optar al título de grado en Ingeniería de Sistemas
Procesamiento de imágenes
dermatológicas para asistencia al
diagnóstico médico
Hugo N. Castillo - Mariano C. Díaz
Director:
Prof. Dr. José M. Massa
Universidad Nacional del Centro
de la Provincia de Buenos Aires
Facultad de Ciencias Exactas
amigos y profesores por ser apoyo incondicional, guía y acompañamiento.
Resumen 5
1. Introducción 7
1.1. Motivación . . . 7
1.2. Objetivos . . . 8
2. Marco Teórico 9 2.1. Imágenes Médicas . . . 10
2.2. Estructura de la piel . . . 11
2.2.1. Epidermis . . . 11
2.2.2. Dermis . . . 11
2.2.3. Grasa subcutánea . . . 12
2.3. Técnicas de observación de la estructura de la piel . . . 12
2.3.1. Fotografía dermatoscópica . . . 12
2.3.2. Fotografía con empleo de fluidos . . . 13
2.3.3. Fotografía dermatoscópica libre de fluidos con luz polarizada . 14 2.3.4. CSLM . . . 15
2.3.5. Dermatoscopía Multiespectral . . . 16
2.3.6. Tomografía de coherencia óptica . . . 16
2.3.7. Imágenes ultrasónicas de alta resolución . . . 17
2.4. Informática Médica . . . 18
2.5. Procesamiento de Imágenes y CAD . . . 18
2.6. PACS . . . 19
2.7. DICOM . . . 19
2.8. Procesamiento de imágenes . . . 20
2.8.1. Generación de la imagen . . . 20
2.8.2. Preprocesamiento . . . 21
2.8.3. Segmentación . . . 21
2.8.4. Extracción de características . . . 25
2.9. Diagnóstico clínico del melanoma . . . 30
2.9.1. Regla ABCD . . . 31
2.9.2. Regla ABCDE . . . 32
2.9.3. Método de scoring de Menzies . . . 32
2.9.4. Check list de 7 puntos . . . 32
3. Estado del Arte 35
3.1. Dispositivos comerciales de captura y análisis . . . 36
3.1.1. Basados en dermatoscopía . . . 36
3.1.2. Basados en OCT . . . 38
3.1.3. Basados en ultrasonido . . . 39
3.1.4. Basados en imágenes multiespectrales . . . 41
3.2. Sistemas para asistencia al diagnóstico . . . 41
3.2.1. Investigaciones y métodos propuestos . . . 41
4. Método Propuesto 45 4.1. Introducción . . . 45
4.2. Sistema CAD . . . 47
4.2.1. Entrada . . . 47
4.2.2. Generación de DICOM . . . 48
4.2.3. Registro de la información del paciente . . . 51
4.2.4. Análisis . . . 53
5. Aplicación 63 5.1. Usabilidad de la herramienta . . . 63
5.1.1. Preferencias . . . 64
5.1.2. Carga de archivo . . . 69
5.1.3. Creación de DICOM . . . 72
5.1.4. Localización de imagen . . . 73
5.1.5. Visualización de imagen . . . 76
5.1.6. Análisis . . . 78
5.1.7. Seguimiento de estudio . . . 85
5.1.8. Archivo en PACS . . . 89
6. Resultados 91 6.1. Flujo de trabajo . . . 92
6.2. Segmentación . . . 92
6.3. Cálculo de características . . . 95
6.3.1. Area . . . 95
6.3.2. Perímetro . . . 95
6.3.3. Simetría . . . 96
6.3.4. Diámetro . . . 98
6.3.5. Rectangularidad . . . 98
6.3.6. Irregularidad del borde . . . 98
7. Conclusiones 101
9. Apéndice 105
9.1. Obtención de Imágenes . . . 105
9.1.1. Rayos X . . . 105
9.1.2. Tomografía Computada . . . 105
9.1.3. Resonancia Magnética . . . 106
9.1.4. PET . . . 106
9.2. Integración con OpenEMR . . . 106
9.2.1. Mensajes HL7 . . . 107
9.3. Modelo de información DICOM . . . 108
9.3.1. VL Image Information Object Definition . . . 111
9.4. Nota de profesional médico . . . 113
Bibliografía 115
2.1. Estructura de la piel . . . 12
2.2. Imagen obtenida por dermatoscopía . . . 13
2.3. Técnica de empleo de fluidos . . . 14
2.4. Imagen obtenida empleando fluidos . . . 14
2.5. Imagen obtenida con luz polarizada . . . 15
2.6. Imagen obtenida mediante CSLM . . . 15
2.7. Técnica de coherencia óptica . . . 16
2.8. Imagen obtenida mediante ultrasonido . . . 18
2.9. Código en cadena . . . 26
2.10. Código: 21210066754444. Código normalizado: 00667544442121 . . . . 26
2.11. Modelo HSV . . . 29
2.12. Método ABCD . . . 30
3.1. FotoFinder . . . 36
3.2. DermoGenius . . . 37
3.3. DBDermo-Mips . . . 37
3.4. MoleMax . . . 38
3.5. VivoSight . . . 39
3.6. DermaScan-C . . . 39
3.7. Episcan . . . 40
3.8. DUB . . . 40
3.9. MelaFind . . . 41
4.1. Esquema general de la solución . . . 46
4.2. Entrada y análisis de la imagen . . . 48
4.3. Integración con OpenEMR . . . 49
4.4. Mapeo al modelo de datos DICOM . . . 50
4.5. Ejemplo seguimiento de un caso . . . 51
4.6. Localización de la lesión . . . 53
4.7. Procesamiento de la imagen . . . 54
4.8. Procesamiento Otsu. . . 56
4.9. Otsu. Imagen segmentada. . . 56
4.10.Region Growing. Selección de semillas. . . 57
4.11.Region Growing. Imagen segmentada. . . 57
4.12. Izq. Imagen original. Der. Imagen alineada sobre eje mayor . . . 58
4.15. a)Histograma H, b)Histograma S, c)Histograma V . . . 61
5.1. Inicio de la aplicación . . . 64
5.2. Menú . . . 64
5.3. Preferencias . . . 65
5.4. Layout . . . 65
5.5. Servidores PACS . . . 66
5.6. Configuración DCM4CHEE . . . 66
5.7. Servidores EMR . . . 67
5.8. Conector listener en Mirth Connect . . . 68
5.9. Conector sender en Mirth Connect . . . 68
5.10. Análisis . . . 69
5.11. Importar archivo . . . 70
5.12. Carga DICOM local . . . 70
5.13. Filtro de búsqueda DICOM . . . 71
5.14. Búsqueda de estudios en PACS . . . 71
5.15. Carga DICOM PACS . . . 72
5.16. Información DICOM . . . 72
5.17. Consulta EMR . . . 73
5.18. Filtro de búsqueda . . . 73
5.19. Localización . . . 74
5.20. Selección de paciente y estudio . . . 74
5.21. Localización de lesión . . . 75
5.22. Lesión registrada . . . 76
5.23. Visualización de imagen . . . 77
5.24. Información de metadata . . . 78
5.25. Exportar estudio . . . 78
5.26. Acceso a análisis de imagen . . . 79
5.27. Análisis de imagen . . . 79
5.28. Selección de método de segmentación . . . 80
5.29. Método Otsu . . . 80
5.30.ROI de la piel sana . . . 81
5.31.ROI de la lesión . . . 81
5.32. Método Region Growing . . . 82
5.33. Modos de visualización . . . 82
5.34. Ejes simetría . . . 83
5.35. Lesión aislada . . . 83
5.36. Imagen binarizada . . . 84
5.37. Presentación de resultados . . . 84
5.38. Registro de seguimiento . . . 85
5.39. Nuevo seguimiento . . . 85
5.40. Creación de seguimiento . . . 86
5.41. Visualización seguimiento . . . 86
5.43. Resultados seguimiento . . . 87
5.44. Ejemplo evoluciónDiámetro . . . 88
5.45. Ver descriptorABCD . . . 88
5.46. Ejemplo descriptorABCD . . . 89
5.47. Acceso envío a PACS . . . 89
5.48. Selección de estudio . . . 90
5.49. Envío de estudio a PACS . . . 90
6.1. Ejemplo 1: Izq: Otsu. Der:Region Growing . . . 92
6.2. Ejemplo 2: Izq: Otsu. Der:Region Growing . . . 93
6.3. Ejemplo 3: Izq: Otsu. Der:Region Growing . . . 94
6.4. Ejemplo 4: Izq: Otsu. Der:Region Growing . . . 94
9.1. Request HL7 . . . 107
9.2. Response HL7 . . . 107
9.3. Ejemplo request HL7 . . . 108
9.4. Ejemplo response HL7 . . . 108
9.5. Vista simplificada del modelo de datos DICOM . . . 108
9.6. Módulos obligatorios de VL Photographic Image IOD . . . 110
La dermatología es a menudo definida como una especialidad donde la mayoría de los diagnósticos pueden ser realizados a partir de la inspección visual de la piel. El diagnóstico de las enfermedades de la piel en dermatología es, en general, no invasivo y se basa en la distribución anatómica, color, configuración, y cambios visibles de la superficie de la lesión. En los últimos años, se han establecido varios esquemas de diagnóstico basados en la observación y análisis de estas características, entre ellos el métodoABCD, el método descoring de Menzies, elchecklist de 7 puntos, elchecklist
de 3 puntos, entre otros. Sin embargo, el diagnóstico es a menudo subjetivo y de baja precisión especialmente en manos de especialistas con poca experiencia [1]. Por otra parte, es fundamental un diagnóstico temprano de las enfermedades de la piel, por lo que se requieren procedimientos que permitan el seguimiento y reconocimiento de cambios de las características de la lesión a través del tiempo. Es por estas razones, que desde finales de los años 90 se han propuesto métodos automáticos y semi automáticos para el análisis y la clasificación de imágenes dermatológicas. El objetivo principal, es asistir al especialista en diferentes etapas del análisis, como la detección de los límites de la lesión, la cuantificación de las características de la lesión, la clasificación en diferentes tipos de lesiones, la visualización y el almacenamiento de la información obtenida, entre otras.
