Projecte/Treball Final de Carreraeia.udg.es/~draba/documents/pfcMariona.pdf · Escola Politècnica...

Escola Politècnica Superior

Projecte/Treball Final de Carrera

Estudi: Enginyeria Tècnica en Informàtica de Sistemes Títol: Detecció automàtica de microcalcificacions i grups de microcalcificacions a partir de l’anàlisi de les imatges mamogràfiques.

Document: Memòria Alumne: Mariona Blanch Carles

Director/Tutor: Jordi Freixenet i Bosch / David Raba Sánchez Departament: Electrònica, Informàtica i Automàtica

Àrea: Visió per Computador Convocatòria: Maig 2004

Detecció automàtica de microcalcificacions i grups de

microcalcificacions a partir de l’anàlisi de les imatges mamogràfiques.

Realitzat per Mariona Blanch Carles Estudiant d’Enginyeria Tècnica en Informàtica de Sistemes de la Universitat de Girona

Index

ÍNDEX

CAPÍTOL 1. INTRODUCCIÓ .................................................................................................................... 2

1.1. OBJECTIUS DEL PROJECTE .................................................................................................................. 2 1.2. PLA DE TREBALL ................................................................................................................................ 4

CAPÍTOL 2. ENTORN DE TREBALL.................................................................................................... 10

2.1. IMATGE MAMOGRÀFICA .................................................................................................................. 10 2.2. DIAGNOSI DEL METGE ...................................................................................................................... 11 2.3. HRIMAC......................................................................................................................................... 15

2.3.1. Cerca basada en el contingut ..................................................................................................... 15

CAPÍTOL 3. SEGMENTACIÓ DE LESIONS ........................................................................................ 18

3.1. SEGMENTACIÓ GLOBAL.................................................................................................................... 19 3.1.1. Extracció del muscle pectoral .................................................................................................... 20

3.2. MICROCALCIFICACIONS ................................................................................................................... 21 3.3. MÈTODES DE DETECCIÓ DE LESIONS................................................................................................. 23

3.3.1. Mètode de cerca de contorns...................................................................................................... 24 3.3.2. Descripció del mètode ................................................................................................................ 25

3.3.2.1. Estratègia A. Com a validador de llavors ..................................................................................................25 3.3.2.2. Estratègia B. Com a cerca de llavors. ........................................................................................................29

CAPÍTOL 4. DETECCIÓ D’AGRUPACIONS DE MICROCALCIFICACIONS............................... 32

4.1. ALGORISME DE DETECCIÓ DE CLUSTERS .......................................................................................... 32

CAPÍTOL 5. MÚLTIPLES FONTS D’INFORMACIÓ.......................................................................... 36

5.1. FUSIÓ D’INFORMACIÓ....................................................................................................................... 37 5.2. MÈTODES DE CORRESPONDÈNCIA .................................................................................................... 38

5.2.1. Correspondència projectiva amb l’os pectoral .......................................................................... 39 5.2.2. Correspondència per distància amb el mugró............................................................................ 40

5.2.2.1. Algorisme de Chandrasekhar: detecció del mugró ....................................................................................42

CAPÍTOL 6. APLICACIÓ ........................................................................................................................ 45

6.1. ANÀLISI ........................................................................................................................................... 45 6.2. DISSENY........................................................................................................................................... 45

6.2.1. Mètode de segmentació de microcalcificacions ......................................................................... 47 6.2.2. Fusió d’informació ..................................................................................................................... 47 6.2.3. Correspondència 3D................................................................................................................... 48 6.2.4. Agrupació de clusters ................................................................................................................. 49

6.3. IMPLEMENTACIÓ .............................................................................................................................. 49

Index

6.3.1. KDevelop .................................................................................................................................... 49 6.3.2. Llibreries QT i RMLIB ............................................................................................................... 49 6.3.3. Evolució de l’aplicació............................................................................................................... 50 6.3.4. Algorismes incorporats a l’aplicació ......................................................................................... 51 6.3.5. Estructura del codi ..................................................................................................................... 55

CAPÍTOL 7. PROVES I RESULTATS.................................................................................................... 58

7.1. RESULTATS DE L’ALGORISME DE SEGMENTACIÓ DE MICROCALCIFICACIONS.................................... 58 7.1.1. Resultats ..................................................................................................................................... 60 7.1.2. Observacions .............................................................................................................................. 73 7.1.3. Millores proposades ................................................................................................................... 74

7.2. RESULTATS DE L’ALGORISME DE DETECCIÓ DE CLUSTERS ............................................................... 75 7.2.1. Resultats ..................................................................................................................................... 75

7.3. RESULTATS DEL MÈTODE DE FUSIÓ D’INFORMACIÓ ......................................................................... 78 7.3.1. Resultats ..................................................................................................................................... 78

7.4. RESULTATS DEL MÈTODE DE CORRESPONDÈNCIA ............................................................................ 84 7.4.1. Resultats de la correspondència amb l’os pectoral .................................................................... 85 7.4.2. Resultats de la correspondència amb el mugró.......................................................................... 87

CAPÍTOL 8. CONCLUSIONS I TREBALLS FUTURS......................................................................... 91

8.1. CONCLUSIONS .................................................................................................................................. 91 8.2. TREBALLS FUTURS........................................................................................................................... 92

CAPÍTOL 9. BIBLIOGRAFIA ................................................................................................................. 94

Capítol 1. Introducció


2


El càncer de mama és el tipus de càncer més freqüent entre dones de 15 a 54 anys, d’aquí la

importància de potenciar-ne la detecció precoç. Mitjançant la realització de mamografies, els

especialistes cerquen possibles lesions al teixit mamari. Una d’aquestes lesions són

conegudes com microcalcificacions (µCa). Aquestes µCa són petites acumulacions de

minerals dins el teixit del pit. Aquest tipus de lesió s’observa subtilment en la mamografía

com a petits punts brillants. L’existència de microcalcificacions formant agrupacions

(clusters) és una condició suficient per establir un control periòdic de la pacient, ja que

indica un possible procés cancerós.

Publicacions recents mostren com actualment les mamografies es realitzen a dones d’entre

50 i 70 anys. Cada any es diagnostiquen 17.000 nous casos de càncer de mama, una malaltia

que, tot i l’augment de casos, la seva taxa de mortalitat ha disminuït fins a un 2%. Un estudi

recent que es va dur a terme a 5.000 dones, va revelar que un terç dels tumors de mama

havia aparegut en pacients menors de 50 anys i el 20% en majors de 70.

És per aquest motiu que es demana que es facin mamografies a partir dels 40 fins més enllà

dels 70, detectant així els possibles tumors en un estat poc avançat. Es denuncia així, que el

fet que es limitin les mamografies a una determinada edat té a veure simplement amb criteris

d’economia sanitària. Les campanyes d’screening1 es fan en un grup de població sobre el

que s’ha calculat la rendibilitat entre el nombre de proves i el de tumors que es detecta. És

per aquest motiu que es demana ampliar els grups d’edat perquè augmenta enormement les

possibilitats de curació i d’aplicar un tractament poc agressiu a la pacient [15].

1.1. Objectius del projecte

Els objectius principals d’aquest PFC són els següents:

1. Anàlisi, disseny i implementació d’un algorisme de detecció de

microcalcificacions basat en regions actives.

1 Screening: revisió portada a terme en pacients asimptomàtics en intervals regulars amb la finalitat d’una detecció precoç amb un increment de cura. Les mamografíes són la principal modalitat d’screening per detectar càncer de pit [14].


3

2. Anàlisi, disseny i implementació d’un mètode de fusió d’informació: disposem de

diferents algorismes de detecció de microcalcificacions (desenvolupats prèviament),

a part de la nova contribució. Així, es pretén obtenir un algorisme que permeti

fusionar els resultats dels diferents mètodes en un resultat únic.

3. Anàlisi, disseny i implementació d’un algorisme de correspondència. Es basa en

etiquetar les diferents microcalcificacions detectades en les imatges mamogràfiques

en diferents vistes (CC i MLO) per tal de trobar una correspondència entre les dues

imatges i fer-ne més fàcil la localització a les dues vistes.

4. Estudi i implementació d’un mètode conegut per detectar grups de

microcalcificacions. Aquest mètode va ser dissenyat per Pere Planiol i Joan Martí, i

es disposa d’un article que n’explica el seu funcionament.

Aquest projecte final de carrera s’integra dins el projecte “Herramienta de Recuperación de

Imágenes Mamográficas por Análisis de Contenido (HRIMAC)”, que consisteix en el

disseny i construcció d’un sistema d’ajut al diagnosi de càncer de mama. En aquest projecte

hi participa la Universitat Ramón Llull, la Universitat de Girona, i especialistes de l’Hospital

Josep Trueta de Girona. Els directors d’aquest PFC (Jordi Freixenet i David Raba),

pertanyents al grup de Robòtica i Visió per Computador del departament d’Electrònica,

Informàtica i Automàtica de la Universitat de Girona han supervisat el projecte. El treball

proposat consisteix en la detecció de microcalcificacions en imatges mamogràfiques.

La memòria que es presenta a continuació explica la feina realitzada en aquest PFC i consta

de 8 capítols.

El capítol 1, Introducció al projecte, s’especifiquen els objectius i s’exposa la planificació

seguida per a dur a terme el projecte. En el capítol 2, Entorn de treball, s’explica el marc on

es desenvolupa el projecte. En el capítol 3, es tracten els algorismes de segmentació de

lesions, així com el nou mètode implementat de cerca de contorns. En el capítol 4, s’explica

com s’integra l’algorisme de detecció de grups de microcalcificacions dins l’entorn, basat

en un mètode ja implementat per Pere Planiol. En el capítol 5, es tracta el disseny i

implementació dels algorismes de fusió d’informació i correspondència d’imatges. En el

capítol 6, s’explica el funcionament de l’aplicació i com s’ha dut a terme el procés d’anàlisi

i disseny. En el capítol 7, s’exposen els resultats obtinguts de l’aplicació dels algorismes

implementats en els capítols 3,4 i 5. Finalment en el capítol 8, es troben les conclusions que

s’han extret de la realització d’aquest projecte i s’exposen possibles treballs futurs.


