Irregularidad del borde

A continuación se presentan los resultados de los descriptores propuestos para lograr una estimación de la irregularidad del borde de la lesión.

6.3.6.1. Circularidad

Ejemplo 1 Ejemplo 2 Ejemplo 3 Ejemplo 4

Seg. Automática 0,52 0,21 0,15 0,14

Seg. Semi-automática 0,61 0,41 0,28 0,28

Cuadro 6.11: Cálculo de circularidad

Independientemente del método de segmentación utilizado, aquellas imágenes ana- lizadas que corresponden a lesiones benignas dieron como resultado un valor de cir- cularidad mayor que aquellas diagnosticadas como melanomas. Teniendo en cuenta este resultado, se puede inferir que los ejemplos 3 y 4 presentan un borde considera- blemente mas irregular que los otros dos puesto que este indicador tiende a un valor de 1 cuando la región mas se asemeja a un círculo.

6.3.6.2. Box Counting

Otro indicador que puede utilizarse para medir la irregularidad del borde de la lesión es la dimensión fractal mediante la cual se puede lograr una estimación del grado de complejidad del límite de la lesión. En este trabajo se utiliza el algoritmo de

Box Counting que cuenta el número de cuadrados (boxes) de lado r (en píxeles) necesarios para cubrir el borde la lesión, siendo el borde de 1 píxel de ancho en una imagen binarizada (borde negro sobre fondo blanco). A continuación, se presentan los resultados obtenidos de la dimensión fractal para cada ejemplo. En todos los casos se repitió el proceso paraboxes de lador=2 hastar=128 píxeles. Los cálculos se realizaron teniendo en cuenta la región segmentada por cada uno de los métodos. La Tabla 6.12 muestra los resultados obtenidos para la imagen del ejemplo 1 para cada valor de r y el valor D de la dimensión fractal calculada.

r=2 r=3 r=4 r=6 r=8 r=12 r=16 r=32 r=64 r=128 D

Seg. Automática 1066 696 524 336 260 167 122 57 27 13 1,0624 Seg. Semi-automática 969 657 478 319 232 154 111 53 26 12 1,0579

Cuadro 6.12: Dimensión fractal - Ejemplo 1

Como puede observase, en el caso del ejemplo 1 se obtuvieron valores deD similares en cada región segmentada por cada técnica.

r=2 r=3 r=4 r=6 r=8 r=12 r=16 r=32 r=64 r=128 D

Seg. Automática 1735 1096 781 473 339 208 145 64 28 14 1,1761 Seg. Semi-automática 1323 885 627 405 295 184 138 61 28 14 1,1097

En la Tabla 6.13 se muestran los resultados obtenidos sobre el análisis de la imagen del ejemplo 2. Se observa una mayor complejidad sobre el borde de la lesión segmen- tada por el método automático. Esto se debe a que en la etapa de segmentación, éste método seleccionó la región con un borde de lesión de mayor irregularidad que el logrado medianteRegion Growing.

Comparando los resultados de D obtenidos en el análisis de la imagen del ejemplo 1 y los logrados en la imagen del ejemplo 2, se evidencia una mayor complejidad de borde en este último caso lo cual es notoriamente visible observando dichas imágenes segmentadas.

r=2 r=3 r=4 r=6 r=8 r=12 r=16 r=32 r=64 r=128 D

Seg. Automática 686 434 323 191 139 83 61 23 9 4 1,2537 Seg. Semi-automática 526 346 255 170 122 72 55 23 9 4 1,2016

Cuadro 6.14: Dimensión fractal - Ejemplo 3

La Tabla 6.14 muestra los resultados obtenidos para el ejemplo 3. Se puede observar claramente el mayor valor deD en el análisis de esta lesión maligna comparados con los resultados obtenidos en los ejemplos 1 y 2.

