Página 1 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado Informe de Avance y/o Final 2020 Título del Proyecto: ESTUDIO DE TÉCNICAS DE RECONOCIMIENTO DE PATRONES PARA DETECCIÓN DE ANOMALÍAS EN IMÁGENES MÉDICAS, MEDIANTE MÉTODOS MULTIVARIADOS Y TÉCNICAS DE INTELIGENCIA ARTIFICIAL Código CCUTIME0005279TC Programa: Electrónica, Computación y Comunicaciones Facultad Regional: Mendoza Fecha de Inicio: 01/01/2019 Fecha de Finalización: 31/12/2021 Fecha de Prórroga: 31/12/2022 Director: CESARI Matilde Inés a) GRADO DE AVANCE: Porcentaje de ejecución sobre lo programado 100% 2. ACTIVIDAD EN INVESTIGACIÓN Y/O DESARROLLO a) Producción y Desarrollo: Especificaciones Técnicas de los Desarrollos Realizados (prototipo, equipo, proceso, modelo, patente, etc.) Indicar: Título Metodología para la obtención de modelos de tejidos del cerebro a partir de las imágenes médicas y técnicas de procesamiento de imagen digital Lugar/es donde desarrolla/n el proyecto – Fotos del desarrollo CeReCoN (Centro Regional de Investigación y Desarrollo en Computación y Neuroingeniería) - Área de Informetría, Lexicometría e Ingeniería del Conocimiento - Laboratorio ReAVi (Realidad aumentada y Virtual) – Universidad Tecnológica Nacional FRM, Institución/es requirente/s SECyT- UTN Mza Investigadores/Desarrolladores Césari Matilde - director María Cecilia CASTELLANOS - investigador formado Marcela FERNANDEZ - investigador formado Carolina PENNISI - investigador formado Eugenia ALFONSO - investigador apoyo Silvana SANDER - investigador apoyo María Eugenia STEFANONI - investigador apoyo Ricardo Manuel CESARI - investigador apoyo Valeria ESPARTARO - investigador estudiante Resumen del contenido El análisis de las imágenes médicas facilita a los especialistas la visualización, caracterización, medición y diagnóstico de Página 2 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado enfermedades y anomalías en el cuerpo humano. Muchos de los análisis imagenológicos se realizan hoy en día de manera manual y a criterio de los especialistas. Los conceptos de la detección de anomalías, han sido aplicados en muchos estudios de análisis de imágenes médicas. En estos casos, se trata de encontrar anomalías asociadas a varias partes del cuerpo como pueden ser hemorragias, fracturas, sangramientos, tumores, etc. En dichos estudios suelen emplearse varias modalidades de adquisición de imágenes como son la resonancia magnética (RM), los rayos X, la tomografía computarizada (TC), entre otras. El análisis de los cambios estructurales del cerebro a través de IRM puede proveer información útil para el diagnóstico médico. La adquisición de IRM, es una técnica no invasiva que utiliza el fenómeno de la resonancia magnética para obtener información detallada sobre la estructura y composición del cuerpo. La Imágenes de Resonancia Magnética (IRM), es utilizada en la actualidad, principalmente en medicina para observar alteraciones en los tejidos y detectar cáncer y otras patologías. La tarea de reconocimiento de patrones en imágenes, requiere de aprendizaje y de funciones apropiadas de clasificación, que asignen un determinado parámetro de entrada que por lo general es representado con un vector que contiene los atributos de cada una de las clases. De las imágenes se extraen regiones de tejidos sanos las cuales se usan para crear un modelo de lo que se considera normal (modelo de fondo) obteniendo varias clases “normales‘. En el presente trabajo se propone un esquema que ayude al acondicionamiento de la imagen para ser evaluada médicamente y finalizar con la extracción de características de la misma utilizando esta información para determinar anomalías asociadas a ciertas patologías neuronales. Resultados obtenidos (cantidad – calidad) en función de los objetivos del proyecto Obj.1: Estudio bibliográfico a través de técnicas de vigilancia tecnológica, y documentación de la información principal acerca de los métodos para el Tratamiento Digital de la Imagen Médica cerebrales en formato DICOM provenientes de Resonancias Magnéticas; las técnicas de Segmentación y Análisis de Textura; y las herramientas informáticas que sirven de apoyo en el proceso Res 1. Construcción del marco teórico sobre el aspecto técnico y médico de las imágenes cerebrales. Aquí se explican los resultados de estudios bibliográficos en relación a qué es una imagen digital y en especial la adquisición y formato de las imágenes médicas. Así mismo se sintetiza, la decodificación del formato de imagen digital cerebrales (DICOM) a una matriz de datos, donde se explica, en forma práctica para el posterior procesamiento, como adaptar los archivos que componen un estudio de resonancia magnética desde el formato de imagen DICOM, hasta la codificación en una matriz de datos. Resultados Ver Anexo 00 Obj.2: Explorar el potencial de diversos métodos de análisis multivariados de datos y técnicas de inteligencia artificial para realizar la segmentación de imagen de resonancia magnética del cerebro, y extracción de Características que permitan discriminar entre regiones anormales y regiones sanas, a través de imágenes de prueba Página 3 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado experimentales de estudios con imágenes existentes normales y con anomalías Res 2. Construcción del marco teórico sobre las técnicas y herramientas de segmentación de imágenes digitales. Aquí se explican los resultados de estudios bibliográficos en relación a los métodos actuales existentes para el análisis de imágenes médicas, los diferentes pasos que se llevan a cabo en una imagen para su análisis, enumerando algunas técnicas para la realización de cada una de ellas. En especial se estudió las técnicas de segmentación de imágenes, ya que en el procesamiento de imágenes, la detección de objetos dentro de las mismas, la mayoría de las veces se hace por medio de alguna propiedad característica del objeto u objetos que se pretenden detectar; propiedades como el tamaño, textura, y forma, las cuales son con frecuencia las más usadas. Los métodos explicados abordan la distribución espacial de los valores de intensidad en las múltiples secuencias y captura al mismo tiempo la variabilidad de los datos en cada secuencia. Resultados Ver Anexo 00 y 02 Res 3. *Definición de una metodología eficiente para la obtención de modelos de tejidos del cerebro a partir de las imágenes médicas, los cuales resulten útiles para el análisis de su comportamiento y la detección de anomalías. Mediante el uso de un conjunto de rutinas de procesamiento digital de imágenes y su adecuada combinación para cada etapa implicada en la obtención de modelos, tomando como base las técnicas de Procesamiento Digital de Imágenes, Reconocimiento de Patrones a partir de métodos multivariados e Inteligencia Artificial; a través de imágenes de resonancia magnética de prueba con tejido normal e imágenes con tejido patológico. Las etapas de procesamiento consideradas son:la etapa de lectura y reconstrucción de imágenes, preproceso, segmentación, y exportación de modelos en formatos legibles. Resultados Ver Anexo 02 Proyección de continuidad - transferencias Una propuesta metodológica basada en técnicas de procesamiento de imagen digital, permitirá facilitar la búsqueda de anomalías e identificar biomarcadores de enfermedades cerebrales, a partir del estudio imagenológicos de la resonancia magnética. Así mismo, de manera preliminar, mostrar la importancia de realizar la segmentación de imagen cerebral, para su análisis, descripción y extracción de características ayudará a estudiar la evolución de los tratamientos de algunas enfermedades vinculadas con la epilepsia y esquizofrenia. La propuesta metodológica podría ser extendida para el estudio de imágenes de resonancia magnética como ayuda a localizar focos epilépticos, y biomarcadores de pacientes con esquizofrenia. Conclusiones Se han estudiado distintos métodos de segmentación de imágenes. Cuando se necesita hacer detección de determinados objetos en una imagen de grandes dimensiones, se hace necesario el uso de tecnologías que automatizan el proceso, entre ellas el algoritmo de superpixel destacado por sus bondades. No obstante, su alta eficiencia en el manejo y uso de la memoria del sistema ve limitada su capacidad de procesamiento para imágenes de determinadas resoluciones por las Página 4 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado prestaciones del dispositivo de cómputo en que se ejecute. Por lo antes expuesto se hace necesario subdividir estas imágenes de grandes dimensiones en bloques más pequeños que sean fácilmente manipulables por los algoritmos de procesamiento a los cuales se desean someter para la obtención de información. La segmentación superpixel ha demostrado ser un paso de preprocesamiento útil capaces de capturar la redundancia dentro de la imagen y luego reducir la complejidad de las tareas de procesamiento posteriores, como la clasificación de objetos de imagen. Se ha realizado un estudio de posibles descriptores de las características de cada uno de los segmentos que forman la imagen. En cuanto a textura, la entropía es una medida de la cantidad de información, por tanto, si la entropía es alta la información de las imágenes tiende a ser impredecible. La región heterogénea, aquella que selecciona el tumor, contiene los valores más altos de entropía. Es por tanto que estás regiones contienen una alta aleatoriedad y baja redundancia. En el caso contrario se tiene la región homogénea o fondo, se puede observar que en esta región los valores de entropía son los más bajos y por tanto esto querrá decir que la información de las imágenes tiende a ser predecible. Entre estos dos extremos se encuentra la región mixta. Los valores de entropía en la región mixta se sitúan entre los de la región homogénea y región heterogénea, esto es debido a que las regiones seleccionadas eran homogéneas dentro del cerebro, pero no se pueden considerar tan homogéneas como el fondo. Por otra parte, la energía es también un buen parámetro para la diferenciación de regiones. La energía se puede definir como la suma de los elementos de la matriz de co-ocurrencia al cuadrado. Las regiones más homogéneas tienen unos valores de energía próximos a 1, en cambio, en las regiones más heterogéneas el valor de la energía se alejará del 1. Si se observan los resultados obtenidos referentes a la media de la energía se puede comprobar lo explicado anteriormente. Por tanto, se tiene el mayor resultado para la región homogénea y el menor para la heterogénea. De la misma manera que ocurría anteriormente el valor de la región mixta se sitúa entre estos dos valores. Los otros parámetros estadísticos no son tan relevantes para la diferenciación de regiones. Un conjunto de ellos no es de utilidad debido a que en las tres regiones se tienen unos valores muy similares. Estos parámetros son: Varianza, correlación y homogeneidad. En cambio, hay una serie de parámetros, no tan útiles como la energía y entropía, pero que sí que permiten diferenciar entre región homogénea y región heterogénea. El inconveniente de estos parámetros estadísticos es que no es posible diferenciar entre región heterogénea y región mixta ya que estas dos regiones quedan solapadas. Estos parámetros son: media, mediana, desviación. Además, los parámetros de máximo y mínimo las medias de las regiones sí que son diferentes entre ellas y servirían para poder diferenciar regiones, el inconveniente de estos dos parámetros es que muchos de los valores quedan solapados, por tanto, a pesar de que las medias sí que son diferentes podría no realizarse correctamente la diferenciación Página 5 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado Título Aplicación del software ImageJ en el análisis de imágenes médicas Lugar/es