4

1.2. Pla de treball A partir del dia en què es va decidir començar a treballar en aquest PFC, s’ha creat un pla de

treball per tal d’organitzar la feina a realitzar i assolir els objectius marcats del projecte.

1 2

9 87654

11 12 13 14 15 16

18 19 20 21 22 23

25 26 27 28 29 30

Novembre

2003

Dll Dm Dc Dj Dv Ds Dg

3

10

17

24

2. Estudi d’un nou algorisme de segmentació

3. Implementació del nou algorisme de

segmentació de microcalcificacions

4. Estudi d’integració de solucions

1 2 3 4 5

12 11109 8 7

14 15 16 17 18 19

21 22 23 24 25 26

28 29 30 31

Octubre

2003


6

13

20

27

2. Estudi d’un nou algorisme de segmentació

1.Aprenentatge i domini de l’entorn.


5

1 2 3 4 5 6 7

14 131211109

16 17 18 19 20 21

23 24 25 26 27 28

30 31

Desembre

2003


8

15

22

29

4. Estudi d’integració de solucions

5. Implementació de l’algorisme

d’integració de solucions

1 2 3 4

11 109876

13 14 15 16 17 18

20 21 22 23 24 25

27 28 29 30 31

Gener

2004


5

12

19

26

6. Estudi d’un algorisme de detecció de clusters

7. Incorporació de l’algorisme de detecció

de clusters al sistema

1

8 76543

10 11 12 13 14 15

17 18 19 20 21 22

24 25 26 27 28 29

Febrer

2004


2

9

16

23

8. Període de testeig de l’aplicació en múltiples dades.

9. Setmana de marge


6

Fig. 1.1.Planificació mensual de les tasques a dur a terme.

1 2 3 4 5 6 7

14 131211109

16 17 18 19 20 21

23 24 25 26 27 28

30 31

Març

2004


8

15

22

29

11. Estructuració de la informació generada. Recopilació de Documentació

10. Resultats i comparatives

1 2 3 4

11 109876

13 14 15 16 17 18

20 21 22 23 24 25

27 28 29 30

Abril

2004


5

12

19

26

12. Optimitzacions. Integració a HRIMAC.

1 2

9 87654

11 12 13 14 15 16

18 19 20 21 22 23

25 26 27 28 29 30

Maig

2004


3

10

17

24/31


7

Les tasques a realitzar són les següents:

1. Aprenentatge i domini de l’entorn.

Durant aquest període s’entra en contacte amb anteriors projectes i amb l’entorn de

desenvolupament en general.

2. Estudi dels algorismes de detecció de microcalcificacions.

S’estudien els diferents algorismes implementats en el projecte anterior.

3. Implementació del nou algorisme de detecció de microcalcificacions.

Implementació d’un algorisme per a la detecció de microcalcificacions basat en el

mètode de detecció de microcalcificacions proposat per Bankman et. al. [7].

4. Estudi de tècniques d’integració de solucions en una mateixa imatge.

Període d’estudi i implementació d’un nou algorisme de fusió d’informació per a

imatges mamogràfiques.

5. CC-MLO en quadrants.

Estudi i disseny de dos mètodes per a trobar una correspondència de les

microcalcificacions detectades en les vistes CC i MLO d’una mateixa imatge.

6. Implementació d’un algorisme de detecció per quadrants.

Implementació dels dos mètodes de correspondència de microcalcificacions

obtingudes a partir de les dues vistes d’una mateixa imatge mamogràfica.

7. Integració d’un algorisme de detecció de clusters de microcalcificacions.

Integrar l’algorisme dissenyat per Pere Planiol dins l’entorn HRIMAC.

8. Període de proves de l’aplicació final sobre múltiples dades.

Obtenció dels resultats després d’aplicar els diferents algorismes sobre imatges i

comparativa dels resultats.

9. Recopilació de la documentació del projecte.


8

10. Millores / adaptacions a la plataforma HRIMAC.

Un cop avaluats els resultats, s’apliquen les diferents millores als algorismes. També es

procedeix a l’adaptació dels nous mètodes a la plataforma HRIMAC.

11. Presentació de la documentació.

12. Defensa del projecte.

Capítol 2. Entorn de treball

Capítol 2. Entorn de Treball

10

Capítol 2. Entorn de Treball Abans de començar a veure el treball realitzat cal donar un cop d’ull a l’entorn en que es treballarà. Així en aquest capítol, es veuran diferents aspectes pel que fa a diagnòstic mèdic, estudiant quines són les eines en que es fan servir per tal de diagnosticar un cas. També es presentarà la plataforma HRIMAC a la qual s’integraran els resultats del treball.

2.1. Imatge Mamogràfica Una mamografía és una radiografia del teixit del pit. És un mètode no invasiu que permet

examinar el pit, cercant possibles lesions. Tot i l’estudi dels factors de risc, l’aparició d’un

càncer és difícil de preveure. Una detecció precoç incrementa les possibilitats de recuperació

i disminueix la taxa de mortalitat causada per la malaltia.

Hi ha dos tipus de mamografies: les analògiques i les digitals. Les mamografies analògiques

a diferència de les digitals inclouen més soroll i no tenen calibrats els nivells de gris, fet que

ens pot portar alguns problemes si finalment treballem amb aquestes imatges.

El procediment seguit per obtenir una mamografia és comprimint el pit entre dues plaques

agafant així la màxima regió possible. Un cop realitzades les radiografies obtindrem la placa

que inspecciona l’expert. Si no disposem d’un mamògraf digital caldrà digitalitzar la

radiografia amb un scanner, si s’ha fet amb el mètode convencional, procurant que aquest

procés tingui una pèrdua d’informació mínima.

Fig. 2.1. Mamògraf. Aparell per fer mamografies.

Usualment es fan dues vistes del pit de la pacient amb el mamògraf (Fig. 2.1) per aconseguir

una visió més acurada del pit.

Feix de raigs X

Placa per a la pel·lícula

Plataforma pel

pit


11

Projecció/Posició Direcció dels raigs X Vistes

Cranio-Caudal

CC

Medio-Lateral Obliqua

MLO

Taula 2.1. Imatges mamogràfiques d’un mateix pit.

Es poden realitzar altres vistes, com ara una compressiva focalitzada a una zona en concret,

per tal de precisar el diagnosi, però les més freqüents són les vistes CC (Cranio-Caudal) i la

MLO (Medio-Lateral Obliqua). Aquestes dues vistes ja proporcionen informació suficient

de la anatomia interna del teixit de la mama, i es minimitza la irradiació del pit.

2.2. Diagnosi del metge Un examen complet del pit implica una exploració física del pit a més a més de la

mamografía. L’exploració física comença amb una inspecció visual. L’especialista palpa el

pit cercant asimetries, nòduls palpables o trets característics de la pell i el mugró, d’ambdós

pits.


12

La palpació proporciona informació sobre l’estructura del teixit glandular. També

proporciona informació sobre possibles diferències entre pits, és a dir posició i consistència

de la possible protuberància i de la relació d’aquestes protuberàncies amb el teixit que les

envolta, la pell, i els músculs pectorals. Durant la palpació també es té en compte la

presència de dolor i la mobilitat del mugró, així com de la regió posterior a aquest.

Aquestes deteccions acostumen a enregistrar-se ja que la informació sobre el què s’ha

detectat en la inspecció física és útil per interpretar la mamografía. En base a la palpació, els

especialistes poden decidir focalitzar la inspecció mamogràfica en zones sospitoses [14].

Fig. 2.2. Inspecció mamogràfica a l’Hospital Josep Trueta.

Quan s’observa una mamografía és important saber l’orientació exacta de la imatge. La

comparació del pit dret amb l’esquerra es fa per avaluació de simetria. El mètode

convencional és avaluar les mamografies en imatges-mirall en ambdues vistes [1], tan MLO

com CC, col·locades una contra l’altra com es mostra a la Fig. 2.2.

Després de col·locar les mamografies, la tasca d’interpretació consta de dos passos. En el

primer pas, s’intenta detectar una àrea solitària del pit que sovint serà diferent d’altres àrees

del mateix pit o de l’oposat. Un cop una àrea és aïllada com a possible zona afectada, el

segon pas implica determinar si les característiques morfològiques d’aquesta àrea tenen

l’aparença d’una estructura normal o procés benigne. Si l’anormalitat no pot ser determinada

com a benigne, és classificada com a “sospitosa” i es requeriran més investigacions.


13

Depenent de les característiques morfològiques de l’anormalitat sospitosa, hi ha un rang de

probabilitats que això indiqui un procés maligne.

Així doncs els passos que s’haurien de seguir per fer una diagnosi a partir de les

mamografies quedaria definit en els passos següents:

1. Posar les mamografies en la correcta orientació.

Fig. 2.3. MLO dreta – MLO esquerra vs CC dreta – CC esquerra.

2. Comparar la simetria entre els pits dret i esquerra.

3. Examinar àrees individuals dels pits que apareixen diferents d’altres àrees del

mateix pit i de l’àrea corresponent del pit oposat.

Fig. 2.4. Estudi de quadrants.

4. Identificar una àrea on hi hagi una anormalitat i determinar si es tracta d’un

patró normal o si es tracta d’una àrea sospitosa.

5. Utilitzar una lent d’augment per ajudar en l’anàlisi.


14

Fig. 2.5. Zona detectada amb microcalcificacions.

6. Si les característiques morfològiques de l’àrea sospitosa són característiques

d’un procés maligne, són necessàries més investigacions.


15

2.3. HRIMAC Aquest PFC s’emmarca dins el projecte Herramienta de Recuperación de Imágenes Mamográficas por Análisis de Contenido (HRIMAC) para el asesoramiento en el diagnostico del cáncer de mama subvencionat pel “Ministerio de Ciencia y Tecnología” (MCYT). En aquest projecte hi participa la Universitat Ramón Llull, la Universitat de Girona, i especialistes de l’Hospital de Girona Josep Trueta. La planificació del projecte es realitza a tres anys vista, distribuint les tasques a realitzar entre diferents directors responsables dels tres centres. La filosofia de HRIMAC és la d’aportar al radiòleg una eina de suport a les decisions. HRIMAC és un sistema de Cerca d’Imatges per Contingut (CBIR2). Aquest tipus de sistemes han estat una activa àrea de recerca els últims anys. Els sistemes CBIR es caracteritzem per la capacitat de recuperar imatges rellevants d’una base de dades, basant-se en els seus continguts visuals o semàntics. S’utilitza la tècnica del CBIR com a motor de cerca del sistema.