r=2 r=3 r=4 r=6 r=8 r=12 r=16 r=32 r=64 r=128 D

Seg. Automática 1392 873 630 384 266 162 114 52 25 11 1,1680 Seg. Semi-automática 1058 688 506 327 239 147 106 49 23 11 1,1073

Cuadro 6.15: Dimensión fractal - Ejemplo 4

Finalmente, en la Tabla 6.15 se muestran los valores obtenidos en el ejemplo 4. Si bien la imagen pertenece a una lesión maligna se observa que los valores D, si bien son mayores a los obtenidos en el ejemplo 1, están por debajo de los valores de complejidad del ejemplo 2, lo que verifica la utilidad de lograr diferentes indicadores que puedan complementarse y combinarse para aportar información que ayude a tomar decisiones correctas.

En primer lugar, cabe destacar que se han alcanzado con éxito los objetivos plan- teados pudiendo aplicar los conocimientos adquiridos durante la carrera en una herramienta que se propone dar soporte al proceso de diagnóstico de enfermedades en la piel del ser humano.

En una disciplina en la que, con respecto a otras, poco se ha avanzado en la aplicación de estándares e incorporación de imágenes digitales en la etapa de diagnóstico [66], la solución desarrollada ha permitido demostrar la viabilidad del uso de técnicas de procesamiento de imágenes para brindar al profesional médico la cuantificación de diferentes características en base a procedimientos médicos existentes.

Se incluye además, el uso de estándares actuales de transmisión y almacenamiento de información médica como DICOM y HL7 y comunicación con PACS. También brinda un método de registro de ubicación de cada lesión en el paciente y una interfaz de visualización de información para el seguimiento histórico del caso de estudio. Por todo esto, se ha podido demostrar la factibilidad de poder contar con un sistema capaz de ser utilizado como soporte para la detección en etapa temprana de enfermedades graves como el melanoma.

Las decisiones de diseño adoptadas han podido facilitar de manera simple, tanto la inclusión en un futuro de nuevos algoritmos de procesamiento de imágenes como así también la eventual actualización de los protocolos de comunicación con EMR y

PACS.

Si bien en este trabajo se han propuesto y desarrollado métodos automáticos y semiautomáticos de segmentación de la región de la piel a analizar, se ha compro- bado que esta etapa es sumamente dependiente de la subjetividad y experiencia del profesional médico.

A partir de la interacción con un profesional de la materia durante el desarrollo de este trabajo, se han podido evaluar sus necesidades e integrar cada una de ellas a la herramienta. Debido a la baja disponibilidad en nuestro país y el alto de costo de sistemas de asistencia al diagnóstico en el área de la dermatología, el profesional se ha mostrado interesado en este tipo de tecnologías y ha podido evaluar la utilidad de las técnicas de procesamiento de imágenes implementadas.

Como se mencionó anteriormente, en la Sección 9.4 del Apéndice se incluye un comentario realizado por el profesional.

En este capítulo se analizan los puntos que fueron quedando a modo de discusión durante el desarrollo de esta tesis, los cuales podrían dar lugar a trabajos futuros.

A partir del trabajo realizado, considerando la gran variabilidad de imágenes respecto a la toma de la fotografía, se concluye que es necesario establecer un protocolo de captura de las imágenes donde se definan las condiciones están- dar para obtener cada una de éstas. Esto involucra definir métricas de calidad y tamaño de las imágenes, algoritmos de compresión utilizados, tipo y pará- metros del dispositivo de captura como por ejemplo la distancia al objetivo, características del sensor fotográfico y condiciones de iluminación, entre otras. A diferencia de otras especialidades médicas que utilizan el diagnóstico por imagen, en dermatología ésta es una etapa fundamental que a nivel global todavía se encuentra en discusión y necesita ser desarrollada.