En este trabajo se presenta el desarrollo de un sistema de asistencia al diagnóstico, que incluye un conjunto de métodos, procedimientos y algoritmos de procesamiento digital de imágenes, para su utilización en la segmentación y caracterización de le-siones dermatológicas en base al métodoABCD. Este sistema presenta además, una interfaz de conversión de fotografías digitales dermatológicas al estándar DICOM
1.1.
Motivación
Este trabajo surge ante la posibilidad de contribuir, por medio de la construcción de una herramienta extensible y específica, a la investigación de la aplicación del procesamiento de imágenes en el área de la dermatología.
Desde el punto de vista del procesamiento de imágenes, el uso de los diferentes algoritmos en imágenes médicas constituye un verdadero desafío, debido a la gran variabilidad de éstas y a los factores que obligan a desarrollar nuevos algoritmos o introducir cambios en los ya existentes. En el caso de las imágenes dermatológicas, esto se potencia debido a la gran cantidad de variantes existentes (diferentes tipos de lesiones y estadios de las mismas, diferentes métodos de captura, problemas de perspectiva, etc.). En lo que respecta a la informática médica, actualmente es de gran auge la aplicación de estándares en conjunto con sistemas de comunicación y almacenamiento de imágenes y datos médicos.
Por otra parte, la dermatología es a menudo definida como una especialidad donde la mayoría de los diagnósticos pueden ser realizados a partir de la inspección visual de la piel. El diagnóstico de las enfermedades de la piel en dermatología es, en general, no invasivo y se basa en la distribución anatómica, color y cambios visibles de la superficie de la lesión. En algunos casos, una biopsia de la piel puede ser realizada, pero ésta a su vez da nuevamente la oportunidad de una evaluación visual de la lesión en cuestión a través de un microscopio[2].
1.2.
Objetivos
El objetivo general de esta tesis de grado es la aplicación de un conjunto de métodos, procedimientos y algoritmos de procesamiento digital de imágenes para su utiliza-ción en la detecutiliza-ción y mediutiliza-ción de lesiones dermatológicas. Además se planifica la implementación de estos métodos en una herramienta de forma que puedan estar disponibles para los profesionales del área.
Específicamente, se desea permitir al profesional médico la aplicación de los al-goritmos mencionados y así disponer de mayor información para el diagnóstico, brindándole además, un método de seguimiento y localización de lesiones de la piel utilizando modelos en 3D.
El procesamiento de imágenes aplicado en este trabajo, tiene la finalidad de obtener resultados cuantitativos de las lesiones dermatológicas, para establecer una fuente de información que sirva como base para la aplicación del método de diagnóstico clínico conocido como ABCDE en eventuales trabajos futuros.
La dermatología es la especialidad médica encargada del estudio de la estructura y función de la piel, así como de las enfermedades que la afectan, ofreciendo su prevención, diagnóstico y tratamiento.
La unión de las ciencias biológicas y de la información produjo un cambio de pa-radigma en el área de la salud[4]. Tanto en la práctica clínica diaria como en la investigación, el procesamiento digital de la información médica ha abierto muchas posibilidades de mejorar el diagnóstico y el planeamiento quirúrgico o terapéutico.
La informática médica (HCI), es una disciplina en la cual se combinan las ciencias de la información y de la salud estableciendo los dispositivos, recursos y métodos re-queridos para optimizar la adquisición, almacenamiento, recuperación y utilización de la información en el área de la salud y la biomedicina. Dentro de las herramien-tas desarrolladas y cumpliendo un papel muy importante en este área se encuentran los sistemas CAD[5], los sistemas EMR[6] para gestión de historias clínicas y los sistemas PACS[7] ampliamente utilizados para administrar, almacenar, recuperar y distribuir información e imágenes médicas de manera digital. El formato universal de archivo utilizado por estos sistemas para almacenar y transmitir datos e imáge-nes es DICOM[8][9], el cual permite encapsular tanto imágenes obtenidas mediante las diferentes modalidades de captura existentes como también información relativa al paciente, al profesional médico, al estudio y al diagnóstico. DICOM, además de definir un formato de archivo para el almacenamiento y la manipulación de los datos médicos, establece un protocolo de comunicación estandarizado para la transmisión de los mismos. En este sentido, los sistemas PACS dirigen algunos de los desafíos relacionados a la administración de datos médicos, entre ellos la posibilidad de pro-ducir grandes atlas digitales y sistemas de software de análisis de imágenes para la asistencia en las actividades de diagnóstico[10].
Las imágenes médicas tienen un rol importante en el cuidado de cualquier sistema biológico. Actualmente, es una de las áreas de más rápido crecimiento dentro de la medicina tanto en el ámbito clínico como en el de la investigación y desarrollo, permitiendo la detección y localización de las enfermedades.
de coherencia óptica e imágenes ultrasónicas de alta resolución. Todas las técnicas mencionadas anteriormente se encuentran estrechamente relacionadas con el área de procesamiento de imágenes.
La fotografía dermatoscópica es un método que consiste en tomar una fotografía digital del área de la piel a examinar utilizando dermatoscopía[11], la cual es una técnica ampliamente utilizada para diagnosticar enfermedades de la piel. Existen dermoscopios con facilidades de captura de imágenes incluidas o simplemente poseen soportes para adosarles una cámara digital para tomar la fotografía. La resolución de las imágenes obtenidas depende del sistema óptico que se utilice para registrarlas. Con esta técnica, la capa mas profunda de la piel que puede alcanzarse es la dermis papilar. La principal desventaja de esta técnica es la captación de reflexiones de la luz sobre la superficie de la piel (estrato córneo), que pueden degradar la calidad de detalles que pueden observarse en la imagen en estudio.
A continuación, se presentan los conceptos antes mencionados sobre los cuales se basa el presente trabajo.
2.1.
