• No se han encontrado resultados

Inclusión de texto en imágenes médicas

N/A
N/A
Protected

Academic year: 2020

Share "Inclusión de texto en imágenes médicas"

Copied!
61
0
0

Texto completo

(1)Universidad Central “Marta Abreu” de Las Villas Facultad de Ingeniería Eléctrica Centro de Estudios de Electrónica y Tecnologías de la Información. TRABAJO DE DIPLOMA Inclusión de texto en imágenes médicas. Autora: Yaily González López Tutor: Dr. C. Juan Enrique Paz Viera.. Santa Clara 2011 "Año 53 de la Revolución".

(2) Universidad Central “Marta Abreu” de Las Villas Facultad de Ingeniería Eléctrica Centro de Estudios de Electrónica y Tecnologías de la Información. TRABAJO DE DIPLOMA Inclusión de texto en imágenes médicas Autora: Yaily González López e-mail:yailygl@uclv.edu.cu Tutor: Dr. C. Juan Enrique Paz Viera. e-mail:jpaz@uclv.edu.cu Consultante: DrC. Juan V. Lorenzo Ginori Profesor Titular Consultante. CEETI, email:juanl@uclv.edu.cu Ing. Lyanett Chinea Valdés email: lyanett@vcl.otn.cu. Santa Clara 2011 "Año 53 de la Revolución ".

(3) Hago constar que el presente trabajo de diploma fue realizado en la Universidad Central ―Marta Abreu‖ de Las Villas como parte de la culminación de estudios de la especialidad de Ingeniería en Automática, autorizando a que el mismo sea utilizado por la Institución, para los fines que estime conveniente, tanto de forma parcial como total y que además no podrá ser presentado en eventos, ni publicados sin autorización de la Universidad.. Los abajo firmantes certificamos que el presente trabajo ha sido realizado según acuerdo de la dirección de nuestro centro y el mismo cumple con los requisitos que debe tener un trabajo de esta envergadura referido a la temática señalada..

(4) i. PENSAMIENTO. Nunca consideres el estudio como una obligación, sino como una oportunidad para penetrar en el bello y maravilloso mundo del saber. Albert Einstein (1879-1955).

(5) ii. DEDICATORIA. A mis padres, por ser lo más importante que tengo en la vida en especial a mi mamá. A toda mi familia por estar siempre a mi lado. A mi esposo Yuniel por su apoyo y comprensión. A todas esas personas que confiaron en mí y me dieron fuerzas para seguir adelante cuando pensaba que no podía..

(6) iii. AGRADECIMIENTOS. A mis padres, por el apoyo que me han dado a lo largo de todos estos años de estudio y por su apoyo incondicional en los momentos más difíciles que he tenido que afrontar en mi vida. A mi esposo Yuniel por brindarme siempre su apoyo incondicional, su amor y comprensión. A todos mis familiares por estar siempre a mi lado en los momentos más difíciles y por confiar en mí. A la familia de mi esposo, en especial a mis suegros, por ayudarme y apoyarme como si fuera una hija. A mis amistades Lanett y Osmany por su ayuda y dedicación. A mi tutor Juan Enrique Paz por apoyarme, guiarme y darme confianza para llegar hasta aquí. A mi profesor Juan V. Lorenzo Ginori por apoyarme, guiarme y ayudarme para llegar a donde no pensé que sería capaz. A mis profesores durante estos 5 años de estudios en la Facultad de Eléctrica y en especial a los profesores del CEETI, por todo lo que con paciencia y amor me han enseñado. A todas aquellas personas que de una forma u otra contribuyeron a la realización de este sueño hecho realidad..

(7) iv. TAREA TÉCNICA. La tarea técnica de este trabajo consiste en implementar en Matlab un algoritmo que permita insertar textos en las imágenes obtenidas por las diferentes técnicas de imagen instaladas en el Departamento de Imaginología del Hospital Universitario Arnaldo Milián Castro, que no cuenten con este tipo de información en ellas por haber sido almacenadas en formatos distintos a DICOM. Para esta tarea se seleccionaron imágenes de Resonancia Magnética y Tomografía Axial computarizada que fueron almacenadas en formatos como BMP y JPEG..

(8) v. RESUMEN. La inclusión de texto sobre las imágenes médicas es una técnica muy utilizada en la actualidad. Sin embargo, muchas de las imágenes quedan sin esta importante información cuando. son almacenadas.. Este trabajo tiene como propósito insertar anotaciones. informativas en forma de texto relacionadas con el paciente, el equipo, el especialista y el estudio sobre imágenes médicas obtenidas en el Departamento de Imaginología del Hospital Universitario Arnaldo Milián Castro (DI-HUAMC), mediante la creación de un algoritmo en Matlab, sin obstruir la zona útil de la imagen, y en el caso particular que las imágenes no cuenten con anotaciones de este tipo. Para esto fueron seleccionadas dos modalidades de imágenes, sobre las que se hizo un análisis para determinar los espacios libres en ellas, que posibilitara insertarle los datos, buscando una relación entre el tamaño de la región de interés y el tamaño de la matriz de la imagen. Se analizaron los formatos y textos más utilizados en las imágenes que ya contienen datos, para determinar el tipo de texto a utilizar y su formato. La aplicación de este resultado pretende complementar, con los datos antes mencionados, la información que necesita el especialista para arribar a un diagnóstico al evaluar una imagen..

(9) vi. TABLA DE CONTENIDOS. PENSAMIENTO ..................................................................................................................... i DEDICATORIA ..................................................................................................................... ii AGRADECIMIENTOS ......................................................................................................... iii TAREA TÉCNICA ................................................................................................................ iv RESUMEN.............................................................................................................................. v INTRODUCCIÓN ..................................................................................................................1 CAPÍTULO 1. 1.1.. LAS IMÁGENES MÉDICAS CON ANOTACIONES DE TEXTO ........6. Concepto de imagen y sus características ................................................................6. 1.2 Principios básicos de la formación de las imágenes ....................................................6 1.2.1 1.3. Representación de las imágenes........................................................................7. La imagen médica digital .........................................................................................8. 1.4 Diferentes tipos de imágenes médicas ........................................................................10 1.4.1. Tomografía Axial Computarizada (TAC).......................................................10. 1.4.2. Resonancia Magnética Nuclear.......................................................................12. 1.5 Anotaciones de texto sobre las imágenes....................................................................15 1.5.1 Metadata o Metadato (Anotaciones) ....................................................................15 1.5.2 Textos más usados en las imágenes médicas .......................................................15 1.6 La necesidad de realizar las anotaciones...................................................................17.

(10) vii CAPÍTULO 2. 2.1. Forma en que se realizan las anotaciones...............................................................20. 2.1.1 2.2. MATERIALES Y MÉTODOS ................................................................20. Pasos a seguir para colocar las anotaciones en las imágenes médicas ............21. Análisis de factibilidad en las imágenes para las anotaciones ...............................24. 2.2.1. Análisis de los tipos de imágenes con sus ejemplos correspondientes. ..........27. 2.3. Ubicación de las anotaciones en la imagen ............................................................32. 2.4. Descripción del algoritmo ......................................................................................34. CAPÍTULO 3.. RESULTADOS Y DISCUSIÓN .............................................................37. 3.1. Introducción ...........................................................................................................37. 3.2. Resultados Generales .............................................................................................37. 3.2.1. Resultados obtenidos al insertarle las anotaciones a las imágenes tipo 1 .......37. 3.2.2. Resultados obtenidos al insertarle las anotaciones a las imágenes tipo 2 .......39. 3.2.3. Resultados obtenidos al insertarle las anotaciones a las imágenes tipo 3 .......41. 3.2.4. Resultados obtenidos al insertarle las anotaciones a las imágenes tipo 4 .......42. 3.3 Conclusiones del capítulo ...........................................................................................43 CONCLUSIONES Y RECOMENDACIONES ...................................................................44 Conclusiones .....................................................................................................................44 Recomendaciones..............................................................................................................44 REFERENCIAS BIBLIOGRÁFICAS ..................................................................................45 ANEXOS ..............................................................................................................................48 Anexo I. Programación del algoritmo............................................................................48.

(11) INTRODUCCIÓN. 1. INTRODUCCIÓN. Desde la antigüedad ya existía para el hombre la curiosidad de saber cómo estaba constituido en su interior, lo que –hasta no hace mucho– solo lo podía averiguar al morir. El primer gran avance en esta dirección y que define el comienzo del hoy llamado diagnóstico por imagen, lo realizó Conrad Roentgen en 1895 al descubrir los Rayos–X, los cuales son. una radiación electromagnética de gran intensidad, con una longitud de onda. menor que la luz visible, producida bombardeando un blanco —generalmente de volframio— con electrones de alta velocidad. [1] Gracias a este descubrimiento, es posible en la actualidad obtener imágenes del interior de los objetos y en particular del cuerpo humano y sus estructuras internas. En poco más de un siglo la imagen médica se ha convertido en una herramienta indispensable para el diagnóstico de numerosas enfermedades. Se define como imagen médica aquella que representa un segmento visible o no de la realidad biológica. La misma constituye un medio de auxilio para el especialista al valorar un diagnóstico antes supuesto por el análisis clínico, definir el curso de un tratamiento a seguir, o realizar estudios de seguimiento al paciente. Las imágenes médicas en formato digital pueden contener en su área de visualización, anotaciones de texto relacionadas con su contenido. En el caso particular que nos ocupa estos podrían ser datos del paciente, del estudio o del equipo en que fueron adquiridas. [2] La información en forma de imágenes tiene una creciente importancia en Medicina. Mientras que hace apenas 25 años la información médica en forma de imágenes se reducía prácticamente a las placas de Rayos–X, a partir de los años 80 y, en mayor medida, en los últimos años los médicos tienen a su disposición diversas modalidades como: Tomografía Axial Computarizada (TAC), Resonancia Magnética Nuclear (RMN), Tomografía por.

