Sub-segmentación de microcalcificaciones en una imagen

En el ejemplo que se presentó en apartado anterior se propuso que el número de regiones en las que se segmentaría la imagen fuera dos ya que, lo que se pretendía con ese ejemplo, era mostrar el funcionamiento del algoritmo empleando el enfoque de la sub-segmentación. En principio se podía pensar que lo único que interesaba de la imagen era separar la gota del fondo, aunque se observó que en esa imagen existía información que podía ser de interés, por lo que se hizo un análisis más profundo para identificar esas posibles regiones y mostrar, de una manera ilustrativa, los beneficios de la sub- segmentación, además de poder apreciar la diferencia con la segmentación clásica. Para este nuevo ejemplo se tiene un objetivo más específico al tratarse de una aplicación real. El objetivo es obtener, mediante la sub-segmentación, las regiones que correspondan a microcalcificación que, en este caso, van a corresponder a los datos atípicos de la región que se le llamará región sospechosa SRP1, mientras que a la otra región se le llamará tejido sanoSRP2. Como ya se mostró en la segmentación de las microcalcificaciones en las imágenes ROI aplicando los algoritmosk-means y FCM en las respectivas subsecciones,

uno de los principales inconvenientes al que se enfrentan estos algoritmos es el nivel de agrupación para encontrar las regiones correspondientes a microcalcificaciones. Con la sub-segmentación se pretende demostrar que, por medio de un valor pequeño de agru- paciones y un valor de umbral definido por el usuario, es posible encontrar las regiones correspondientes a microcalcificaciones presentes en una imagen ROI, solucionando así el inconveniente de la segmentación clásica por algoritmos de agrupamiento tipok-means

y FCM. La Figura4.34muestra una imagen ROI a la que se le aplicará el algoritmo pre- sentado en la subsección4.4.2.

Las condiciones iniciales para aplicar la sub-segmentación a la imagen ROI mostrada en la Figura4.34son:

Número de regiones en las que se va a dividir la imagen,K=2.

Valor inicial de los centros para el FCM: seleccionados de forma aleatoria. Tipo de distancia: euclídea.

Figura 4.34:Imagen ROI original. Valor de umbralα=0,1.

Valor de toleranciaε=0,001

De igual manera que con la imagen del ejemplo anterior, el conjunto de datos X se construye haciendo un mapeo de la imagen con los valores de intensidad de nivel de gris, obteniendo un vector columna de dimensiones (R∗ C)× 1, donde R,C, son las dimensiones de la imagen en píxeles que para esta imagen son, 256×256. Por lo tanto tenemos un vector con 65536 datos.

Una vez aplicada la sub-segmentación, en la Figura 4.35 se muestra la imagen ROI segmentada en dos regiones. La Figura 4.35(a) corresponde al resultado de la partición difusa y la Figura 4.35(b) muestra el resultado de la partición posibilista. En ambas figuras se pueden apreciar dos regiones, S1 y S2, que son de interés para un análisis posterior. La región S1(región sospechosa) se representa de color gris y la región S2(tejido) de color negro. De acuerdo con el algoritmo de la sub-segmentación, las regiones que son de interés para su análisis son las correspondientes a la partición posibilista,SRP1(región sospechosa) ySRP2(tejido).

En la Figura4.36se muestran las particiones difusa y la posibilista pero representadas a través de sus píxeles originales en la imagen ROI.

En las Figuras4.36(b) y4.36(e) se puede observar claramente que en la regiónS1existen sub-regiones que presentan algunos cambios significativos en los niveles de gris en áreas específicos y que, en este caso, pueden corresponder a regiones que sean de interés para alcanzar el objetivo planteado en este ejemplo. De acuerdo con algunos trabajos como [Vega-Coronaet al.,2003] y [Chenget al.,2003], las microcalcificaciones, por lo general,

se presentan como puntos brillantes o como grupos de píxeles con un nivel de gris alto dentro de una ROI. De acuerdo con esto, existe una probabilidad de que estos píxeles correspondan a esos puntos específicos de la regiónS1.

Continuando con el algoritmo 4.4.2, en la Figura 4.37 se muestran los resultados obtenidos de la sub-segmentación utilizando un valor de umbralα= 0,1, aplicado a las

(a) (b)

Figura 4.35:Imagen ROI segmentada en 2 regiones: (a) utilizando la partición difusa, (b) utilizando la partición posibilista.

(a) (b) (c)

(d) (e) (f)

Figura 4.36: Representación de las regiones S1 y S2 usando los píxeles originales. (a) Partición difusa. (b) RegiónS1de la partición difusa. (c) RegiónS2de la partición difusa. (d) Partición posibilista. (e) Región S1 de la partición posibilista. (f) Región S2 de la partición posibilista.

regiones obtenidas de la partición posibilista (SRP1 y SRP2) de la imagen ROI y con el objetivo de encontrar las sub-regiones correspondientes a los píxeles típicos y atípicos de la regionesSRP1ySRP2.

En la Figura4.37se puede observar la sub-región (Stipicos1) que corresponde a los píxeles típicos de la regionSRP1representados en color rojo, mientras que los píxeles atípicos de

(a) (b) (c)

Figura 4.37: Sub-segmentación de la imagen ROI. (a) Imagen original. (b) Sub- segmentación de las regiones (S1,S2) de la partición posibilista. (c) Representación en color de la sub-segmentación de la imagen ROI.

esta región están representados en color amarillo y representan a la sub-región (Satipicos3)

de SRP1. La Figura 4.37 muestra también la sub-región (Stipicos2) que corresponde a los

píxeles típicos de la región SRP2, representados en color azul, mientras que los píxeles

atípicos correspondientes a esta región están representados en color cian y representan la sub-región (Satipicos4).

La Figura 4.38 muestra la sub-segmentación de la imagen ROI, donde las regiones (SRP1,SRP2) y sus sub-regiones correspondientes (Stipica1,Satipica3,Stipica2,Satipica4) están representadas mediante sus píxeles originales.

De acuerdo con los resultados de la sub-segmentación de la imagen ROI, los píxeles atípicos de la regiónSRP1coinciden con las regiones correspondientes a las microcalcifica- ciones presentes en la imagen. Aunque también es importante analizar los píxeles que se encuentran en la esquina inferior izquierda de la imagen. Es evidente que estos píxeles se encuentran en la región correspondiente a tejidoSRP2, no obstante el algoritmo los asignó

al grupo de píxeles atípicos de la región sospechosaSRP1pero, más que píxeles atípicos de esta región, son considerados como ruido [Ojeda-Magaña et al., 2009a]. Para evitar

este tipo de problemas es necesario aplicar una técnica de preprocesamiento a la imagen como, por ejemplo, una mejora del contraste.