Imágenes Médicas
Las imágenes médicas tienen un rol importante en el cuidado de cualquier sistema biológico, y tanto en el ámbito clínico como en la investigación, es una de las áreas de más rápido crecimiento dentro de la medicina en el presente. Los avances de la investigación en el área de las imágenes médicas, han traído beneficios en todo el proceso del cuidado de la salud y tratamiento de enfermedades que incluyen: la pre-vención, el diagnóstico temprano de la enfermedad, la optimización en la elección del tratamiento, la intervención quirúrgica mínimamente invasiva guiada por imágenes y el pronóstico de los resultados de la intervención.
Si bien las imágenes médicas fueron tradicionalmente una herramienta para la re-presentación no invasiva de la anatomía y para la detección y localización de las enfermedades, una amplia variedad de nuevas técnicas y métodos pueden producir información biológica importante acerca de la fisiología, funciones del organismo, bioquímica, metabolismo y biología molecular. Estas nuevas técnicas, combinan la habilidad de medir y cuantificar los procesos biológicos con la habilidad de loca-lizarlos dentro de una misma imagen anatómica de alta calidad. Además, existen en la actualidad técnicas avanzadas que permiten el reemplazo de la cirugía por el tratamiento basado en imágenes.
Los métodos de obtención de imágenes médicas abarcan diferentes modalidades co-mo: rayos X en la radiografía, la tomografía computada (CT), resonancia magnética (MRI), ultrasonido (US), la tomografía por emisión de positrones (PET) y la to-mografía computada de emisión monofotónica (SPECT), y también varias relativas a la obtención de imágenes ópticas. Algunas de estas técnicas, se describen en la
2.2.
Estructura de la piel
Antes de continuar con las siguientes técnicas para la visualización de los tejidos de la piel, se presenta una descripción de sus propiedades físicas.
La piel esta compuesta por la epidermis, dermis y grasa subcutánea. Muchas enfer-medades de la piel afectan a una capa de la piel en particular. Para la extracción de las características de la piel o de la lesión, es útil utilizar un modelo multicapa: Estrato corneo, Epidermis, Dermis papilar, y Dermis reticular [12][13][14].
2.2.1.
Epidermis
Esta capa es la más externa de la piel y está compuesta de tejido conectivo. Tam-bién contiene células productoras de melanina, los melanocitos. En esta capa hay una fuerte absorción de luz azul y ultravioleta. Los melanocitos absorben la mayoría de esta luz. De esta manera, se comporta como un filtro azul y ultravioleta, cuyas características dependen de la concentración de melanocitos. Dentro de la capa epi-dérmica se produce muy poca dispersión, el resultado es que toda la luz no absorbida por la melanina se puede considerar que pasa a la dermis. El estrato corneo es la capa más externa de la epidermis y tiene una configuración física en capas de células que contienen queratina. Además de sobrevivir un tiempo determinado en la super-ficie de la epidermis, es además un factor de protección en forma de película plana que termina desprendiéndose por medio de la exfoliación una vez que ha superado su etapa de maduración. Debido a que es un estrato superficial de la piel, su grosor varia según su localización en el cuerpo [2].
2.2.2.
Dermis
en forma compacta, dando resistencia y elasticidad a la piel. Posee fibras musculares lisas que corresponden a los músculos erectores del vello [2].
2.2.3.
Grasa subcutánea
También llamada hipodermis, esta capa esta compuesta de tejido adiposo separado por tejido conectivo conteniendo vasos sanguíneos, y nervios. Cumple la función de aislamiento térmico y de reserva nutricional. Su grosor también varía dependiendo de la ubicación anatómica, género y estilo de vida de cada persona.
La Figura 2.1 grafica el modelo de capas y la composición de cada una de ellas.
Figura 2.1: Estructura de la piel
2.3.
Técnicas de observación de la estructura de la
piel
En esta sección se describen las técnicas de observación de la estructura de la piel que son relevantes en este trabajo, ya que condicionan la entrada de información a analizar.
2.3.1.
Fotografía dermatoscópica
esta manera, el dermatoscopio actúa como un “microscopio” con su propia fuente de luz permitiendo obtener imágenes de gran detalle. Por otra parte, es posible ob-tener imágenes de este tipo utilizando simplemente soportes que permitan adosarles una cámara de fotos digital, haciendo que la resolución de las imágenes obtenidas dependan del sistema óptico que se utilice para registrarlas.
Con esta técnica la capa mas profunda que puede alcanzarse es la dermis papilar y su principal desventaja, es la captación de reflexiones de la luz sobre la superficie de la piel (estrato córneo) que suelen degradar la calidad de detalles que pueden observarse en la imagen. Para contrarrestar este problema, es común aplicar un líquido o fluido entre la lente y la piel como medio para mejorar su translucidez. En los dermatoscopios modernos, este fluido no es necesario ya que utilizan una fuente de luz polarizada que elimina el problema de la reflexión [15]. La Figura 2.2 muestra una imagen obtenida por medio de esta técnica.
Figura 2.2: Imagen obtenida por dermatoscopía
2.3.2.
Fotografía con empleo de fluidos
Figura 2.3: Técnica de empleo de fluidos
Figura 2.4: Imagen obtenida empleando fluidos
2.3.3.
Fotografía dermatoscópica libre de fluidos con luz
polarizada
Este método da un resultado similar al descripto previamente. Es un método “lim-pio” de obtención de imágenes ya que la piel se mantiene seca y no tiene contacto con la cámara.
Figura 2.5: Imagen obtenida con luz polarizada
2.3.4.
CSLM
En esta técnica de escaneo microscópico con láser, el rayo es enfocado a una capa de piel en particular obteniendo una imagen 2D a partir de un escaneo de dicha capa. Se utiliza cuando se quiere alcanzar capas profundas de la piel.
La principal ventaja de este método, es la posibilidad de visualizar con detalle y de manera no invasiva a los componentes celulares de la lesión. Los microscopios confocales tienen un alto nivel de sensibilidad comparados con los microscopios con-vencionales ya que poseen detectores altamente sensibles.
Aunque la microscopía confocal se encuentra actualmente en estado de desarrollo, entre sus desventajas pueden incluirse su alto costo y su campo de visión relati-vamente bajo. Sin embargo, aun cuando su uso está limitado a la investigación, tiene grandes implicancias clínicas para la dermatología en el futuro [2] [18]. En la Figura 2.6 se observa una imagen obtenida mediante CSLM.
2.3.5.
Dermatoscopía Multiespectral
Una imagen multiespectral es aquella en la cual se captura información de la ima-gen a frecuencias específicas del espectro electromagnético. Las longitudes de onda pueden ser separadas por filtros o por el uso de instrumentos que son sensibles a una longitud de onda particular, incluyendo la luz de frecuencias mas allá del rango visible por el ojo humano, como el infrarrojo. Es por esto que las imágenes multi-espectrales permiten la extracción de información adicional que el ojo humano no puede observar. El conocimiento de que la luz a diferentes longitudes de onda pene-tra la piel a diferentes profundidades, permite a los investigadores evaluar lesiones a longitudes de onda específicas de luz desde el infrarrojo hasta cerca del rango ul-travioleta. A la secuencia de imágenes obtenidas a diferentes longitudes de onda de la luz se la denomina imagen multiespectral [2][19].
2.3.6.
Tomografía de coherencia óptica
La tomografía de coherencia óptica (OCT) es una técnica de imagen tomográfi-ca óptitomográfi-ca, no invasiva e interferométritomográfi-ca, que ofrece una penetración de milímetros (aproximadamente 2-3 mm en el tejido) con resolución axial y lateral de escala mi-crométrica. La OCT permite obtener imágenes de cortes transversales de la piel en 2 y 3 dimensiones en pocos segundos. Este método utiliza radiación de luz emiti-da desde una fuente (diodo superluminescente) operando a una longitud de onemiti-da cercana a la del infrarrojo.
La técnica fue primero demostrada en los años 90 con una resolución axial de ~30µm. Desde entonces, la OCT ha alcanzado una resolución submicrométrica (año 2001) debido a la introducción de fuentes de luz de longitud de onda amplia (fuentes emitiendo longitudes de onda sobre un rango de ~100 nm).