(12) INTRODUCCIÓN. Emisión. Positrones. (PET),. Tomografía. Computarizada. 2 por. Emisión. de. Fotones. Individuales (SPECT). El almacenamiento y recuperación de imágenes médicas va adquiriendo cada vez mayor relevancia en aplicaciones informáticas de la medicina, impulsado por la continua adquisición de equipos de diagnóstico por imágenes por parte de clínicas y hospitales. Esta situación conllevan a un aumento en la cantidad de imágenes que los especialistas deben analizar. Ante la elevada cantidad de imágenes a procesar y en vistas a contribuir a un mejor desempeño médico, las imágenes en formato digital pueden contener en su área de visualización, anotaciones de texto relacionadas con su contenido. [3,4] Las imágenes médicas del DI-HUAMC, al ser almacenadas en el servidor de datos existente en red, en formatos de imagen diferentes a DICOM tales como BMP, JPG y TIFF entre otras, no poseen información de texto en su área de visualización, sino se le fue incluida mediante la opción del equipo antes de ser almacenadas. Hasta el momento, muchas de las imágenes obtenidas por las diferentes técnicas de imagen instaladas en este departamento contienen texto informativo en el área de la imagen, pero solamente cuando se ha utilizado la opción del equipo de insertarle los que el especialista determine como más necesarios e importantes y generalmente mientras que las imágenes se encuentran en formato DICOM. En la actualidad no se conoce de un algoritmo que permita la inclusión de anotaciones en formatos distintos a DICOM, sobre las imágenes ya obtenidas por técnicas de imagen médica que no posean esta facilidad durante el proceso de obtención de las mismas, luego que han sido almacenadas en el servidor de datos del hospital sin haber hecho uso de la opción del equipo. Con el desarrollo de esta investigación nos proponemos lograr incluir datos en forma de texto a las imágenes médicas en formato digital que no cuentan con dicha información, ya que muchas de las imágenes médicas del departamento mencionado anteriormente no la poseen luego de ser almacenadas. La tarea de insertar los textos tiene como objetivo facilitar que la consulta que realiza el especialista radiólogo sea más rápida y eficiente.

(13) INTRODUCCIÓN. 3. teniendo a la vista en el área de visualización de la imagen los datos del paciente, del estudio y del equipo en que fue hecha la imagen. Hipótesis La inclusión de datos sobre el paciente, el estudio y el equipo facilitaría el trabajo del especialista cuando evalúa la imagen y posibilitaría un mejor estudio de un determinado paciente por contar con toda la información necesaria en el área de visualización de la imagen resultante a la hora de realizar un diagnóstico médico. Objetivo principal El objetivo principal de este trabajo es insertar texto referente a datos del paciente, características del estudio y datos del equipo en las imágenes médicas del Departamento de Imaginología del Hospital Universitario ―Arnaldo Milián Castro‖ (DI-HUAMC) que no lo posean luego que son almacenadas en el servidor de datos del hospital diseñando y construyendo un algoritmo para incluir esta información (también conocida como metadata) en las imágenes médicas sin anotaciones a partir de los datos que se encuentran en una base de datos (DB) proveniente de una base de datos sobre turnos médicos existente en el (DI-HUAMC) de la ciudad de Santa Clara. De igual forma, es necesario estructurar la meta-data con las particularidades de cada turno médico tales como fecha y hora del turno, nombre, sexo, edad y procedencia del paciente, tipo de servicio y estudio dentro del tipo servicio que recibe, especialista que remite, etc. Tareas: 1. Revisión bibliográfica sobre las modalidades de imagen médica y sus formatos de imagen digital, 2. Estudio de las diversas modalidades de imagen médica que se encuentran instaladas actualmente en el (DI-HUAMC) en funcionamiento o no y la posibilidad de incluirle metadatos a cada una de las imágenes que se obtienen, 3. Identificar si una imagen obtenida en algunos de los servicios de este departamento no contiene estos datos con vista a situarlos en el área visual de la imagen en el formato adecuado procurando no obstruir el área de información útil de la imagen,.

(14) INTRODUCCIÓN. 4. 4. Diseñar y construir un algoritmo para incluir texto referente a datos del paciente, características del estudio y datos del equipo (lo que se conoce como meta-data) en las imágenes médicas sin anotaciones, y 5. Estructurar la meta-data con las particularidades de cada turno médico tales como fecha y hora del turno, nombre, sexo, edad y procedencia del paciente, tipo de servicio y estudio dentro del tipo servicio que recibe, especialista que remite, etc. Organización del informe El presente informe se divide en Introducción, 3 capítulos y las Conclusiones y Recomendaciones del trabajo. En el Capítulo 1: ―Las imágenes biomédicas con anotaciones de texto‖, se recoge una revisión bibliográfica, teniendo en cuenta el concepto de imagen, su formación, el concepto de imagen digital, de las anotaciones de texto sobre las imágenes y de la necesidad de realizarlas. En el Capítulo 2:‖Materiales y Métodos‖, se describen los materiales y métodos que se utilizan en la presente tesis. El Capítulo 3:‖Resultados y Discusión‖, nos muestra el funcionamiento del algoritmo y los resultados obtenidos con el método de inserción de texto propuesto..

(15) INTRODUCCIÓN. 5.

(16) CAPÍTULO 1: LAS IMÁGENES MÉDICAS CON ANOTACIONES DE TEXTO. 6. CAPÍTULO 1. LAS IMÁGENES MÉDICAS CON ANOTACIONES DE TEXTO. 1.1. Concepto de imagen y sus características Una imagen se define como una función de dos variables, f(x, y), donde x e y son coordenadas espaciales y el valor de f en un punto dado es la intensidad o nivel de gris de la imagen en dicho punto.[5, 6,7] Las imágenes se pueden representar en niveles de gris o a color. En general, el ojo humano puede discernir muchos más colores (del orden de miles de combinaciones de intensidad y color) que niveles de grises (algo más de veinte) [5,6] Una imagen digital es la representación un objeto real como un conjunto finito de valores discretos que se obtiene cuando se cuantifican las coordenadas espaciales y la intensidad. Estos valores discretos se denominan píxeles (del inglés picture element) y es el menor elemento en que se descompone una imagen. La cantidad de memoria utilizada para almacenar un píxel se conoce como profundidad de bits y se expresa en bits-por-píxel (bpp). [6,7] 1.2 Principios básicos de la formación de las imágenes La formación digital de la imagen es el primer paso en cualquier sistema en el que se aplique el procesamiento digital de imágenes. Un sistema general de formación de una imagen digital consta de un sistema óptico, un sensor y un digitalizador. (Ver Figura 1)..

(17) CAPÍTULO 1: LAS IMÁGENES MÉDICAS CON ANOTACIONES DE TEXTO. f (μ, β). 7. g (i, j) Sistema Óptico (H). γ. Digitalizador. Sensor. η. Fig. 1: Formación de una imagen (donde f (μ, β) es la radiación reflejada y g (i, j) es la información digital). Una vez que la imagen digital se obtiene es posible someterla a diferentes procesamientos matemáticos, según los fines que se persigan. Cuando una imagen es la representación óptica de un objeto iluminado por una fuente de radiación luminosa, en la formación de esta imagen intervienen los elementos siguientes: el objeto, la fuente radiante y el sistema de formación de la imagen. [5,8] Es por ello que todo modelo matemático que pretenda reflejar de forma fiel esta realidad física debe tomar en consideración la fuente de radiación (la cual puede ser luz visible, de Rayos–X , radiación ultrasónica, infrarroja u otra), la física de la interacción de la radiación y el objeto, además del sistema de adquisición empleado. Por razones de simplicidad se restringirá la descripción al caso de la luz visible que se refleja sobre un objeto. Sin embargo, es conocido que de acuerdo a las propiedades físico-químicas de una superficie u objeto, toda la energía incidente no es enteramente reflejada, sino que parte de ella también es absorbida. [8]. 1.2.1 Representación de las imágenes Una imagen digital puede ser convenientemente representada por una matriz de dimensión (N x M) de la forma:.

