myofibroma Mimicking an Infantile Hemangioma in an Infant.”

Advances in Pediatrics., U.S. National Library of Medicine, May 2014,
www.ncbi.nlm.nih.gov/pubmed/24891688.
[21] Bhattacharya JJ, Luo CB, Alvarez H, Rodesch G, Pongpech S, Lasjaunias PL. PHACES
syndrome: A review of eight previously unreported cases with late arterial
occlusions. Neuroradiology. 2004;46:227–33. [PubMed: 14758450]
[22] Burrows PE, Robertson RL, Mulliken JB, Beardsley DS, Chaloupka JC, Ezekowitz RA, et al.
Cerebral vasculopathy and neurologic sequelae in infants with cervicofacial hemangioma: Report of
eight patients. Radiology. 1998;207:601–7. [PubMed: 9609880]
[23] Drolet BA, Dohil M, Golomb MR, Wells R, Murowski L, Tamburro J, et al. Early stroke and
cerebral vasculopathy in children with facial hemangiomas and PHACE
association. Pediatrics. 2006;117:959–64. [PubMed: 16510684]
[24] Orlow SJ, Isakoff MS, Blei F. Increased risk of symptomatic hemangiomas of the airway in
association with cutaneous hemangiomas in a “beard” distribution. J Pediatr. 1997;131:643–
6. [PubMed: 9386676]
[25] Drolet BA, Chamlin SL, Garzon MC, Adams D, Baselga E, Haggstrom AN, et al. Prospective
study of spinal anomalies in children with infantile hemangiomas of the lumbosacral skin. J
Pediatr. 2010;157:789–94. [PubMed: 20828712]
[26] Dickie B, Dasgupta R, Nair R, Alonso MH, Ryckman FC, Tiao GM, et al. Spectrum of hepatic
hemangiomas: Management and outcome. J Pediatr Surg. 2009;44:125–33. [PubMed: 19159729]
[27] Kulungowski AM, Alomari AI, Chawla A, Christison-Lagay ER, Fishman SJ. Lessons from a
liver hemangioma registry: Subtype classification. J Pediatr Surg. 2012;47:165–70. [PubMed:
22244411]
[28] Huang SA, Tu HM, Harney JW, Venihaki M, Butte AJ, Kozakewich HP, et al. Severe
hypothyroidism caused by type 3 iodothyronine deiodinase in infantile hemangiomas. N Engl J
Med. 2000;343:185–9. [PubMed: 10900278]
- 52 -
[29]. Konrad D, Ellis G, Perlman K. Spontaneous regression of severe acquired infantile
hypothyroidism associated with multiple liver hemangiomas. Pediatrics. 2003;112:1424–6. [PubMed:
14654623]
[30] https://www.mathworks.com/
[31] Maglogiannis, and Ilias. Automated Segmentation and Registration of Dermatological Images.
Jan. 2002,
www.researchgate.net/publication/221133206_Automated_Segmentation_and_Registration_of_Derm
atological_Images.
[32] Zortea, Maciel, et al. “Automatic Segmentation of Dermoscopic Images by Iterative
Classification.” Advances in Pediatrics., U.S. National Library of Medicine, 2011,
www.ncbi.nlm.nih.gov/pmc/articles/PMC3146984/.
[32] Suh, Ki-Young, and Ilona J. Frieden. Infantile Hemangiomas With Minimal or Arrested Growth.
A Retrospective Case Series,
www.bing.com/cr?IG=1DA8D5D05C1347798CAC7E505AF58D4A&CID=12221D8FC98B632E387
1119BC855626C&rd=1&h=RiIJwde0FaP1sef3ng3vvhMAA-
ZQbtYZuadEymdBP3Q&v=1&r=http%3a%2f%2fhemangioma.cl%2fpdfs%2fHemangiomas%2520de
%2520crecimiento%2520minimo%2520o%2520ausente.pdf&p=DevEx.LB.1,5550.1.
[33] L. Lucchese, and S.K. Mitra. “Color Image Segmentation: A State-of-the-Art Survey.”
[34] Zambanini, Sebastian, et al. “Automatic Robust Registration of Cutaneous Hemangiomas for
Follow-up Examinations 1).” CiteSeerX, FWF,
citeseerx.ist.psu.edu/viewdoc/bookmark?doi=10.1.1.88.8297&site=connotea.
[35] Zambanini, Sebastian, et al. Segmentation and Surveying of Cutaneous Hemangiomas.