Figura 2.7: Técnica de coherencia óptica
rayo de la referencia da lugar a un patrón de interferencia, pero solamente si la luz de ambos rayos ha viajado la “misma” distancia óptica (“misma” en el sentido de considerar el error respecto de la longitud de coherencia). Explorando el espejo en el rayo de referencia, puede ser obtenido un perfil de reflectividad de la muestra (éste es dominio de tiempo OCT). Las áreas de la muestra que reflejan de vuelta mucha luz crearán mayor interferencia que las áreas que no lo hacen. Cualquier luz que esté fuera de la longitud de coherencia no interferirá. Este perfil de reflectividad llamado A-scan, contiene información sobre las dimensiones y la localización espaciales de estructuras dentro del área de interés. Un tomógrafo de corte transversal (B-scan) puede ser alcanzado al combinar lateralmente una serie de estas exploraciones de profundidad axial (A-scan). Dependiendo del motor de imagen usado, es posible la imagen de cara (C-scan) a una profundidad adquirida [2][20].
2.3.7.
Imágenes ultrasónicas de alta resolución
El escaneo por ultrasonido se ha convertido en una importante herramienta de diag-nóstico en dermatología, existiendo dos tipos básicos de ultrasonografía con aplica-ciones dermatológicas. La mejor establecida es el scanning 20 MHz, el cual puede ser usado para medir tamaño de tumores y espesor de la piel cuando se tratan enfermedades inflamatorias como psoriasis o escleroderma.
Así mismo, las pruebas en tiempo real con sonógrafos de 7.5 a 10 MHz han te-nido un rol importante desde que se han empleado para la búsqueda de tumores subcutáneos. Las imágenes con ultrasonido son generadas debido a las diferentes propiedades acústicas de los tejidos y la frecuencia de ultrasonido empleado deter-mina la penetración en el cuerpo y resolución de dichas imágenes. Los impulsos sonoros de alta frecuencia son transmitidos dentro de la piel y luego reflejados o retransmitidos cuando chocan con los tejidos. De este modo, la amplitud de la in-tensidad de las reflexiones a diferentes profundidades de la piel son mapeados en una pantalla para formar un gráfico unidimensional, conocido como A-scan (vista por amplitud). La imágen de una sección de corte vertical, la cual es la mas común representación de la información de ultrasonido, es llamada B-scan (vista por brillo). La B-scan utiliza el nivel de brillo de múltiples A-scans para construir una imagen de dos dimensiones. La tecnología disponible actualmente también permite obtener imágenes 3D (C-scan) de estructuras de la piel. Aunque este tercer modo puede proveer imágenes superiores, todavía se encuentra en una fase experimental.
Figura 2.8: Imagen obtenida mediante ultrasonido
2.4.
Informática Médica
La informática médica (HCI), es una disciplina en la cual se combinan las ciencias de la información y de la salud estableciendo los dispositivos, recursos y métodos re-queridos para optimizar la adquisición, almacenamiento, recuperación y utilización de la información en el área de la salud y la biomedicina. Entre las herramientas para lograr esto, se incluyen guías clínicas, terminologías médicas y sistemas de informa-ción y comunicainforma-ción, aplicándose a diversas áreas de la salud tanto en el cuidado clínico como el ámbito de la investigación. Dentro de las herramientas desarrolladas se encuentran los sistemas CAD, PACS y el estándar DICOM entre otros.
2.5.
Procesamiento de Imágenes y CAD
2.6.
PACS
Un sistema PACS es una tecnología desarrollada para el almacenamiento, visuali-zación y transferencia de información e imágenes médicas. Consiste en subsistemas dedicados para la generación de la información, las imágenes, el almacenamiento y la visualización de las mismas, integrados mediante una red y aplicaciones de software. Muchos hospitales e instituciones de la salud, tanto públicos como privados alrededor del mundo, han implementado grandes sistemas de este tipo para lograr acceso efi-ciente a las imágenes, estudios, e información médica relacionada reduciendo costos operacionales.
La infraestructura de un sistemaPACS permite la integración de dispositivos distri-buidos y heterogéneos de generación de imágenes médicas y la administración de una base de datos inteligente de toda la información relacionada al paciente y maneras eficientes de ver, analizar y documentar resultados de estudios.
El estándar utilizado para el almacenamiento y transferencia de las imágenes médicas y la información relacionada al paciente y el estudio en un sistema PACS es el formato DICOM.
2.7.
DICOM
El comienzo de la utilización de imágenes médicas y el uso de computadoras para el procesamiento de dichas imágenes en los años 70, llevó a la conformación en 1983 de un comité para la creación de métodos estándar para la transmisión de las imágenes médicas y su información asociada. Este comité estuvo integrado por la American College of Radiology (ACR) y la National Electrical Manufacturers Association (NEMA) y en 1985 fue publicado el estándar ACR-NEMA para tal objetivo. En los años anteriores, la comunicación de la información médica se hacía mediante la transferencia, a través de una red o dispositivos, de archivos almacenados en formatos propietarios.
El estándar ACR-NEMA, evolucionó hasta su versión 3.0 en 1993 donde se lo re-nombró a DICOM (Digital Imaging and Communications in Medicine) y a partir de ese momento establece no solo la estandarización de la transmisión de imágenes médicas si no de la visualización y almacenamiento, facilitando el desarrollo y la expansión de los sistemas PACS e interactuando con otros sistemas de información médica.
de estándares en dermatología, pero este grupo no se encuentra activo actualmente. No obstante, la American Telemedicine Association (ATA) en su documento “Prac-tice Guidelines for Teledermatology” publicado en diciembre de 2007 establece los procedimientos para la utilización de DICOM en teledermatología de manera de estandarizar a bajo costo, el proceso de adquisición de las imágenes, el proceso de almacenamiento y transmisión y el de acceso y visualización de las imágenes [22][23] aprovechando las oportunidades de interoperatividad existentes en el área de la in-dustria médica.
2.8.
Procesamiento de imágenes
En el diagnóstico asistido por computadora se utilizan las técnicas de procesamiento y obtención de imágenes, para analizar las imágenes médicas generadas mediante las distintas tecnologías tales como: MRI, rayos-X, ultrasonido entre otras. De esta manera, se extraen, clasifican y presentan características de la imagen conformando un sistema que no solo provee al médico de la información necesaria durante la etapa de diagnóstico, sino que también administra los diferentes recursos computacionales, brinda una interfaz entre el especialista y las técnicas de procesamiento, permite el almacenamiento y recuperación de la información tanto no clasificada como de casos diagnosticados y puede controlar el proceso de digitalización de las imágenes.
El análisis de imágenes comprende la medición de objetos dentro de una imagen, preferentemente de manera automática, asignando éstos a grupos o clases. Gene-ralmente, el proceso se inicia aislando el objeto o región de interés del resto de la imagen (proceso de segmentación), posteriormente se toman medidas de determina-das características como tamaño, forma y textura para luego clasificar dichos objetos en grupos de acuerdo a estas características. El último paso es la clasificación o el reconocimiento de patrones que es utilizado, por ejemplo, para clasificar lesiones como benignas o malignas [24]. El procesamiento de imágenes ha resultado ser una herramienta con un alto potencial en un sinfín de aplicaciones en donde se manipula una imagen digital para obtener las características más importantes que permitan trabajar con ella eficientemente.
2.8.1.
Generación de la imagen
poder analizarla y extraer la mayor cantidad de información de diagnóstico como sea posible.
Dentro del área de la dermatología, las imágenes dermatoscópicas son básicamente, fotografías digitales de una lesión de la piel tomadas con una cámara equipada con una extensión especial de la lente. El objetivo acoplado al dermatoscopio actúa como un microscopio con su propia fuente de luz sobre la superficie de la piel de manera uniforme. Las imágenes digitales adquiridas con un dermatoscopio son de la suficiente resolución como para permitir un análisis preciso.
2.8.2.