donde desarrolla/n el proyecto – Fotos del desarrollo Laboratorio ReAVi- área ILICo del centro CeReCoN, 4to piso edificio Dpto de electrónica. UTN - FRMendoza Institución/es requirente/s SECyT- UTN Mza Investigadores/Desarrolladores Césari Matilde María Cecilia CASTELLANOS - investigador formado Marcela FERNANDEZ - investigador formado Carolina PENNISI - investigador formado Eugenia ALFONSO - investigador apoyo Valeria ESPARTARO - investigador estudiante Resumen del contenido Aunque el campo de la segmentación de imágenes de RM del cerebro es uno de los campos donde más se ha trabajado en los últimos años, este sigue siendo un problema todavía abierto En los últimos años, una de las aplicaciones que más se ha extendido en el campo del procesamiento de imagen biológica ha sido ImageJ, desarrollada en lenguaje Java por Wayne Rasband en el National Institutes of Health de Estados Unidos ImageJ es un programa informático de tratamiento digital de imagen orientado principalmente hacia el ámbito de las ciencias de la salud. Se trata de un software de dominio público y de código abierto. Incluye por defecto potentes herramientas para editar, procesar y analizar imágenes de casi cualquier tipo y formato. Sin embargo, su mayor virtud reside en su extensibilidad: las funcionalidades de ImageJ pueden ampliarse hasta resolver casi cualquier problema de tratamiento digital de imagen mediante macros, scripts y, especialmente, plugins programables en lenguaje Java gracias a la API que ofrece. Esta nueva funcionalidad se puede escribir en diferentes lenguajes, por lo que casi cualquier programador podría implementar sus aplicaciones sin necesidad de aprender un nuevo lenguaje, tomando como base las librerías de ImageJ, así como otros plugins previamente desarrollados por otros programadores. Todo esto puede desarrollarse ya sea mediante el editor incluido en ImageJ y un compilador Java, o con algún otro IDE como Netbeans o Eclipse Resultados obtenidos (cantidad – calidad) en función de los objetivos del proyecto Obj.2: Explorar el potencial de diversos métodos de análisis multivariados de datos y técnicas de inteligencia artificial para realizar la segmentación de imagen de resonancia magnética del cerebro, y extracción de Características que permitan discriminar entre regiones anormales y regiones sanas, a través de imágenes de prueba experimentales de estudios con imágenes existentes normales y con anomalías Res 1. Construcción del marco teórico sobre las herramientas accesibles para el análisis de las imágenes. Aquí se explican los resultados de estudios bibliográficos en relación a las herramientas Página 6 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado informáticas de código abierto o licencia libre para visualizar y el procesamiento y análisis de imágenes digitales médicas, tal como ImagenJ. Resultados Ver Anexo 01 Res 2. Explicar de forma práctica los métodos estadísticos, basado en la agrupación de diferentes tonos de gris de acuerdo a datos estadísticos, como la media, moda, desviación estándar, distribución Gaussiana de probabilidad; Métodos multivariados factoriales para la obtención de clusters, de acuerdo a datos extraídos de la imagen; Técnicas de Lógica difusa (fuzzy logic), a través de la definición de funciones que determinan el grado de pertenencia, de acuerdo a intervalos de intensidad de tonos de gris que se pueden definir por medio de un histogramas de frecuencia de tonalidades de las diferentes áreas de interés, siendo una de las más importantes la denominada "fuzzy c-means a/gorithm [ ]; Técnicas de Redes Neuronales, a través de la identificación de patrones que cumplen con características de acuerdo al tipo de tejido que se desea aislar, donde se toman conjuntos de píxeles, los cuales son sometidos a un preprocesamiento para obtener características de textura de cada conjunto de píxeles, utilizando una matriz de coocurrencias. Resultados Ver Anexo 01 y 02 Obj.4: Estudio preliminar del diseño y desarrollo de programas que implementen métodos de segmentación, que permita extraer una región de interés en imágenes cerebrales. Res 3. Diseño de una interfaz gráfica de usuario a través macros y pluing de ImageJ, que permite implementar técnicas de procesamiento de imagen, y realizar la segmentación de manera óptima, permitiendo el estudio de diferentes regiones de interés: región homogénea o fondo, región heterogénea y región mixta Resultados Ver Anexo 02 Proyección de continuidad - transferencias Si bien Fiji fue pensado originalmente para los neurocientíficos (y sigue siéndolo), que acumuló una funcionalidad suficiente para atraer a científicos de una variedad de campos, como la biología celular, parasitología, genética, ciencias de la vida en general, la ciencia de materiales, etc. Como se indica en el sitio web oficial, el objetivo principal es "ciencias de la vida", aunque Fiji ofrece muchas herramientas que ayudan con el análisis de imagen científica en general. La aplicación de técnicas de clasificación automatizada mediante el aprendizaje automático (ML) y la inteligencia artificial (IA) ha demostrado constantemente una mayor precisión que la clasificación manual. Por lo tanto, proponer un sistema que realice la detección y la clasificación mediante el uso de algoritmos de aprendizaje sería útil para los médicos de todo el mundo. Conclusiones El software ImageJ es un programa de dominio público multiplataforma (existen versiones para Windows, Linux y Mac OS). Es muy útil y de gran diversidad para el procesamiento digital de imágenes, siendo utilizado incluso en numerosos proyectos de investigación Página 7 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado Esta aplicación soporta multitud de formatos de imagen, permitiendo mostrar, editar, analizar, procesar, guardar, e imprimir imágenes de 8 bits (256 ´colores), 16 bits (miles de colores) y 32 bits (millones de colores), pudiendo leer diversos formatos de imagen como TIFF, PNG, GIF, JPEG, BMP, DICOM, FITS, así como formatos RAW. También soporta stacks (pilas) de imágenes; es multiproceso, de forma que las operaciones que requieren mucho tiempo se pueden realizar en paralelo en hardware multi-CPU. ImageJ puede calcular áreas y estadísticas, tanto de imágenes completas como de ROIs4, así como medir distancias y ángulos, y es compatible con las funciones estándar de procesamiento de imágenes tales como operaciones lógicas y aritméticas entre imágenes, manipulación de contraste, con-volucion, analisis de Fourier, nitidez, suavizado, deteccion debordes, filtrado de mediana, transformaciones geometricas5, etc. La figura muestra el aspecto de la interfaz gráfica deImageJ. Los plugins, principalmente desarrollados por usuarios, hacen posible resolver muchos y variados problemas de procesado y análisis de imágenes, desde imágenes en vivo de las células en tres dimensiones, procesado de imágenes radiológicas, comparaciones de múltiples datos de sistemas de imagen, hasta sistemas automáticos de hematología. También se puede usar como herramienta de enseñanza Por tanto, resulta de extraordinaria relevancia el desarrollo de macros que optimicen el funcionamiento de programas como el ImageJ, que pueden convertirse en valiosas herramientas de enorme aplicabilidad en el campo de la neuroimagen Título Reconocimiento de tejidos en imágenes de resonancia magnética de cerebro a través de modelo basado en reglas borrosas Lugar/es donde desarrolla/n el proyecto – Fotos del desarrollo Laboratorio ReAVi- área ILICo del centro CeReCoN, 4to piso edificio Dpto de electrónica. UTN - FRMendoza Institución/es requirente/s SECyT- UTN Mza Investigadores/Desarrolladores Césari Matilde – director María Cecilia CASTELLANOS - investigador formado Carolina PENNISI - investigador formado Ricardo Manuel CESARI - investigador apoyo Valeria ESPARTARO - investigador estudiante Resumen del contenido La principal ventaja de las imágenes de Resonancia Magnética (RM) es su capacidad para reconocer en ellas diferentes tipos de tejidos. Esto permite posteriores cuantificaciones para asistir en el diagnóstico de diferentes patologías. En este trabajo se utiliza Lógica Difusa para evaluar el grado de verdad de predicados que definen los distintos tejidos en base a las intensidades de gris que presentan las imágenes de RM pesadas en T1, T2 y PD. Estos predicados son de la forma “El tejido X es u1 en T1, u2 en T2, u3 en PD”, siendo u1, u2 y u3 conjuntos difusos definidos en el rango de gris. Los predicados se elaboran inicialmente en conjunto con médicos especialistas en imágenes, por lo que intentan implementar las consideraciones que Página 8 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado ellos mismos aplican al identificar los tejidos que los píxeles de las imágenes representan. El objetivo es determinar qué tejido corresponde a cada píxel, abordando el problema como un sistema de soporte a las decisiones. El procesamiento de la imagen se realiza píxel a píxel. Se utilizan operadores para el cálculo de los conectivos “or”, “and” y la doble implicación basados en el paradigma recientemente desarrollado de la Lógica Compensatoria. Resultados obtenidos (cantidad – calidad) en función de los objetivos del proyecto Obj 3: Estudio preliminar de la aplicación de la metodología para la construcción de modelos a partir de imagen médica para detectar las diferencias de estructuras cerebrales. Res 1. Construcción del marco teórico sobre métodos estadísticos, métodos multivariados factoriales para la obtención de clusters, de acuerdo a datos extraídos de la imagen y técnicas de Lógica difusa (fuzzy logic). Aquí se explica los resultados de estudios bibliográficos en relación a la agrupación de diferentes tonos de gris de acuerdo a datos estadísticos, como la media, moda, desviación estándar, distribución Gaussiana de probabilidad; métodos multivariados factoriales para la obtención de clusters, de acuerdo a datos extraídos de la imagen; técnicas de Lógica difusa (fuzzy logic), a través de la definición de funciones que determinan el grado de pertenencia, de acuerdo a intervalos de intensidad de tonos de gris que se pueden definir por medio de un histogramas de frecuencia de tonalidades de las diferentes áreas de interés. Res 2. Desarrollo metodológico y obtención de un modelo de textura que es capaz de recoger la imprecisión asociada a la presencia de las distintas propiedades. Se introduce una semántica basada en las propiedades perceptuales, que permite representar términos lingüísticos similares a los empleados por el ser humano. Resultados Ver Anexo 03 Proyección de continuidad - transferencias Se desarrolló una metodología para la obtención de modelos de textura que permiten adaptarse tanto a distintos perfiles de usuario, recogiendo así la percepción particular de dichos usuarios, como al contexto de la imagen a la cual pertenecen las texturas analizadas Conclusiones Una de las dificultades que se presenta en las imágenes de Resonancia Magnética es que hay un gran solapamiento entre las intensidades de gris que presentan diferentes sustancias. Es por ello, que un enfoque con técnicas que trabajen con la modelización de la vaguedad parece ser adecuadas, como es el caso de la que se propone en este trabajo El método ha sido exitosamente probado tanto con imágenes simuladas como con imágenes reales de cerebro para determinar líquido cefalorraquídeo, materia gris y materia blanca. Las operaciones involucradas son sencillas, por lo que el tiempo de procesamiento es corto, lo que lo hace adecuado y eficiente para trabajar en estudios 3D, donde debe procesarse una gran cantidad de imágenes Página 9 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado b) Producción en Investigación: Capítulos de libros Autor/autores Matilde Césari; Santiago