(18) CAPÍTULO 1: LAS IMÁGENES MÉDICAS CON ANOTACIONES DE TEXTO. i (1, 1). i (1, 2). …. i (1, M). i (2, 1). i (2, 2). …. i (2, M). i (N, 1). i (N, 2). …. i (N, M). 8. I=. Fig. 2 Representación de una imagen digital en forma de matriz. Cada elemento i (M,N) de la imagen digital recibe el nombre de píxel como se ha dicho anteriormente y su valor es un entero en el intervalo [0,…,255] para imágenes de 8 bits. La única restricción que existe para M y N es que deben ser números enteros positivos. [5,8] 1.3 La imagen médica digital Una imagen médica, es la representación gráfica de una estructura, región, órgano o tejido del cuerpo humano que se obtiene a través de procesos físicos y computacionales ordenados para este fin. [9,10] En términos matemáticos, una imagen médica digital a [m, n] descrita en un espacio discreto de 2 dimensiones (2D), se puede obtener como resultado de una imagen analógica a(x, y) en un espacio continuo también de 2D a través de un proceso de muestreo que es referido frecuentemente como digitalización. La imagen continua de 2D a(x, y) es dividida en m filas y n columnas. La intersección entre las filas y las columnas se le conoce como píxel. El valor asignado a las coordenadas enteras [m, n] con {m=0, 1,2,…, M-1} y {n=0, 1,2,…, N-1} es a [m, n] [11]..

(19) CAPÍTULO 1: LAS IMÁGENES MÉDICAS CON ANOTACIONES DE TEXTO. 9. Fig. 3 Imagen digital de 25x25 píxeles donde cada píxel esta representado por un número. Las representaciones de imágenes médicas se utilizan para emitir diagnósticos o evaluar cambios que ocurren en el paciente con el transcurso de un tratamiento [9,12-14]. En la Figura 4 podemos ver ejemplos de imágenes médicas obtenidas por diversas modalidades.. a) Fig. 4. b). c). d). Ejemplos de imágenes obtenidas por diversas modalidades, a) Radiografía Digital,. b) Resonancia Magnética Nuclear, c) Tomografía por Emisión Positrones, d) Tomografía Axial Computarizada. Como campo de investigación científica, la imagen médica constituye una subdisciplina de la ingeniería biomédica, la física médica y/o la medicina, dependiendo del contexto. La investigación y desarrollo en el área de instrumentación, adquisición de imágenes, el modelado y la cuantificación, son normalmente reservadas para la ingeniería biomédica, física médica y ciencias de la computación, mientras que la investigación en la aplicación e interpretación de las imágenes médicas se reserva normalmente a la radiología y a las subdisciplinas médicas relevantes en la física médica o área de ciencia médica (neurociencia, cardiología, psiquiatría, psicología, etc.) bajo investigación. Muchas de las técnicas desarrolladas para la imagen médica son también aplicaciones científicas e industriales. [15] Las imágenes médicas digitales y sus aplicaciones en la medicina han ayudado al desarrollo de sistemas de diagnóstico por imágenes dado su fácil acceso mediante un ordenador, ser transferibles a cualquier parte en muy poco tiempo a través de las redes de comunicaciones digitales y no deteriorarse físicamente con el tiempo. Una de las cualidades más favorables de las imágenes digitales es que admiten una serie de procedimientos posterior a su.

(20) CAPÍTULO 1: LAS IMÁGENES MÉDICAS CON ANOTACIONES DE TEXTO. 10. adquisición con vista a mejorar sus cualidades en función de cada tipo de diagnóstico, a la vez que se pueden realizar procedimientos para extracción o identificación de parámetros de importancia clínica. [6,7] 1.4 Diferentes tipos de imágenes médicas En este epígrafe se abordará de forma general las características de la imagen de Tomografía Axial Computarizada y la de Resonancia Magnética Nuclear. 1.4.1. Tomografía Axial Computarizada (TAC). Las imágenes digitales en Tomografía Axial Computarizada, también conocida como Tomografía Asistida por Computadoras (TAC) son creadas a través de cortes transversales de un objeto, juntando numerosas imágenes de proyección sobre el objeto en el plano de interés. Una imagen de proyección es una imagen unidimensional en la que el brillo de cada píxel se corresponde con la absorción de Rayos–X en la sección correspondiente del objeto. Combinando las múltiples vistas de proyección, se sintetiza la imagen del corte transversal [16]. En los fundamentos de esta técnica trabajaron de forma independiente el ingeniero electrónico y físico sudafricano nacionalizado norteamericano Allan McLeod Cormack y el ingeniero electrónico inglés Godfrey Newbold Hounsfield, que dirigía la sección médica del Laboratorio Central de Investigación de la compañía EMI. En 1967 Cormack publica sus trabajos sobre la TAC siendo el punto de partida de los trabajos de Hounsfield, que diseña su primera unidad. En 1972 comenzaron las experiencias clínicas, publicando los primeros resultados clínicos, sorprendiendo a la comunidad médica, si bien la primera imagen craneal se obtuvo un año antes. [17] Según el plano de orientación existen tres tipos de cortes: axial, coronal y sagital. (Véase la Figura 5 en la que se muestra la orientación de los mismos [16])..

(21) CAPÍTULO 1: LAS IMÁGENES MÉDICAS CON ANOTACIONES DE TEXTO. 11. Fig. 5 Posicionamiento de los cortes en tomografía. El proceso de formación de esta imagen posee múltiples pasos. El primer paso es la fase de escaneado, (Figura 6). Durante este paso, la radiación penetra la sección del cuerpo a estudiar, es recibida y medida por un arreglo de detectores. Todo el proceso puede durar de 1 a 15 segundos en dependencia de los mecanismos de escaneado y la selección de variables a estudiar por parte del operador. En general la calidad de imagen mejora aumentando este tiempo [11,18].. Fig. 6 Adquisición de imágenes. El segundo paso es conocido como reconstrucción de la imagen, este es realizado por una computadora que forma parte del sistema de TAC. La reconstrucción de la imagen es un.

(22) CAPÍTULO 1: LAS IMÁGENES MÉDICAS CON ANOTACIONES DE TEXTO. 12. procedimiento matemático que convierte los datos escaneados de forma individual dentro de una imagen numérica o digital. Existen dos variantes de métodos fundamentales para dicha reconstrucción: el método analítico, que comprende la retroproyección filtrada y la reconstrucción por métodos iterativos [11, 19, 20]. En la Figura 7 se muestran diferentes tipos de imágenes de TAC.. Fig. 7. Imágenes de TAC: (a) Corte axial en el plano de los ventrículos, (b) Corte en el plano de las órbitas (c) Corte a la altura de pulmones, (d) Corte a la altura del abdomen. 1.4.2. Resonancia Magnética Nuclear. Una imagen por resonancia magnética, también conocida como tomografía por resonancia magnética (TRM) o imagen por resonancia magnética nuclear (IMRN) es una técnica no invasiva que utiliza el fenómeno de la resonancia magnética para obtener información sobre la estructura y composición del cuerpo a analizar. Esta información es procesada por ordenadores y transformada en imágenes del interior de lo que se ha analizado. Es utilizada principalmente en medicina para observar alteraciones en los tejidos y detectar cáncer y otras patologías. Tiene como principales ventajas las siguientes: Puede penetrar hueso y estructuras huecas con atenuación despreciable. Usa radiación no-ionizante, por lo que es mínimamente invasiva..

(23) CAPÍTULO 1: LAS IMÁGENES MÉDICAS CON ANOTACIONES DE TEXTO. 13. Permite obtener buen contraste en las imágenes. Permite hacer imágenes de cualquier plano. Da información a nivel molecular y celular. La Resonancia Magnética Nuclear (RMN) es un fenómeno físico basado en las propiedades mecánico-cuánticas de los núcleos atómicos y consiste en la absorción selectiva de energía cuando dicha energía se aplica a una determinada frecuencia, denominada frecuencia de resonancia. El fenómeno de Resonancia Magnética Nuclear (RMN) fue descubierto en 1946 independientemente por Félix Block en Stanford y por Edward Purcell en Harvard, por lo que fueron galardonados con el Premio Nóbel de Física en 1952. Actualmente, la RMN constituye una de las herramientas más importantes para el diagnóstico por la imagen. La idea básica de la RMN es aportar al cuerpo energía de forma selectiva y medir como ésta es devuelta al volver al estado de reposo (ver Figura8). [2,21]. B0. RF Absorción selectiva. Devolución. Señal. de energía. eléctrica. de energía RESONANCIA. inducida RELAJACIÓN. IRM SRM. Fig.8. Dirección general del campo magnético usado para las imágenes donde IRM es. Imagen de Resonancia Magnética) SRM es la Señal de Resonancia Magnética y B0 es un campo magnético uniforme. Las bases físicas de la IMRN son: momento magnético, influencia de un campo magnético uniforme B0 sobre el momento magnético y comportamiento de un vóxel en el interior de un campo magnético B0 .En el cuerpo humano el momento magnético total es cero debido a la orientación arbitraria de todos los momentos magnéticos..

