Documente Academic
Documente Profesional
Documente Cultură
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]
-2-
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.
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]
-3-
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.
(�) �𝑃 (� )
𝐼
(3.5)
2
𝜇2(𝑡) = ∑�=�+1
�
(�)
Astfel, varianța individuală a fiecarei clase poate fi scrisă ca:
2 � 2 𝑃 (� ) (3.6)
𝜇1(𝑡)]
2 𝐼 2 𝑃 (� ) (3.7)
𝜇2(𝑡)]
Pentru alegerea pragului se calculează valorile parametrilor pentru fiecare valoare a
-4-
�
luminanței ( tє(0,255)) și se alege valoarea pentru care 𝜎 2 (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:
-5-
a b
a b
Fig. 3.3 a) Imagine cu hemangiom; b) Imagine segmentată prin metoda Otsu;
Însă ulititatea acestui tip de segmentare scade pentru imaginile cu histogramă mai
complexă.
-6-
Fig. 3.5 Imaginea 3.4.a segmentată prin metoda Otsu după egalizarea histogramei
Imagine_gri=rgb2gray(imagine_originală);
Nivel_otsu=graythresh(imagine_gri);
Imagine_segmentată=im2bw(imagine_gri, nivel_otsu);
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.
-7-
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.
1 �
(3.8)
�1 = ∑�=0 ℎ�
𝑛2
1 �
𝜇1 = 2
∑ (3.9)
𝑛 �1 �=0
1 � 2 (3.10)
1
= ∑ �=0 ℎ
2
𝜎 𝑛 2�
�
1 2
pentru pixelii din intervalul cuprins
În mod similar se calculează parametrii p2, 𝜇2,
𝜎2
între t+1 și N.
iii. Se reestimează pragul t conform formulei:
�+√�2−��
𝑡=[ ] (3.11)
- 30 -
Unde A, B și C sunt coeficienții din probabilitatea densității distribuției Gaussiene:
1 1
�= − (3.12)
𝜎2 𝜎2
1 2
- 31 -
𝜇1 𝜇2
�= − (3.13)
1 2
𝜎2 𝜎2
𝜇1 𝜇2 2� 2
� = 𝜎1−2 + (3.14)
���2 2 2 2
𝜎1 𝜎 𝜎2 �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.
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.
- 32 -
a b c
Fig. 3.7 a) Imaginea RGB; b) Planul a al imaginii; c) Imaginea segmentată prin metoda Kittler
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
Fig. 3.8 a) Imaginea RGB; b) Planul a al imaginii; c) Imaginea segmentată prin metoda Kittler
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.
- 33 -
III.3 Tehnici de clustering
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
- 34 -
bariere se va
- 35 -
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.
1
𝑚−1
(
1 (3.15)
)
𝜇�� = (𝑥�−𝜇�) 1
𝑚−1
2
1
∑𝐾 ( )
�=1 (𝑥 −𝜇 )2
� �
∑�𝑁=1 𝜇��
𝑚�
�
𝑁
∑
𝑚 (3.16)
𝜇
𝜇� = �=1
��
- 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.
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
img_filled=imfill(img_fcm,'holes')
Fig. 3.10 Efectul funcțiti imfill asupra imaginii segmentate
- 35 -
a b
Fig. 3.11 a) Imagine RGB; b) Imagine după segmentarea Fuzzy C-means
a b
Fig. 3.12 a) Imagine RGB; b) Imagine după segmentarea Fuzzy C-means
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
- 36 -
segmentare:
- 37 -
- 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;
- 38 -
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.
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
- 39 -
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]
a b
c d
Fig. 3.15 a,c) Imagini segmentate cu FCM; b,d) Imagini segmentate cu EM;
- 40 -
Imaginile aflate pe prima coloană au fost segmentate cu fuzzy c-means iar cele
alăturate folosind expectation maximization.
- 41 -