Pérez; Higinio Facchin Capítulo/s “Innovación Digital para Medir Color Sensorial en Agroindustrias”, página 257 Título del libro Libro de Actas Congreso Investigación y Educación en Ciencias de la Ingeniería Volumen 2. Capítulo II. Aplicaciones e Investigaciones en Ciencia y Tecnología. Editorial Universidad Tecnológica Nacional Facultad Regional Mendoza Compilador (si lo hubiere) Luis E. Gómez - Guillermo A. Cuadrado Dante R. Salatino Edición: Nacional o Internacional Nacional Código ISBN/ Año 978-950-42-0204-2 Lugar de publicación Mendoza Palabras clave procesamiento digital de imagen, color sensorial, índice de color Capítulos de libros Autor/autores Matilde Césari; Santiago Pérez; Higinio Facchin Capítulo/s “Caso de Estudio: Procesamiento Digital de Imágenes para Medir Color en Zanahorias y Uva”, página 273 Título del libro Libro de Actas Congreso Investigación y Educación en Ciencias de la Ingeniería Volumen 2. Capítulo II. Aplicaciones e Investigaciones en Ciencia y Tecnología. Editorial Universidad Tecnológica Nacional Facultad Regional Mendoza Compilador (si lo hubiere) Luis E. Gómez - Guillermo A. Cuadrado Dante R. Salatino Edición: Nacional o Internacional Nacional Código ISBN/ Año 978-950-42-0204-2 Lugar de publicación Mendoza Palabras clave procesamiento digital de imagen, caso de estudio, índice de color Revistas Autor/autores Matilde Inés Césari , Nancy Beatriz Ventrera , Adriana Gámbaro Título del artículo Innovación Digital para medir el Color Sensorial en Agroalimentación Nombre de la Revista Revista IEEE América Latina http://www.ewh.ieee.org/reg/9/etrans/esp/ Fecha de Publicación 2020 Con/Sin referato con Ámbito de la publicación Ciencias Agrarias Página 10 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado Código ISSN 1548-099 Palabras clave color sensorial, procesamiento digital de imagen, espacio CIELab, índice de color Difusión en Congresos, Simposios, reuniones científicas, conferencias Título del trabajo El modelado flexible de la investigación en Ingeniería (Path Modeling) Institución organizadora UTN Nombre del evento ENIDI 2019 “X Encuentro de Investigadores y Docentes de Ingeniería” Carácter expositor Fecha 9, 10 y 11 de octubre 2019 Lugar Mendoza Autores de la presentación Matilde Césari & Ricardo Césari Publicado en actas, memorias – (páginas) Libro de Actas X EnIDI. En Área de Tecnologías Emergentes, página 489 Con/Sin referato sin Año 2020 Comité científico Pérez, Mauricio Área Bioingeniería e Ingeniería Clínica Scotti, Adalgisa Área Bioingeniería e Ingeniería Clínica Cremades, Hebe Área Energía, Ambiente, Minería y Petróleo Membrives Barrachina, Francisco Área Energía, Ambiente, Minería y Petróleo Núñez, Ana María Área Enseñanza de la Ingeniería Raichman, Silvia Área Enseñanza de la Ingeniería Roggiero, Augusto Área Enseñanza de la Ingeniería Talío, Fabián Área Informática, Sistemas, Computación y Electrónica Careglio, Claudio Área Ingeniería Civil, Materiales y Agrimensura Tornello, Miguel Área Ingeniería Civil, Materiales y Agrimensura Millán, Daniel Área Ingeniería Eléctrica, Mecánica, Electromecánica y Electrónica Pessano, Gabriel Área Ingeniería Eléctrica, Mecánica, Electromecánica y Electrónica Barón, Iván Área Ingeniería Industrial Cisneros, Héctor Área Ingeniería Industrial Palma, Ricardo Área Ingeniería Industrial Cabeza, María Silvina Área Ingeniería Química y Biotecnología Ninago, Mario Área Ingeniería Química y Biotecnología Valente, Graciela Área Ingeniería Química y Biotecnología Narambuena, Claudio Área Ingeniería Química y Biotecnología Cabeza, María Silvina Área Ingeniería y Ciencias de los Alimentos Maldonado, Mariela Área Ingeniería y Ciencias de los Alimentos Página 11 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado Millán, Daniel Tecnologías Emergentes Quiles, Angel Tecnologías Emergentes Soengas, Cecilia Coordinadora General Cabeza, María Silvina Coordinadora General Gitto, Javier Coordinador General Institución UTN- FRM Palabras clave Modelado Path Modeling – diagrama de trayectorias – variables manifiestas y latentes Difusión en Congresos, Simposios, reuniones científicas, conferencias Título del trabajo Desarrollo de una metodología con técnicas y herramientas de procesamiento digital de imagen, de apoyo al profesional de salud para detección de tumores cerebrales en imágenes resonancia magnética Institución organizadora UTN Nombre del evento ENIDI 2019 “X Encuentro de Investigadores y Docentes de Ingeniería” Carácter Poster: DOI: 10.13140/RG.2.2.14184.01287 Fecha 9, 10 y 11 de octubre 2019 Lugar Mendoza Autores de la presentación Matilde Inés Césari, Ricardo Césari, María Cecilia Castellanos, Carolina Pennisi, Eugenia Alfonso, Silvana, Sander, Valeria Espartaro y María Eugenia Stefanoni Publicado en actas, memorias – (páginas) Libro de Actas X EnIDI. En Área de Bioingeniría, página 66 Con/Sin referato sin Año 220 Comité científico Pérez, Mauricio Área Bioingeniería e Ingeniería Clínica Scotti, Adalgisa Área Bioingeniería e Ingeniería Clínica Cremades, Hebe Área Energía, Ambiente, Minería y Petróleo Membrives Barrachina, Francisco Área Energía, Ambiente, Minería y Petróleo Núñez, Ana María Área Enseñanza de la Ingeniería Raichman, Silvia Área Enseñanza de la Ingeniería Roggiero, Augusto Área Enseñanza de la Ingeniería Talío, Fabián Área Informática, Sistemas, Computación y Electrónica Careglio, Claudio Área Ingeniería Civil, Materiales y Agrimensura Tornello, Miguel Área Ingeniería Civil, Materiales y Agrimensura Millán, Daniel Área Ingeniería Eléctrica, Mecánica, Electromecánica y Electrónica Pessano, Gabriel Área Ingeniería Eléctrica, Mecánica, Electromecánica y Electrónica Página 12 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado Barón, Iván Área Ingeniería Industrial Cisneros, Héctor Área Ingeniería Industrial Palma, Ricardo Área Ingeniería Industrial Cabeza, María Silvina Área Ingeniería Química y Biotecnología Ninago, Mario Área Ingeniería Química y Biotecnología Valente, Graciela Área Ingeniería Química y Biotecnología Narambuena, Claudio Área Ingeniería Química y Biotecnología Cabeza, María Silvina Área Ingeniería y Ciencias de los Alimentos Maldonado, Mariela Área Ingeniería y Ciencias de los Alimentos Millán, Daniel Tecnologías Emergentes Quiles, Angel Tecnologías Emergentes Soengas, Cecilia Coordinadora General Cabeza, María Silvina Coordinadora General Gitto, Javier Coordinador General Institución UTN-FRM Palabras clave neuroimagen, segmentación de imágenes médicas, reconocimiento de patrones, métodos multivariados, inteligencia artificial, ingeniería del conocimiento Difusión en Congresos, Simposios, reuniones científicas, conferencias Título del trabajo Revisión de Algoritmos de análisis de Imágenes digitales con ImageJ. Fiji Institución organizadora INSTITUTO INTERNACIONAL DESPERTANDO VOCAÇÕES (IIDV). Nombre del evento COINTER PDVGT 2020 - IV CONGRESSO INTERNACIONAL DE GESTÃO E TECNOLOGIAS - COINTER PDVGT 2020 Carácter Charla plenaria Fecha 2 y 5 de diciembre 2020 Lugar forma ONLINE, a través de plataforma SMART EVENT Autores de la presentación Matilde Inés Césari Difusión en Congresos, Simposios, reuniones científicas, conferencias Título del trabajo Innovación Digital para Medir Color Sensorial en Agroindustrias Institución organizadora UTN-FRM Nombre del evento VI Congreso Internacional de Educadores en Ciencias Empíricas en Facultades de Ingeniería ECEFI 2020 Carácter expositor Fecha martes 24 y miércoles 25 de noviembre 2020 Lugar Mendoza - online Autores de la presentación Matilde Césari; Santiago Pérez; Higinio Facchini Página 13 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado Publicado en actas, memorias – (páginas) Volumen 2. Capítulo II. Aplicaciones e Investigaciones en Ciencia y Tecnología página 257 Con/Sin referato sin Año 2021 Comité científico Luis E. Gómez - Guillermo A. Cuadrado Dante R. Salatino Institución Universidad Tecnológica Nacional Facultad Regional Mendoza Palabras clave procesamiento digital de imagen, color sensorial, índice de color Difusión en Congresos, Simposios, reuniones científicas, conferencias Título del trabajo Caso de Estudio: Procesamiento Digital de Imágenes para Medir Color en Zanahorias y Uva Institución organizadora UTN-FRM Nombre del evento VI Congreso Internacional de Educadores en Ciencias Empíricas en Facultades de Ingeniería ECEFI 2020 Carácter exposición Fecha martes 24 y miércoles 25 de noviembre 2020 Lugar Mendoza - online Autores de la presentación Matilde Césari; Santiago Pérez; Higinio Facchini Publicado en actas, memorias – (páginas) Volumen 2. Capítulo II. Aplicaciones e Investigaciones en Ciencia y Tecnología página 271 Con/Sin referato sin Año 2021 Comité científico Luis E. Gómez - Guillermo A. Cuadrado Dante R. Salatino Institución Universidad Tecnológica Nacional Facultad Regional Mendoza Palabras clave procesamiento digital de imagen, caso de estudio, índice de color Difusión en Congresos, Simposios, reuniones científicas, conferencias Título del trabajo Aplicación del software ImageJ en el análisis de imágenes médicas Institución organizadora UTN-FRM Nombre del evento “1er. Congreso Interuniversitario I+D+i Mendoza” organizado por las Universidades de la Provincia de Mendoza, en modalidad híbrida (presencialidad y virtualidad) Carácter Póster DOI: 10.13140/RG.2.2.28366.54084 Fecha 24 al 26 de Noviembre de 2021 Lugar Mendoza - online Autores de la presentación Matilde Inés Césari; Valeria Espartaro; Marcela Fernández; María Cecilia Castellanos; Carolina Pennisi; Eugenia Alfonso Página 14 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado Difusión en Congresos, Simposios, reuniones científicas, conferencias Título del trabajo Aplicación del software ImageJ en el análisis de imágenes médicas Institución organizadora UTN-FRT Nombre del evento “Semana de la Ingeniería 2022 Nacional e Internacional.”. Carácter Clase plenaria Fecha 6 al 11 de junio 2022 Lugar Tucumán Autores de la presentación Matilde Inés Césari; Valeria Espartaro; Marcela Fernández; María Cecilia Castellanos; Carolina Pennisi; Eugenia Alfonso Difusión en Congresos, Simposios, reuniones científicas, conferencias Título del trabajo Uso del software ImageJ en análisis de imágenes médicas Institución organizadora CONFEDU y UTN FRResistencia Nombre del evento 6° Congreso Argentino de Ingeniería y 12° Congreso Argentino de Enseñanza de Ingeniería Carácter póster Fecha 7, 8 y 9 de septiembre 2022 Lugar Resistencia (Chaco) y Corrientes (Capital) Autores de la presentación Césari, Matilde; Espartaro, Valeria Palabras clave Procesamiento digital de imágenes médicas, software ImageJ La documentación probatoria de lo declarado se incorporará a un CD/DVD para ser enviada acompañando al Informe Final presentado. Página 15 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado d) Becarios: Apellido y Nombre Valeria Espartaro Tipo de beca Beca I+D alumnos Fecha de inicio 1er semestre 2019 Fecha de finalización 2do semestre 2020 Apellido y Nombre REYNOSO, Sebastián Tipo de beca Beca I+D alumnos Fecha de inicio Setiembre 2020 Fecha de finalización Diciembre 2020 3. GESTIÓN DEL PROYECTO (Para ser informado por el Director) Tareas Desarrolladas: Si tuvo dificultades en el desarrollo de las tareas previstas en este proyecto de investigación le agradeceremos que indique: Problemas de ejecución del presupuesto En primer lugar, el sistema de compra es ineficiente, antes y después de la pandemia no se pudo usar presupuesto solo para algún reintegro por inscripción a congresos. Reintegros de capacitación, bibliografía y equipamiento fueron imposibles por las tantas piedras y los tiempos excesivos que tiene el actual sistema para acceder al presupuesto. En segundo lugar, la crisis que comenzó en el 2019, hizo que el presupuesto quedara absolutamente