Teniendo en cuenta que los algoritmos de segmentación o de extracción de características pueden verse afectados por la presencia de vello en el área de la lesión, y por esta razón la presencia de vello en las imágenes debe ser evita- da, sería interesante desarrollar un esquema de preprocesamiento de imágenes para la remoción de vello en los casos en éste se presente en forma de lineas finas. Si bien los píxeles que representan la piel detrás del vello no pueden ser recuperados, se podría aplicar alguna técnica de interpolación para reemplazar dichos valores. De esta manera, se introduciría una mejora desde el punto de vista práctico disminuyendo la posibilidad de una remoción manual de vello en el área de la lesión. Desde el punto de vista de implementación, la aplica- ción cuenta con una interfaz para la aplicación de filtros, con lo cual bastaría implementar el algoritmo correspondiente.

Se propone también profundizar en la investigación y aplicación de nuevos algoritmos y métodos de procesamiento enfocados específicamente en el análisis de imágenes dermatológicas, tanto para la etapa de segmentación como para la de extracción de características. De esta manera, se podrían obtener resultados comparativos que permitan determinar cuales son los mas eficientes y efectivos. Sería útil poder contar con mas casos de imágenes ya diagnosticadas y poder analizarlas para obtener mayor precisión en los resultados que se obtienen de cada algoritmo implementado. Esto generaría un mayor numero de observa- ciones, lo cual ayudaría a obtener conclusiones mas certeras.

Con la arquitectura propuesta, sería simple introducir en la aplicación el desa- rrollo de nuevos métodos basados en otras técnicas de diagnóstico clínico como

pueden ser el método de scoring de Menzies, el checklist de 7 de puntos o el

checklist de 3 puntos, entre otros.

Sería de utilidad además, poder incluir en la aplicación la posibilidad de dar so- porte enDICOM a las coordenadas de mapeo de la lesión en el cuerpo humano. Con esto, otra instancia de la aplicación podría recuperar esta información y visualizar la ubicación de la lesión sin necesidad de configurar un acceso a una base de datos compartida, lo que podría recaer en costos de infraestructura de red y comunicaciones. Para lograr lo anterior sería necesario especificar un mecanismo de estandarización y definición detags privados dentro del formato de archivoDICOM.

Otra mejora que podría realizarse es la actualización del protocolo de co- municación entre la herramienta CAD y el EMR convirtiendo la mensajería utilizada en formato HL7 versión 2 a la versión 3 actual del estándar la cual está basada en sintaxisXML.

Como se ha mencionado, la finalidad de este trabajo es demostrar la vialidad de una herramienta CAD siguiendo un modelo de arquitectura de estándares actuales dentro del ámbito de la informática médica, en una disciplina donde el diagnóstico es en mayor medida visual pero que a excepción de la telederma- tología, las imágenes digitales no han sido utilizadas para fines de diagnóstico sino para evidenciar casos especiales o con fines educativos. Teniendo en cuenta lo anterior, este trabajo se presenta como disparador inicial hacia una mayor explotación de esta rama del procesamiento de imágenes, pero sería necesaria la investigación de manera interdisciplinaria con profesionales médicos del área con el propósito de obtener los parámetros apropiados y configuración de las funciones que realizan los cálculos de descriptores para que de esta manera, se puedan lograr avances importantes que den utilidad para el uso práctico en los casos reales.

El trabajo realizado en esta tesis se relaciona en algunos puntos con un pro- yecto de colaboración en progreso entre investigadores del instituto INTIA e investigadores del Barcelona Perceptual Computing Laboratory de la Univer- sidad de Barcelona. Se espera que en el futuro se pueda aprovechar parte del conocimiento generado durante el desarrollo de esta tesis en dicho proyecto.

9.1.

Obtención de Imágenes

A continuación se describen métodos de obtención de imágenes como información adicional a los mencionados anteriormente.

9.1.1.