(24) CAPÍTULO 1: LAS IMÁGENES MÉDICAS CON ANOTACIONES DE TEXTO. ∑. 14. =0. Al aplicar B0 , los momentos magnéticos de los núcleos se orientan de forma paralela o antiparalela a B0 describiendo un movimiento de precesión (Frecuencia de precesión o de Larmor). [2]. La formación de una imagen de Resonancia Magnética Nuclear es un proceso en el que cada sección del cuerpo del paciente se subdivide en un grupo de cortes, donde cada corte esta formado por filas y columnas que conforman una matriz donde cada vóxel es un tejido individual. La señal de RF de cada vóxel individual debe estar separada de las otras, y sus intensidades visualizadas en el píxel de la imagen. Es un proceso que ocurre en dos fases distintas, la primera fase es la señal de adquisición y es seguida por la reconstrucción de la imagen. La característica espacial más significativa de una imagen de RMN es el tamaño de los vóxeles individuales del tejido. El tamaño del vóxel tiene un mayor efecto en las características de detalle y ruido de la imagen. El usuario puede definir el tamaño del vóxel deseado para ajustar una combinación de los factores de la imagen. Vóxel: menor unidad de volumen del cuerpo que se está estudiando y que puede ser representada por el método de imagen. [2, 21,22].

(25) CAPÍTULO 1: LAS IMÁGENES MÉDICAS CON ANOTACIONES DE TEXTO. 15. Fig. 9. Ejemplos de imágenes de Resonancia Magnética de varias zonas del cuerpo y diferentes orientaciones. a) Corte sagital de columna, b) Corte axial de abdomen, c) Corte coronal de en pecho y abdomen, d) Corte axial de cabeza, e) Corte sagital de cabeza, f) Corte axial de cerebro. A diferencia de la TAC, esta técnica no usa radiación ionizante, sino campos magnéticos para alinear la magnetización nuclear de (usualmente) átomos de hidrógeno del agua en el cuerpo. Los campos de radiofrecuencia (RF) se usan para sistemáticamente alterar el alineamiento de esa magnetización, causando que los núcleos de hidrógeno produzcan un campo magnético rotacional detectable por el escáner. Esa señal puede ser manipulada con adicionales campos magnéticos y así construir con más información imágenes del cuerpo. [2] 1.5 Anotaciones de texto sobre las imágenes 1.5.1 Metadata o Metadato (Anotaciones) Por Metadatos se conocen los datos que describen otros datos. En general, un grupo de metadatos se refiere a un grupo de datos, llamado recurso. Un ejemplo de esto lo constituye el texto que se adiciona a la imagen obtenida por determinadas técnicas de imagen y que brinda información adicional sobre esta.[23] 1.5.2 Textos más usados en las imágenes médicas Generalmente los textos se le insertan a las imágenes médicas en los bordes y los laterales que son usualmente los espacios libres que tiene una imagen determinada, dependiendo de las características específicas de cada una de éstas. En caso de no contar con estos espacios, se le superponen los textos a la imagen de forma tal que no se obstruya el área útil de la misma que sea de vital importancia para el especialista a la hora de realizar un diagnóstico médico (Ver Figura 10 y Figura 11)..

(26) CAPÍTULO 1: LAS IMÁGENES MÉDICAS CON ANOTACIONES DE TEXTO. 16. Fig. 10 Imagen con anotaciones.. Fig. 11 Imagen con anotaciones. Corresponde a un estudio de tomografía de pulmón. Luego de adquiridas, las imágenes son mostradas en los sistemas de visualización y archivado conocidos como PACS. Es en estos sistemas donde a las imágenes se les adiciona la información de texto referente al paciente, el equipo y el estudio que le fue realizado..

(27) CAPÍTULO 1: LAS IMÁGENES MÉDICAS CON ANOTACIONES DE TEXTO. 17. A continuación se muestran algunos formatos de imágenes digitales en que pueden aparecer las anotaciones en las imágenes médicas (Tabla 1). Tabla 1 Diferentes formatos de imágenes digitales en que pueden aparecer las anotaciones. Formato. Descripción. Extensión. TIFF. Tagged Image File Format. .tif , .tiff. JPEG. Join Photographic Experts Group. .jpg , .jpeg. GIF. Graphics Interchange Format. .gif. BMP. Windows Bitmap. .bmp. PNG. Portable Network Graphics. .png. DICOM. Digital. Image. Communication. in . dicom. Medicine. 1.6 La necesidad de realizar las anotaciones Aunque los equipos del DI-HUAMC le incluyen el texto de forma automática a las imágenes obtenidas de ellos mientras estas se encuentran en formato DICOM, no existe un algoritmo que le incorpore el texto a las imágenes luego de ser pasadas a la red del hospital en formatos de imagen distintos a DICOM, o sea, al ser almacenadas, sin haber hecho uso de la opción del equipo de incluirle los datos que consideran necesario los médicos o especialistas de dicho hospital. Por esa razón se hace necesario hacer las anotaciones de forma que se preserve en el tiempo la información relativa al paciente, a las características del estudio o al equipo. Esto resulta de gran ayuda para los especialistas pues tendrían en cada imagen la información necesaria para realizar un estudio determinado de un paciente..

(28) CAPÍTULO 1: LAS IMÁGENES MÉDICAS CON ANOTACIONES DE TEXTO. 18.

(29) CAPÍTULO 1: LAS IMÁGENES MÉDICAS CON ANOTACIONES DE TEXTO. 19.

(30) CAPÍTULO 2: MATERIALES Y MÉTODOS. 20. CAPÍTULO 2. MATERIALES Y MÉTODOS. Para la realización del objetivo propuesto se utilizaron en esta investigación imágenes sin anotaciones tomadas del DI-HUAMC de la ciudad de Santa Clara. Producto de que el software Matlab 7.0 (versión 7.0.0.19920(R14)) es una poderosa herramienta de programación, se decidió utilizarlo para la creación de un algoritmo que le insertara texto informativo en forma de anotaciones a éstas imágenes, tomando los datos que se encuentran en una base de datos (DB) sobre turnos médicos existente en este departamento. 2.1 Forma en que se realizan las anotaciones. Para la realización de esta investigación se hizo indispensable realizar un estudio de las características de cada una de las modalidades de imagen seleccionadas, para determinar los espacios libres de los cuales se disponía para colocar el texto deseado en forma de anotaciones en un formato específico. Para esto fueron seleccionadas el siguiente grupo de imágenes (ver Tabla2)..

(31) CAPÍTULO 2: MATERIALES Y MÉTODOS. 21. Tabla 2 Características de las imágenes de prueba utilizadas. Nombre de la imagen. Tamaño. Formato. de la. Profundidad de bits. imagen 1rmcraneo.bmp. 435X343. bmp. 24bpp. 3rmcraneo.bmp. 434X342. bmp. 24bpp. 3tccraneo.bmp. 433X341. bmp. 24bpp. 1tcbonquiectasias.bmp. 433X339. bmp. 24bpp. 1.3tccolumna.bmp. 433X341. bmp. 24bpp. 4tcpulmon.bmp. 433X341. bmp. 24bpp. 2tcbonquiectasias.bmp. 431X339. bmp. 24bpp. 5rmcraneo.bmp. 435X340. bmp. 24bpp. 2rmcraneo.bmp. 432X343. bmp. 24bpp. 2.1.1. Pasos a seguir para colocar las anotaciones en las imágenes médicas. A continuación se describen una serie de pasos seguidos para lograr el objetivo propuesto: Paso Número 1: Primeramente se utilizaron algunas de las modalidades de imágenes del DI-HUAMC de la ciudad de Santa Clara. Fueron utilizadas las imágenes de prueba de este departamento que no poseían metadatos incluidas en ellas. Las imágenes de pruebas seleccionadas provenían de las técnicas de imagen: 1. Resonancia Magnética (Figura 12), y 2. Tomografía Axial Computarizada (Figura 13).

(32) CAPÍTULO 2: MATERIALES Y MÉTODOS. 22. Fig.12: Imagen obtenida mediante la técnica de Resonancia MagnéticaNuclear.. Fig.13: Imagen obtenida mediante la técnica de Tomografía Axial Computarizada. Paso número 2: Cada imagen fue cargada en Matlab y se utilizó la función infinfo para determinar las características de cada una de ellas tales como: Resolución espacial y temporal, Tamaños características de las matrices que la contienen, Formatos de imágenes digitales comúnmente usados, y Paleta de colores (escala de grises o colores). Paso número 3: Posteriormente, se separó la región de interés en la imagen del fondo de esta con el fin de delimitar los píxeles que forman la información útil de la imagen mediante un proceso de segmentación. En caso de que en la región de interés de la imagen.

(33) CAPÍTULO 2: MATERIALES Y MÉTODOS. 23. existan píxeles con la misma intensidad que los píxeles del fondo, se rellenaron los espacios de esa región para que al insertar los datos en los espacios libres seleccionados no se confundan los píxeles del fondo de la imagen con los píxeles que componen el objeto, ya que se puede dar el caso de que estos píxeles tengan igual intensidad. Paso número 4: Se construyó un algoritmo que determinara la dimensión del espacio libre mediante la relación entre el tamaño de la matriz y tamaño del campo visual o Field Of View (la región de interés de la imagen, es decir, el objeto en el campo visual de la misma), o lo que es lo mismo, entre la zona útil de la imagen y la matriz que la contiene. Le llamamos espacios libres a los bordes superiores e inferiores, así como a los espacios laterales de la imagen que se esté analizando donde la región de interés no ocupe estos espacios ya mencionados. Ejemplo1:. Fig. 14 Imagen de TAC. Este ejemplo 1(ver Figura14) nos muestra una imagen de TAC que se corresponde con un estudio de cráneo. Tiene la característica de ser una imagen centrada, con una dimensión 435X343 píxeles (Tamaño de la matriz) en formato BMP. Tiene los bordes superiores e inferiores libres para insertar los datos y algún espacio en los laterales. Paso número 5: Se diseñó y construyó un algoritmo capaz de insertarle los datos a las imágenes tomando los relativos al paciente, equipo y estudio, colocando (imprimiendo).