devaluado y muy poco se podía hacer y muchos objetivos se acomodaron por ésto. Problemas con los integrantes Los alumnos asociados al proyecto final de la carrera de electrónica abandonaron, para cuando llegó la homologación no fue posible ubicarlos. Especificar otros La modelización y el trabajo con técnicas de aprendizaje de máquina es muy limitada y escasa por falta de máquina o servicios en la nube con performance suficiente para alto procesamiento de imágenes. También acceder a expertos e instituciones fuera de la universidad fue imposible por la pandemia, luego los contactos se perdieron y las experimentaciones se redujeron a trabajar solo con imágenes de repositorios y no se pudo llevar a cabo objetivos que implicaba la educción de conocimientos de expertos. Tampoco se pudo cumplir con el objetivo: explorar el potencial de los modelos PLS (PLS-Path Modeling), para la comparación visual y documentada de las regiones localizadas que se obtienen con los métodos y algoritmos computacionales utilizados vs. las interpretaciones de los especialistas, a través de casos experimentales de estudios con imágenes existentes normales y con anomalías, mediante un enfoque de variables latentes que utiliza las siguientes herramientas estadísticas: regresión logística, modelación multinivel y análisis de componentes principales”, se pudo hacer una revisión del método y construir un marco teórico pero sin Página 16 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado acceso a especialistas en neuroimagen no se pudo desarrollo preliminar de un modelo genérico básico de predicción a través de técnicas de ingeniería de sistemas basados en conocimiento borroso y modelos PLS (PLS-Path Modeling), que incluyan además de la las características de la imagen RM, aquellos datos circulantes que sean relevantes para establecer la probabilidad de que esté presente un cambio patológico o una condición biológica anómala que sea relevante para el paciente y su enfermedad. Monto del financiamiento recibido durante el desarrollo del proyecto $ 69.000,00 Porcentaje de metas cumplidas respecto a los objetivos propuestos en el proyecto acreditado 80% Agentes facilitadores (si los hubiere) Evaluación de los integrantes: Nómina del personal que interviene en el proyecto Nº Apellido y Nombre Evaluación Director (*) 1 María Cecilia CASTELLANOS Satisfactorio 2 Marcela FERNANDEZ Satisfactorio 3 Carolina PENNISI Satisfactorio 4 Eugenia ALFONSO Satisfactorio 5 Silvana SANDER Satisfactorio 6 María Eugenia STEFANONI Satisfactorio 7 Ricardo Manuel CESARI Satisfactorio 8 Valeria ESPARTARO Satisfactorio 9 SANCHEZ, Franco baja 10 DEBLASIS, Rodrigo Damián baja 11 ROLANDO LOPEZ, Mauro Agustin baja Nota: El Director es responsable de la asignación de tareas del proyecto por lo que se sugiere revisar si corresponden a cada investigador las tareas informadas. Página 17 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado Resultados obtenidos ● Estrategia metodológica para el reconocimiento de patrones y creación de modelos a partir de imágenes digitales cerebrales, tomada mediante la tecnología de resonancia magnética y sin el empleo de algún medio de contraste radiológico, permite resaltar regiones con posibles anomalías, en base a técnicas de procesamiento digital de imagen para la segmentación y extracción de características, a través de la herramienta Fii Imagen J y varios pluing y macros construidas a tal fin. La metodología se basa en los siguientes pilares: A. Extracción del espacio intracraneal o Se aplica la LUT’s o paletas de color para visualizar los valores de una sola banda en color facilitando el análisis visual o La eliminar de las imágenes todos aquellos tejidos que se encuentran fuera del espacio intracraneal (hueso, la grasa y la piel) B. Segmentación de imágenes de RM cerebral o Se aplica técnica de mejoramiento de la imagen (ecualización del histograma). o Luego se aplica el Simple Linear Iterative Clustering (SLIC) para obtener las imágenes de superpixeles. o Finalmente se extraen características de textura, más 1 variable de clase que se obtiene empleando las imágenes etiquetadas manualmente. C. Clasificación supervisada o Construcción de modelos de clasificación supervisada de superpixeles con técnicas de IA. ● Estrategia metodológica para la obtención de modelos que permitan representar distintos términos lingüísticos asociados a las propiedades perceptuales, pudiendo ser adaptados tanto a distintos perfiles de usuario como al contexto de la imagen Conclusiones La utilización del diagnóstico por la imagen ha puesto de manifiesto la necesidad de establecer procedimientos para garantizar la seguridad del paciente, reducir en la medida de lo posible su exposición a cantidades excesivas de radiación y evitar la repetición innecesaria de estudios , así como establecer en la práctica médica criterios de indicación de diferentes tipos de estudios disponibles para racionalizar su demanda y favorecer la utilización adecuada de los mismos (se considera que entre un 10% y un 40% de los estudios de diagnóstico por imagen pueden ser inadecuados y no contribuyen al diagnóstico clínico del paciente). Con la obtención de la imagen, el médico puede establecer un tratamiento o por lo menos identificar el problema y realizar las pruebas más profundas a quienes realmente lo necesiten, evitando gastos innecesarios. La imagenología comprende la realización de todo tipo de exámenes diagnósticos y terapéuticos, en los cuales se utilizan equipos que reproducen imágenes del organismo. El diagnóstico médico a partir de imágenes médicas digitales en numerosas ocasiones tiene una gran influencia subjetiva, ya que generalmente se basa en la extracción de determinada información o elementos simples sobre fondos complejos. Por esta razón, factores como la dificultad en la percepción de la imagen, determinación de características relevantes, condiciones de visualización, experiencia médica, entre otros pueden ocasionar lo que se denomina inconsistencia diagnóstica El proceso de la segmentación de imagen tiene como objetivo establecer regiones en la misma, donde cada región es homogénea en relación a una característica determinada. En el ámbito del procesamiento de imágenes médicas, es una herramienta de importancia, cuyas aplicaciones incluyen simulaciones de cirugía, medición de volumen de tumores, clasificación de células sanguíneas, estudios de desarrollo cerebral, detección de microcalcificaciones en mamografías y detección de tumores. La idea central en el reconocimiento de patrones es la simulación de la percepción humana, lo que no implica reconstruir en forma exacta los algoritmos utilizados, sino simplemente se intenta alcanzar resultados similares. Página 18 de 18 Proyectos UTN con incorporación al Programa de Incentivos Ministerio de Educación Universidad Tecnológica Nacional Rectorado El proceso de segmentación permite aumentar la calidad de la información que entregan las imágenes de Resonancia Magnética. Por otra parte, los procesos de segmentación poseen una capacidad de identificación de los diferentes tipos de tejidos muy alta. La textura es uno de los elementos utilizados en la interpretación visual de imágenes de sensores remotos y ha sido utilizada experimentalmente en análisis automatizados de imágenes. En particular el reconocimiento de patrones espaciales en base a textura, es realizado con cierta facilidad por el experto, pero es difícil de automatizar sobre una computadora. El análisis de texturas ofrece información cuantitativa de aspectos de las imágenes que habitualmente se valoran de forma subjetiva, como la heterogeneidad de las mismas, la cantidad de información, la repetitividad de patrones, etc. Es conocido que los tumores más agresivos son aquellos que presentan aspectos más heterogéneos, donde coexisten zonas de alta proliferación celular, alta vascularización, necrosis, edema, etc. Todo esto causa que las imágenes tengan patrones caóticos que en términos cualitativos se pueden definir como heterogeneidad. Disponer de los métodos adecuados para medir esta heterogeneidad podría ayudar a caracterizar mejor estos tumores y determinar el pronóstico de los pacientes. Con el fin de ayudar a los radiólogos y cirujanos en una planificación fiable de la intervención, es necesario nuevos métodos y herramientas precisas y eficientes para localizar y segmentar adecuadamente el órgano de interés y las patologías presentes Se aborda el modelado de las propiedades perceptuales de textura mediante conjuntos difusos, lo que permite representar la imprecisión asociada a la presencia de dichas propiedades. Estos conjuntos difusos se definen sobre el dominio de medidas computacionales de las propiedades de textura, y su función de pertenencia se obtiene relacionando los valores calculados a partir de dichas medidas con la percepción humana de la propiedad correspondiente. Se propone la obtención tanto de modelos genéricos, que pueden ser aplicados, aunque no se disponga de ninguna información adicional, como de modelos que permiten adaptarse al perfil particular de distintos usuarios o al contexto de la imagen. Los métodos de detección de anomalías pueden ayudar a los especialistas a encontrar, de una forma más rápida y segura, determinado tipo de lesiones en las imágenes obtenidas de los pacientes. Adicionalmente, estos algoritmos pueden ser empleados en la clasificación de enormes bases de datos para obtener imágenes útiles para la investigación y la impartición de docencia. En el campo de la telemedicina, pueden emplearse para preservar regiones de interés clínico, y compactar el resto de la imagen a una tasa de compresión elevada y con pérdidas, logrando así archivos más pequeños y adecuados para almacenar y transmitir por redes con anchos de banda limitados. RESERVADO PARA LA SECRETARÍA DE CIENCIA Y TÉCNICA DE LA FACULTAD REGIONAL Fecha de presentación en la Secretaría de CyT por parte del director: dd/mm/aaaa _____________________________________ Firma y sello Secretario de Ciencia y Técnica de Facultad Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 1 Técnicas de procesamiento digital de imágenes médicas El proceso digital de imágenes es el uso de los algoritmos informáticos para realizar el procesamiento de imágenes en imágenes digitales. La técnica de segmentación de imágenes se utiliza para dividir a una imagen en partes significativas que tienen características y propiedades similares, el objetivo principal de la segmentación es la simplificación, es decir representar una imagen de manera significativa y fácilmente analizable, la segmentación de imágenes es el primer paso necesario en el análisis de imágenes. Las aplicaciones básicas de la segmentación de imágenes; • Recuperación de imágenes basadas en contenido. • Imágenes médicas. • Detección de objetos y tareas de reconocimientos. • Sistemas automáticos de control de tráfico y video vigilancia etc. El cerebro es un órgano fundamental del cuerpo humano, es el órgano con el que más cuidado se debe tener, lo que ha despertado gran interés en su estudio tanto para la investigación como para prevención de posibles anomalías presentes en el mismo [1]. Un tumor cerebral es un crecimiento descontrolado de células derivadas de componentes cerebrales (tumores primarios) o de células tumorales localizadas en otras áreas del organismo (metástasis). Los tumores pueden ser benignos o malignos, dependiendo de la rapidez de su crecimiento y de si logran resecarse o curarse mediante el tratamiento neuroquirúrgico. A diferencia de los tumores de otros tejidos, la distinción entre manifestaciones benignas y malignas no es tan clara, por ejemplo, algunas lesiones benignas pueden infiltrar regiones enteras con comportamiento clínico maligno. Una