Rayos X

La tecnología de rayos X utiliza radiación electromagnética para producir las imá- genes. Un generador de rayos X emite un haz de rayos X homogéneo que es enviado hacia un área del cuerpo en particular. La emisión de rayos que atraviesa la zona del cuerpo sometido a exploración impresiona una película fotográfica. Cuantos más rayos X lleguen a la película más la impresionarán y más negra se verá. Los tejidos como el hueso que no dejan pasar los rayos X (son radio opacos) se ven de color blanco en la radiografía y tejidos como el pulmonar cuyo contenido es mayormente aire, dejará pasar casi toda la radiación (es radio transparente) y en la radiografía se verá de color negro. A estas diferencias de coloración se las denominan densida- des radiológicas, y permiten a los médicos interpretar las imágenes que se ven en las radiografías. Existen medios de contraste, (sustancia administrada oralmente o inyectada por vía intravenosa al paciente) que son radio opacos y se utilizan para rellenar cavidades, como el esófago, el estómago, las vías urinarias o los vasos san- guíneos, y poder visualizarlos en la radiografía, ya que de otra forma serían radio transparentes y no podrían ser representados con detalle en la imagen [24].

9.1.2.

Tomografía Computada

La tomografía computada (CT) es un procedimiento de diagnóstico por imágenes que utiliza una combinación de radiografías y software para obtener imágenes de cortes transversales del cuerpo, tanto horizontales como verticales. La tomografía computada permite obtener imágenes de cualquier parte del cuerpo, incluidos los huesos, músculos, órganos, y vasos sanguíneos, permitiendo visualizar mas detalles que las radiografías estándar.

En los rayos X estándar, se dirige un rayo de energía a la parte del cuerpo que se está estudiando y una placa situada detrás de la zona del cuerpo captura sus

variaciones después de que éste pasa a través de la piel, el hueso, el músculo y otros tejidos. Aunque puede obtenerse mucha información de los rayos X regulares, no pueden obtenerse muchos detalles de los órganos internos y otras estructuras. En la tomografía computada en cambio, el haz de rayos X se mueve en círculo alrededor del cuerpo permitiendo tener vistas diferentes del mismo órgano o estructura, y proporcionando muchos más detalles. Adicionalmente, la información de los rayos X es enviada a una computadora para su interpretación y los presenta en forma bidimensional en un monitor, aunque la tecnología y software más modernos hacen posible la obtención de imágenes en 3D.

Entre los avances tecnológicos de las tomografías computadas se encuentran los siguientes: Tomografía computada de alta resolución, Tomografía computada heli- coidal o espiral, Tomografía computada ultra rápida (también llamada tomografía computada de haz electrónico), Angiografía por tomografía computada (CTA), y combinación de Tomografía computada y Tomografía por emisión de positrones combinadas (PET/TC) [24].

9.1.3.

Resonancia Magnética

La resonancia magnética (MRI) es otra de las técnicas no invasivas para tomar foto- grafías del cuerpo. A diferencia de la tomografía computada y los rayos X, los cuales utilizan radiación electromagnética, la resonancia magnética utiliza potentes imanes y ondas de radio para construir las imágenes. Una resonancia es útil para detectar el estadio de un melanoma o detectar metástasis, particularmente en el cerebro o la médula espinal. Algunos exámenes, pueden requerir un medio de contraste que pue- de ser suministrado al paciente por vía intravenosa. El contraste ayuda al radiólogo a ver determinadas áreas con mas claridad [67].

9.1.4.

PET

Es una técnica que utiliza una sustancia radioactiva para detectar enfermedades en el cuerpo. A diferencia delMRI y escaneo porCT, los cuales revelan la estructura de los órganos, el escaneo porPET muestra como funcionan tanto los órganos como los tejidos. Esta técnica ha demostrado ser útil tanto en la visualización de metástasis cuando se desconoce su localización en el cuerpo, como para determinar el estadio del melanoma, y buscar tumores de aparición recurrente. Además, es considerada mas sensible que el escaneo por CT para visualizar pequeños tumores [68].