2.3.1. Cerca basada en el contingut

El comportament intern del sistema en realitzar una consulta és el següent: havent proporcionat una imatge a processar, el sistema cerca imatges similars a la base de dades, comparant els casos mitjançant una funció de similitud que té en compte dades que automàticament s’han extret de les imatges i del pacient. La obtenció de les dades d’imatge passa per segmentar la mamografia obtenint així les possibles lesions. Cada lesió és analitzada extraient-ne característiques de forma i textura. Sobre la conjunció de les dades de pacient i imatge, s’aplica una operació de comparació que genera un índex de similitud entre diferents casos (dades de pacient + característiques d’imatge).

Fig. 2.6. Estructura del node arrel de l’arbre de característiques.

Així el cas té una estructura arbòria. Al subarbre pacient s’hi emmagatzema dades com l’edat, pes, antecedents i maternitat, mentre que el subarbre imatge dóna lloc a les 2 CBIR – Content Based Image Retrieval

CAS

Dades pacient

cert/ fals

cert/ fals

Dades imatges

Node Subarbre Node Subarbre


16

característiques globals (nombre de lesions, tipus, densitat, etc.) i locals (forma, textura, etc. de cada lesió). Comparant dos arbres amb la funció de comparació de similitud s’obté l’índex de semblança entre casos. La Fig. 2.7. mostra l’arquitectura del sistema, permetent enregistrar nous casos i recuperar segons el seu contingut. Els PFCs realitzats durant el curs 2002-2003 per David Raba [2], Anna Bosch [3] i Joan Espunya [4], aporten una descripció més detallada del sistema.

Fig. 2.7. Arquitectura del sistema HRIMAC

Aquest PFC es centra, com podem veure també a la figura Fig. 2.7., en l’etapa de segmentació de la imatge. Cercant possibles anormalitats per tal de caracteritzar el cas.

Consulta

Emmagatzematge Recuperació

Extracció de característiques

Imatge Original

JPG reduccions

Característiques

Casos

Sistema Gestor de Base de dades

Enregistrament del cas

Segmentació de la imatge

Extracció de característiques

Gestor de Cerques, Indexació

Resposta

Enregistrament

Informació Personal

Feedback

Segmentació de la imatge

Capítol 3. Segmentació de lesions

Capítol 3. Segmentació de Lesions

18


Com ja s’ha vist al capítol 2, en realitzar un examen mamogràfic, els especialistes cerquen la

presència de diferents anormalitats. Aquestes són típicament les següents:

• Microcalcificacions. Són acumulacions de minerals dins el teixit del pit. Es poden trobar

com a dipòsits gruixuts de calç o en partícules minúscules de menys de 1/50 polzades.

Aquest tipus de lesió es presenta en la mamografía com a petits punts brillants.

• Masses. Són concentracions de teixit en nòduls palpables, que es veuen en dos o més

projeccions diferents. Les característiques de les masses són una estructura oval i

lobulada.

• Lesions espiculars. Són com les masses, concentracions de teixit, però difereixen

d’aquestes per contenir fibres radials des dels marges de la massa, donant així una forma

estrellada.

Fig. 3.1. (a) Normals, (b) Distorsions estructurals, (c) Microcalcificacions (d) Masses (e) lesions

espiculars

En aquest PFC ens hem concentrat en estudiar, analitzar i implementar algorismes per tal de

detectar µCa. Si bé, abans d’aplicar aquest algorisme especificat, és convenient reconèixer

quina és la zona d’interès de les imatges mamogràfiques.

La mamografia presenta etiquetes de les dades de la pacient així com marques que indiquen

la modalitat i la mama de la que s’ha adquirit la imatge. Així doncs, prèviament a aplicar els

(a)

(c) (d)(b) (e)


19

algorismes específics per detectar les lesions cal aïllar les regions de teixit mamari del que

no ho és. Anomenem a aquest procés segmentació global.

3.1. Segmentació global

La segmentació global d’una mamografía consisteix en separar la regió del pit i muscle de la resta de la imatge [4]. En una mamografía hi podem trobar diferents regions:

• Fons de la imatge. És la part de la radiografia on la pel·lícula no ha estat exposada sobre l’objecte.

• Zona del pit i muscle. Trobarem el muscle en imatges MLO, i l’extraurem per dur a terme algorismes de segmentació de lesions, ja que és una zona que no ens interessa.

• Etiquetes i marcs de la radiografia. Donen informació sobre el contingut de la imatge.

Fig. 3.2. Zones d'una mamografía.

Per a separar la zona del pit de la resta de la imatge s’utilitza un algorisme basat en

segmentació per histograma. Aquest algorisme consta de diversos passos:

1. Creació de l’histograma. L’histograma s’obté calculant la distribució de nivells de

gris de la imatge.

2. Discretització de l’histograma. Aquest procés serveix per a simplificar l’histograma

per reduir la complexitat a l’hora de buscar el llindar que s’utilitzarà per segmentar la

zona del pit.


20

3. Obtenció del llindar òptim. Un cop tenim l’histograma discretitzat, hem d’agafar un

valor de llindar adequat per a separar la regió del pit del fons de la imatge.

4. Eliminació de regions no importants. Per eliminar aquelles zones que no ens

interessen, com les etiquetes i els marcs, es fa servir un algorisme de localització

d’objectes CCL. Considerarem com a zona del pit aquella amb àrea més gran, i

eliminarem aquells objectes d’àrea inferior.

5. Suavitzar el contorn. La imatge que hem obtingut després de la segmentació té un

contorn rugós degut a la binarització, que haurem de suavitzar mitjançant operacions

de dilate i erode.

Un cop finalitzat el procés de suavitzar el contorn s’obté el resultat final de la segmentació

global. Si es treballa amb imatges del tipus CC el procés acaba aquí, però amb les imatges

MLO, cal eliminar el muscle pectoral.

Fig. 3.3. Binarització de la imatge amb el llindar escollit.

3.1.1. Extracció del muscle pectoral

Per a separar el muscle pectoral de la zona del pit, primer de tot s’ha de localitzar la

orientació del pit.


21

Un cop localitzada la orientació caldrà obtenir un llindar de binarització adequat, ja que la

part del muscle acostuma a ser d’una intensitat més clara que la zona del muscle, i podrem

fer un creixement de la zona del muscle per intensitat.

Un cop tenim el creixement de la regió del muscle feta, haurem de suavitzar-ne els contorns.

Amb el suavitzat obtenim la màscara de la regió del muscle, i caldrà extreure aquesta regió

de la màscara de la segmentació global per obtenir la zona del pit amb la que es treballarà.

Fig. 3.4. Resultat d'aplicar l'algorisme de segmentació global del pit i d'extracció del muscle.

3.2. Microcalcificacions Les calcificacions són petits dipòsits de calç que poden ser detectats en una mamografía. Les

calcificacions més petites són anomenades microcalcificacions, i les més grans són

anomenades macrocalcificacions. Les últimes són generalment benignes i no necessiten

seguiment addicional. Cal tenir en compte que no tots els punts brillants presents a la

mamografia són microcalcificacions, sovint apareixen punts brillants deguts a la pols o una

incorrecta calibració de la maquinària. La diferència és que aquests punts són massa

brillants, mentre que una microcalcificació són més aviat de color blanc lletós [5].

Els tipus de microcalcificacions que podem trobar dins la distribució en grup són:

1. Rodones

2. Ovalades


22

3. Lineals

4. Segmental

5. En forma de branques

6. Triangulars

7. Bisegmentals

I segons la morfologia individual de les calcificacions podem trobar-ne 3 tipus diferents:

8. Granular

9. Casting

10. Pleomòrfica

Fig. 3.5. . Tipus de microcalcificacions que podem trobar en una mamografía.

Els radiòlegs classifiquen les calcificacions com malignes o benignes basant-se en:

- La localització de les calcificacions.

- La disposició (lineals, dispersades o en clusters)

- El nombre total de microcalcificacions.

- Els canvis respecte a mamografies prèvies.

Així, considerarem microcalcificacions malignes aquelles que presentin distribució lineal o

en forma d’arbre i les que presentin una grandària irregular. A més, la concentració de

microcalcificacions formant clusters incrementa el grau de malignitat.

La Fig. 3.6 , Fig. 3.7 i la Fig. 3.8 mostra alguns d’aquests tipus de lesions presents en una

mamografía:

Fig. 3.6. a) Rodones. b) Lineals. c) Ovalades.


23

Fig. 3.7. d) Coarse (popcorn). e) Cilíndriques. f)Rodona.

Fig. 3.8. a) En forma de branques. b) Heterogènies. c) Rodona. d) En forma de branques

Observant aquestes imatges es pot comprovar la dificultat de detectar cadascuna de les tipologies possibles.

3.3. Mètodes de detecció de lesions Durant els darrers 25 anys de recerca en el camp de la mamografia digital, són molts els

autors que han proposat els seus mètodes per detectar lesions.

Fruit dels anteriors projectes, la plataforma HRIMAC disposa de 2 mètodes de segmentació

de masses i 3 mètodes de segmentació de microcalcificacions:


24

Segmentació de masses. S’utilitzen algorismes de creixement de regions a partir d’un punt

llavor. Tindrem així els següents mètodes:

1. Segmentació per textura: aquest algorisme consisteix en un creixement de regions a

partir d’una llavor i intenta agregar els píxels veïns sempre i quan tinguin una textura

similar.

2. Segmentació per intensitat: mètode que segmenta les masses segons la intensitat dels

píxels que les formen.