Preprocesamiento
El propósito de esta etapa es asegurar que todas las imágenes sean consistentes en determinadas propiedades antes de iniciar su análisis. De esta manera, es posible obtener a partir de una imagen original, otra final cuyo resultado sea el adecuado para una aplicación específica mejorando ciertos aspectos que posibiliten efectuar operaciones del análisis. En el caso de imágenes que son obtenidas mediante derma-toscopía, estos pueden ser: la normalización del rango de color, ajuste de la escala, ecualización de la iluminación, normalización de la resolución y eliminación de ruido o elementos no deseados, como el vello. El resultado de la aplicación de esta eta-pa son imágenes en las cuales se obtiene una mejor diferenciación de los detalles y eficiencia en la posterior extracción de características. Un ejemplo de operación elemental como normalización de la imagen es la resolución coincidente, de esta ma-nera, suponiendo que se tiene el tamaño de la imagen en píxeles y todas las imágenes están en la misma proporción, es posible encontrar las imágenes de resolución más pequeña y luego escalar las imágenes más grandes para que coincida con el tamaño de las menores. Esta operación, por ejemplo, permite el cálculo de las características de dimensión de la lesión. Es posible además, normalizar los otros parámetros como la paleta de colores, saturación y la normalización de los componentes de color [25].
2.8.3.
Segmentación
cuales no se pueden hacer suposiciones sobre las características de la imagen, se uti-lizan algoritmos no supervisados, es decir, no reciben ningún parámetro de entrada que ayude a tomar las decisiones lógicas.
Los algoritmos de segmentación se basan en una de estas dos propiedades básicas de los valores del nivel de gris: discontinuidad o similitud entre los niveles de gris de píxeles vecinos [26]:
Discontinuidad
Se divide la imagen basándose en cambios bruscos de nivel de gris. Las principales técnicas se basan en:
Detección de lineas
Detección de puntos aislados
Detección de bordes
Similitud
Se divide la imagen basándose en la búsqueda de zonas que tengan valores similares, conforme a unos criterios prefijados:
Umbralización
Region Growing
Los métodos más utilizados son los dos últimos, los cuales se detallarán a continua-ción.
2.8.3.1. Umbralización
que sea sensible al ruido y heterogeneidades de intensidad, las cuales pueden ocurrir en imágenes de resonancia magnética. Estos factores corrompen el histograma de la imagen, haciendo la separación más difícil [28].
Método de Otsu
El objetivo de esta técnica es encontrar el umbral (threshold) óptimo de manera que divida al conjunto de píxeles en dos clases tales que la suma de sus varianzas pon-deradas sea mínima (weighted within-class variance). Dado que opera directamente sobre el histograma del nivel de gris de cada píxel, es un método de búsqueda rápida (una vez que el histograma ha sido calculado). Este método supone una distribución bimodal del histograma.
Suponiendotel umbral buscado, la varianza ponderada intra-clase (weighted within-class variance) que debe ser minimizada es:
σw2(t) =q1(t)σ12(t) +q2(t)σ22(t)
donde la probabilidad para cada clase es calculada como:
q1(t) =
t
X
i=1 P(i)
q2(t) =
n
X
i=t+1 P(i)
siendo i cada valor del histograma y n el máximo valor del histograma. Entonces, la media ponderada de cada clase es:
µ1(t) =
t
X
i=1 iP(i)
q1(t)
µ2(t) = n
X
i=t+1 iP(i)
q2(t)
Finalmente, la varianza ponderada de cada clase es:
σ12(t) = t
X
i=1
[i−µ1(t)]2 P(i)
qt
1(t)
σ22(t) = n
X
i=t+1
[i−µ2(t)]2 P(i)
qt
2(t)
Con lo anterior, es posible recorrer los valores del histograma y encontrar el valor t
que minimice el valor de σ2
clase y la varianza entre cada clase puede ser explotada para generar un algoritmo recursivo que permita un cálculo mucho mas rápido. Para cualquier umbral dado, la varianza total es la suma de la varianza (ponderada) intra-clase y la varianza entre cada clase. Por lo tanto, la varianza total puede ser expresada como:
σ2 =σw2(t) +q1(t) [1−q1(t)] [µ1(t)−µ2(t)]2
Entonces, dado que σ2 es constante en la imagen e independiente del umbral t,
minimizar la varianza intra-clase es lo mismo que maximizar la varianza inter-clase definida como:
σ2B(t) =q1(t) [1−q1(t)] [µ1(t)−µ2(t)] 2
y con esto es posible calcular los valores posibles deσ2
B(t) recursivamente avanzando sobre el rango de valores de t.
2.8.3.2. Region Growing
El objetivo principal de este método, es encontrar áreas o sectores de interés en la imagen mediante el agregado de píxeles individuales llamados semillas hasta for-mar un conjunto de ellos llamados región. Inicialmente propuesto por Rolf Adams y Leanne Bischof en 1994 [29], el método Region Growing parte de un píxel inicial osemilla perteneciente a laregión de interés, y la hace crecer añadiendo los píxeles adyacentes que sean similares al inicial de acuerdo a cierta propiedad definida. Debi-do a la naturaleza de este algoritmo de segmentación, tanto la selección de lasemilla
inicial como el criterio para determinar si un píxel debe ser añadido a la región o no, son determinantes y afectan al resultado de la selección de las regiones de interés. En la aplicación más simple de este algoritmo, un operador humano selecciona las semillas y se completa el proceso automáticamente. Pero existen dos problemas: que el usuario se equivoque en su elección o que ésta recaiga en un punto singular de la imagen. Por esta razón, se han desarrollado numerosas propuestas para la selección automática de las semillas. Con respecto al criterio para calcular la pertenencia de un píxel a cierta región, este podría ser, por ejemplo, la intensidad del píxel, la textura de niveles de gris o el color. Dado que las regiones se obtienen en base a este criterio de pertenencia, la información de la imagen en sí es importante. Por ejemplo, si se acepta un valor umbral de intensidad de píxel, el conocimiento del histograma de la imagen podría ser de utilidad. El algoritmo suele ser recursivo, de modo que, con cada punto nuevo obtenido, se realiza el mismo proceso tomándolo como semilla. Este proceso iterativo se aplica hasta que no haya cambio en dos etapas sucesivas.
interacción manual para obtener el punto semilla. Los algoritmos de división y mez-cla (split and merge) están relacionados con Region Growing pero no requieren una semilla.
2.8.3.3. Histograma
Los métodos basados en el histograma son muy eficientes en comparación con otros métodos de segmentación de la imagen, ya que normalmente requieren sólo una pa-sada por los píxeles. En esta técnica, un histograma se calcula a partir de todos los píxeles de la imagen, y los picos y valles en el histograma se utilizan para localizar las regiones teniendo en cuenta tanto el color como la intensidad. Un refinamiento de esta técnica consiste en aplicar de forma recursiva el método de búsqueda de histograma a los clusters de la imagen con el fin de dividirlos en grupos más peque-ños. Esto se repite con todas las agrupaciones cada vez más pequeñas, hasta que no se puedan formar más agrupaciones. Una desventaja del método de búsqueda de histograma es que puede ser difícil de identificar los picos y valles importantes en la imagen.
2.8.4.
Extracción de características
La clasificación es, generalmente, la etapa final en el proceso de análisis de una imagen. En esta etapa, se ordenan los objetos (región de interés) obtenidos de la segmentación de una o varias imágenes en clases particulares. Dicha clasificación, puede ser llevada a cabo a partir del reconocimiento de patrones o a partir de la medición de ciertas propiedades del objeto o región de interés, entre las cuales pueden encontrarse tanto propiedades cromáticas como morfológicas o estructurales. A continuación, se detallarán algunas de estas características.
2.8.4.1. Perímetro o detección de contorno
La detección de contorno se aplica principalmente a imágenes en escala de grises y binarias. Es útil para visualizar la separación del objeto buscado o región de interés del resto de las áreas que componen la imagen. Los métodos de detección de contorno generalmente buscan aquellas regiones donde la intensidad de los píxeles cambia rápidamente, ya que esta característica suele indicar el borde o límite entre un objeto y el fondo. El perímetro indica la longitud de la línea del borde externo de la región de interés.