gran parte de los adelantos tecnológicos en el campo de la medicina resultan en la manipulación y tratamiento de imágenes digitales, estas imágenes se pueden obtener a partir de radiografías, ecografías, tomografías y resonancias magnéticas, el experto humano realiza un diagnóstico a partir de estas imágenes pero puede haber factores como la gran cantidad de imágenes, la ocultación de objetos debido al paso de 3D a 2D, lesiones difícilmente visibles al ojo humano debido a su reducido tamaño, subjetividad en la interpretación, cansancio y falta de concentración que pueden influir en el diagnóstico final del experto humano, lo cual resultaría peligroso para el paciente [2]. En el campo de las tomografías computarizadas el experto radiólogo realiza un diagnosticó de normalidad o anormalidad de estudios a pacientes, este estudio es subjetivo, dependiendo en su mayoría de la experiencia del experto e influenciado por factores como cansancio, fatiga y efectos visuales. Los tumores cerebrales son complejos. Hay muchas anomalías en los tamaños y la ubicación de los tumores cerebrales. Esto hace que sea realmente difícil para la comprensión completa de la naturaleza del tumor. Además, se requiere un neurocirujano profesional para el análisis de resonancia magnética. Muchas veces en los países en desarrollo, la falta de médicos hábiles y la falta de conocimiento sobre los tumores hace que sea realmente difícil y lento generar informes a partir de la resonancia magnética. Los primeros trabajos en diagnóstico asistido por computador, más comúnmente denominado CAD (Computer Aided Diagnosis), se registran por la década de los 60. Al principio, la comunidad científica los concibió como sistemas de diagnóstico automático con la convicción de que podrían diagnosticar enfermedades sin ayuda de los expertos humanos. Sin embargo, con el tiempo estas expectativas se fueron diluyendo teniendo en cuenta que por aquel tiempo aún no se contaba con la tecnología tanto de software como de hardware necesaria. Durante ese periodo también se desarrollaban nuevas técnicas de IA en el área de la Ingeniería del conocimiento; esto logro conocer mejor el proceso de un experto al realizar un diagnóstico médico, que consiste en, examina los datos de un paciente, platear una hipótesis de un determinado diagnóstico, posteriormente examina otros datos para ir refinando la hipótesis y comprobar o descartar su validez, comparándola con otros procesos de características similares o cercanas [3]. Más tarde por los años 80, surgió otro enfoque más realista que planteaba la salida del computador como una segunda opinión diagnóstica con el objetivo de aumentar la precisión del diagnóstico, aunque sería el experto humano quien tomase la decisión final. Con el tiempo este nuevo enfoque fue evolucionado positivamente y para el año 1990 se presentó el primer trabajo sobre sistemas CAD en donde se afirmaba que su empleo había aportado una mejora estadísticamente significativa al diagnóstico de cáncer de seno [4], después se publicaría sobre los Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 2 beneficios de CAD en otro tipo de lesiones como microcalcificaciones agrupadas, masas en mamografías, nódulos pulmonares, aneurismas y radiografía de tórax [5]. De esta forma CAD ha evolucionado positivamente a lo largo del tiempo en cuanto a detección de lesiones en imagen médica. En el transcurso de los a´ nos 80 y 90 surgieron nuevos sistemas expertos que incorporaban el Deep Learning, así como nuevas capacidades de razonamiento incorporando nuevos modelos; sin embargo, el impacto no fue tan notable desde el punto de vista clínico como lo fue en lo académico y tecnológico [6]. CAD generalmente es definido como “sistemas que realizan un análisis cuantitativo sobre la imagen médica y su resultado se tiene en cuenta por un especialista al momento de emitir un diagnóstico” [7]. Hoy en día el único método definitivo para confirmar la presencia de la mayoría de tipos de cáncer, así como también para clasificarlos, es según Raphael et al. [8] un análisis histopatológico de una biopsia o muestra de tejido, ya que este permite visualizar claramente el estado de la enfermedad además de ayudar con la formulación de un tratamiento más adecuado, en este sentido se han realizado diversas investigaciones sobre sistemas CAD para el análisis de imágenes histopatológicas. Los objetivos en este aspecto son ambiciosos ya que no solo se intenta crear sistemas que ayuden con la detección y clasificación de la enfermedad sino que además puedan cuantificarla, debido a la necesidad de conocer con más precisión el estado del cáncer para mejorar su estimación y predecir su progreso. El análisis de textura es una herramienta muy útil para obtener información sobre imágenes médicas. Éste análisis tiene muchas aplicaciones en la práctica clínica, algunos ejemplos son la segmentación de estructuras anatómicas y la detección de lesiones como puede ser un tumor [9;10;11]. El concepto de textura en una imagen se puede considerar como la distribución de los valores de niveles de gris entre los pixeles que forman una región de interés en una imagen. Este concepto planteado se puede representar como un mapa tridimensional basado en los valores de los pixeles. Es por tanto que el análisis de textura es una herramienta utilizada para la evaluación de la intensidad y la posición de los pixeles en una imagen. Las características de la textura son parámetros matemáticos que han sido calculados a partir de la distribución de los pixeles. Hay diferentes formas de obtener un análisis de textura, estas se diferencian en la manera de medir las interrelaciones entre los pixeles. Los 4 métodos para obtener un análisis de textura son: 1. Métodos estructurales 2. Métodos basados en modelos 3. Métodos estadísticos 4. Métodos de transformación [12]. Los métodos estadísticos se basan en representar la textura usando propiedades que regulan tanto la distribución como las relaciones entre los valores de niveles de gris. Los parámetros de textura más utilizados provienen de las categorías principales que se detallan a continuación: Histograma, Gradiente absoluto, Matriz de largo recorrido, Matriz de co-ocurrencia [13]. El análisis de texturas aporta información hasta ahora desconocida. A partir de una serie de datos no considerados puede extraerse información relevante, además ésta puede correlacionarse estadísticamente con resultados extraídos de una biopsia para marcar unos parámetros determinantes y unos umbrales. De este modo al hacer el estudio y relacionar las texturas con la tipología de la lesión se puede acelerar el proceso de diagnóstico y tomar unas decisiones de tratamiento más dirigidas a la lesión específica. Antecedentes del diagnóstico de cáncer cerebral asistido por computador ▪ Araneda Fuentes, C., & Tapia Vilches, I. (2020). Revisión sistemática exploratoria: diagnóstico asistido por computadora con uso de inteligencia artificial en imagenología maxilofacial (Doctoral dissertation, Universidad Andrés Bello). Objetivo: Explorar el uso y viabilidad de la Inteligencia Artificial en el campo de la Imagenología Maxilofacial (u odontología) ante la incorporación de la era digital a la práctica clínica. Demostrar si la literatura disponible la califica como un método realmente efectivo. Materiales y métodos: Revisión Sistémica Exploratoria. Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 3 ▪ Díaz Caceres, M. L. (2020). Comparación entre el análisis automático y manual del volumen del hematoma intraparenquimal en una tomografía cerebral en un Hospital de Lima Metropolitana. Compara el análisis automático y manual del volumen del hematoma intraparenquimal en imágenes de tomografía cerebral de una institución de Lima Metropolitana entre los años de 2019-2020. Realiza un estudio observacional, analítico y prospectivo, se incluyó 100 estudios tomográficos de cerebro de pacientes con diagnóstico de hematoma intraparenquimal entre diciembre del 2019 a abril del 2020. Para el análisis inferencial, se utilizó la prueba no paramétrica Wilcoxon, considerando una diferencia significativa cuando el valor de p fue menor a 0.05. Encuentra que el volumen del hematoma intraparenquimal mediante el análisis automático en tomografía cerebral tuvo una mediana de 27.86 cm3. El volumen del hematoma intraparenquimal mediante el análisis manual en tomografía cerebral tuvo una mediana de 24.09 cm3. Asimismo, la mediana del volumen del hematoma intraparenquimal mediante el análisis automatizado fue 43.55 cm3 en sexo femenino y 21.56 cm3 en sexo masculino, mientras que la mediana del volumen del hematoma intraparenquimal mediante el análisis manual fue 39.64 cm3 en sexo femenino y 17.76 cm3 en sexo masculino. Según edad, la mediana del volumen del hematoma intraparenquimal mediante el análisis automatizado fue 31.81 cm3 en aquellos con 18 a 39 años y 26.19 cm3 en aquellos con 40 a 59 años. En cambio, la mediana del volumen del hematoma intraparenquimal mediante el análisis manual fue 28.83cm3 aquellos con 18 a 39 años y 23.71 cm3 en aquellos con 40 a 59 años. El volumen del hematoma intraparenquimal mediante el análisis automático y el análisis manual tuvieron diferencias estadísticamente (p=0.000). Concluye que existe diferencias significativas entre el análisis automático y el análisis manual del volumen del hematoma intraparenquimal en imágenes de tomografía cerebral de una institución de Lima Metropolitana entre los años de 2019-2020. ▪ Limache Calatayud, R. E. (2016). Un enfoque híbrido para la clasificación de imágenes de Resonancia Magnética del Cerebro. El tumor cerebral es una de las principales causas de mortalidad entre niños y adultos en todo el mundo. Un tumor es una masa de tejido que crece fuera de control, los tumores pueden ser benignos o malignos (cáncer), dependiendo de la rapidez de su crecimiento y de si logran resecarse o curarse mediante el tratamiento neuro-quirurgico. Para diagnosticar un cáncer se realizan diferentes pruebas como radiografías, tomografías, ecografías o resonancias magnéticas. Mediante estas pruebas pueden detectarse zonas con alta sospecha tumoral, cuyo diagnostico debe confirmarse mediante la realización de una biopsia. Estas imágenes no son fáciles de interpretar, lo que provoca que el profesional encargado de analizarlas, a pesar de su experiencia no sea capaz de detectar en ellas un porcentaje importante de tumores. Una posibilidad para mejorar el diagnostico consiste en utilizar sistemas de diagnostico asistido por computador (CAD). Un CAD analiza la imagen medica y trata de detectar zonas sospechosas de contener alguna anomalía. Entonces el radiólogo va poder interpretar con menos dificultad la información contenida en la imagen medica. El diagnostico asistido por computador es aún una tecnología muy joven, es por ello que en esta tesis se ha propuesto una técnica hibrida formado por una red neuronal y un algoritmo gen ético para detectar en una imagen de resonancia magnética si tiene o no una anomalía. Para la etapa de extracción de características se ha utilizado la técnica de Gabor, y para la etapa de clasificación se va usar una red neuronal MLP (perceptron multicapa) con un algoritmo gen ético simple. Los resultados de aplicar el enfoque a la data de prueba muestran ser prometedores ▪ Pérez Ramírez, M. Ú. (2015). Algoritmo de detección de metástasis cerebrales en imágenes de resonancia magnética mediante el uso de plantillas tridimensionales de apariencia tumoral. El tumor cerebral es un crecimiento celular patológico intracerebral. Puede destruir directamente la población celular normal o dañarla indirectamente por invadir otras partes y causar inflamación, edema cerebral y presión intracraneal. Las metástasis cerebrales son depósitos