Segmentació de microcalcificacions. Disposem de dos algorismes implementats per Pere

Planiol i que es van integrar dins la plataforma HRIMAC. Aquests dos mètodes són els

algorismes basats en morfologia matemàtica i el de creixement de regions proposat per Shen

[6]. A més s’ha desenvolupat un tercer algorisme de segmentació de masses per intensitat

sobre la segmentació de microcalcificacions. Seguidament es detalla una nova proposta

d’algorisme per tal de detectar microcalcificacions.

3.3.1. Mètode de cerca de contorns

La proposta del nou mètode es basa en els treballs de Bankman et.al.[7]. S’ha estudiat el

mètode i s’ha modificat per adaptar-lo a les imatges disponibles a l’entorn HRIMAC.

Analitzant el problema, s’ha observat que es pot enfocar l’algorisme de dos maneres. Una

primera opció tindria en compte el fet que es disposen de diversos mètodes de detecció de

llavors, entenent com a llavor, tot punt de la imatge susceptible de ser lesió. Així doncs:

a) Una estratègia A, disposaria d’aquestes llavors detectades prèviament. En base a

cadascuna d’elles, es procediria a validar la zona com a microcalcificació.

b) Una estratègia B, consideraria tots els píxels de la imatge com a possibles llavors.

Per cada un d’ells aplicaria el procés per determinar si es tracta d’una

microcalcificació o no, avaluant prèviament el píxel com a possible llavor en base al

seu contorn.


25

A continuació es mostren les dues estratègies en forma de diagrames de flux:

Fig. 3.9. Estratègies de l’algorisme de cerca per contorns actius.

3.3.2. Descripció del mètode

La segmentació de microcalcificacions mitjançant cerca de contorns es basa en detectar el

contorn de la microcalcificació partint d’un píxel llavor i fer-ne un creixement de la regió.

Com s’explica en la introducció d’aquest capítol, hem dissenyat dues estratègies. La

principal diferència es basa en el mètode utilitzat per a detectar les llavors. Tot seguit

s’explica el funcionament de cada una de les estratègies que s’han desenvolupat.

3.3.2.1. Estratègia A. Com a validador de llavors

L’algorisme treballa sobre la imatge que conté els píxels llavor. Les llavors s’obtenen

utilitzant algun dels algorismes de cerca de llavors, que ja estan implementats en l’aplicació

[4]. A partir del punt llavor, es busca el contorn que defineix la microcalcificació i es fa un

creixement per detectar-la.

Detecció de llavors

Detecció de contorns

Creixement de la regió

ESTRATÈGIA A

Primer Píxel

Avaluació slope

Següent píxel


ESTRATÈGIA B

SI

NOContorn Vàlid?


26

Així doncs l’algorisme consta de tres fases:

1. Detecció del contorn.

2. Tancament del contorn.

3. Creixement de la regió.

Seguidament s’expliquen les fases anteriors més detalladament.

Detecció del contorn

Dins aquesta fase de l’algorisme es busquen els punts que ens defineixen el contorn de la

microcalcificació.

Es parteix d’un punt llavor, trobat mitjançant un dels mètodes ja integrats en l’aplicació. Per

cada llavor es tracen una sèrie de radis amb un cert angle, començant des de l’angle 0º fins a

360º. Cada radi és format per un seguit de píxels, cadascun amb un valor de gris propi.

Agafant el punt llavor com a inicial (x0,y0), per cada píxel (x,y) del radi, es defineix un valor

de pendent s(x,y) que fa referència a la següent fórmula:

),,,(),(),(

),(00

00

yxyxdyxfyxf

yxs−

=

Eq. 3.1. Fórmula slope

on d(x0,y0,x,y) és la distància entre el píxel llavor i el punt (x,y). Aquest càlcul es repeteix per

tots els píxels que formen el radi, i s’agafa el píxel que té el valor de pendent, o slope, més

gran com a píxel contorn.

Amb els valors dels píxels que formen el radi podem crear dues gràfiques. La primera amb

els valors de la intensitat de gris dels píxels, i la segona amb els pendents obtinguts al aplicar

Radi d’angle 0º 45º90º


27

la fórmula de l’Eq. 3.1. D’aquesta manera podem veure quin seria el perfil que s’esperaria

obtenir per cada radi, tan en valors d’intensitat de gris com en valors de pendent.

Fig. 3.10. Gràfica dels valors d'intensitat dels píxels que formen el radi.

Píxel nº 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Intensitat 245 243,7 243 241,3 239 235,3 234 231,4 220,3 211 212 213 212 212 213

Taula 3.1. Taula amb els valors de la gràfica de la Fig. 3.10

Fig. 3.11. Gràfica dels valors d’slope calculats.

Píxel nº 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Slope 0 1,3 1 1,23 1,5 1,94 1,83 1,94 3,08 3,77 3,3 2,90 2,75 2,53 2,28

Taula 3.2. Taula amb els valors de la gràfica Fig. 3.11

En aquest cas, tal i com podem veure a la gràfica de la Taula 3.2, el píxel que suposaria un

valor de Slope més alt seria el píxel 10 amb un valor de 3,77. Aquest píxel formaria part del

contorn de la microcalcificació.

190

200

210

220

230

240

250

Intensitat

00,5

11,5

22,5

33,5

4

Slope


28

Aquest procés de detecció del píxel contorn es durà a terme per tots els radis, detectant així

tots els píxels que formen part del contorn. Un cop trobats tots els punts, aplicarem la funció

de tancar contorn per aconseguir un contorn tancat.

Tancament del contorn

Aquest procediment consisteix en aplicar una funció que uneix mitjançant línies tots els

píxels que formen part del contorn i obtenir així un contorn tancat que ens defineix els límits

de la microcalcificació. A la següent figura es mostra el resultat d’aplicar la funció de

tancament als punts contorn d’una microcalcificació.

Fig. 3.12. Tancament del contorn de la microcalcificació.

Aquesta funció de tancament és l’algorisme de Bresenham [11], que ens permet unir dos

punts mitjançant una línia recta. Donat que s’utilitzen prous radis d’exploració no s’ha

plantejat aplicar algorismes d’splines o corves Bezier.

Un cop tenim el contorn ben definit, només ens cal fer el creixement de la regió.


En aquesta part de l’algorisme es fa el creixement de la regió que ha quedat definida amb el

tancament del contorn. Aquest procés comença des de la llavor, i va pintant tots aquells

píxels veïns que es troben dins el contorn i que per tant, formen part de la microcalcificació.

Fig. 3.13. Resultat del creixement de la microcalcificació.


29

Aquest procediment es repeteix per totes aquelles llavors que s’han detectat. La figura que

es mostra a continuació representa la imatge que obtenim com a resultat del mètode després

d’aplicar aquest procediment a totes les llavors.

Fig. 3.14. Microcalcificacions detectades en una mamografia utilitzant el mètode de detecció de contorns.

Les possibles microcalcificacions que el mètode específic de detecció de llavors no identifiqui, no es tindran en consideració pel mètode. Així doncs, els resultats estan directament relacionats amb una bona detecció de les llavors. Per tal de desvincular el nostre algorisme del mètode de detecció de llavors, es proposa una modificació d’aquest per tal que pugui actuar al mateix temps com a cercador de llavors i com a detector de microcalcificacions.

3.3.2.2. Estratègia B. Com a cerca de llavors.

En aquest cas, el propi algorisme s’encarrega de detectar les llavors, i no ens cal tractar la

imatge prèviament amb cap algorisme de cerca de llavors. Cada píxel de la imatge és avaluat

per saber si ens trobem amb un píxel llavor d’una microcalcificació.

Per cada píxel s’avaluen els radis i si es troba que almenys el 70% dels radis són vàlids, és a

dir, que segueixen el perfil de Slope que es mostra a la Fig. 3.11, considerarem el píxel com

a píxel llavor i prosseguirem a tancar el contorn i fer-ne un creixement. Si el nombre de radis

vàlids és inferior, no farem cap tractament al píxel i seguirem amb el següent.


30

Si considerem un píxel com a píxel llavor el tractament que es duu a terme és el mateix que

en el cas de l’estratègia A. Així doncs, la part en la que difereix aquesta estratègia de

l’anterior, és en el mètode de cercar les llavors. A continuació, s’explica més detalladament

quin és el procés per determinar si un píxel és llavor o no.

Avaluació dels píxels

L’algorisme va recorrent tota la imatge píxel a píxel, i per cada un d’ells es fa el següent:

a) Inicialment, es considera el píxel com a possible llavor i se’n calculen els radis i els

valors de Slope per a trobar els punts que formen part del contorn de la

microcalcificació. Només es consideraran perfils de Slope vàlids, aquells que

segueixin el patró que es mostra a la Fig. 3.11.

b) Un cop s’ha fet aquest procés per tots els radis, obtenim un nombre de perfils vàlids.

Si el tan per cent de perfils correctes és superior al 70%, considerarem que es tracta

d’un píxel llavor i per tant d’una microcalcificació. Procedirem a tancar el contorn i

fer-ne el creixement. Si el nombre de perfils vàlids detectats dona un tan per cent

inferior, no es considera el píxel com a llavor i es repeteix el tractament amb el píxel

veí.

Havent detectat les microcalcificacions d’una mamografia, un factor decisiu per avaluar la

seva malignitat és la seva concentració en quantitats elevades dins de petits volums de teixit.

El següent capítol presenta un mètode per agrupar microcalcificacions independents en

agrupacions (o clusters).

Capítol 4. Detecció d’agrupacions de

microcalcificacions

Capítol 4. Detecció d’agrupacions de microcalcificacions

32


La presència d’agrupacions de microcalcificacions, o clusters, sovint és un indici precoç de

malaltia. Tant la mida com la forma o el número de microcalcificacions són característiques

importants a l’hora de quantificar l’abast de la lesió. Tanmateix, la concentració de

calcificacions en un menor volum de teixit fa sospitar de la malignitat de la regió.

Seguint les regles que s’apliquen per l’agrupament individual de calcificacions dins de

conjunts [8, 9], un cluster es defineix com un conjunt de com a mínim de tres a cinc

microcalcificacions ubicades dins d’1 cm2.

