Image analysis for diagnostic support in biomedicine: Neuromuscular diseases and pigmented lesions
- Autores: Aurora Sáez Manzano
- Directores de la Tesis: Carmen Serrano Gotarredona (dir. tes.), Begoña Acha Piñero (dir. tes.)
- Lectura: En la Universidad de Sevilla ( España ) en 2014
- Idioma: español
- Número de páginas: 140
- Tribunal Calificador de la Tesis: Carlos Alberola López (presid.), Rafael Boloix Tortosa (secret.), Jesús Angulo López (voc.), Rubén Martín Clemente (voc.), Javier Pascau (voc.)
- Materias:
- Enlaces
- Tesis en acceso abierto en: Idus
- Resumen
Esta tesis presenta dos sistemas implementados mediante técnicas de procesamiento de imagen, para ayuda al diagnóstico de enfermedades neuromusculares a partir de imágenes de microscopía de fluorescencia y análisis de lesiones pigmentadas a partir de imágenes dermoscópicas.
El diagnóstico de enfermedades neuromusculares se basa en la evaluación visual de las biopsias musculares por parte del patólogo especialista [1], lo que conlleva una carga subjetiva. El primer sistema propuesto [2] [3] en esta tesis analiza objetivamente las biopsias musculares y las clasifica en distrofias, atrofias neurógenas o control (sin enfermedad) a través de imágenes de microscopía de fluorescencia. Su implementación reúne los elementos propios de un sistema de ayuda al diagnóstico asistido por ordenador: segmentación, extracción de características, selección de características y clasificación. El procedimiento comienza con una segmentación precisa de las fibras musculares usando morfología matemática y una transformada Watershed [4]. A continuación, se lleva a cabo un paso de extracción de características, en el cual reside la principal contribución del sistema, ya que no solo se extraen aquellas que los patólogos tienen en cuenta para diagnosticar sino características que se escapan de la visión humana. Estas nuevas características se extraen suponiendo que la estructura de la biopsia se comporta como un grafo, en el que los nodos se corresponden con las fibras musculares, y dos nodos están conectados si dos fibras son adyacentes. Para estudiar la efectividad que estos dos conjuntos presentan en la categorización de las biopsias, se realiza una selección de características y una clasificación empleando una red neuronal Fuzzy ARTMAP [5]. El procedimiento concluye con una estimación de la severidad de las biopsias con patrón distrófico. Esta caracterización se realiza mediante un análisis de componentes principales. Para la validación del sistema se ha empleado una base de datos compuesta por 91 imágenes de biopsias musculares, de las cuales 71 se consideran imágenes de entrenamiento y 20 imágenes de prueba. Se consigue una elevada tasa de aciertos de clasificación y se llega a la importante conclusión de que las nuevas características estructurales que no pueden ser detectadas por inspección visual mejoran la identificación de biopsias afectadas por atrofia neurógena.
La segunda parte de la tesis presenta un sistema de clasificación de lesiones pigmentadas. Primero se propone un algoritmo de segmentación de imágenes en color para aislar la lesión de la piel circundante. Su desarrollo se centra en conseguir un algoritmo relacionado con las diferencias color percibidas por el ojo humano. Consiguiendo así, no solo un método de segmentación de lesiones pigmentadas sino un algoritmo de segmentación de propósito general. El método de segmentación propuesto [6] se basa en un gradiente para imágenes en color integrado en una técnica de level set [7] para detección de bordes. La elección del gradiente se derivada a partir de un análisis de tres gradientes de color implementados en el espacio de color uniforme CIE L*a*b* y basados en las ecuaciones de diferencia de color desarrolladas por la comisión internacional de iluminación (CIELAB [8], CIE94 [9] y CIEDE2000 [10]). El principal objetivo de este análisis es estudiar cómo estas ecuaciones afectan en la estimación de los gradientes en términos de correlación con la percepción visual del color. Una técnica de level-set se aplica sobre estos gradientes consiguiendo así un detector de borde que permite evaluar el rendimiento de dichos gradientes. La validación se lleva a cabo sobre una base de datos compuesta por imágenes sintéticas diseñada para tal fin. Se realizaron tanto medidas cuantitativas como cualitativas. Finalmente, se concluye que el detector de bordes basado en la ecuación de diferencias de color CIE94 presenta la mayor correlación con la percepción visual del color.