(34) CAPÍTULO 2: MATERIALES Y MÉTODOS. 24. algunos de estos sobre los espacios libres del área de la imagen con un formato de texto específico. En el caso de que la región de interés ocupe toda el área de la imagen, se le superpuso el texto a la misma, sin afectar la parte que le es de vital importancia al especialista a la hora de realizar su evaluación. 2.2. Análisis de factibilidad en las imágenes para las anotaciones. De las imágenes seleccionadas para esta investigación, el equipo mediante el cual se obtiene la imagen trae incluida la opción de insertarle los datos que desee el especialista y que le sean de gran utilidad para realizar el análisis del estudio con factibilidad. Todos estos equipos médicos le incluyen los datos a las imágenes de forma automatizada mientras estas están en el formato DICOM. La región de interés dentro de estas imágenes generalmente está centrada por lo que los bordes superiores, los bordes inferiores y los laterales son los espacios libres que se utilizan para adicionarle el texto. Si embargo, existe la dificultad de que una vez tomada la imagen, al ser almacenada en los servidores de datos en red sin ponerle los datos con la opción del equipo, no existe la forma de adicionarle los mismos después que las imágenes se encuentran en un formato diferente a DICOM, por lo que nos trazamos esa tarea. Las anotaciones más frecuentemente insertadas en las imágenes de este departamento son las siguientes: 1. Nombre del paciente, 2. Sexo, 3. Especialista que indica el estudio, 4. Estudio (Ejemplo: RM, TC, US, etc.), 5. Nombre del equipo, 6. Datos del equipo, 7. Fecha del estudio, 8. Hora del estudio, 9. Edad (de paciente), 10. Nombre del hospital, 11. #de imagen, y 12. Tamaño de la matriz de imagen..

(35) CAPÍTULO 2: MATERIALES Y MÉTODOS. 25. Estos datos en el DI-HUAMC de la ciudad de Santa Clara se le incluyen a las imágenes con formato de texto Letra Arial, tipografía Normal y tamaño de 12 puntos y color blanco por ser el fondo de la imagen usualmente de color negro. Para la realización de esta tesis se le adicionaron los datos mencionados anteriormente en forma de etiquetas: Etiqueta #1: Nombre del Paciente, Etiqueta#2: Nombre del Especialista, Etiqueta#3: Sexo del paciente (F o M), Etiqueta #4: Tipo de Estudio, Etiqueta#5: Fecha, (AA/MM/DD), Etiqueta#6: Hora (HH:MM), Etiqueta#7: Datos del equipo (opcional), Etiqueta#8: Nombre del equipo, Etiqueta#9: Tamaño de la imagen, Etiqueta#10: # de imagen. Etiqueta#11: Edad del paciente, y Etiqueta#12: Nombre del Hospital. Las etiquetas de mayor prioridad son: de la Etiqueta 1 a la Etiqueta 4, después le siguen las Etiquetas de la 5 a la 8 y por último se colocarían las Etiquetas de la 9 a la 12.Como podemos apreciar en la Figura 15 las etiquetas de la 1 a la 8 siempre estarán presentes en todas las imágenes. Las etiquetas o anotaciones mencionadas anteriormente van a quedar posicionadas por defecto en las siguientes locaciones dentro del área de la imagen con los textos ya incluidos como se muestra en la Figura 15. La colocación de estas etiquetas depende del tipo de imagen que se este utilizando. Según sea el espacio libre disponible de cada tipo de imagen en uso, entonces será la cantidad de etiquetas a colocar en la misma..

(36) CAPÍTULO 2: MATERIALES Y MÉTODOS. 26. Fig. 15 Área de la imagen y posicionamiento de las anotaciones. La Figura 16 muestra los diferentes tipos en que pueden aparecer las imágenes con cada una de las posiciones correspondientes que pueden ocupar las regiones de interés de cada tipo de imagen (las regiones de interés están en color gris).. Fig. 16: Modelos para la clasificación de las imágenes de acuerdo a su relación entre el área de señal útil y el área total de la imagen..

(37) CAPÍTULO 2: MATERIALES Y MÉTODOS. 2.2.1. 27. Análisis de los tipos de imágenes con sus ejemplos correspondientes. Para determinar los espacios libres de cada una de las imágenes estudiadas en esta investigación se analizó la relación que existe entre el FOV (Field of view) y la matriz de la imagen, a continuación aclaramos ambos conceptos para una mejor comprensión de lo expuesto anteriormente. Matriz de imagen: es la representación de toda el área de la imagen en forma de matriz de dimensión (N x M) donde N son las filas y M las columnas que la forman. FOV (Fiel of view): no es más que la región de interés de la imagen, es decir el objeto de interés que se desea representar en el campo visual de la misma. Para la realización de este estudio se utilizaron cuatro tipos de formas fundamentales que pueden obtenerse las imágenes. A continuación se muestra una representación de cada uno de estos tipos con su ejemplo correspondiente. Tipo1: Corresponde a una imagen centrada con los bordes libres lo que permite adicionarle los datos.. Tipo1. Ejemplo 1: Ejemplifica la forma de una imagen tipo1 (ver Figura17)..

(38) CAPÍTULO 2: MATERIALES Y MÉTODOS. 28. Fig. 17 Imagen de RMN de cráneo de tipo centrada con espacio en los bordes que permite realizar anotaciones. La imagen de la Figura 17 es una imagen de Resonancia Magnética Nuclear que se corresponde con un estudio de cráneo. Tiene la característica de ser una imagen centrada, con una dimensión 432 x 343 píxeles en formato BMP. Tiene todos sus bordes libres lo que permite insertarle datos en cualquiera de sus bordes. Tipo 2a): Es una imagen donde la región de interés está a todo el largo de la misma (forma vertical), dejando los laterales izquierdo y derecho como espacio libre (con respecto a la región de interés) para adicionarle los datos.. Tipo 2 a). Ejemplo 3: Ejemplifica la forma de una imagen tipo 2a) (ver Figura18)..

(39) CAPÍTULO 2: MATERIALES Y MÉTODOS. 29. Fig. 18: Imagen Tomografía Axial Computarizada de columna. La imagen de la Figura 18 es una imagen de Tomografía Axial Computarizada que se corresponde con un estudio de columna. Tiene la característica de ser una imagen centrada, que está a todo lo largo de la misma, con una dimensión 433 x 341 píxeles en formato BMP (Tamaño de la matriz).Tiene los laterales libres para insertarle los datos. Tipo 2b): Es una imagen centrada donde la región de interés ocupa todo el ancho de la misma, dejando los espacios superiores e inferiores libres para insertarle los datos.. Tipo2 b). Ejemplo 4: Ejemplifica la forma de una imagen tipo 2 b) (ver Figura19)..

(40) CAPÍTULO 2: MATERIALES Y MÉTODOS. 30. Fig. 19 Imagen Tomografía Axial Computarizada de bronquiectasias congénitas. La imagen de la Figura 19 es una imagen de TAC que se corresponde con un estudio de bronquiectasias congénitas. Tiene la característica de ser una imagen centrada que ocupa todo el ancho de la misma, con una dimensión 433X339 píxeles en formato bmp (Tamaño de la matriz).Tiene los espacios superiores e inferiores libres para insertarle los datos. Tipo 3: Es una imagen donde la región de interés está ocupando casi toda la parte derecha de la misma, dejando como espacio libre para adicionarle los datos la parte izquierda fundamentalmente (existen además de esta representación tres formas donde la región de interés ocupa otras posiciones dentro de la imagen).. Tipo3.

(41) CAPÍTULO 2: MATERIALES Y MÉTODOS. 31. Ejemplo 2: La figura ejemplifica la forma general de una imagen tipo 3(ver Figura20).. Fig. 20 Imagen de Tomografía Axial Computarizada de cráneo. La imagen de la Figura 20 es una imagen de TAC que se corresponde con un estudio de cráneo. Tiene la característica de ser una imagen donde la ROI ocupa la región derecha de la misma, con una dimensión 433 x 341 píxeles en formato BMP (Tamaño de la matriz).Tiene los espacios superiores e inferiores (con menor capacidad de píxeles) y el lateral izquierdo libres para insertarle los datos. Tipo 4: Es una imagen donde la región de interés ocupa toda el área de la misma, por lo que no cuenta con espacios libres para insertarle los datos. Solo se le puede adicionar el texto superponiendo el mismo sobre dicha imagen, de tal forma que no se obstruya la región útil para el especialista a la hora de realizar un diagnóstico de un paciente determinado. Tipo 4.