Código en cadena
cadena posee dos componentes: las coordenadas del punto de inicio y una secuencia de códigos representando la posición relativa del píxel inicial y los subsiguientes. El código en cadena es generado haciendo uso del cambio de dirección de los píxeles conectados que conforman el borde o límite de la región de interés. El método de Freeman se basa en la observación de que cada píxel tiene 8 píxeles vecinos, como puede verse en la Figura 2.9
Figura 2.9: Código en cadena
Para que el resultado del código en cadena no dependa del punto de partida, el mismo se puede considerar como una secuencia circular de números. Por lo tanto, el punto de inicio puede ser redefinido de tal manera que la secuencia de números resultante conforme el mínimo número entero posible [31]. Un ejemplo puede verse en la Figura 2.10 donde se muestra un código en cadena resultado teniendo en cuenta un punto de partida inicial determinado y el resultado luego de que el código es normalizado por este método.
Figura 2.10: Código: 21210066754444. Código normalizado: 00667544442121
2.8.4.2. Rectangularidad
Matemáticamente, la rectangularidad puede definirse como una función que relacio-na el área de urelacio-na región y el área del mínimo rectángulo contenedor de la misma región. El mínimo rectángulo contenedor es el rectángulo de menor área que delimita o contiene a la región. Dos de sus lados son paralelos al eje mayor y los otros dos perpendiculares a él. Se define como:
R= A
donde A es el área de la región de interés y Amr el área del mínimo rectángulo contenedor.
2.8.4.3. Area
Mide la extensión del objeto o la región de interés. Puede estar definida en cantidad de píxeles o unidades de medida predefinidas comomm2,µm2, etc. Existen diferentes
métodos para calcular el área de un objeto, uno de ellos está basado en el teorema de Green [32].
2.8.4.4. Diámetro
El diámetro indica la longitud de la linea recta entre dos puntos cualesquiera del borde de la región de interés pasando por el punto central de dicha región. Para regiones que no son círculos perfectos, el diámetro variará según el par de puntos que se seleccionen para medirlo. Por esta razón, es particularmente interesante medir el diámetro máximo, el cual indica la distancia máxima entre dos puntos cualesquiera a lo largo del límite o borde del objeto o región de interés. Esta medida también es conocida como máximo calibre.
2.8.4.5. Simetría
Es uno de los parámetros más importantes que se utilizan en la diferenciación de los tumores malignos de lesiones benignas. Un índice de asimetría sobre la base de los ejes principales de la lesión, fue propuesto por Stoecker[33]. En este método, un índice de asimetría se calcula a partir de la diferencia más pequeña entre el área de la región de interés y la región de interés reflejada sobre su eje principal. Para el cálculo de este descriptor, es necesario calcular los ejes principales del objeto o región de interés que dividen a ésta en cuatro subregiones. Además del análisis de simetría en términos de la forma, es importante cuantificar la simetría de la lesión en términos de color. Una estimación de este indicador, consiste dividir la imagen en cuatro secciones de acuerdo a sus ejes y evaluar las diferencias cromáticas comparando los histogramas de cada sección opuesta [34].
2.8.4.6. Irregularidad del borde
Método de Box counting
Dada una estructura fractal A dentro de un volumen D-dimensional, el método de
box counting [36] consiste en particionar el espacio de la estructura con una grilla D-dimensional de cuadrados de igual tamaño de lado r. Así, el número N(r) de cuadrados de lador no vacíos necesarios para cubrir toda la estructura depende de
r:
N(r)∼r−D
Por lo tanto, el algoritmo de box counting cuenta el número N(r) para diferentes valores de r y traza el logaritmo del número N(r) versus el logaritmo del lado de cuadrado r. El valor de la dimensión fractal D calculado es entonces:
−D= l´ım r→0
logN(r) logr
Circularidad
Otra medida que puede utilizarse para estimar la irregularidad del borde, es la de compactibilidad o circularidad. Este descriptor puede calcularse mediante el coefi-ciente isoperimétrico de la curva cerrada que forma el límite de la región de interés [37], siendo el coeficiente isoperimétrico, la relación entre el área de la curva y el área de un círculo (A =πr2
A) con el mismo perímetro (P = 2πrp) que la curva. De esta forma, se obtiene que la circularidad esQ= 4PπA2 dondeA es el área de la región de interés y P su perímetro [38]. Por último, la desigualdad isoperimétrica indica que
Q ≤ 1 solo siendo Q = 1 para el caso de un círculo. La compactibilidad se define comoC = Q1 es decir, C= 4PπA2 . Esta medida, suele ser confusa debido a que objetos muy compactos presentan un bajo valor de C mientras que a medida que el valor deC aumenta, estos se vuelven menos compactos. El factor 4π asegura el valor de
C = 1(el valor mínimo posible) para un círculo.
2.8.4.7. Análisis cromático
Los modelos de color son utilizados para especificar los colores como puntos en un sistema de coordenadas, creando un estándar específico.
El modeloRGB (rojo, verde, azul) es de los mas utilizados especialmente en imáge-nes digitales de 8 bits de dispositivos electrónicos como TVs, monitores y cámaras digitales. El píxel de una imagen representada en este modelo normalmente tiene 8 bits de profundidad resultando en 256 posibles intensidades (un rango de 0 a 255 para cada color). Sin embargo, el modelo RGB puede no ser el más eficiente a la hora de procesar imágenes a color.
de desarrollar algoritmos de procesamiento de imágenes basados en un modelo de percepción humano del color. El valor de hue contiene la información relacionada a la longitud de onda dominante en la mezcla de las ondas luminosas, es el color en el espectro completo, desde el rojo al violeta y magenta. El valor de saturation
describe el nivel de la cantidad de luz blanca en hue definiendo la “pureza” del color. También puede ser definido por la cantidad de gris que contiene un color, mientras más gris o más neutro es, menos brillante o menos “saturado” es. Por último, el valor o brillo indica que tan claro u oscuro parece un color, y se refiere a la cantidad de luz percibida. El brillo representa lo claro u oscuro que es un color respecto de su color patrón.
Figura 2.11: Modelo HSV
La Figura 2.11 ilustra un esquema del sistema cilíndrico de coordenadas del modelo
HSV donde los posibles valores para el atributo de matiz (H) va en un rango de 0 a 360 y los valores para los atributos de saturación (S) y brillo (V) van en un rango de 0 a 100.
2.8.4.8. Diagnóstico de lesiones
El diagnóstico de lesiones pigmentadas de la piel se hace generalmente mediante la apreciación visual empleando el método ABCD (asimetría, borde, color, diámetro), principalmente del color y el borde. La biopsia aún se mantiene como la regla de oro para obtener un diagnóstico fiable, sin embargo estas son costosas, invasivas y los resultados no se obtienen inmediatamente. Además los especialistas fallan en rea-lizar diagnósticos rápidos al no poder identificar lesiones pequeñas como malignas si no hasta poder estudiar su evolución, lo que trae consigo retrasos en la interven-ción. La detección temprana de ciertos tipos de lesiones en la piel humana como los melanomas es importante, dado que el éxito en la intervención de este tipo de lesiones disminuye en etapas avanzadas, produciendo el mayor porcentaje de muer-tes relacionadas con el cáncer de piel. Por esta razón, en los últimos años se han desarrollado investigaciones empleando técnicas ópticas no invasivas que permiten diagnosticar lesiones y extraer parámetros ópticos en tejidos biológicos.
características de asimetría, borde, color y diámetro entre una lesión benigna y un melanoma.
Figura 2.12: Método ABCD
2.9.