www.researchgate.net/publication/228899871_Segmentation_and_Surveying_of_Cutaneous_Hemangi
omas.
[36] Tim K Lee. “Automated Detection and Segmentation of Vascular Structures of Skin Lesions Seen
in Dermoscopy, With an Application to Basal Cell Carcinoma Classification - IEEE Journals &
Magazine.” Design and Implementation of Autonomous Vehicle Valet Parking System - IEEE
Conference Publication, Wiley-IEEE Press, ieeexplore.ieee.org/document/7778130/.
[37] Sathya, B, and R. Manavalan. “Image Segmentation by Clustering Methods: Performance

Analysis.”
Https://Www.researchgate.net/Publication/258493860_Image_Segmentation_by_Clustering_Methods
[38] Gonzalez, and Woods. “Color Image Processing.” Digital Image Processing, 3rd Ed,
doi:www.ImageProcessingPlace.com.
[39] Ole-Johan Skrede. Color Images, Color Spaces and Color Image Processing. Department of
Informatics The Faculty of Mathematicsand Natural Sciences University of Oslo
[40] https://en.wikipedia.org/wiki/RGB_color_space
- 53 -
[41] https://en.wikipedia.org/wiki/HSL_and_HSV
[42] https://en.wikipedia.org/wiki/CIELAB_color_space
[43] https://en.wikipedia.org/wiki/YCbCr
[44] http://forum.luminous-landscape.com/index.php?topic=37695
[45] Kemal Erdoğan, and Nihat Yılmaz. Shifting Colors to Overcome Not Realizing Objects Problem
Due to Color Vision Deficiency.
www.researchgate.net/publication/284698928_Shifting_Colors_to_Overcome_not_Realizing_Objects
_Problem_due_to_Color_Vision_Deficiency?_sg=WXcWEV12tLl84hMB8ysgl7sxiMwlZ6d24VFyAl
4ZDusXBOSjfiWaXHiw2RGxNuJb5Uo_1cNkUg.
[46] Gonzalez, Rafael C., and Richard E. Woods. Digital Image Processing. Dorling Kindersley,
2014.
[47] Wang, Yao. Contrast Enhancement. PolytechnicUniversityBrooklynNY11201 Polytechnic