(42) CAPÍTULO 2: MATERIALES Y MÉTODOS. 32. Ejemplo 5: Ejemplifica la forma de una imagen tipo 4(ver Figura21).. Fig. 21 Imagen Tomografía Axial Computarizada de pulmón. La imagen de la Figura 21 es una imagen de tomografía computarizada que se corresponde con un estudio de pulmón.Tiene la característica de ser una imagen centrada, con una dimensión 433X341 píxeles en formato bmp (Tamaño de la matriz).Se caracteriza por ser una imagen que ocupa toda el área, por lo que no contamos con regiones libres para insertarle los datos. Debido a las características de ésta imagen solo se le pueden colocar lo datos a la misma superponiéndole el texto, en las áreas de menor interés para el especialista a la hora de realizar un diagnóstico determinado. 2.3. Ubicación de las anotaciones en la imagen. Los datos seleccionados para la tarea fueron situados sobre la imagen en los espacios disponibles en dependencia del tipo de imagen con que se este trabajando. Estas anotaciones en el formato de texto especificado le fueron incluidas a las imágenes en los.

(43) CAPÍTULO 2: MATERIALES Y MÉTODOS. 33. espacios libres ya mencionados. En el caso de no contar con esos espacios, se les superpuso el texto de tal forma que no se obstruye la región de interés de la imagen que está siendo analizada por el especialista. Para adicionarle los datos a las imágenes se hizo necesario realizar un cálculo aproximado de la cantidad de caracteres a utilizar para cada etiqueta y determinar cuantos píxeles ocupa un caracter. De esta forma se conoce la cantidad de píxeles que se necesitan a la hora de colocar las etiquetas en una imagen determinada. Un caracter esta representado por una letra, un símbolo, un punto, una coma, un número, un espacio dado por el teclado, etc. Las etiquetas serían los datos que se le adicionan a las imágenes como por ejemplo: ‗Paciente:‘ es una etiqueta de 9 caracteres, dónde cada cuadro representa un caracter.. ‗Sexo: ‗es una etiqueta de 5 caracteres, dónde cada cuadro representa un caracter.. Los textos seleccionados para insertarlos en las imágenes son: 1-Paciente: 1er nombre (12caracteres) 2do nombre (12caracteres) 1er apellido (12 caracteres) 2do apellido (12 caracteres) [Se necesitan un total de 61 caracteres] 2-Sexo: (un caracter) [Se necesitan un total de 7 caracteres] 3-Edad: (tres caracteres) [Se necesitan un total de 9 caracteres] 4-Estudio: 1er nombre (20caracteres) 2do nombre (15caracteres) [Se necesitan un total de 45 caracteres] 5-Especialista: 1er nombre (12caracteres) 2do nombre (12caracteres) 1er apellido (12 caracteres) 2do apellido (12 caracteres) [Se necesitan un total de 65 caracteres] 6-Hospital: nombre (12caracteres) 2do nombre (12caracteres) 1er apellido (12 caracteres) [Se necesitan un total de 48 caracteres] 7-Fecha :(AA/MM/DD) [Se necesitan un total de 15 caracteres].

(44) CAPÍTULO 2: MATERIALES Y MÉTODOS. 34. 8-Hora: (HH:MM) [Se necesitan un total de11 caracteres] 9-Tamaño imagen: (cantidad de píxeles por cantidad de píxeles) [Se necesitan un total de22 caracteres] 10-Nombre del equipo. [Se necesitan un total de 20 caracteres] 11-#imagen: (hasta de dos dígitos) [Se necesitan un total de 2 caracteres] 12-Datos del equipo. (Opcional) Se necesitan un total de 305 caracteres para poner todas las etiquetas anteriores en una imagen. La Figura 22 un ejemplo de un carácter y cuanto ocupa en píxeles, o sea nos muestra de forma aproximada cuantos píxeles se necesitan para escribir un caracter.El ejemplo tiene 12 píxeles de ancho por 18 píxeles de largo (12x18 píxeles),por tanto se necesitan 216 píxeles para cada carácter.. Fig. 22 Ejemplo de un carácter. 2.4. Descripción del algoritmo. Las imágenes tomadas del DI-HUAMC estaban en el formato BMP a las que se les realizó un proceso de selección para determinar un grupo de imágenes que presentara de forma general las características de las mismas en cuanto a la posición de la región de interés. Las imágenes de prueba escogidas se cargaron al Matlab con la función imread y fueron posteriormente segmentadas para separar la región de interés del fondo de la imagen, utilizado la función graythresh que determina el umbral global de la imagen y luego la función im2bw para convertir la imagen a binaria, sobre la base del umbral calculado. Una vez segmentadas, se pudo apreciar la presencia de espacios libres en las regiones de interés que se rellenaron con la función imfill (ver Figura 23), con el objetivo de que la máscara tenga en negro solamente el fondo de la imagen. Luego se procede a erosionar la.

(45) CAPÍTULO 2: MATERIALES Y MÉTODOS. 35. máscara con la función imerode, para determinar los posibles lugares donde se pueden colocar las anotaciones. El elemento estructurante utilizado en este caso es una matriz de 6x6 píxeles y se determinó de forma experimental. ee = Matriz de ee.. 1. 1. 1. 1. 1. 1. 1. 0. 0. 0. 0. 1. 1. 0. 0. 0. 0. 1. 1. 0. 0. 0. 0. 1. 1. 0. 0. 0. 0. 1. 1. 1. 1. 1. 1. 1. Fig. 23 Máscara de la imagen a) Imagen sin eliminar los huecos, b) Imagen que se obtiene al eliminar los huecos. A continuación se crean siete modelos con las diferentes formas en las que aparecen las regiones de interés, para luego compararlos con la imagen a la cual se le desea realizar las anotaciones y determinar a cuál se asemeja más. Para definir cuál modelo tiene mayor similitud con la imagen, el criterio que se utilizó fue la distancia. La distancia es para este caso el valor medio de la diferencia píxel a píxel de la.

(46) CAPÍTULO 2: MATERIALES Y MÉTODOS. 36. imagen seleccionada respecto a los modelos, y mientras más pequeño sea el valor obtenido más parecido es ese modelo respecto a la imagen. La subrutina determina (con un determinado por ciento de error ) el tipo de imagen y de esta forma dónde colocar las etiquetas para cada una de ellas. De esa forma y según el modelo seleccionado, se colocan las etiquetas (mediante la función annotation) fuera de la región útil de la imagen siguiendo el modelo propuesto anteriormente..

(47) CAPÍTULO 3. RESULTADOS Y DISCUSIÓN. 37. CAPÍTULO 3. RESULTADOS Y DISCUSIÓN. 3.1 Introducción En este capítulo se hace un análisis de los resultados obtenidos al insertarle texto informativo a las imágenes seleccionadas. Se muestran en cada epígrafe ejemplos ilustrativos de cada tipo de imagen con los textos seleccionados ya incluidos en su área de visualización. Además, se exponen los resultados de la segmentación mediante el método de Otsu [24,25], el tipo de modelo que fue escogido por el programa según la morfología de la imagen, y por último se muestran los resultados al insertarle el texto. Es importante aclarar que en este trabajo no se realizó ningún análisis estadístico. 3.2. Resultados Generales. En las imágenes, y de acuerdo al modelo seleccionado, en ocasiones hay algunas etiquetas que no son tan necesarias de insertar y por cuestiones de espacio se prescinden de ellas. 3.2.1 Resultados obtenidos al insertarle las anotaciones a las imágenes tipo 1 La primera imagen analizada se muestra en la Figura 24 donde se puede observar que la región de interés (ROI) de la imagen queda en el centro por lo que se clasifica como del tipo 1..

(48) CAPÍTULO 3. RESULTADOS Y DISCUSIÓN. 38. Fig. 24 Imagen de TAC de cráneo con 12 anotaciones. Las imágenes de tipo 1, tienen como característica que se le puede insertar todas las etiquetas debido a que la región de interés se encuentra ubicada en el centro de la imagen, por lo que existe mayor espacio en el fondo disponible. En la Figura 24 se muestra la imagen una vez que se ha insertado las anotaciones. Es importante destacar que las etiquetas adicionadas no afectan la ROI de la imagen, lo que posibilita al especialista realizar un diagnóstico médico con factibilidad. En la imagen mostrada en la Figura 25 podemos observar que es una imagen semejante a la anterior donde la región de interés está situada en el centro. Este caso es una imagen que corresponde al tipo 1 donde todas las etiquetas le fueron colocadas en su área de visualización. Se puede apreciar como las etiquetas insertadas en la imagen no afectan la ROI de la misma por lo que al realizar un estudio médico se obtienen los mejores resultados..

(49) CAPÍTULO 3. RESULTADOS Y DISCUSIÓN. 39. Fig. 25 Imagen de TAC de abdomen con 12 anotaciones. 3.2.2 Resultados obtenidos al insertarle las anotaciones a las imágenes tipo 2 La Figura 26 representa un ejemplo del tipo 2a) debido a que la región de interés se encuentra de forma vertical, dejando solo los laterales disponibles para adicionarle las etiquetas que le correspondan según el algoritmo seguido por el programa.. Fig. 26 Imagen de TAC de columna con 10 anotaciones..