Diagnóstico clínico del melanoma
Dado que la piel es un órgano que puede ser observado a simple vista, los métodos establecidos para el diagnóstico de enfermedades se basan en principio, en el reco-nocimiento de patrones y de características estructurales de la lesión y en segundo lugar en el análisis de laboratorio. Sin embargo, muchos aspectos particulares de la piel no pueden ser evaluados efectivamente a simple vista pero pueden ser claramen-te analizados utilizando imágenes. Por esta razón, se han llevado a cabo avances en la digitalización de las mismas empleando las técnicas explicadas anteriormente, las cuales dan asistencia al especialista para poder diagnosticar y a su vez, aumentar su capacidad académica y de investigación.
No obstante, a pesar de estos avances existe todavía un amplio margen de mala interpretación de la imágenes de las lesiones de la piel debido a que ocurren enfer-medades que son difíciles de diagnosticar a etapas tempranas, cuando se encuentran en su fase curable y la lesión es todavía pequeña. El melanoma usualmente se desa-rrolla a partir de un lunar existente que comienza a cambiar su apariencia. Se estima que entre el 20 % y el 40 % de los melanomas provienen de un lunar atípico.
En el año 2000, se llevó a cabo la Segunda Reunión de Consenso en Dermatoscopía donde su principal conclusión fue que los algoritmos de análisis de patrones, la regla
2.9.1.
Regla ABCD
Este método (Stolz et al, 1994) se basa en el cálculo del factor TDS(Total Dermos-copy Score) dando una caracterización cuantitativa de la lesión. Las cuatro caracte-rísticas de la imagen a tener en cuenta para el cálculo del factor son:
Asimetría: La lesión es dividida por dos ejes perpendiculares ubicados de tal manera de producir el menor valor posible de asimetría. Si la lesión muestra propiedades de asimetría de acuerdo a ambos ejes con respecto a color y diferencia estructural, el valor asignado para la asimetría es 2. Si existe asimetría en relación a un solo eje, el valor que se le asigna es 1. Si no existe asimetría en relación a ambos ejes, el valor es 0. Teniendo en cuenta el peso asignado a esta característica para el calculo total del factor (1.3), la valoración de la asimetría es crucial.
Borde: La lesión es dividida en ocho partes, y si dentro de cada parte, existe un fuerte y abrupto corte en el patrón de pigmentación en el borde de la lesión recibe un valor de 1, mientras que si existe un cambio gradual e indistinto de la pigmentación hacia el borde de la lesión se le da un valor de 0. De esta manera, el máximo valor posible para esta característica es 8 y el mínimo 0. Debido a su bajo peso dentro del cálculo total del factor (0.1) el valor asignado al borde no es muy relevante.
Color:Se tienen en cuenta seis diferentes colores: blanco, rojo, marrón claro, marrón oscuro, gris azulado y negro, para determinar el valor de esta característica. El color blanco solo se tiene en cuenta si el área de la lesión es mas clara que la piel sana que la rodea. Cuando los seis colores están presentes, el valor que toma esta característica es de 6 mientras que el mínimo valor es 1. En las lesiones cancerosas generalmente están presentes dos o tres colores y en cerca del 40 % de los melanomas se registran 5 o los 6 colores.
Estructuras Dermoscópicas:Stolz propuso cinco características de evaluación: red de pigmentos, áreas homogéneas o sin estructura, lineas, puntos y glóbulos. Las áreas homogéneas o sin estructuras deben ser mas del 10 % del total de la lesión. Las lineas y puntos son contados solo cuando mas de dos son claramente visibles mientras que solo la presencia de un solo glóbulo es necesaria para tenerlo en cuenta. De esta manera, mientras mas estructuras presente la lesión mayor será la probabilidad de tratarse de cáncer.
Una vez determinadas las valuaciones para las cuatro características anteriores, se calcula el factor TDS de la siguiente manera:
T DS =Area×1,3 +Borde×0,1 +Color×0,5 +eDerm×0,5
Un valor deT DS < 4,45 indica que la lesión es benigna. Un valor de 4,45< T DS <
2.9.2.
Regla ABCDE
La regla ABCDE (Thomas et al.1998) es una modificación a la reglaABCD donde se tienen en cuenta los criterios de Asimetría, Borde, Color, Diámetro y Evolución de la lesión en el tiempo. De acuerdo a esta regla, una lesión tiene altas probabilidades de ser maligna si se presenta alguna de las siguientes características: A – la lesión es asimétrica en forma y color, B – la lesión presenta un borde irregular, C – la lesión presenta varios colores como el rojo, el gris azulado, marrón, negro y blanco, D – el diámetro de la lesión es mayor a 6 mm., E – el área de la lesión ha crecido en un corto periodo de tiempo o ha evolucionado rápidamente. Se ha demostrado que la incorporación del criterio E al métodoABCD optimiza la sensibilidad y especificidad del diagnóstico [40].
2.9.3.
Método de scoring de Menzies
Menzies (Menzies et al, 1996) propuso un método de evaluación basado en la ins-pección de la lesión, de manera tal que la observación de asimetría, la presencia de mas de un color y de una a nueve características específicas, simplemente suman un punto al valor total. Las características especificas son: velo azul y blanco, puntos marrones múltiples, depigmentación tipo cicatriz, glóbulos o puntos negros perifé-ricos, colores múltiples (cinco o seis), irregularidad del borde de la lesión (radial streaming y pseudópodos) múltiples puntos grises azulados y redes de pigmentos. Puede observarse fácilmente que la mayoría de las características propuestas por Menzies están presentes también en la regla ABCD y sirven para el calculo del
TDS.
2.9.4.
Check list de 7 puntos
Este método (Argeziano et al, 1998) de valuación forma dos conjuntos de caracte-rísticas o criterios, uno mayor y otro menor. Asignándose 2 puntos al primero y 1 punto al segundo.
Dentro del criterio mayor se encuentran: a) Red de pigmentos atípica: red gris, marrón o negra formando mallas irregulares con lineas gruesas. b) Velo azul y blanco: pigmentación difusa asociada con redes de pigmentos con puntos o glóbulos y/o lineas. c) Patrón vascular atípico: vasos irregulares lineares o de puntos combinados con estructuras de redes de pigmentos con puntos o glóbulos y/o lineas.
zonas azules que pueden llegar a estar asociadas. Esta característica es indistinguible de la llamada velo azul y blanco.
2.9.5.
Performance en el proceso de diagnóstico del melanoma
La dermatoscopía es un método no invasivo comúnmente utilizado, pero requiere una gran experiencia por parte del especialista para lograr diagnósticos correctos. Estadísticamente, solo los expertos obtienen un 90 % de sensibilidad y un 59 % de especificidad en el diagnóstico de enfermedades de la piel, logrando los dermatólo-gos un 81 % de sensibilidad y un 60 % de especificidad (Menzies et al. 2005). La sensibilidad nos indica la capacidad para detectar y diagnosticar correctamente la enfermedad y la especificidad nos da la capacidad de diagnosticar correctamente la ausencia de ella. Estos parámetros son calculados a partir de las siguientes ecuacio-nes:
Sensibilidad = V erdaderoP ositivo
V erdaderoP ositivo+F alsoN egativo
y
Especif icidad = V erdaderoN egativo
V erdaderoN egativo+F alsoP ositivo
siendo las variables las indicadas en la siguiente tabla:
Realmente Anormal Realmente Normal Diagnosticado como Anormal VerdaderoPositivo FalsoPositivo
Diagnosticado como Normal FalsoNegativo VerdaderoNegativo
Cuadro 2.1: Posibilidades de diagnóstico
Los objetivos del procesamiento de imágenes médicas pueden dividirse en tres gran-des grupos: asistencia al diagnóstico, asistencia al tratamiento e investigación de la patofisiología de las enfermedades y desarrollo de biomarcadores [41]. La imagenolo-gía médica representó un gran avance en la medicina desde las primeras aplicaciones de los rayos X. Hoy en día, la cantidad de modalidades de imágenes se encuentra en constante crecimiento proveyendo una creciente variedad de diferentes tipos de información. La integración de las diferentes modalidades para la extracción, visua-lización e interpretación automatizada de la información es el motor principal del desarrollo de nuevas tecnologías de procesamiento de imágenes médicas.