Fig. 4.1. a) Cluster maligne i b) presència benigne de microcalcificacions.

La Fig. 4.1 mostra dos agrupacions de microcalcificacions. Mentre que l’agrupació a)

mostra un clar símptoma de malignitat, donada l’alta concentració, l’aparició esporàdica de

microcalcificacions a la imatge b) corrobora la seva benignitat.

4.1. Algorisme de detecció de clusters

El mètode utilitzat per tal d’agrupar les microcalcificacions en núvols (o clusters), dissenyat

per P. Planiol i J. Martí s’anomena Fit-stamp [10]. És un algorisme que detecta la presència

de grups de microcalcificacions. El mètode segueix les etapes següents:

1. Identificació dels clusters: per detectar clusters, s'ha utilitzat un algorisme jeràrquic

bottom-up, que agrupa les microcalcificacions individuals. El procés comença

assumint inicialment que cada microcalcificació constitueix un cluster, que al seu

torn permet la generació de la matriu de distàncies ( matriu simètrica que inclou totes

a) b)


33

les distàncies entre dos clusters). En cada pas, els dos clusters més propers són

combinats dins un nou cluster, per tant permetent tornar a calcular la matriu de

distàncies. Òbviament, tots aquells clusters que contenen menys de 3

microcalcificacions, són descartats.

2. Caracterització de la forma: un cop l’últim grup de clusters és detectat, cada

cluster és caracteritzat d’acord amb la seva forma. La Fig. 4.2 reprodueix un cluster

de microcalcificacions usat per avaluar l’actuació de l’algorisme fit-stamp.

Fig. 4.2. Cluster de microcalcificacions en una mamografía.

Imatge real Imatge segmentada


34

L’algorisme desenvolupat, anomenat fit-stamp degut al seu procés de treball, intenta fer

cabre diferents “segells” al fons de la imatge mentre es preserva la integritat de la

microcalcificació. Aquest procés iteratiu comença amb un radi inicial d’1 píxel, que és

augmentat després fins que s’aconsegueix agrupar-ho tot en una sola forma.

La següent figura mostra les etapes d’execució de l’algorisme quan s’aplica al cluster de

microcalcificacions de la Fig. 4.2.

Fig. 4.3. Aplicació de l’algorisme fit-stamp a un cluster de microcalcificacions.

En aquest punt entraria en joc el pas de caracterització del sistema HRIMAC. Caldria

extreure característiques de forma de l’agrupació generada mitjançant àrea, compacitat,

descriptors de Fourier, descriptors de Chang, etc [17] per tal d’extreure’n informació.

(1)

(3)

(5)

(2)

(4)

(6)

Capítol 5. Múltiples fonts d’informació


36


Arribats a aquest punt, es disposa de mètodes per detectar lesions en imatges

mamogràfiques. També disposem de dues vistes del mateix pit on podem cercar evidencies

de la mateixa lesió. Per tal d’aprofitar tota aquesta informació hem creat dos mètodes per

combinar la informació. La Fig. 5.1 mostra els dos punts de vista d’aprofitament de les

diferents fons d’informació de que podem disposar, d’una banda a) la multiplicitat

d’algorismes de detecció i de l’altra b) la cerca de correspondència entre dos imatges amb

diferents vistes en l’adquisició.

a) El mètode de fusió d’informació es basa en fusionar les diferents solucions que es

poden obtenir en una imatge després d’aplicar-hi diferents algorismes de

segmentació de microcalcificacions.

b) El mètode basat en correspondència d’imatges té dues variants, una busca la relació

entre les microcalcificacions respecte la distància d’aquestes amb l’os pectoral,

mentre que l’altra ho fa respecte el mugró.

Fig. 5.1. Aprofitament de diverses fonts d’informació: a) fusió d’informació i b) mètode de

correspondència.

FUSIÓ

ORIGINAL

SEGMENTACIÓ: MÈTODES 1, 2,.......N

Imatge B

Imatge A

Imatge B Imatge A

1 1

2 2

a) b)


37

5.1. Fusió d’informació

Sovint es disposa de varis resultats sobre la mateixa imatge fruit de l’aplicació de diferents

mètodes de segmentació. Per tal de tenir tots els resultats dins la mateixa imatge hem creat

un mètode de fusió d’informació. Aquest mètode es basa en fer una operació OR o AND

dels resultats obtinguts després d’aplicar varis mètodes sobre la mateixa imatge, obtenint

així una única imatge que agrupa tots els resultats. Es poden afegir tantes imatges com

mètodes hi hagi sempre i quan pertanyin a la mateixa imatge inicial.

Fig. 5.2. Procés de fusió OR de les segmentacions obtingudes a partir de múltiples mètodes de detecció.

Podem veure el procés a la Fig. 5.2. en el cas del mètode de fusió amb una operació d’OR.

El fet de triar una operació OR o AND comporta obtenir uns resultats ben diferents:

• Operació OR: Aquesta operació proporciona una sobresegmentació de la

mamografia, ja que, tot i no localitzar exactament la lesió, dirigeix l’atenció de

l’especialista sobre aquesta zona.

• Operació AND: D’altra banda aquesta operació permetrà obtenir uns resultats que

correspondran a aquelles regions que siguin detectades per tots els mètodes.

S’obtindrà un resultat més robust en quan a detecció.

Resultats dels N

algorismes

Resultat de la fusió de les

imatges


38

Si mirem el problema des de la necessitat de correspondre dues vistes diferents, es presenta

el mètode següent.

5.2. Mètodes de correspondència En aquests mètodes disposem de dues imatges mamogràfiques, una MLO i una CC de la

mateixa pacient (Fig. 5.3). Amb aquestes dues imatges es pretén buscar relacions entre les

microcalcificacions trobades en ambdues vistes per així extreure’n alguna relació de la seva

ubicació.

Fig. 5.3. Imatges MLO i CC per a fer la correspondència.

A la Fig. 5.4, s’observa com la relació de distàncies de cada µCa respecte el marge de la imatge en una vista, es manté a l’altra vista.

Fig. 5.4. Distància de cada µCa respecte un marge de la imatge.

Vista MLO Vista CC

Vista MLO Vista CC

1

2

3

2

3

1


39

Així doncs, podem dir que la µCa més propera al marge de la imatge en la vista MLO, correspondrà amb la µCa més propera a la vista CC. A continuació es proposen dues variants en base a aquestes observacions.

5.2.1. Correspondència projectiva amb l’os pectoral

Cal tenir en compte que en el procés d’obtenció de la vista MLO, la imatge obtinguda

proporciona com a recta de referència pel càlcul de distàncies l’os pectoral, i no el marge de

la imatge. Les relacions que s’intenten establir són de proximitat amb l’os pectoral. El

procés que es duu a terme, és el següent:

Un cop detectades les microcalcificacions s’etiqueten depenent de la proximitat d’aquestes

amb l’os pectoral. Aquest procés es fa tan per la vista MLO com per la CC. D’aquesta

manera podem veure la relació que hi ha entre les microcalcificacions detectades en

ambdues vistes. Com podem veure aquest mètode consta de 2 fases: 1) Detectar les

microcalcificacions utilitzant algun dels mètodes dels que disposem en l’aplicació i 2)

Etiquetar les zones.

1) Detecció de microcalcificacions.

Per a detectar les microcalcificacions de la imatge s’utilitza algun dels algorismes de

segmentació de microcalcificacions dels que es disposa.

Fig. 5.5. Imatges MLO i CC amb les microcalcificacions detectades.


40

2) Etiquetar les zones.

Un cop tenim les microcalcificacions ja detectades, hem d’etiquetar-les segons la distància

d’aquestes amb l’os pectoral.

Per etiquetar les microcalcificacions primer hem de calcular-ne el centre de masses. Aquest

punt ens serveix per calcular la distància que hi ha des del centre de la microcalcificació fins

el punt de l’os pectoral més pròxim. Les diferents zones s’etiquetaran de manera ascendent

per llunyania a l’os pectoral.

Fig. 5.6. Imatge MLO i CC amb les microcalcificacions etiquetades.

5.2.2. Correspondència per distància amb el mugró

El procés és el mateix que amb la correspondència projectiva amb el muscle pectoral, però

aquest cop, etiquetarem les microcalcificacions detectades en relació a la distància

d’aquestes amb el mugró. També ho farem en ambdues vistes per veure’n la relació.

Així doncs, aquest mètode constarà de 3 fases:

1) Detecció de microcalcificacions. Per a detectar les microcalcificacions de la

imatge s’utilitza algun dels algorismes de segmentació dels que disposem.

2) Buscar la zona del mugró. Per a detectar la zona del mugró s’ha utilitzat el

mètode Chandrasekhar [12]. A l’apartat 5.2.2.1 s’explica més detingudament en que

consisteix aquest algorisme.


41

3) Etiquetar les zones. Amb les microcalcificacions i el punt mugró detectat, només

falta etiquetar cada zona. Igual que en la correspondència amb l’os pectoral primer

hem de calcular el centre de masses de les microcalcificacions. El punt ens servirà

per calcular la distància que hi ha des del centre de la microcalcificació fins al

mugró. Un cop tenim les distàncies fins al mugró de totes les microcalcificacions,

s’etiqueten ascendentment per proximitat al punt mugró.

Fig. 5.7. Imatge MLO i CC amb les microcalcificacions i el mugró etiquetats.


42

5.2.2.1. Algorisme de Chandrasekhar: detecció del mugró

Per tal de localitzar el mugró, s’ha implementat l’algorisme descrit per Chandrasekhar [12].

S’ha triat aquest algorisme ja que és simple i eficaç. Permet estimar la posició del mugró, en

base a la imatge obtinguda a la segmentació global, on s’obté una màscara de la regió útil de

la mamografia (teixit mamari), i la imatge original.

La naturalesa de l’estructura mamaria fa que els el teixit dens es concentri cap el mugró.

Partint d’aquest fet, l’algorisme realitza una exploració del contorn de la mama, cercant

aquells punt ens els que, mirant cap a l’interior de la mama, es concentra major teixit dens.

Per cada mamografia (Fig. 5.8), el recorregut del contorn comprèn l’interval [C1,Cn], que

correspon a l’àrea amb més probabilitats de contenir el mugró.

