IMAGE PROCESSING TOOLBOX DE MATLAB

MATLAB es un lenguaje de alto nivel con un entorno interactivo para el cálculo numérico, la visualización y la programación. Mediante MATLAB, es posible analizar datos, desarrollar algoritmos y crear modelos o aplicaciones. El lenguaje, las herramientas y las funciones matemáticas incorporadas permiten explorar diversos enfoques y llegar a una solución antes que con hojas de cálculo o lenguajes de programación tradicionales [75].

MATLAB se puede utilizar en una gran variedad de aplicaciones, tales como procesamiento de señales y comunicaciones, procesamiento de imagen y video, sistemas de control, pruebas y medidas, finanzas computacionales y biología computacional [75].

Para el desarrollo de este trabajo fue empleada la herramienta Image Processing Toolbox la cual proporciona un conjunto completo de algoritmos, funciones y aplicaciones de referencia estándar para el procesamiento, el análisis y la visualización de imágenes, así como para el desarrollo de algoritmos. Puede llevar a cabo análisis de imágenes, segmentación de imágenes, mejora de imágenes, reducción de ruido, transformaciones geométricas y registro de imágenes [75].

A continuación se mencionan las funciones más representativas empleadas en el presente trabajo, así como algunos conceptos básicos en el procesamiento de imágenes:

28 Ruido. Todas las imágenes tienen cierta cantidad de ruido, la cual se puede deber a la cámara o al medio de transmisión de la señal. Generalmente el ruido se manifiesta como píxeles aislados que toman un nivel de gris diferente al de sus vecinos [76].

Representación de imágenes:

En MATLAB una imagen en formato de color RGB (red, green y blue) es representada por tres matrices bidimensionales, correspondientes a los planos R, G y B (Figura 3.20):

Figura 3.20 Imagen en formato RGB.

Píxel: Elemento básico de una imagen (picture element) (Figura 3.20). Intensidad: Valor contenido dentro de un pixel (Figura 3.21).

Figura 3.21 Pixel e intensidad.

Tamaño de una imagen: Es el número total de pixeles por los que está compuesta una imagen. Lectura de imágenes:

>> Imagen = imread (‘imagen.jpg’)

29 La imagen a leer debe encontrarse en la carpeta de trabajo de Matlab. Los formatos de imagen compatibles por Matlab se encuentran en la Tabla 3.3:

Tabla.3.3 Formatos de imagen. FORMATO EXTENSIÓN TIFF .tiff JPEG .jpg GIF .gif BMP .bmp PNG .png XWD .xwd

Conversión de una imagen en formato RGB a escala de grises: >> Imgray = rgb2gray(Imagen)

Esta función convierte la imagen RGB representada en tres matrices a un solo arreglo bidimensional con pixeles de diferente intensidad luminosa (Figura 3.22).

Figura 3.22 Imagen en escala de grises.

Visualización de imágenes: >>imshow(Imgray)

Después de haber realizado un procesamiento a una imagen, es necesario desplegar el resultado obtenido, la función imshow(variable) permite desplegar la imagen en una ventana en el ambiente de trabajo de MATLAB con 256 niveles de gris por defecto.

Binarización de imágenes:

>> Imbw = im2bw (Imgray, rango)

Una imagen binaria es una imagen en blanco y negro en la cual cada pixel puede tener solo uno de dos valores posibles 1 ó 0. La forma más común de generar imágenes binarias es mediante la utilización de un valor umbral, en el rango de 0 a 1, de una imagen a escala de grises; es decir se elige un valor límite (o bien un intervalo) a partir del cual todos los valores de intensidades mayores

30 serán codificados como 1 mientras que los que estén por debajo serán codificados a cero (Figura 3.23.

Figura 3.23 Imagen binarizada.

ROI: Por sus siglas en ingles Region Of Interest (Región de interés). Recorte de imágenes:

>> Ico = imcrop (Imbw)

>> Ico = imcrop (Imbw, [xmin ymin ancho alto]

Para recortar un sección de cualquier imagen se utiliza el comando imcrop. Para seleccionar la región a cortar, simplemente se presiona el botón derecho del ratón para formar un rectángulo sobre la región de interés. También es posible seleccionar de forma no interactiva especificando las coordenadas y dimensiones del rectángulo (Figura 3.24).

31 Máscaras:

Una máscara es un área que se utiliza para proteger, excluir, limitar el contenido de una imagen del resto y es una imagen binaria. En MATLAB es posible crear una máscara a partir de una ROI dibujada a mano alzada empleando los siguientes comandos (Figura 3.25):

>> Ifh = imfreehand (Ibw) >> M = createMask (Ifh)

Figura 3.25 Creación de una máscara.

Multiplicación de imágenes: >> M1 = Ig.*uint8(M(:,:,1));

Esta función multiplica cada elemento de la matriz A por los elementos correspondiente de la matriz B y devuelve el producto de los elementos correspondientes en una matriz de salida C. Para realizar esta operación es necesario que las imágenes a multiplicar sean de las mismas dimensiones (Figura 3.26).

32

4. Marco Metodológico

4.1. INFRAESTRUCTURA

1. Equipo de imagen preclínica para la obtención de imágenes moleculares in vivo Xtreme, con las modalidades de adquisición: radioisotópicas, fluorescencia/bioluminiscencia, Cerenkov y de Rayos X. Todas las imágenes se adquirieron con los siguientes parámetros:

Tabla 4.1 Parámetros de adquisición.

Modalidad radioisotópica Modalidad rayos X Pantalla fosforescente Tiempo: 5 min Pantalla radiográfica Energía: 45 kVp Corriente: 497 µA Filtro de aluminio de 0.8 mm Campo de visión: 12.5 cm, Binnig: 1x1

2. Laboratorio con equipo necesario para la síntesis radioquímica (licencia para el manejo de

99m_{Tc: Laboratorio de Radiofármacos, ININ). Instalación de cultivo celular clase A}

acondicionada y con permiso para realizar estudios de biodistribución en animales y manejo de residuos biológico-infecciosos.

3. Laboratorio para el cultivo y manejo de líneas celulares de cáncer (ININ).

4. Los ratones empleados en la investigación fueron ratones hembras de la línea BALB/c, atímicos nu/nu y se compraron en el Instituto Nacional de Ciencias Médicas y Nutrición Salvador Zubirán.

5. Los algoritmos realizados en este proyectos se desarrollaron con el software MATLAB® R2012a.

33 4.2. MEDICIÓN DE TAMAÑO DEL POZO

Para conocer el tamaño en pixeles del pozo que contenía a las diferentes actividades de 99m_{Tc, se}

tomó una imagen de rayos X de la placa de pozos (Figura 4.1), a continuación se creó un algoritmo de análisis de imágenes, con el que por medio de la función imfindcircles se detectaron los círculos contenidos en la imagen, con la función median se calculó el promedio del radio en pixeles de los círculos detectados, dicho valor se empleó para realizar el cálculo de los factores de dispersión y de calibración que son descritos más adelante. El diagrama de flujo de este algoritmo se muestra en la Figura 4.2.

Figura 4.1 Imagen de RX de la placa de pozos.

34 Halo