En el área de la dermatología, existen diversos dispositivos comerciales de captura y análisis para el diagnóstico de imágenes basados en dermatoscopía (FotoFinder [42],
DermoGenius [43], DBDermo-Mips/DDAX Software [44], MoleMax [45]), aquellos basados en OCT (Optical Coherence Tomography) (VivoSight [46]), otros utilizan ultrasonido (DermaScan– C [47], Episcan [48], DUB [49]) y también algunos usan imágenes multiespectrales (MelaFind [50]) pero todos con un mismo factor común: un alto costo y el hecho de no proveer un sistema integrado para la problemática planteada. La mayoría son sistemas aislados, que utilizan protocolos y métodos no estandarizados o cerrados de comunicación y almacenamiento, sin contar con herramientas de localización de las lesiones.
Por otra parte, existen numerosas propuestas de sistemas de asistencia al diagnóstico para lesiones en la piel basados en diferentes criterios de reconocimiento de patrones y características de la lesión. Se han propuesto soluciones basadas en diferentes modelos de diagnóstico dermatológico [15] como el ELM 7 point checklist [51][52] y
ABCD [53][54] y aplicando técnicas computacionales como la Inteligencia Artificial [55] o Redes Neuronales [56][57], pero la mayoría de los sistemas son aplicaciones sin comunicación con otras interfaces.
Una observación de importancia es que los sistemas disponibles relevados no cuentan, en su mayoría, con una interfaz amigable para la localización de la zona de la piel en estudio en el cuerpo humano.
3.1.
Dispositivos comerciales de captura y análisis
En esta sección se presenta un relevamiento de los dispositivos comerciales existentes, clasificados según la técnica de captura de imágenes utilizada para realizar el análisis y brindar asistencia al diagnóstico.
3.1.1.
Basados en dermatoscopía
3.1.1.1. FotoFinder
La empresa FotoFinder Systems S.L. desarrolla sistemas de captura y análisis de imágenes de la piel para asistencia al diagnóstico presentando diferentes modelos de acuerdo al campo de aplicación [42]. Entre sus características se encuentran la capacidad de captura de video y de imágenes de alta resolución, el almacenamiento en base de datos de las imágenes generadas y la asistencia al diagnóstico por uso de fluorescencia. La mayoría de sus modelos no cuentan con software con capaci-dad de análisis para la asistencia al diagnóstico, sino que se utiliza exclusivamente para la fotodocumentación. La excepción, es el modelo MoleAnalyzer que cuenta con software de reconocimiento de patrones y calculo del TSD siguiendo la técnica
ABCD.
Figura 3.1: FotoFinder
3.1.1.2. DermoGenius
Este es otro sistema que permite la obtención y análisis de imágenes dermatológicas. Incluye un dispositivo portátil para la toma de las imágenes, las cuales son analizadas siguiendo la reglaABCD por un software que opera bajo sistema operativoWindows
parámetros de la lesión: asimetría de la forma, asimetría del color, contorno, variedad y homogeneidad del color, variedad en la estructura, asimetría y homogeneidad de la estructura. Además, el software hace reconocimiento de la lesión y la delimita e identifica la presencia de vello y lo excluye del análisis. También cuenta con una base de datos para mantener un registro histórico de las imágenes, que pueden ser almacenadas en diferentes formatos pero incompatibles con el estándar DICOM.
Figura 3.2: DermoGenius
3.1.1.3. DBDermo-Mips/DDAX Software
Este dispositivo utiliza luz polarizada para capturar las imágenes digitales que son analizadas utilizando software y algoritmos propietarios [44]. El sistema analiza las imágenes dividiendo las características de la lesión en cuatro categorías: geometría, color, textura e islas de pigmentación (grupos de un color dentro de la lesión). Estas características son extraídas y cuantificadas en tiempo real, diferenciando a este sistema de otros similares los cuales necesitan almacenar la imagen de la lesión antes de poder analizarla. El sistema además cuenta con una base de datos para mantener registro histórico y seguimiento. No es compatible con el estándar DICOM.
Figura 3.3: DBDermo-Mips
3.1.1.4. MoleMax
o convencionales, con o sin la utilización de fluidos de inmersión. El desarrollo más reciente de la serie es el modeloMoleMax HDel cual cuenta con una cámara de alta resolución controlada por software y un sistema de procesamiento de imágenes que contiene funciones de análisis basado en los criterios de la reglaABCD y elchecklist
de 7 puntos. Además, permite almacenar las imágenes en una base de datos para seguimiento histórico.
Figura 3.4: MoleMax
3.1.2.
Basados en OCT
3.1.2.1. VivoSight
Este dispositivo es un tomógrafo por coherencia óptica (OCT scanner) con aplica-ción en dermatología desarrollado por la empresaMichelson Diagnostic[46]. Permite la generación de imágenes tanto 2D como 3D que facilitan observar la microestruc-tura de los tejidos externos del cuerpo. Utiliza una técnica de imagen por láser denominadamulti-beam optical coherence tomography haciendo uso de cuatro rayos láser. Esta técnica provee imágenes de los tejidos internos similares a los obtenidos por ultrasonido pero de mayor resolución, permitiendo de esta manera, observar en tiempo real los detalles de la estructura de la epidermis y la dermis. De esta forma, asiste al clínico en la toma de decisiones para el diagnóstico, ayudándolo a decidir que tratamiento utilizar y observando el avance en el tratamiento, y determinar el estado de la lesión del paciente sin necesidad de realizar una biopsia, ahorrando tiempo y reduciendo el estrés del paciente.
Figura 3.5: VivoSight
3.1.3.
Basados en ultrasonido
3.1.3.1. DermaScan – C
La empresa Cortex Technology desarrolla una serie de dispositivos de generación de imágenes con ultrasonido que van desde los 10 a 50 Mhz., los cuales logran obtener imágenes de alta resolución tanto 2D como 3D de los tejidos de la piel [47]. El sistema provee funcionalidad de análisis de imágenes pero cuenta con software que solo opera bajo plataforma Windows.
Figura 3.6: DermaScan-C
3.1.3.2. Episcan
de análisis de imágenes y herramientas para realizar anotaciones y mediciones sobre éstas. Es compatible con el estándarDICOM.
Figura 3.7: Episcan
3.1.3.3. DUB
DUBes otra serie de dispositivos desarrollados por la empresa alemanaTPM para la generación de imágenes por ultrasonido con frecuencias que llegan hasta los 100Mhz [49]. Entre sus desarrollos mas recientes se encuentra la serieDUB-USBel cual es un dispositivo escáner portátil que, conectado a una PC vía una interfaz USB, permite la visualización y el análisis de las imágenes de los tejidos subcutáneos mediante un software provisto por el mismo equipo que opera bajo Windows. Este software contiene funcionalidad simple como paleta de colores, exportación de imágenes en diferentes formatos y mediciones de área, alto, largo y densidades y visualización de las imágenes mediante diferentes modos utilizando técnicas de procesamiento de señales.
3.1.4.
Basados en imágenes multiespectrales
3.1.4.1. MelaFind
Este dispositivo, es un sistema de visión multi-espectral computarizado no invasivo para usarse en lesiones de la piel con pigmentos clínicamente atípicos que tengan una o más características compatibles con el melanoma [50]. Para obtener las imágenes, el sistema provee un dispositivo de mano que consiste de una fuente que emite luz a diez específicas y diferentes longitudes de onda (incluidas las bandas cerca del infrarrojo), un sistema de lentes compuesta de nueve elementos que crean imágenes de la luz reflejada desde la lesión y un fotosensor. Una vez generada la imagen, el sistema utiliza algoritmos propietarios dedicados para la diferenciación automática del melanoma maligno de las lesiones benignas.
Figura 3.9: MelaFind
3.2.
Sistemas para asistencia al diagnóstico
Se han presentado numerosas propuestas de sistemas de asistencia al diagnóstico (CADs) para lesiones de la piel, basados en diferentes criterios de reconocimiento de patrones y características de la lesión utilizando diversas técnicas y algoritmos de procesamiento de imágenes. A continuación se presenta la descripción de algunos de los trabajos realizados.