Eq. 5.1. Gradient de normal.

Eq. 5.2. Gradient de contorn.

Fig. 5.8. Perfil de la mama.

Per cada punt dins d’aquest interval es calcula un valor de gradient Gi . Aquest valor s’obté a

partir dels gradients locals calculats per cada píxel pertanyent a la línia de longitud k

definida per la normal N en sentit interior a la mama. El gradient d’un píxel es defineix com

mostra l’ Eq. 5.1., on es té en compte tan el valor a nivell de gris de cada píxel sobre la recta

(IG(Xij,Yij)) com la distància al contorn al llarg de la normal (j), així com el valor de gris del

pixel contorn IG(Xi,Yi). Aquest valor dona una indicació de la densitat del teixit al llarg

d’aquesta recta. Acceptant que el teixit dens conflueix cap al mugró, la funció definida per

Gx serà màxima en aquest punt.

j = 1,...k, i = 1,...n

k


43

Fig. 5.9. Exemple de localització del mugró.

La Fig. 5.9 mostra un exemple d’execució en la cerca del mugró. Es pot donar el cas que no

es trobi un punt màxim al qual associar la posició del mugró. En tal cas es tria el primer

valor màxim dins de l’interval de cerca.

Capítol 6. Aplicació


45

Capítol 6. Aplicació Els nous algorismes desenvolupats s’han incorporat a la plataforma implementada durant un

PFC dut a terme per Joan Espunya [4]. Aquesta aplicació ja disposava de diversos

algorismes i funcions per al tractament mamogràfic. Dins aquest capítol s’explicarà com

s’han integrat els algorismes exposats en els capítols anteriors i com ha quedat l’aplicació

final.

6.1. Anàlisi La incorporació dels nous mètodes s’ha realitzat sobre l’aplicació ja creada en un projecte

anterior, per tant, s’ha hagut d’adaptar la manera de treballar i de codificar els mètodes a

l’aplicació original. S’ha dut a terme un aprenentatge de l’entorn i del funcionament de

l’aplicació abans de dissenyar i integrar les noves funcions.

Tan en l’aplicació original com en la final s’ha procurat que el codi desenvolupat en els

algorismes fos el màxim entenedor possible per facilitar-ne la comprensió en futurs projectes

basats en aquesta aplicació. Per això, s’han distribuït els diferents algorismes en classes,

mantenint l’estil visual de l’aplicació.

6.2. Disseny Cada nou mètode implementat ha de respectar l’arquitectura Document-Vista establerta a

l’aplicació original.

Fig. 6.1. Arquitectura Document-Vista.

Vista

Document

- Llista de punts correspondència.

Imatge Original (visualitzada)

Màscara de resultat


46

Així doncs, com podem veure a la figura Fig. 6.1, cada imatge visualitzada a l’aplicació

conté a més de l’espai de memòria on s’emmagatzema la imatge, la imatge màscara del

resultat obtingut en l’aplicació dels algorismes i una llista on s’emmagatzemen les

coordenades dels punts que s’etiqueten en l’algorisme de correspondència.

A continuació es mostren en forma de diagrames, els diferents passos en que es divideixen

els algorismes que s’han implementat.

Fig. 6.2. Procés previ als mètodes de segmentació de microcalcificacions.

Cerca de llavors

Imatge

mamogràfica

Segmentació Global

Màscara de la

zona del pit

Imatge

Màscara amb les

llavors

Imatge


47

6.2.1. Mètode de segmentació de microcalcificacions

En el mètode de segmentació de microcalcificacions per detecció de contorn, tenim com a

entrada la imatge obtinguda com a resultat de la cerca de llavors. Aquesta imatge conté tan

la imatge original com la màscara que conté els píxels llavor.

Fig. 6.3.Procés de segmentació del mètode Slope.

Com podem veure a la Fig. 6.3, cada llavor proporcionada al principi, és validada inspeccionant el seu contorn, per tal de realitzar o no el creixement de regions de la microcalcificació.

6.2.2. Fusió d’informació

En el mètode de fusió d’informació, tenim com a entrada les imatges obtingudes com a

resultat d’algun dels mètodes de segmentació. Cada imatge conté la imatge original i la

màscara amb les microcalcificacions detectades.

Detecció punts contorn

Tancament contorn


Màscara microcalcificacions

Imatge

Màscara amb llavors

Imatge

Següent llavor


48

Fig. 6.4. Procés de fusió d’informació.

Aquest procés, proporciona com a sortida la fusió de les diferents imatges d’entrada.

6.2.3. Correspondència 3D

En el mètode de correspondència necessitem com a entrada les imatges MLO i CC resultants

de l’aplicació d’algun mètode de segmentació de microcalcificacions. Aquestes dues

imatges també contenen la imatge original i la màscara que s’obté de la segmentació. Un cop

disposem de les dues vistes de la imatge, ja es pot aplicar qualsevol dels dos mètodes de

correspondència, i obtindrem les dues vistes de la imatge etiquetades.

Fig. 6.5. Procés de correspondència d’imatges.

Cal remarcar que el resultat obtingut presenta cadascuna de les lesions detectades a cada

vista, etiquetades amb el mateix valor.

Mètode de FusióMàscara lesions

Imatge Màscara fusió segmentacions

Imatge

MLO amb microcalcificacions

etiquetades

CC amb microcalcificacions

etiquetades

Càlcul de distàncies

Correspondència d’etiquetes

Imatge MLO amb les microcalcificacions

detectades

Imatge CC amb les microcalcificacions

detectades

Detecció del

mugró

Detecció de l’os

pectoral


49

6.2.4. Agrupació de clusters

En l’agrupació de clusters, tenim com a entrada la màscara del resultat de la segmentació de

microcalcificacions. Radi màx. seria el valor de radi que entrem com a paràmetre en la

finestra de diàleg d’aquest algorisme.

Fig. 6.6. Procés d’agrupació de microcalcificacions.

Quan més gran sigui aquest Radi màx., agruparà microcalcificacions més disperses.

6.3. Implementació Com ja s’ha mencionat, la codificació dels mètodes s’ha realitzat seguint el model de

desenvolupament adoptat durant el PFC previ. L’aplicació s’ha desenvolupat sota un entorn

Linux, amb el llenguatge de programació C++ i utilitzant el compilador KDevelop amb les

llibreries QT 3.0 i RMLIB per al tractament d’imatges.

A continuació es fa un petit resum dels aspectes bàsics de l’aplicació, com és el compilador i

les llibreries utilitzades.

6.3.1. KDevelop

El KDevelop és una interfície gràfica per al desenvolupament d’aplicacions en llenguatge

C++. És una eina de programació que treballa sota un entorn Linux, en el nostre cas adequat

a la versió de Linux de la que disposem. El KDevelop ja porta incorporades les llibreries QT

per al tractament d’imatges.

6.3.2. Llibreries QT i RMLIB

Tan les llibreries QT com les RMLIB s’utilitzen per al tractament d’imatges.

Radi < Radi màx.

Col·locació dels segells

Imatge

resultat

Màscara

resultat Agrupació de les

zones

Radi = 1

Radi ++

SI

NO


50

Llibreries QT

Aquestes llibreries es troben integrades en el l’entorn KDevelop i incorporen un entorn

d’aplicació que permet crear una aplicació visual amb múltiples finestres.

Llibreries RMLIB

Les llibreries RMLIB han estat creades per Robert Martí [16] i són utilitzades bàsicament

per facilitar la portabilitat del codi en entorns web.

En el codi que s’ha desenvolupat per a la implementació dels nous algorismes, s’ha intentat

seguir el patró del projecte anterior distribuint els algorismes en classes i procurant que el

codi fos el més entenedor possible per facilitar-ne la portabilitat a altres entorns.

L’aplicació consisteix en una interfície que permet de manera senzilla aplicar les funcions

bàsiques sobre les imatges com operacions de zoom o tractament dels colors. A més, hi han

incorporades aquelles funcions de segmentació implementades, tan les realitzades en el

projecte anterior com les noves funcions desenvolupades dins aquest PFC. Igual que en

l’aplicació inicial, per cada nova funció s’han creat uns botons d’accés ràpid per als

algorismes.

6.3.3. Evolució de l’aplicació

La visió global de l’aplicació s’ha vist modificada amb la incorporació de botons i menús

per als nous algorismes. Es tracta d’una aplicació que disposa d’una barra de menús a la part

superior. En l’aplicació original hi podíem trobar els coneguts menús d’arxiu, edició, vista,

finestra i ajuda propis de qualsevol aplicació visual, a més d’un menú d’imatges, un de

configuració i el menú per a les operacions de segmentació. Sota la barra de menús trobem

la barra amb el conjunt de botons, que es pot configurar des de la barra superior seleccionant

els conjunts de botons que es vol que apareguin. I finalment tenim la barra d’estat a la part

inferior que ens dona informació de l’estat de l’aplicació.

En la nova aplicació s’ha incorporat un nou algorisme de segmentació dins el menú ja

existent i amb el seu corresponent botó d’accés ràpid. A més s’han creat nous menús i

botons per als algorismes de fusió, correspondència d’imatges i agrupament de clusters.

En la següent figura es mostra l’aplicació original i la nova aplicació destacant-ne els canvis.


51

Fig. 6.7. Aplicació original.

Fig. 6.8. Aplicació final.

A més de la finestra principal de l’aplicació, algunes funcions disposen de finestres

secundàries per a l’entrada de paràmetres necessaris per ajustar el tractament que es vol dur

a terme sobre les imatges mamogràfiques.

6.3.4. Algorismes incorporats a l’aplicació

S’han incorporat 4 nous algorismes dins l’aplicació original:

Barra d’estat

Barra d’eines Barra de menús


52

• Algorisme de segmentació de microcalcificacions mitjançant cerca de contorns.

• Algorisme d’agrupació de clusters de microcalcificacions.

• Mètode de fusió d’informació.

• Mètode de correspondència d’imatges.