University, Brooklyn, NY 11201, 2015.
[48] https://en.wikipedia.org/wiki/Adaptive_histogram_equalization
[49] Freixenet, J., et al. “Yet Another Survey on Image Segmentation: Region and Boundary
Information Integration.” SpringerLink, Springer, Dordrecht, 28 May 2002,
link.springer.com/chapter/10.1007/3-540-47977-5_27.
[50] Sezgin, Mehmet, and Bülent Sankur. “Survey over Image Thresholding Techniques and
Quantitative Performance Evaluation.” Optical Engineering, International Society for Optics and
Photonics, www.spiedigitallibrary.org/redirect/electronicimaging/article?doi=10.1117%2F1.1631315.
[51] Kittler, J., and J. Illingworth. “Minimum Error Thresholding.” Egyptian Journal of Medical
Human Genetics, Elsevier, 19 May 2003,
www.sciencedirect.com/science/article/pii/0031320386900300.
[52] Bezdek, James C., et al. “FCM: The Fuzzy C-Means Clustering Algorithm.” Egyptian Journal of
Medical Human Genetics, Elsevier, 1 Apr. 2003,
www.sciencedirect.com/science/article/pii/0098300484900207.
[53] https://en.wikipedia.org/wiki/Expectation%E2%80%93maximization_algorithm
- 54 -
ANEXE
Anexa 1- Tabel cu evoluția hemangioamelor pacienților
- 55 -
Anexa 2- funcția pentru segmentare cu prag automat Kittler
function [T, V] = kittler(I, h, g)
if ~isempty(I)
h = histc(I(:), 0:ceil(max(I(:))));
end
if nargin < 2
g = (0:(length(h)-1))';
else
g = reshape(g, [], 1);
end
C = cumsum(h);
M = cumsum(h .* g);
S = cumsum(h .* g.^2);
sigma_f = sqrt(S ./ C - (M./C).^2);
Cb = C(end) - C;
Mb = M(end) - M;
Sb = S(end) - S;
sigma_b = sqrt(Sb ./ Cb - (Mb./Cb).^2);
P = C ./ C(end);
V = P .* log(sigma_f) + (1-P).*log(sigma_b) - P.*log(P) - (1-P).*log(1-P);
V(~isfinite(V)) = Inf;
[~, idx] = min(V);
T = g(idx);
end
- 56 -
Anexa 3- funcția pentru clustering Expectation Maximization
function [mask,mu,v,p]=EMSeg(img_a,k)
img_a=double(img_a);
copy=img_a;
img_a=img_a(:);
mi=min(img_a);
img_a=img_a-mi+1;
m=max(img_a);
s=length(img_a);
h=histogram(img_a);
x=find(h);
h=h(x);
x=x(:);h=h(:);
mu=(1:k).*m./(k+1);
v=ones(1,k)*m;
p=ones(1,k)*1/k;
sml = mean(diff(x))/1000;
while(1)
prb = distribution(mu,v,p,x);
scal = sum(prb,2)+eps;
loglik=sum(h.*log(scal));
for j=1:k
pp=h.*prb(:,j)./scal;
p(j) = sum(pp);
mu(j) = sum(x.*pp)/p(j);
vr = (x-mu(j));
v(j)=sum(vr.*vr.*pp)/p(j)+sml;
end
- 57 -
p = p + 1e-3;
p = p/sum(p);
prb = distribution(mu,v,p,x);
scal = sum(prb,2)+eps;
nloglik=sum(h.*log(scal));
if((nloglik-loglik)<0.0001) break; end;
clf
plot(x,h);
hold on
plot(x,prb,'g--')
plot(x,sum(prb,2),'r')
drawnow
end
mu=mu+mi-1;
s=size(copy);
mask=zeros(s);
for i=1:s(1),
for j=1:s(2),
for n=1:k
c(n)=distribution(mu(n),v(n),p(n),copy(i,j));
end
a=find(c==max(c));
mask(i,j)=a(1);
end
end
function y=distribution(m,v,g,x)
x=x(:);
m=m(:);
v=v(:);
g=g(:);
- 58 -
for i=1:size(m,1)
d = x-m(i);
amp = g(i)/sqrt(2*pi*v(i));
y(:,i) = amp*exp(-0.5 * (d.*d)/v(i));
end
- 59 -
Anexa 4-funcția pentru trecerea unei imagini din RGB în spațiul Lab, și extragere a
celor trei planuri
sR=I(:,:,1);
sG=I(:,:,2);
sB=I(:,:,3);
var_R=(double(sR)/255);
var_G=(double(sG)/255);
var_B=(double(sB)/255);
[M,N]=size(I);
if(var_R>0.04045)
var_R=((var_R +0.055 )/1.055).^2.4
else
var_R=var_R/12.92
if(var_G>0.04045)
var_G=((var_G+0.055)/1.055 ).^2.4
else
var_G=var_G/12.92
if(var_B>0.04045)
var_B=((var_B+0.055)/1.055).^2.4
else
var_B=var_B/12.92
end
end
end
var_R=var_R*100;
var_G=var_G*100
var_B=var_B*100
X=var_R*0.4124+var_G*0.3576+var_B*0.1805;
Y=var_R*0.2126+var_G*0.7152+var_B*0.0722;
Z=var_R*0.0193+var_G*0.1192+var_B*0.9505;
var_X=X/94;
- 60 -
var_Y=Y/100;
var_Z=Z/122.638;
if(var_X>0.008856)
var_X=var_X.^(1/3)
else
var_X=(7.787*var_X)+(16./116);
if (var_Y>0.008856)
var_Y=var_Y.^(1/3)
else
var_Y=(7.787*var_Y)+(16/116);
if (var_Z>0.008856) var_Z=var_Z.^(1/3)
else
var_Z=(7.787*var_Z)+(16/116);
end
end
end
L=(116*var_Y)-16;
a=500*(var_X-var_Y);
b=200*(var_Y-var_Z);
img_lab=cat(3,L,a,b);
img_l=img_lab(:,:,1);
img_a=img_lab(:,:,2);
img_b=img_lab(:,:,3);
- 61 -
Anexa 6- Codul pentru verificarea parametriclor și clasificarea hemangioamelor
#include <stdio.h>
int main()
{
float dim_ini= 0.78;

float dim_fin= 3.03;
float redness_ini= 90.33;
float redness_fin= 158.49;
if (redness_ini<redness_fin)
printf("Redness creste");
else printf("Redness scade");
if (dim_ini<dim_fin)
printf("Dimensiunea creste");
else printf("Dimensiunea scade");
if ((1.06*redness_ini<redness_fin)& (1.06*dim_ini<=dim_fin))
printf("Proliferare");
else if ((1.06*redness_ini>redness_fin )& (1.06*dim_ini>dim_fin))
printf("Remisie");
else printf("Stationaritate" );
return 0;
}
- 62 -
Anexa 5- Funcția pentru calculul parametriclor arie și redness
img_mask=imread(masca.jpg');
img_a=imread('Lepadatu_s1.jpg');
img_mask=double(img_mask);
img_a=double(img_a);
[m n]=size(img_mask);
val=0;
num_pix=0;
for i=1:m
for j=1:n
if img_mask(i,j)==255
val=val+img_a(i,j);
num_pix=num_pix+1;
end
end
end
redness_L1=val/num_pix;
Arie_L1=num_pix;
- 63 -