celulares originados en otro órgano y emigrados posteriormente al cerebro. En España aparecen cada año 165.000 nuevos casos de cáncer y de ellos, más de 30.000 (en torno al 18%) sufren metástasis cerebrales, causa significante de morbilidad y mortalidad. Unos 6.000 pacientes, la quinta parte, presentan metástasis encefálicas menores de 30 mm y pueden beneficiarse de la radiocirugía guiada por la imagen [1]. La motivación de este trabajo reside en que la detección temprana de las metástasis cerebrales incrementa la supervivencia, ya que el tratamiento más utilizado es la radiocirugía guiada por la imagen. Como apoyo al diagnóstico radiológico se emplea el Diagnóstico Asistido por Ordenador (Computer Assisted Diagnosis, CAD) que ofrece una metodología cuantitativa, gran reproducibilidad y fiabilidad. Con esta idea en mente, el objetivo de este Trabajo Fin de Máster es el desarrollo de un algoritmo que permita la detección de metástasis cerebrales a partir del análisis de imagen de resonancia magnética, enfatizando la reducción de falsos positivos. Para el procesado y análisis de las imágenes se ha utilizado la herramienta MATLAB. Con el fin de lograr la detección de metástasis cerebrales, se correlacionaron unas plantillas tridimensionales sintéticas de apariencia tumoral con el volumen de imágenes y se aplicó un umbral de similitud. Posteriormente, se segmentaron las detecciones y se aplicaron algoritmos para el cálculo del grado de anisotropía con el Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 4 objetivo de eliminar estructuras elongadas como vasos sanguíneos. Este Trabajo Fin de Máster se ha desarrollado en el Centro de Biomateriales e Ingeniería Tisular de la Universitat Politècnica de València, en estrecha colaboración con el Servicio de Radiología de la Fundación Instituto Valenciano de Oncología (FIVO). El algoritmo de detección desarrollado se ha aplicado a 19 pacientes diagnosticados con metástasis cerebrales (un total de 62 metástasis cerebrales) en el Servicio de Radiología de la FIVO. Tras aplicar los algoritmos de reducción de falsos positivos, para el grupo de entrenamiento se ha conseguido un 85% de sensibilidad (17 de 20 metástasis detectadas) y una tasa media de falsos positivos por caso de 5,63. En lo referente al grupo de validación se ha obtenido una sensibilidad y una tasa media de falsos positivos por caso de 88,1% (37 de 42 metástasis detectadas) y 5,91, respectivamente. Esta herramienta es de utilidad para el diagnóstico clínico realizado por radiólogos, facilitándoles un análisis automático sobre las imágenes a diagnosticar ▪ Vianney-Kinani, J. M., ROSALES-SILVA, A. J., GALLEGOS-FUNES, F. J., & Arellano, A. (2014). Diagnóstico asistido por ordenador de los tumores cerebrales mediante la mejora de imagen y la lógica difusa. DYNA, 81(183), 148-157. Un sistema de procesamiento de imágenes médicas robusto depende de una variedad de aspectos, incluyendo una mejora apropiada de la imagen, y una segmentación óptima. En este artículo se propone un algoritmo para facilitar la implementación de estos dos pasos. En primer lugar, una imagen de resonancia magnética (RM) se mejora vía filtrado en el dominio espacial y también se mejora su contraste, luego, la imagen se segmenta utilizando el agrupamiento difuso “fuzzy C-means” (FCM), posteriormente, la región de interés, que puede ser el tumor o edema, se detecta y delinea. La ventaja clave de esta canalización de procesamiento de imagen es el uso simultáneo de características calculadas a partir de las propiedades de intensidad de la imagen en un patrón en cascada que hace que el cálculo sea auto- contenido. La evaluación del rendimiento del algoritmo propuesto se llevó a cabo en imágenes cerebrales de diferentes sistemas de resonancia magnética, el algoritmo desarrollado probó ser exitoso en comparación a otras aplicaciones relacionadas Se comenzará explicando conceptos y algoritmos de procesamiento para imágenes en escala de grises. Muchos de estos conceptos son aplicables directamente a las imágenes en color 1. Imágenes Digitales Este tipo de imágenes puede considerarse como una matriz cuyos índices de fila y columna identifican un punto en la imagen y el correspondiente valor del elemento de la matriz equivale al valor de magnitud o nivel de gris en ese punto. Matemáticamente, una imagen digital matricial de N pixeles de ancho y M pixeles de alto puede ser representada como una matriz de dimensiones M×N. Figura 1. Imagen Digital matricial El sistema de coordenadas que se usará, toma como (0,0) la esquina superior izquierda y como (M−1,N−1) la esquina inferior derecha. El conjunto de valores de cada celda de la matriz, de la forma 1,2,...,L cuyo tamaño depende del formato de la imagen: para imágenes con profundidad de color de n bits, L toma el valor L= 2n. Algunos formatos habituales son imágenes de 8, 16 o 32 bits. En este trabajo nos centraremos en imágenes en escala de grises de 8 bits por ser las que se han utilizado en el Grupo de Investigación. Por tanto cada pixel representa la luminosidad o intensidad del pıxel de coordenadas (u,v), siendo 0 la intensidad mínima (negro) y 255 la máxima (blanco). Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 5 Tras la captura de la imagen tendremos una matriz de valores en dos dimensiones (2D), es decir, una imagen digital. Los valores de la matriz 2D representan niveles de intensidad. Figura 2. El pixel – Resolución La resolución espacial es el grado de detalle discernible en una imagen dado por el tamaño del pixel (picture element, el elemento más pequeño en una imagen) o la cantidad de pixeles. Se mide en puntos por pulgada (o ppp). Por ejemplo, en una imagen con una resolución de 300 ppp, cada pulgada de la imagen contiene 300 puntos. Dicho de otro modo, cada punto o píxel que compone la imagen ocupa 1/300 de pulgada (14). Y la resolución de nivel de gris se refiere al más pequeño cambio discernible en nivel de gris. La potencia de 2 que determina el número de niveles de gris es usualmente 8 bits, es decir, 256 diferentes niveles de gris. En este trabajo nos centraremos en imágenes en escala de grises de 8 bits por ser las que se han utilizado en el Grupo de Investigación. Por tanto cada pixel representa la luminosidad o intensidad del pıxel de coordenadas (u,v), siendo 0 la intensidad mínima (negro) y 255 la máxima (blanco). Figura 3. Imagen Digital como función de dos dimensiones con coordenadas espaciales Usualmente decimos que una imagen digital de tamaño M x N con L niveles de gris tiene una resolución espacial de M x N píxeles y una resolución de nivel de gris de L niveles. Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 6 Figura 4. Cuantificación En la siguiente figura 5, se observa una misma imagen con una resolución de niveles de gris de 8 bits, pero con distintas resoluciones espaciales, las cuales son: a. 1024x1024 b. 512x512 c. 256x256 d. 128x128 e. 62x64 f. 32x32 La imagen original tiene una resolución espacial de 1024x1024. Las sucesivas imágenes con resoluciones espaciales menores se obtienen de eliminar el número apropiado de filas y columnas de la imagen original. Figura 5. Imágenes con distintas resoluciones espaciales [14] En la siguiente figura 6, se observa el caso en el que la resolución espacial (472x374) se mantiene constante y lo que cambia es la resolución en los niveles de gris. Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 7 Figura 6. Imágenes con distintas resoluciones en los niveles de gris [14] En la figura anterior: a. 256 niveles de gris b. 128 niveles de gris c. 64 niveles de gris d. 32 niveles de gris e. 16 niveles de gris f. 8 niveles de gris g. 4 niveles de gris h. 2 niveles de gris Algunas relaciones básicas entre píxeles • Vecinos de un pixel Un pixel p en las coordenadas (x,y) tiene cuatro vecinos horizontales y verticales dados por: Este conjunto de pixeles, llamados los 4-vecinos de p, se denota como conjunto N4(p). Los cuatro vecinos diagonales de p tienen las coordenadas: Y se denota como conjunto ND(p). Estos puntos, junto con N4(p), son llamados los 8 vecinos de p, y se escriben como N8(p). Algunos de ellos estarán fuera de la imagen si (x,y) está en el borde de la imagen [14] Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 8 • Conectividad, Regiones y fronteras La conectividad entre píxeles es un concepto fundamental que simplifica la definición de numerosos conceptos de la imagen digital, como regiones y fronteras. Para establecer si 2 pixeles están conectados, se debe determinar si son vecinos y si sus niveles de gris satisfacen un criterio predeterminado de similaridad (por ejemplo, que sus niveles de gris sean iguales). En una imagen binaria (con valores 0 y 1), 2 pixeles pueden ser 4-vecinos, pero sólo se dice que están conectados si tienen el mismo valor [14] Conectividad Si V es el conjunto de valores de niveles de gris que definen la conectividad entre píxeles de una imagen, podemos definir 3 tipos de conectividad: a) 4-conectividad: 2 pixeles p y q con valores en V son 4-adyacentes si q está en el conjunto N4 (p). b) 8-conectividad: 2 pixeles p y q con valores en V son 8-adyacentes si q está en el conjunto N8 (p). c) m-conectividad (conectividad mixta): 2 pixeles p y q con valores de V son m-adyacentes si: 1 – q está en N4 (p) ó 2 – q está en ND (p) y además el conjunto N4 (p) N4 (q) no tiene pixeles con valores de V. La conectividad mixta es una modificación de la 8-conectividad que se introduce para eliminar las ambigüedades que surgen al utilizar 8-conectividad. Por ejemplo, considérese el arreglo de pixeles de la figura7 para V = {1}. Los 3 píxeles en la parte superior muestran múltiple 8-conectividad (ambigua), como se indica con las líneas punteadas. Esta ambigüedad desaparece al utilizar m- conectividad [14]. Figura 7. Ejemplos de conectividad en una imagen binaria [14] Caminos, componentes conexas, conjuntos conectados, regiones El camino de un píxel p con coordenadas (x,y) a un pixel q con coordenadas (s,t) es la secuencia de distintos píxeles con coordenadas (x0,y0), (x1,y1),...,(xn,yn) Donde (x0, y0) = (x, y) y (xn, yn) = (s, t) y los píxeles (xi, yi) y (xi-1, yi-1) son adyacentes para todo 1<= i <= n. En este caso, n es la longitud del camino. Si (x0, y0) = (xn, yn), el camino es cerrado. Sea S un subconjunto de pixeles en una imagen. Se dice que 2 pixeles p y q están conectados en S si existe un camino entre ellos que consiste enteramente de pixeles en S. Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 9 Para cada pixel p en S, el conjunto de pixeles que está conectado a él en S se denomina componente conexa de S. Si sólo tiene un componente conexo, entonces el conjunto S se denomina conjunto conectado. Sea R un subconjunto de pixeles en una imagen. Llamamos R una región de la imagen si R es un conjunto conectado. La frontera (también llamada borde o contorno), de una región R es el conjunto de píxeles de la región que tienen uno o más vecinos que no están en R [14]. Distancia entre píxeles Para los pixeles p, q y z con coordenadas (x,y), (s,t) y (v, w) respectivamente, D es una función de distancia si: ▪ D(p,q)>=0 -----> D(p,q)=0 si y sólo si p=q ▪ D(p,q)=D (q, p) ▪ D(p,z)<=D (p,q) + D(q,z) La distancia euclidiana entre p y q se define como: Lo que significa que los pixeles que tienen una distancia menor o igual al valor de r desde (x,y) son los que contiene un disco de radio r con centro en (x,y) (15) La distancia euclídea es la más exacta pero presenta el inconveniente de su gran número de cálculos. Por otro lado no tiene en cuenta el concepto de vecindad antes descrito. Es por ello que se han definido otras. Figura 8. Alternativas de distancias métricas entre dos pixeles en imágenes digitales [14] Operaciones entre píxeles Existen básicamente dos tipos de operaciones entre píxeles: ▪ Operaciones aritméticas (suma, resta, multiplicación, división) ▪ Operaciones lógicas (AND, OR, NOT, XOR, etc.). Por ejemplo, si se desea sumar dos imágenes, lo que se hace es sumar el píxel p de la imagen 1 con el pixel q de la imagen 2. Estos píxeles deben tener la misma posición en sus respectivas imágenes. De esta manera se obtiene una nueva imagen, y el valor de cada uno de sus píxeles es: De manera similar se hace con el resto de las operaciones aritméticas y las operaciones lógicas, estas últimas se aplican en su mayoría a imágenes binarias Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 10 2. Pasos fundamentales del procesamiento digital de imágenes Las partes fundamentales del procesamiento digital de imágenes (en general) son las que enumeran a continuación, aunque no siempre se aplican todos los pasos. A. Adquisición de imágenes: En esta primera etapa, luego de adquirir la imagen, por lo general se aplica un preprocesado de la imagen. Como sucede con otros conceptos que abarcan tantos campos como lo hace la imagen médica, como pueden ser obviamente la medicina, la física, la química, la ingeniería, etc., la definición puede variar ligeramente dependiendo del contexto, pero de forma general se puede definir como el conjunto de técnicas y procesos que representan espacialmente una o más propiedades físicas o químicas dentro del cuerpo humano [16]. De las imágenes obtenidas se destacan dos parámetros importantes: • Contraste: Diferencia de intensidad entre un punto de la imagen y sus alrededores. Cuando hablamos de imagen médica lo importante es conocer la fuente del contraste, es decir, que parámetro está siendo representado por una determinada intensidad luminosa. • Resolución: Grado de detalle. La resolución puede ser espacial o temporal. – Espacial: Se define formalmente como, la distancia mínima que debe existir entre dos puntos del objeto para poder identificarlos en la imagen como independientes. – Temporal: Definida como la capacidad para adquirir una imagen óptima en el menor tiempo posible. Es inversamente proporcional al tiempo de adquisición de la imagen. No puede valorarse directamente sobre la imagen como ocurre con la resolución espacial o el contraste. La resolución temporal es más importante en estudios dinámicos o funcionales. En estos casos la mayor rapidez de la adquisición permite obtener información funcional no manifestada en imágenes “estáticas” [17] Parámetros de calidad de una imagen médica: – Las imágenes contienen información útil para su estudio pero también incorporan ruido debido a diversas fuentes (ruido térmico, interferencial, etc.) y de carácter aleatorio que “ensucia” la imagen. Es imposible eliminarlo por completo pero se puede dar una medida de como éste afecta a nuestra imagen mediante la SNR (Signal Noise Ratio). – Artefactos: Cualquier estructura que aparezca en una imagen médica y no tenga una correspondencia real con el organismo estudiado. Son errores sistemáticos, al contrario que el ruido, debidos a diversos fuentes, dependiendo de la cual el artefacto puede ser evitable o no En la mayoría de los casos hay que llegar a un compromiso entre estos parámetros, por lo que en casos reales se intenta llegar a un equilibrio que proporcione imágenes suficientemente buenas para el análisis que se desee realizar De forma general la obtención de imágenes médicas consiste en irradiar al paciente con energía de una naturaleza determinada. La procedencia de esta energía definirá el contraste de la imagen, apareciendo el concepto de modalidad de imagen utilizado de forma común para enmarcar qué radiación se ha utilizado para la adquisición, las modalidades utilizadas en la actualidad son: – Radiología: Rayos x (Radiación electromagnética) – Medicina nuclear: Radiación (Radiación electromagnética) – Ecografía: Energía Ultrasónica. – Resonancia Magnética: Ondas Radio (Radiación electromagnética Los distintos tipos de radiaciones utilizados en cada modalidad producen diferentes efectos en los tejidos debido a la interacción bioquímica con los mismos, pudiendo llegar a provocar efectos negativos sobre el organismo, por lo que en este contexto se pueden clasificar las modalidades como: – Radiaciones ionizantes: Se llegan a ionizar moléculas debido a la alta energía de la radiación, induciendo reacciones químicas en los tejidos. – Radiaciones no ionizantes: La energía no es suficientemente alta para producir ionización, solo el cambio de estado de algunas partículas produciendo calor debido a la absorción y posterior emisión de la energía. Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 11 También se pueden clasificar las modalidades según la naturaleza del contraste: – Morfológicas o estructurales: Representan la anatomía de los pacientes detalladamente. Generalmente tendrán una resolución alta. – Funcionales: Aportan parámetros sobre el funcionamiento de los tejidos, como la perfusión sanguínea, el metabolismo, etc. Otra forma importante de clasificar las modalidades es según la capacidad para separar objetos a distintas profundidades: – Imágenes proyectivas: Es una imagen en perspectiva, todas las estructuras de la muestra se superponen sobre un plano. – Imágenes tomográficas: Se proporcionan varios cortes (rodajas) en tres dimensiones para facilitar su interpretación Las imágenes médicas obtenidas por las distintas modalidades mapean, es decir, localizan y representan gráficamente, la distribución relativa de las partes de la muestra, siendo esta visualización obviamente cualitativa. Las imágenes contienen más información de la que revela la simple inspección ocular y las técnicas de análisis permiten la obtención de nuevas características o parámetros medibles, que también pueden ser representadas sobre el mapeo de la imagen realizado Tomografías Computadas (TC): procedimiento de diagnóstico que usa combinación de radiografías (Radiaciones ionizantes) y técnicas computarizadas para obtener cortes transversales. Modalidad morfológica no funcional para obtener Imágenes tomográficas. Las tomografías computadas pueden realizarse para ayudar a diagnosticar tumores, estudiar hemorragias internas o buscar otras lesiones o daños Resonancia Magnética por Imágenes (RMI): método no funcional para producir imágenes tomográficas precisas de los órganos internos del cuerpo; mediante radiaciones no ionizantes. La resonancia magnética ofrece excelentes detalles anatómicos debido a su alto contraste entre tejidos blandos y la posibilidad de realzar diferentes tipos de tejidos empleando distintos protocolos de adquisición (18). Esto se consigue modificando los tiempos de relajación de los tejidos, denominados T1 y T2, y los tiempos de repetición TR y de eco TE, o incluso con ayuda de contrastes externos, lo cual dará lugar a distintas secuencias de imágenes como las secuencias potenciadas en T1 o T2, las secuencias FLAIR (se elimina la señal de los líquidos), de difusión del agua o de perfusión (pudiendo también utilizar la propia sangre como agente de contraste) entre otras (19). Estas imágenes son de gran utilidad para el diagnóstico precoz de muchas enfermedades y para una localización precisa de las lesiones en los distintos órganos. Tabla 1. Diferencias entre TC y RMI TC RMI Proceso rápido Demora más Cortes más grandes (0.5 a 1 mm) Cortes chicos < 0.5 mm Emplea rayos X Emplea campos magnéticos Formato TIFF (Tagged Image File Format): Las imágenes pueden ser de 1bit, 8bit, 16bit hasta de 32 bits. Archivos TIFF con imágenes múltiples del mismo tipo y tamaño pueden abrirse en forma de stacks o hiperstacks es decir que hace un desglose de imágenes múltiples en una sola ventana, ImageJ también permite guardar el archivo TIFF como archivo ZIP sin pérdida de información. El archivo en formato TIFF define etiquetas que describen las características de la imagen, al guardar imágenes muy grandes es posible que se pierda calidad en la misma pues la gama de colores que utiliza es de RGB (rojo, gris, azul), CMYK (cian, magenta, amarillo, negro) y peso de la imagen aumenta. Las etiquetas que utiliza TIFF permiten almacenar información acerca de las dimensiones de la imagen, la cantidad de colores utilizados, el tipo de compresión o la corrección de gama. Por lo tanto, una descripción de imagen que utiliza etiquetas simplifica la programación del software permitiendo guardar información en formato TIFF. Por otro lado, la cantidad de opciones es tan amplia que muchos editores de imágenes que admiten el formato TIFF no las integran todas. Por ende, algunas veces, una imagen guardada que utiliza el formato TIFF no se puede leer por medio de otro editor, pero la versatilidad de TIFF permite ser importado a diferentes plataformas de publicación. Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 12 Formato DICOM: DICOM (Digital Imaging and Communications in Medicine) DICOM es el estándar reconocido mundialmente para el intercambio de imágenes médicas, pensado para el manejo, almacenamiento, impresión y transmisión de imágenes médicas y datos de pacientes. DICOM ha sido adoptado ampliamente por hospitales y está haciendo incursión en pequeñas aplicaciones de oficina para dentistas y médicos. Creado por ACR (American College of Radiology) y NEMA (National Electrical Manufacturers association) alrededor de 1985, tuvo gran impacto a inicios de 1993 con el auge de las imágenes diagnosticas, y es ahora el formato estándar reconocido mundialmente para el intercambio de pruebas médicas, visualización, almacenamiento, impresión y transmisión. Posee también un protocolo de comunicación de red que permite la comunicación entre sistemas para la transmisión de datos e igualmente los ficheros DICOM pueden intercambiarse entre dos entidades que tengan capacidad de recibir imágenes y datos de pacientes en formato DICOM. DICOM se diferencia de otros ficheros de datos porque agrupa la información dentro de un conjunto de datos, por ejemplo, una imagen de radiodiagnóstico contiene el ID del paciente junto con ella, de manera que la imagen no puede ser separada por error de su información y esto hace que DICOM cobre relevancia en la medicina” [20] La aparición y uso de las distintas técnicas de imagen por resonancia junto con la creciente tendencia de tener un mundo digitalizado, ha llevado tanto a organizaciones médicas como a fabricantes de aparatos médicos de diagnosis a buscar una manera de estandarizar, sobre todo, el diagnóstico por imagen, estableciendo un formato único para los datos y las comunicaciones médicas, generalizando los protocolos. Uno de los estándares más exitosos hasta la fecha es DICOM (siglas de Digital Imaging and Communications in Medicine). DICOM es un estándar de comunicación entre sistemas de información utilizado a nivel mundial para el intercambio de pruebas médicas, pensado para su manejo, visualización, almacenamiento, impresión y transmisión. Su aparición supuso acabar con los problemas de interoperabilidad entre distintos tipos de dispositivos. Incluye la definición de un formato de fichero y de un protocolo de comunicación de red. El protocolo de comunicación es un protocolo de aplicación que usa TCP/IP para la comunicación entre sistemas. Los ficheros DICOM pueden intercambiarse entre dos entidades que tengan capacidad de recibir imágenes y datos de pacientes en formato DICOM. Una imagen médica por sí misma no aporta suficiente información. Para que sea correctamente interpretada es necesario que vaya acompañada de datos del paciente y del proceso de adquisición, incluyendo datos de la máquina y de las circunstancias de cómo se realizó la prueba. Los ficheros DICOM constan de una cabecera mixta con campos estandarizados y campos de libre elección, y un cuerpo con la imagen en sí. Cada