Algorisme de segmentació

Aquest algorisme l’hem afegit dins el menú dels algorismes de segmentació. Com els altres

algorismes de segmentació dels que es disposava en l’aplicació, aquest algorisme treballa

sobre les finestres que contenen les imatges. Com que es tracta d’un algorisme que treballa a

partir de la imatge amb les llavors, necessitarem la imatge màscara extreta a través d’un

algorisme de cerca de llavors. Per permetre que l’usuari apliqui correctament el mètode de

segmentació i ho faci sobre la imatge correcta, en el cas d'intentar aplicar el mètode sobre

una imatge sense llavors, l’aplicació mostra una finestra d’avís on informa a l’usuari que

prèviament ha d’utilitzar un algorisme de cerca de llavors.

Aquest algorisme dona la possibilitat de modificar els paràmetres que té. Al utilitzar aquest

mètode, es mostra un diàleg amb els paràmetres per defecte que permeten el funcionament

de l’algorisme. Si el resultat obtingut no és l’esperat, es poden modificar els paràmetres i

prémer acceptar per tenir en compte els canvis realitzats.

A continuació es mostra la finestra de l’algorisme i s’explica per a què serveixen els

diferents paràmetres.

Fig. 6.9. Diàleg dels paràmetres de l'algorisme de segmentació per cerca de contorns.


53

En el diàleg de l’algorisme de segmentació que ens apareix a la Fig. 6.9, ens apareixen 5 paràmetres: radi, marge slope, número de línies, número de píxels i mitjana. Aquests paràmetres s’utilitzen per a canviar algun dels aspectes del funcionament de l’algorisme. A continuació s’explica quina és la utilitat de cada un d’ells. Radi: el radi és el nombre de píxels que formen les línies per buscar el punt contorn de la microcalcificació. Marge slope: el valor que es deixa de marge per considerar un valor de pendent o slope com a vàlid. Número de línies: és el nombre de radis que es crearan per determinar el contorn. Número de píxel: el nombre de píxels màxim que considerem que pot tenir una microcalcificació. Mitjana: aquest paràmetre pot estar seleccionat o no. Si es troba seleccionat, tal com es mostra a la figura, es fa una mitjana dels valors dels píxels en veïnatge A8 del pixel que estem tractant en aquell moment per a calcular el valor de pendent o slope. Si el paràmetre no està seleccionat, només tindrem en compte el píxel que s’està tractant en aquell moment. Els valors dels paràmetres que apareixen, són els valors per defecte. Es considera que amb aquests valors, l’algorisme ja pot detectar microcalcificacions, però segons la mida de la imatge, o la mida de les microcalcificacions haurem de variar els paràmetres per obtenir uns resultats més adequats. Algorisme d’agrupació de clusters

En aquest cas, s’ha creat un nou menú i un nou botó d’accés ràpid per aquest algorisme.

Aquest algorisme treballa directament sobre la imatge original, sense haver de segmentar-la

prèviament. Com en l’algorisme anterior, ens apareix una finestra de diàleg amb la qual

canviar els paràmetres. En aquest cas, només tenim un paràmetre, també amb un valor per

defecte i que es pot canviar si el resultat no és l’esperat. Tot seguit, es mostra el diàleg i

s’explica la utilitat del paràmetre.


54

Fig. 6.10. Diàleg que apareix en l’algorisme de detecció de clusters.

Com es mostra a la Fig. 6.10, l’algorisme de detecció de clusters de microcalcificacions només disposa d’un paràmetre anomenat radi de cerca. Aquest paràmetre es refereix al radi que fem servir per a detectar els clusters. Com més allunyades es trobin les microcalcificacions que formen el cluster, més gran haurà de ser el radi de cerca. Aquest paràmetre pot agafar valors de 1 a 50. El nombre de cicles que es mostra a la figura, és el valor per defecte amb el qual es considera que es poden calcular els clusters de microcalcificacions. Tot i això, i de la mateixa manera que amb el mètode de segmentació de microcalcificacions explicat anteriorment, aquest paràmetre es pot variar per ajustar els resultats.

Mètode de fusió d’informació

Aquest mètode també té el seu menú propi. El funcionament d’aquest algorisme ens demana

que la imatge amb la que es treballi sigui la màscara obtinguda després de segmentar les

microcalcificacions amb algun dels mètodes dels que es disposa. L’algorisme té l’opció

d’afegir la imatge que es troba activa en aquells moments, i es pot repetir aquest procés amb

el nombre d’imatges que sigui necessari. Un cop triades totes les imatges, tenim l’opció de

veure’n la fusió de resultats. En aquest cas, no es disposa de cap finestra de diàleg

complementària a la principal.

Mètode de correspondència d’imatges

Igual que amb el mètode anterior, en la correspondència d’imatges també es treballa amb la

màscara resultant de l’aplicació d’algun mètode de segmentació de microcalcificacions.

Tampoc es disposa de cap finestra de diàleg però si d’un menú propi i d’uns botons per a

triar quines de les imatges es faran servir per a la correspondència.


55

6.3.5. Estructura del codi

La organització per classes dels diferents mètodes implementats els podem veure a les següents figures. Començant per el mètode de detecció de microcalcificacions ().

Fig. 6.11. Classe SlopeDetection: Detecció de microcalcificacions.

Classe de fusió de resultats ():

Fig. 6.12. Classe Fusió de resultats.


56

L’agrupació de microcalcificacions en clusters ():

Fig. 6.13. Classe AgrupacionsMicros.

I la correspondència entre vistes MLO i CC ():

Fig. 6.14. Classe Correspondència

Cal tenir en compte que s’ha hagut de modificar l’aplicació internament de manera que no podem il·lustrar canvis massa profunds. Presentem aquí únicament els mètodes específics pels temes més rellevants.

Capítol 7. Proves i resultats

Capítol 7. Proves i Resultats

58


Dins aquest capítol s’exposaran els resultats obtinguts de l’aplicació dels diferents

algorismes dissenyats i implementats en aquest projecte.

Els resultats s’estructuren de la següent manera:

1. Segmentació de microcalcificacions

2. Detecció de clusters.

3. Fusió d’informació.

4. Correspondència d’imatges.

Les imatges han estat extretes de la base de dades MIAS [13]. Són imatges escanejades amb

un Joyce-Loebl microdensitometer SCANDIG-3, el qual té una resposta lineal en el rang de

densitat 0-3.2. Cada píxel té 8 bits de profunditat i resolució de 50um x 50um.

Cada imatge té el prefix ‘mdb’ seguit del nombre de sèrie. El caràcter següent, ‘l’ o ‘r’,

especifica si es tracta d’una mamografía esquerra o dreta. El caràcter final, ‘s’, ‘m’, ‘l’ o ‘x’

és la mida del fitxer.

Files x Columnes

`s' (small) 1600pixels x 4320pixels

`m' (medium) 2048pixels x 4320pixels

`l' (large) 2600pixels x 4320pixels

`x' (extra large) 5200pixels x 4000pixels

Taula 7.1. Possibles formats de les imatges

7.1. Resultats de l’algorisme de segmentació de

microcalcificacions

En aquest apartat es mostren els resultats de l’algorisme de segmentació de

microcalcificacions pel mètode de detecció de contorns exposat en el capítol 3.

Les mateixes imatges que utilitzem per provar l’algorisme també han estat segmentades per

un metge, cosa que permetrà comparar els resultats obtinguts amb l’algorisme implementat i

la segmentació del metge.


59

S’utilitzen una sèrie d’estadístics per a fer un anàlisi del resultat:

1. Àrea de la zona. Calculem l’àrea de la zona segmentada i es compara amb l’àrea

detectada pel metge.

2. Detecció. És el nombre de microcalcificacions detectades pel mètode.

3. Metge. Nombre de microcalcificacions detectades manualment.

4. Mitjana de les distàncies mínimes entre els contorns de les zones segmentades.

Calculem, per cada punt del contorn de la segmentació obtinguda per l’algorisme, el

punt contorn donat pel metge que fa que la distància en píxels entre tots dos sigui

mínima. Un cop calculades totes les distàncies, agafem la mínima.

5. Precisió relativa. Si suposem que les microcalcificacions utilitzades per avaluar

l’algorisme són essencialment circulars, podem acceptar que en base a la seva àrea es

pot extreure un radi de la circumferència d’igual àrea (Fig. 7.1). La intenció és

obtenir una mesura de precisió independent de la grandària de la lesió. Així doncs,

podem acceptar la mesura de precisió relativa com:

radiTeòrictjanadistàciaMipr =

Eq. 7.1. Precisió relativa.

On el radi teòric s’obté de l’àrea coneguda de la microcalcificació segmentada pel

metge, segons 2rA ⋅= π . Com més petit sigui el valor d’aquesta precisió relativa vol

dir més ajust en la segmentació del mètode.

Fig. 7.1. Mesura de precisió relativa en base a l’àrea marcada pel metge.

6. Desviació estàndard de les distàncies mínimes. Calculem la desviació a partir del

resultat de les distàncies mínimes obtingudes en l’apartat anterior.

7. Encert. Relació entre el nombre de microcalcificacions detectades manualment i les

detectades amb el mètode donat en tan per cent.

radiTeòric

Distàcia mitja

Microcalcificació metge

Microcalcificació mètode


60

Per considerar un bon resultat ens interessa que el resultat de l’àrea sigui proper al 100%, i

que el resultat de la mitjana de distàncies i de la desviació estàndard sigui petit en relació a

la imatge.

7.1.1. Resultats

Els resultats els dividirem en dues taules. La primera contindrà l’àrea en píxels i el nombre

de microcalcificacions detectades pel metge. La segona engloba els resultats obtinguts al

aplicar l’algorisme de detecció de contorns. Per cada microcalcificació detectada tindrem el

resultat dels estadístics explicats en l’apartat 7.1.

A continuació es mostren els diferents casos de microcalcificacions que s’han utilitzat per

testejar el funcionament de l’algorisme de detecció de contorns. Hem utilitzat 7 imatges

extretes de la base de dades MIAS [13].

Imatge 1: mdb003ll

La imatge original conté una mamografía de tipus MLO orientada a l’esquerra. En la

següent figura es veu la imatge original i la zona augmentada que utilitzarem per fer la

comparació.