A partir de entonces, la tesis intenta emular el método de análisis de patrones, la técnica de diagnóstico de lesiones pigmentadas de la piel más empleada por los dermatólogos. Este método trata de identificar patrones específicos, pudiendo ser tanto globales como locales. En esta tesis se presenta una amplia revisión de los métodos algorítmicos [11], publicados en la literatura, que detectan automáticamente dichos patrones a partir de imágenes dermoscópicas de lesiones pigmentadas. Tras esta revisón se advierte que numerosos trabajos se centran en la detección de patrones locales, pero solo unos pocos abordan la detección de patrones globales.
El siguiente paso de esta tesis, por tanto, es la propuesta de métodos de clasificación de patrones globales. El objetivo es identificar tres patrones: reticular, globular y empedrado (considerado un solo patrón) y homogéneo. Los métodos propuestos se basan en un análisis de textura mediante técnicas de modelado [12]. En primer lugar una imagen demoscópica se modela mediante campos aleatorios de Markov [13], los parámetros estimados de este modelo se consideran características. A su vez, se supone que la distribución de estas características a lo largo de la lesión sigue diferentes modelos [14]: un modelo gaussiano, un modelo de mezcla de gaussianas o un modelo de bolsa de características. La clasificación se lleva a cabo mediante una recuperación de imágenes basada en diferentes métricas de distancia. Para validar los métodos se emplea un conjunto significativo de imágenes dermatológicas, concluyendo que el modelo basado en mezcla de gaussianas proporciona la mejor tasa de clasificación. Además, se incluye una evaluación adicional en la que se clasifican melanomas con patrón multicomponente obteniendo resultados prometedores.
Finalmente, se presenta una discusión sobre los hallazgos y conclusiones más relevantes extraídas de esta tesis, así como las líneas futuras que se derivan de este trabajo.
REFERENCIAS [1] Dubowitz, V., Sewry, C. A., and Lane, R. J. (2007). Muscle biopsy: a practical approach . Elsevier Health Sciences.
[2] Sáez A., Rivas E., Montero-Sánchez A., Paradas C., Acha B., Pascual A., Serrano C., Escudero LM. Quantifiable diagnosis of muscular dystrophies and neurogenic atrophies through network analysis. BMC Medicine. 11(1), art. no. 77 (2013).
[3] Sáez A., Acha B., Montero-Sánchez A., Rivas E., Escudero LM., Serrano C.
Neuromuscular disease classification system. Journal of Biomedical Optics.
Jun;18(6):066017 (2013).
[4] Meyer, F. and Beucher, S. (1990). Morphological segmentation.
Journal of Visual Communication and Image Representation , 1(1):21¿46.
[5] Capdehourat, G., Corez, A., Bazzano, A., Alonso, R., and Musé, P. (2011). Toward a combined tool to assist dermatologists in melanoma detection from dermoscopic images of pigmented skin lesions. Pattern Recognition Letters , 32(16):2187¿2196.
[6] Sáez A., Mendoza C.S., Acha B., Serrano C. Development and evaluation of perceptually adapted colour gradients. IET Image Processing 7 (4) , pp. 355-363 (2013).
[7] Li, C., Xu, C., Gui, C., and Fox, M. (2005). Level set evolution without re-initialization: A new variational formulation. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition , volume 1, pages 430¿436.
[8] McLaren, K. (1976). Development of the cie 1976 (l a b) uniform colour space and colour-difference formula.
[9] Report, C. T. (1995). Industrial color difference evaluation . CIE Publication 116:1995, Central Bureau, Vienna.
[10] CIE Technical, R. (2002). Cie 142-2001, improvement to industrial colour-difference evaluation. Color Research and Application , 27(1):61.
[11] Sáez A., Acha B., Serrano C. Pattern analysis in dermoscopic images. In Computer Vision Techniques for the Diagnosis of Skin Cancer, published by Springer (Series in BioEngineering) 2013. ISBN: 978-3-642-39607-6 [12] Serrano, C. and Acha, B. (2009). Pattern analysis of dermoscopic images based on markov random fields. Pattern Recognition , 42(6):1052¿1057.
[13] Xia, Y., Feng, D., and Zhao, R. (2006). Adaptive segmentation of textured images by using the coupled markov random field model. IEEE Transactions on Image Processing , 15(11):3559¿3566.
[14] Sáez A., Serrano C., Acha B. Model-based Classification Methods of Global patterns in dermoscopic images. Submitted to IEEE Transactions on Medical Imaging.