(50) CAPÍTULO 3. RESULTADOS Y DISCUSIÓN. 40. Esta imagen de la Figura 26 es una representación del tipo 2a) donde las etiquetas 11 y 12 no le fueron insertadas debido a la morfología seleccionada por el programa. Como podemos apreciar las anotaciones ya incluidas en esta imagen, todas se encuentran de cierta forma sobre la región de interés con excepción de la etiqueta 10. Por lo expuesto anteriormente. se recomienda que se le realice un futuro perfeccionamiento del programa. para evitar que éstas etiquetas estén sobre la región de interés de la imagen aunque no afectan al realizar un especialista un análisis del médico.. En esta imagen mostrada a continuación en la Figura 27 reconocida por el programa como del tipo2 a), se puede observar que morfológicamente la imagen es de tipo 1, pero producto del dispositivo que se observa en la parte inferior de la imagen y que sirve de soporte a la cabeza del paciente el programa la identifica como de tipo 2a) debido a que el programa utilizado la ha seleccionado de acuerdo a la morfología de la imagen seleccionada a la que más se asemeja .Como se puede apreciar en este caso se eliminaron las etiquetas 11 y 12 , se puede concluir que las etiquetas incluidas es su área de visualización no afectan la región de interés de la misma permitiendo realizar un análisis médico satisfactorio.. Fig. 27 Imagen de TAC de cráneo con 10 anotaciones..

(51) CAPÍTULO 3. RESULTADOS Y DISCUSIÓN. 41. La siguiente Figura 28 representa un ejemplo del tipo 2b) ya que la región de interés se encuentra de forma horizontal. Para este caso se eliminaron las etiquetas 9 y 10 en correspondencia con la morfología de imagen seleccionada por el algoritmo del programa. Como podemos apreciar ninguna de las etiquetas ya incluidas en el área de visualización de esta imagen afectan la ROI de la misma, por lo que se obtuvo el resultado esperado.. Fig. 28 Imagen de TAC de broncoectasia con 10 anotaciones. 3.2.3 Resultados obtenidos al insertarle las anotaciones a las imágenes tipo 3 La siguiente imagen mostrada en la Figura 29 es morfológicamente del tipo 3a), ya que la región de interés se encuentra ocupando un solo lado de la imagen o sea el semicírculo a la derecha, determinado por el algoritmo del programa. En este caso no todas las etiquetas le fueron incluidas debido a la morfología seleccionada por el algoritmo utilizado. Fue eliminada la etiqueta 10. También se puede observar que de las etiquetas adicionadas en la imagen algunas de ellas están en cierta medida sobre la región de interés (como las etiquetas 7,8 y 12 correspondiente al nombre del equipo, datos del equipo y nombre del hospital respectivamente) pero no afectan a la hora de realizar un estudio médico puesto que no se encuentran sobre la zona craneal de la imagen del paciente..

(52) CAPÍTULO 3. RESULTADOS Y DISCUSIÓN. 42. Fig. 28 Imagen de TAC de cráneo con 11 anotaciones. 3.2.4 Resultados obtenidos al insertarle las anotaciones a las imágenes tipo 4 En la Figura 34 mostrada a continuación se puede observar como todas las anotaciones incluidas en el área de visualización de la imagen están sobre la región de interés de la misma, debido a que la ROI está ocupando toda el área de la imagen. En este caso los textos seleccionados le fueron incluidos a las imágenes de forma superpuesta, debido a que no cuenta con espacios libres para adicionarle los datos..

(53) CAPÍTULO 3. RESULTADOS Y DISCUSIÓN. 43. Fig. 34 Imagen de TC de columna con 12 anotaciones. 3.3 Conclusiones del capítulo Los resultados obtenidos nos muestran que es posible colocar texto informativo en el área de visualización de las imágenes a través de un algoritmo creado en Matlab. La eliminación de los ―huecos‖, constituyen pasos de relevante importancia, para alcanzar buenos resultados en la segmentación de las imágenes. Se pudo observar que a todas las imágenes no se le adiciono la misma cantidad de etiquetas debido a la morfología seleccionada por el algoritmo del programa construido..

(54) CONCLUSIONES Y RECOMENDACIONES. 44. CONCLUSIONES Y RECOMENDACIONES. Conclusiones Se realizó una revisión bibliográfica sobre los tipos de imagen médica de acuerdo a las técnicas de imagen instaladas en el DI-HUAMC, Se realizó una clasificación de los tipos de imagen médica de acuerdo a la forma de la zona de interés dentro del área de la imagen, Se clasificaron las anotaciones de acuerdo a su importancia y se ordenaron para conformar las etiquetas a insertar en el área visual de las imágenes, Se diseñó y se creó un algoritmo capaz de insertar estas anotaciones de acuerdo al tipo de imagen seleccionado. Recomendaciones Vincular el algoritmo creado con la base de datos en Access que se encuentra en el DI-HUAMC y que contiene los datos necesarios para realizar estas anotaciones, Crear una interfaz para que el especialista pueda acceder al programa de una manera más fácil sin tener que trabajar directamente con el algoritmo del programa..

(55) REFERENCIAS BIBLIOGRÁFICAS. 45. REFERENCIAS BIBLIOGRÁFICAS. [1]Rayos X, disponible en: http://www.e-radiography.net/history/general.htm [2]. González Dalmau, Evelio R., IRM Conf01, Centro de Biofísica Médica, Universidad. de Oriente. [3] Alvez, C.; Vecchietti, A. Representación y recuperación de imágenes médicas en bases de datos objeto-relacionales, en: Jornadas Argentinas de Informática e Investigaciones Operativas- 36ª JAIIO Simposio de Informática y Salud. Mar del Plata: 163-174, 2007. [4] DICOM (Digital Imaging and Communications in Medicine) http://medical.nema.org/ [5]. Lorenzo Ginori, Juan V., Procesamiento Digital de Imágenes, Tema 1-Conferencia 1:. Generalidades, 2010, [6] González R. C. y R. E. Woods . Digital image processing. 3ra. ed, Pearson Prentice Hall, New Jersey, 2008. [7]. Gonzalez, R.C., Woods, R.E. y Eddins, S.L., Digital Image Processing Using. MATLAB.1ra ed, Prentice. Hall, EEUU, 2003. [8] Rodríguez, Dr. Roberto, Conferencia Sistema de Formación de la Imagen. [9] J. C. Russ, The Image Processing Handbook, 2 ed. Boca Raton, Florida, 1995. [10] Bankman I., Medical Imaging Handbook: Processing and Analysis vol. 1. San Diego, California: Academic Press, 2000. [11] Boone, J. M. et al., the Essential Physics of Medical Imaging, Second Edition ed.: Lippincott Williams & Wilkins, 2002..

(56) REFERENCIAS BIBLIOGRÁFICAS. 46. [12] Wong, A., y Lou, S. L., ―Medical Image Archive, Retrieval and Communication‖ en Medical Imaging Handbook: Processing and Analysis, Bankman, I. N. (ed), Academic Press. Vol. 1, San Diego, California, 2000. p.772. [13] Lau, C., Cabral, J. E., Haynor, D. R., y Kim, Y., ―Telemedicine,‖ en Handbook of Medical Imaging, Y. Kim y S. Horri, (ed) Bellingham, WA: SPIE, 2000, vol. 3, pp. 305–331. [14] Suetens, P., Fundamentals of Medical Imaging. Cambridge University Press, Leuven, 2002. [15] La imagen médica digital, disponible en: http://es.wikipedia.org,. [16]. Monserrat Aranda, C. et al., "Síntesis de imágenes en imagen médica,". Departamento de Sistemas Informáticos y Computación (Universidad Politécnica de Valencia), 1998. [17]. Crespo, J., Procesamiento y Visualización de Imágenes 3D, Documento en línea.. Accedido. el. 20. de. Junio. de. 2011,. Sitio. web:. http://www.saber.ula.ve/redtelemedicina/TallerTelemed icina/j_crespo.pdf. [18] Sprawls, P. Physical Principles of Medical Imaging Second Edition ed. Madison, Wisconsin: Medical Physics Publishing, 1993. [19] Corbo Pereira, D. N. Tomografía Axial Computada, presented at the XIII Seminario de Ingeniería biomédica, 2004. [20]. Ramírez, J. C. et al. Tomografía computarizada por Rayos–X: fundamentos y. actualidad. Revista Ingeniería Biomédica, 2008. [21]. Sprawls, P. The Magnetic Resonance Image, in Physical Principles of Medical. Imaging, Second edition, Medical Physics Publishing, pp.422-424, 2003. [22]. Sprawls, P. Spatial Characteristics of the Magnetic Resonance Image , in Physical. Principles of Medical Imaging, Second edition, Medical Physics Publishing, pp.445-447, 2003. [23] Metadato o Metadata, disponible en: http://es.wikipedia.org,..

(57) REFERENCIAS BIBLIOGRÁFICAS. [24] Jahne, B. Digital Image processing. 5ta. ed, Springer-Verlag, pp 481-494, 2002. [25] Azpiroz, J. et. al. Procesamiento de imágenes biomédicas. 1ra ed, pp 169191,230-254, Universidad Autónoma Metropolitana, México, 2000.. 47.