campo va etiquetado en la cabecera del fichero DICOM. Es en estos campos donde se almacena la información sobre el paciente (identificación y datos demográficos), el estudio donde se encuadra la toma de la imagen, la serie a la que pertenece la imagen e información sobre la propia máquina. La imagen y su información asociada se almacenan en objetos. Los objetos están compuestos por entidades de información (hay entidades de paciente, de estudios, de series, de equipo, de imagen…) que a su vez se componen en uno o varios módulos, que a su vez contienen varios atributos. Un atributo se define con etiqueta, nombre, palabra clave, la representación del valor (tipo de datos y el formato) y multiplicidad del valor (especifica el número de valores que pueden ser codificados en ese campo). En la siguiente figura se puede apreciar una síntesis de los metadatos más importantes y que hemos usado durante la implementación de la herramienta que nos ocupa Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 13 Ejemplo de los metadatos de una imagen DICOM Mejora de la imagen Se aplican cambios subjetivos en la imagen para lograr realzar algunos parámetros de interés. La mejora de la imagen se refiere a la acentuación de algunas de sus características tales como bordes o contraste para permitir una más adecuada visualización y análisis de la misma, por lo que el objetivo fundamental de las técnicas usadas es procesar la imagen de manera tal que resulte más apta que la original para una aplicación específica (21). Es de destacar que en este proceso no se añade información a la que ya poseen los datos, pero aumentando el rango dinámico de una característica elegida, ésta puede ser detectada y analizada con mayor facilidad. Es importante tener en cuenta el tipo de imagen y para qué va a ser usada, ya que un método de mejora apto para imágenes de rayos X, puede no ser conveniente para el procesado de una imagen satelital. Una primera aproximación de las técnicas de mejora permite agruparlas en: 1. Métodos en el dominio espacial El término dominio espacial se refiere al plano mismo de la imagen, y los métodos en esta categoría están basados en la directa manipulación de los píxeles de una imagen, y pueden clasificarse en: a. Transformaciones de intensidad o de niveles de gris b. Filtrado espacial o convolución espacial Los métodos de referencia operan directamente sobre los píxeles y pueden expresarse como: Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 14 Donde f(x,y) es la imagen de entrada, g(x,y) es la imagen procesada y T es un operador que actúa sobre f en algún entorno de (x,y). Normalmente el entorno se define como una área de subimagen cuadrada o rectangular centrada en (x,y), aunque a veces se usan otros tipos tales como los círculos. El centro de la subimagen se mueve píxel a píxel y se aplica en operador en cada posición (x,y) para obtener la imagen de salida [21]. a. Transformaciones de intensidad o de niveles de gris Procesamiento de punto. La forma más simple de T corresponde a un entorno 1x1, en cuyo caso g depende sólo del valor de f en el punto (x,y). Como la mejora en cada punto depende sólo del nivel de gris en ese punto, las técnicas de esta categoría se designan como procesamiento de punto. En estas condiciones, T se convierte en una función de transformación del nivel de gris de la forma: Donde r y s indican el nivel de gris de f(x,y) y g(x,y) respectivamente. En la siguiente figura, se muestra en (a) el efecto de producir una imagen de mayor contraste que la inicial, al oscurecer los niveles de gris que se encuentran por debajo de m e iluminar los niveles por arriba de este valor en la imagen original. Esta técnica es conocida como de aumento de contraste. En la figura 7 (b), T(r) produce una imagen de dos niveles (binaria). Figura 7. (a) Aumento de contraste. (b) Imagen binaria [21] En la siguiente figura 8 se muestran tres tipos de funciones básicas utilizadas frecuentemente en la mejora de la imagen: lineal, logarítmica y de potencia. Figura 8. Funciones básicas utilizadas en la mejora de la imagen [21] Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 15 − Transformación lineal Como se observa en la figura anterior, hay dos tipos de transformaciones lineales: a. La lineal produce como resultado una imagen idéntica a la de entrada b. La negativa da como resultado el negativo de la imagen original. En la figura 9, siguiente en (a) se ve la imagen original de una mamografía y en (b) el negativo de la misma. Figura 9. Transformación lineal. (a) Imagen idéntica a la de entrada. (b) Negativo de la imagen [21] − Transformación logarítmica Cuando el rango dinámico de una imagen excede la capacidad del dispositivo de presentación, en cuyo caso sólo las partes más brillantes de la imagen aparecerán en la pantalla, es usual recurrir a una transformación logarítmica del tipo: Donde c es un factor de escala, y se asume que r>=0. Esta transformación realiza la compresión deseada. Esta es la técnica usada para representar la Transformada de Fourier, donde el rango dinámico es habitualmente mucho mayor que el de los sistemas de visualización estándar que son capaces de reproducir fielmente, en consecuencia sólo las partes más brillantes de la imagen son visibles en la pantalla [21]. En la siguiente figura en (a) se observa la Transformada de Fourier de una imagen, y en (b) la transformación logarítmica de esta con c=1. Figura 10. (a) Transformada de Fourier de una imagen. (b) Transformación logarítmica de la imagen “a” [21] Como se puede ver la transformación logarítmica ayuda a visualizar niveles de gris antes no distinguibles. La transformación logarítmica inversa lleva a cabo una transformación contraria a la anterior. − Transformación de potencia Las transformaciones de función de potencia tienen la forma básica Donde c y son constantes Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 16 En la siguiente figura se muestran los distintos gráficos de función para distintos valores de . Las curvas que corresponden a valores de >1 tienen un efecto contrario sobre la imagen a las que tienen <1. Figura 11. Curvas de transformación de potencia [21] La aplicación de estas curvas sobre una imagen tiene un resultado similar a la transformación logarítmica. Esta transformación también se utiliza para manipular el contraste de una imagen como se muestra en las siguientes figuras. Figura 12. Aumento de contraste, como resultado de aplicar distintas transformaciones de potencia [21] En la figura (a) se observa la imagen original, y en (b), (c) y (d) se muestra el aumento de contraste producido con c=1 y con valores de gamma de 3.0, 4.0 y 5.0 respectivamente. − Transformación lineal por partes Fraccionamiento del nivel de gris A veces se desea destacar un rango específico de nivel de gris en una imagen apoyándose la solución en una de estas dos ideas básicas: Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 17 1. Adjudicar un nivel alto a aquellos niveles de gris en el rango de interés, y un valor bajo para los restantes (Figura a). 2. Aumentar el nivel de gris del rango de interés, pero preservar el resto de los valores naturales (Figura b) Figura 13. Transformaciones lineales para el fraccionamiento del nivel de gris [21] Aumento de contraste En la siguiente figura se observa una transformación típica de aumento de contraste. Los puntos de control (r1,s1) y (r2,s2) determinan la forma de la función de transformación. ✓ Si r1=s1 y r2=s2 la transformación es una función lineal que no produce cambios en el nivel de gris. ✓ Si r1=r2, s1=0 y s2=L–1, la transformación se vuelve una función de umbral cuyo resultado es una imagen binaria. Valores intermedios producen distintos grados de distribución del nivel de gris, afectando el contraste. Figura 14. Transformación lineal para el aumento del contraste. [21] Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 18 En la figura: a. Función de transformación b. Imagen con bajo contraste c. Resultado de aumento de contraste d. Resultado de aplicar la función de umbral Modificación del histograma Puede encararse el mejoramiento de la imagen actuando sobre el histograma. El histograma de una imagen digital con niveles de gris en el rango [0, L-1] es una función discreta definida como: Donde “rk” es el k-ésimo nivel de gris, “nk” es el número de píxeles de la imagen con ese nivel de gris, n es el número total de píxeles de la imagen y k=0, 1,2,..., L-1 A continuación en la figura se muestran 4 tipos de histogramas según la imagen sea: Figura 15. Histogramas típicos según el tipo de imagen. [21] Se observa que p (rk) da una estimación de la probabilidad de que aparezca el nivel de gris “rk”. La suma de los componentes de un histograma normalizado es igual a 1. Si se parte de una formulación continua, para cada r del intervalo [0,1], y nos centramos en las transformaciones de la forma s= T(r) que producen un nivel de gris s para cada valor de píxel r de la imagen original, la función de transformación debe cumplir con las siguientes propiedades: a) T(r) da un valor único y monótonamente creciente en el intervalo 0 ≤ r ≤ 1 b) 0 ≤ T(r) ≤ 1 para 0 ≤ r ≤ 1 La condición a) preserva el orden entre negro y blanco de la escala de grises, mientras que la condición b) garantiza una aplicación que es coherente con el rango de valores de píxeles permitidos. Los niveles de gris se pueden ver como cantidades que varían aleatoriamente, y pueden caracterizarse por su densidad de probabilidades pr(r) y ps(s) De la teoría elemental de probabilidades, si Pr(r) y T(r) son conocidas y T-1(s) verifica la condición a), entonces se satisface: Informe de Avance y/o Final 2020 Anexo 00 CCUTIME0005279TC CESARI Matilde Inés 19 (1) Una técnica de mejora se basa en la modificación de la apariencia de una imagen digital al controlar la función de densidad de probabilidad de sus niveles de gris por medio de una función de transformación T(r). Sea la función de transformación (función de distribución acumulada de r): Y donde: Sustituyendo en (1) se tiene: Que da una densidad uniforme en el intervalo de definición de la variable transformada s. Esto significa que cuando se emplee una función de transformación igual a la función de distribución acumulada de r se produce una imagen cuyos niveles de gris tiene densidad uniforme. La técnica empleada se llama “ecualización o linealización del histograma”. La ventaja que presenta este algoritmo frente a la manipulación manual del contraste es que su aplicación resulta completamente automática, esto es la información necesaria para implementar este proceso puede ser extraído de la propia imagen original, aunque sólo sea capaz de generar una aproximación a un histograma plano. A veces se desea tener la posibilidad de especificar determinados perfiles del histograma capaz de detectar determinados niveles de gris, lo que lleva a considerar el histograma original y el que se desea obtener, desarrollándose para este propósito un método llamado “especificación del histograma”. Estos dos métodos son globales, en el sentido de que los píxeles se modifican mediante una función de transformación basada en la distribución de los niveles de gris en toda la imagen. Aunque a veces resulta de interés la mejora general de la imagen, a menudo se requiere actuar sobre los detalles en un área pequeña de la misma. Una solución consiste en generar funciones de transformación basadas en la distribución de los niveles de gris en una vecindad de cada píxel de la imagen b. Filtrado espacial o convolución espacial El filtrado espacial plantea otra visión del problema. Se basa en el empleo de máscaras espaciales, también llamados filtros espaciales. La idea es simple: Consiste en determinar g en el punto (x,y) a partir de los valores de f en un ent