Segmentarea Automata A Hemangioamenlor Din Imagini Clinice

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Segmentarea Automata A Hemangioamenlor Din Imagini Clinice

Încărcat de

Drepturi de autor:

Formate disponibile

Universitatea Politehnica Bucureşti

Facultatea de Inginerie Medicală

Domeniul Științe Inginerești Aplicate

Specializarea Echipamente și sisteme medicale

din imagini clinice

Conf. Dr. Ing. Alina-Elena SULTANA Andreea Negoie

I.2. Justificare medicală

Hemangioamele infantile reprezintă cel mai frecvent tip de tumori benigne, cu o

Ipoteza patogenezei susține ideea că hemangioamele se dezvoltă prin hiperplazie celulară

Fig. 1.2 Stadiile de vindecare a hemangioamelor în timp

Hemangioamele cutanate superficiale progresează secvențial prin următoarele etape:

I.3. Evaluarea pre-tratament

Majoritatea cazurilor de hemangiom infantil pot fi diagnosticate clinic, dar studiile

Hemangioamele pot fi asociate cu hemangiomatoza viscerală, localizarea leziunilor

Odată ce a fost luată o decizie pentru a trata hemangiomul, investigațiile înainte de

Hemangiomul este întâlnit și la alte specii. Macroscopic, hemangiomul apare ca o tumoră

I.4 Mediul MatLab

Programul integrează funcții de analiză numerică, calcul vectorial, calcul matricial,

Image Processing Toolbox, biblioteca cu funcții pentru prelucrarea imaginilor

II.1. Stadiul actual

Mai multe abordări pentru prelucrarea imaginilor cu caracter dermatologic au fost

Pentru segmentarea melanoamelor se utilizează adesea o operație de segmentare cu

Pentru segmentarea alunițelor, în lucrarea publicată de Tim K. Lee [36], se propune

Sathya și Manavalan [37] studiază efectul algoritmilor de clustering asupra imaginilor,

Aceste metode nu sunt potrivite în totalitate pentru segmentarea imaginilor clinice

În cazul hemangioamelor, Sebastian Zambanini [34, 35] propune segmentarea

II.2. Etapa de preprocesare

Obiectivele principale ale preprocesării imaginilor inainte de segmentarea acestora sunt

Imaginile colorate pot fi reprezentate printr-o funcție de intensitate C(x,y,λ), dependentă

Raspunsul luminozității unui observator uman la o imagine va fi, prin urmare:

unde V (λ) este factorul de răspuns al ochiului uman la frecvența λ.

65% din conuri sunt sensibile la roșu

prin urmare, au trei funcții de reacție la luminozitate:

Spațiile de culoare se referă la un sistem de coordonate de culoare în care fiecare

a. RGB (roșu, verde,albastru)

Fig. 2 .1 Reprezentare 3D a spațiului de culoare RGB

b. HSV (nuanță, saturație și luminozitate)

c. Lab este cel mai uniform spațiu de culoare

Fig. 2.3 Reprezentare 3D a spațiului de culoare Lab

Fig. 2.4 Reprezentare 3D a spațului de culoare YcbCr

d. XYZ este cunoscut ca format primar

II.1.1 Alegerea spațiului de culoare

Primul pas pentru scrierea algoritmului de segmentare a imaginilor este stabilirea

II.2.1 Transformări punctuale

Transformările punctuale modifică fiecare pixel al imaginii inițiale conform unei

Transformarea putere [46] poate fi dată de expresia:

unde M este numărul de nivele de gri, u imaginea original și r puterea.

II.2.2 Egalizarea de histogramă

b) Imagine după egalizarea histogramei

III.1. Procesarea imaginilor

Procesarea imaginilor este o metodă de efectuare a unor operații pe o imagine, pentru a

Un sistem obiectiv de monitorizare și evaluare automată

În procesarea imaginilor, segmentarea imaginii este procesul de împărțire a unei imagini

III.2. Tehnici de segmentare cu selecție automată a pragului

II.2.1 Metoda Otsu

Aceasta se calculează după formula:[50]

Unde probalilitatea fiecărei clase poate fi scrisă ca:

𝑞1 (𝑡) = ∑𝑡𝑖=1 𝑃(𝑖) (3.2)

𝑞2 (𝑡) = ∑𝐼𝑖=𝑡+1 𝑃(𝑖) (3.3)

Iar media claselor este dată de ecuațiile:

Astfel, varianța individuală a fiecarei clase poate fi scrisă ca:

Pentru alegerea pragului se calculează valorile parametrilor pentru fiecare valoare a

Fig. 3.2 a) Imagine cu hemangiom; b) Imagine segmentată prin metoda Otsu;

V = P .* log(sigma_f) + (1-P).log(sigma_b) - P.log(P) - (1-P).*log(1-P);