(58) ANEXOS. 48. ANEXOS. Anexo I. Programación del algoritmo.. %Se lee la imagen I = imread('dirección física donde se encuentra la imagen'); %Se aplica el método segmentación de Otsu. level = graythresh (I); %Se binariza la imagen BW = im2bw (I, level)'; %Se rellenan los "huecos" de la imagen BW2 = imfill (BW,'holes'); B=~(BW2); ee = imread('dirección física donde se encuentra el elemento estructurante'); % elemento estructurante ee=ee (:,:,1);%para tomar solamente el 1er plano del EE; ee = nrz(ee, 1); ee=logical(ee);%Da el EE en un arreglo lógico de ceros y unos IM2 = imerode(B,ee)';% erosionando [M, N]= size(IM2); % -------------------------------------------------------------------% type 1 : centered circle (CC) Z = ones (M, M); [X, Y] = meshgrid(1:M, 1:M); R = round(7*M/16); Z((((X-M/2).^2)/(M/N))+((Y-M/2).^2) < R^2) = 0; nZ = ones(M, N); if M < N d = round((N-M)/2); nZ(:, 1:M)= Z; nZ = dshift(nZ', d)'; elseif M > N d = round((M-N)/2); nZ = Z(:, 1:N); nZ = dshift(nZ', d)'; end CC = logical(nZ); % rectangle('Position',[1,2,5,10],'Curvature',[1,1],'FaceColor','r'); % -------------------------------------------------------------------% type 2a : rectángulo o franja horizontal (R2) Z = ones(M, N); Z(round(M/6):round(5*M/6),:)= 0; R2 = logical(Z); % --------------------------------------------------------------------.

(59) ANEXOS. 49. % type 2b para tener R3 (franja vertical: la "rotación" de R2) Z = ones(M, N); Z(:, round(N/6):round(5*N/6))= 0; R3 = logical(Z); % -------------------------------------------------------------------% type 3a : left half-circle (LC) Z = ones(M, M); [X, Y] = meshgrid(1:M, 1:M); R = round(3*M/8); Z((((X-M/4).^2)/3)+(Y-M/2).^2<R^2) = 0; nZ = ones(M, N); if M < N nZ(:, 1:M)= Z; elseif M > N nZ = Z(:, 1:N); end LC = logical(nZ); % -------------------------------------------------------------------% type 3b : right half-circle (RC) RC = logical(rot90(LC, 2)); % -------------------------------------------------------------------% type 3a : up half-circle (UC) Z = ones(M, M); [X, Y] = meshgrid(1:M, 1:M); R = round(3*M/8); Z((X-M/2).^2+(((Y-M/4).^2)/3)<R^2) = 0; nZ = ones(M, N); if M < N d = round((N-M)/2); nZ(:, 1+d:M+d)= Z; elseif M > N nZ = Z(:, 1:N); end UC = logical(nZ); % -------------------------------------------------------------------% type 3b : down half-circle (DC) DC = logical(rot90(UC, 2)); % -------------------------------------------------------------------% calculo de las distancias (a que modelo de imagen se asemeja más) d(1) = sum (sum(abs(IM2-CC))); % a un circulo? d(2) = sum(sum(abs(IM2-R2))); % a una franja horizontal? d(3) = sum(sum(abs(IM2-R3))); % a una franja vertical? d(4) = sum(sum(abs(IM2-LC))); % a un semicírculo a la izquierda? d(5) = sum(sum(abs(IM2-RC))); % a un semicírculo a la derecha? d(6) = sum(sum(abs(IM2-UC))); % a un semicírculo arriba? d(7) = sum(sum(abs(IM2-DC))); % a un semicírculo abajo? % ejemplo de etiquetas Label = {'Paciente: José.R Fernández Fernández ', 'Sexo: M', 'Especialista: María.C Rodrígues', 'Estudio: 04'... ,'Nombre del equipo: opcional', 'Datos del equipo : opcional', 'Fecha: 07-05-2011', 'Hora: 8:30' ,'Tamaño de la imagen:', '#de imagen: 11', 'Edad: 50años’, 'Hospital: Arnaldo Milían Castro '}; [s, i]= sort(d); figure; imshow(I,[]) L = .22; % Left R = .60; % Right.

(60) ANEXOS R2 U1 U2 D1 D2 Mx My. = = = = = = =. .65; .79; .81; .03; .05; .43; .45;. % % % % % % %. 50. Right 2 1.Up 2.Up 1.Down 2.Down Middle X Middle Y. annotation('textbox',[L U2, .3 .1], 'LineStyle','none','Color',[.8 'String', Label(1)); annotation('textbox',[L U1, .3 .1], 'LineStyle','none','Color',[.8 'String', Label(3)); annotation('textbox',[R U2, .3 .1], 'LineStyle','none','Color',[.8 'String', Label(2)); annotation('textbox',[R U1, .3 .1], 'LineStyle','none','Color',[.8 'String', Label(4)); annotation('textbox',[L D2, .3 .1], 'LineStyle','none','Color',[.8 'String', Label(7)); annotation('textbox',[L D1, .3 .1], 'LineStyle','none','Color',[.8 'String', Label(8)); annotation('textbox',[R D2, .3 .1], 'LineStyle','none','Color',[.8 'String', Label(6)); annotation('textbox',[R D1, .3 .1], 'LineStyle','none','Color',[.8 'String', Label(5)); switch i(1) case 1 % círculo title('circle: all labels'); annotation('textbox',[Mx U2, .3 'LineStyle','none','Color',[.8 .8 1], 'String', Label(11)); annotation('textbox',[Mx D1, .3 'LineStyle','none','Color',[.8 .8 1], 'String', Label(12)); annotation('textbox',[L My, .3 'LineStyle','none','Color',[.8 .8 1], 'String', Label(9)); annotation('textbox',[R2 My, .3 'LineStyle','none','Color',[.8 .8 1], 'String', Label(10)); case 2 %f horiz title('horiz: labels up & down'); annotation('textbox',[Mx U2, .3 'LineStyle','none','Color',[.8 .8 1], 'String', Label(11)); annotation('textbox',[Mx D1, .3 'LineStyle','none','Color',[.8 .8 1], 'String', Label(12)); case 3 %f vert title('vertic: lables left & right'); annotation('textbox',[L My, .3 'LineStyle','none','Color',[.8 .8 1], 'String', Label(9)); annotation('textbox',[R2 My, .3 'LineStyle','none','Color',[.8 .8 1], 'String', Label(10)); case 4 % semi-c r title('semic l: labels everywhere except middle left'); annotation('textbox',[Mx U2, .3 'LineStyle','none','Color',[.8 .8 1], 'String', Label(11)); annotation('textbox',[Mx D1, .3 'LineStyle','none','Color',[.8 .8 1], 'String', Label(12)); %annotation('textbox',[L My, .3 'LineStyle','none','Color',[.8 .8 1], 'String', Label(9));. .8 1], .8 1], .8 1], .8 1], .8 1], .8 1], .8 1], .8 1],. .1], .1], .1], .1],. .1], .1],. .1], .1],. .1], .1], .1],.

Figure

Fig. 1: Formación  de una  imagen  (donde  f (μ, β) es la  radiación  reflejada  y g (i, j)  es la  información  digital)
Fig.  4    Ejemplos  de  imágenes  obtenidas  por  diversas  modalidades,  a)  Radiografía  Digital,  b)  Resonancia  Magnética  Nuclear,  c)  Tomografía  por  Emisión  Positrones,  d)  Tomografía  Axial  Computarizada
Fig.  5 Posicionamiento  de los  cortes en tomografía.
Fig.  7.  Imágenes  de  TAC:  (a)  Corte  axial  en  el  plano  de  los  ventrículos,  (b)  Corte  en  el  plano  de las órbitas  (c)  Corte a la  altura  de pulmones,  (d) Corte a la  altura  del  abdomen
+7

Referencias

Documento similar

Dos profesores en los grupos de no SSEE en Inglés, Matemáticas y Lengua Proyectos de Innovación Educativa: Trabajo por centros de interés (tecnología, E. Física, Plástica y

• Las suscripciones a plataformas de contenidos audiovisuales OTT (que incluyen Amazon Prime Video, Netflix, HBO y Disney+) alcanzaron los 18,9 millones de abonados..

Industrial concentrado Industrial disperso Agrícola-Secano Agrícola-Regadío Otros usos rurales Forestal. Infraestructuras: carreteras Infraestructuras: ferrocarriles

La combinación, de acuerdo con el SEG, de ambos estudios, validez y fiabilidad (esto es, el estudio de los criterios de realidad en la declaración), verificada la

Por ejemplo, se tratan conceptos generales de procesamiento de imágenes digitales y de segmentación, así como todo el tratamiento que se ha llevado a cabo con las

que hasta que llegue el tiempo en que su regia planta ; | pise el hispano suelo... que hasta que el

U-Ranking cuenta con la colaboración del Ministe- rio de Universidades, al permitirnos el acceso al Sistema Integrado de Información Universitaria (SIIU). El SIIU es

El valor agregado 6 del indicador por universidad se pre- senta en una escala de 0 (mínimo valor obtenido por una universidad del sistema en ese indicador) a 100 (correspondiente