Fig. 7.2. Imatge mdb003ll amb la zona a tractar ampliada


61

Fig. 7.3. Resultats de la segmentació de la microcalcificació.

Resultats de les segmentacions:

mdb003ll Area mètode

Àrea metge Detecció Metge Mitjana Precisió

relativa Desviació Encert

Micro 1 1604 769 5,79 0,37 2,81 1 1 100

Taula 7.2. Resultats per la imatge mdb003ll.

En aquest cas només tenim una microcalcificació que el mètode ha detectat perfectament, i

com podem observar amb el paràmetre de la precisió relativa, s’ajusta a la segmentació

manual.

Imatge 2: mdb011ll

La imatge original conté una mamografia de tipus MLO orientada a l’esquerra. En la


comparació.

Fig. 7.4. Imatge mdb011ll amb la zona a tractar ampliada.

Segmentació manual Segmentació per

Slope


62

Fig. 7.5. Resultats de la segmentació



Area metge Detecció Metge Mitjana Precisió


Micro 1 575 413 2,2 0,19 1,24 1 1 100


La segmentació que el mètode ha realitzat en aquesta imatge, s’ajusta força a la segmentada

pel metge, tal i com podem veure en les imatges. A més el paràmetre de precisió relativa ja

ens indica que s’ajusta molt a la segmentació manual.

Imatge 3: mdb214ll

La imatge original conté una mamografía de tipus MLO orientada a la dreta. En la següent

figura es veu la imatge original i la zona augmentada que utilitzarem per fer la comparació.

Segmentació manual Segmentació amb Slope

1 1


63

Fig. 7.6. Imatge mdb214rs amb la zona a tractar ampliada.

Fig. 7.7. Resultats de la segmentació.


mdb214rs Area mètode



Micro 1 1468 1152 3,41 0,18 1,28 1 1 100

Taula 7.4. Resultats per la imatge mdb214rs.

De la mateixa manera que amb la imatge anterior, en aquest cas, la segmentació que es fa

amb el mètode s’ajusta molt a la feta pel metge, tal i com podem veure a les imatges i com

ens indica el paràmetre de precisió relativa.

Segmentació manual Segmentació amb

Slope

1 1


64

Imatge 4: mdb216rl



Fig. 7.8. Imatge mdb216rl amb la zona a tractar ampliada.

Fig. 7.9. Resultat de les segmentacions.


1

2

3

4

5

1 2

3

4

5

6 6

7

8

9 10

11

12

13

7

8

9 10 11

12

13


65


En aquest cas, l’algorisme ha detectat 13 de les 16 microcalcificacions, que suposa un 81% d’encert.

mdb216rl Area mètode



Micro 1 91 73 2,37 0,49 1,62 Micro 2 135 157 4,79 0,68 3,23 Micro 3 133 99 1,44 0,26 0,82 Micro 4 135 90 2,64 0,49 1,68 Micro 5 91 59 0,52 0,12 0,94 Micro 6 140 140 1,42 0,21 0,96 Micro 7 151 93 2,48 0,46 1,73 Micro 8 93 46 2,51 0,66 1,85 Micro 9 149 183 4,82 0,63 3,31

Micro 10 155 88 5,53 1,04 4,21 Micro11 52 94 2,57 0,47 1,75 Micro 12 139 53 5,27 1,28 3,42 Micro 13 50 14 3,64 1,72 2,17

13 16 81%

Taula 7.5. Resultats per la imatge mdb216rl.

La majoria de les segmentades amb el mètode presenten una forma arrodonida i gual que les segmentades manualment. La precisió relativa ens indica que les microcalcificacions detectades s’ajusten en forma a les extretes manualment, tot i això, l’àrea de la majoria de les microcalcificacions detectades amb el mètode són més grans que les segmentades pel metge. Imatge 5: mdb218rl





66

Fig. 7.11. Resultats de les segmentacions.


mdb218rl Area mètode



Micro 1 54 17 2,46 1,06 1,56 Micro 2 23 17 2,35 1,01 1,52 Micro 3 55 23 2,21 0,82 1,59 Micro 4 26 37 2,35 0,68 1,67 Micro 5 50 27 3,15 1,07 1,27

5 5 100%

Taula 7.6. Resultats per la imatge mdb218rl.

En aquesta imatge s’han detectat totes les microcalcificacions i per tant tenim un 100% d’encert. L’àrea de les microcalcificacions detectades pel mètode tenen una àrea força més gran que les que es troben segmentades manualment, i per això el paràmetre de precisió relativa es troba al voltant de l’1.


1

2

3

4

5

1

2

34

5


67

Imatge 6: mdb219ll






1

2

3 4

5 6

7 8 1

2

3 4

5

67 8


68





Micro 1 163 193 2,22 0,28 1,28 Micro 2 384 13 2,13 0,21 1,73 Micro 3 122 32 1,62 0,51 0,95 Micro 4 123 36 1,94 0,57 1,23 Micro 5 39 11 2,12 1,13 1,64 Micro 6 154 82 1,97 0,39 1,14 Micro 7 97 22 1,38 0,52 0,82 Micro 8 117 28 2,44 0,82 0,54

8 14 57%

Taula 7.7. Resultats per la imatge msb219ll.

S’han detectat un 57% de les microcalcificacions. S’ha de tenir en compte però, que moltes

de les microcalcificacions tenen una àrea força petita. Tot i això, la majoria de les

microcalcificacions detectades pel mètode s’ajusten prou a les detectades manualment, com

indica la precisió relativa de cadascuna d’elles.

Imatge 7: mdb223rl



comparació.

Fig. 7.14. Imatge mdb223ls amb la zona a tractar ampliada.


69



mdb223ls Area mètode



Micro 1 829 596 2,85 0,21 2,03 Micro 2 421 150 3,3 0,48 1,86 Micro 3 268 83 4,37 0,85 1,47 Micro 4 128 23 3,54 1,23 2,14 Micro 5 115 43 3,76 1,02 2,44 Micro 6 79 40 3,28 0,92 1,94 Micro 7 134 15 3,51 1,61 2,27

7 14 50%

Taula 7.8. Resultats per la imatge mdb223ls.

En la segmentació manual es detecten 14 microcalcificacions, en canvi utilitzant el mètode dissenyat, només en calcula 7. Això suposa un 50 % d’encert, i observant el paràmetre de precisió relativa, veiem que, com en altres casos, l’algorisme ha segmentat una regió més gran que la trobada manualment. Imatge 8: mdb226rm




1

2

3

5 4

6

7

1

2

3

6

7

4 5


70

Fig. 7.16. Imatge mdb226rm amb la zona a tractar ampliada.



mdb226rm Area mètode



Micro 1 48 30 1,33 0,43 0,49 Micro 2 47 18 2,8 1,17 2,02 Micro 3 48 20 1,66 0,66 0,89 Micro 4 228 52 4,78 1,17 1,98 Micro 5 149 54 2,88 0,69 1,35 Micro 6 200 42 4,48 1,23 1,4

6 7 86 %

Taula 7.9. Resultats per la imatge mdb226rm.


1 2

3

4

5 6

1 2

3

6

4

5


71

En aquest cas, s’ha detectat un 100% de les microcalcificacions. Tot i això, com podem

veure a la columna de la precisió relativa, la segmentació feta pel mètode no s’ajusta prou a

la feta manualment. S’observa en les imatges, que les microcalcificacions segmentades amb

el mètode són més grans que les trobades manualment. Tot i això, podriem dir que el resultat

obtingut és satisfactori.

Imatge 9: mdb227lm



comparació.

Fig. 7.18. Imatge mdb227lm amb la zona a tractar augmentada.



1

2

3 4

1

2 3

4


72


mdb227lm Area mètode



Micro 1 2520 3325 2,23 0,07 1,78 Micro 2 84452 221 2,68 0,32 1,4 Micro 3 121 122 2,13 0,34 1,63 Micro 4 72 47 2,75 0,71 2,64

4 4 100%

Taula 7.10. Resultats per la imatge mdb227lm.

Com podem observar a la taula l’algorisme ha detectat totes les microcalcificacions i amb

una bona precisió, cosa que ens indica que les microcalcificacions detectades pel mètode

s’ajusten força a la segmentació realitzada pel metge.

Imatge 10: mdb253ll



comparació.

Fig. 7.20. Imatge mdb253ll amb la zona a tractar ampliada.


73



mdb253ll Area

mètode Area metge Detecció Metge Mitjana Precisió


Micro 1 94 222 2,03 0,24 1,09 Micro 2 83 60 1,33 0,30 0,81 Micro 3 90 51 1,61 0,40 0,9 Micro 4 25 27 1,49 0,51 0,75 Micro 5 74 87 0,17 0,03 0,49 Micro 6 71 131 4,93 0,76 3,48 Micro 7 72 66 2,61 0,57 1,34

7 14 50%


En aquest cas, l’algorisme ha detectat un 50% de les microcalcificacions que es mostren a la imatge segmentada pel metge.

7.1.2. Observacions

Al aplicar el mètode explicat en l’apartat 3.3 en algunes imatges mamogràfiques de les que

disposem ens hem trobat amb els següents problemes.

És un mètode que detecta totes aquelles microcalcificacions que estan ben definides, és a dir,

que des del punt llavor fins al contorn la intensitat dels píxels va disminuint, tal i com es

mostrava a la gràfica d’intensitat de la Fig. 3.10. D’aquesta manera, els valors d’Slope que

obtenim s’aproximen al patró que es mostra a la gràfica de la Fig. 3.11 i per tant la majoria

de perfils són vàlids, aconseguint així segmentar la microcalcificació.

Però, a l’hora de fer proves amb mamografies reals, hem vist que la majoria de

microcalcificacions no segueixen el perfil esperat, sinó que hi trobem zones en les que

passen de fosc a clar, quan hauríem d’esperar una degradació de clar a fosc. Per això, en


1

2

3

4

5 6 7

1

2

3

4

5 6 7


74

moltes de les proves que hem realitzat els resultats no s’ajusten massa als esperats, ja que no

es detecta amb suficient exactitud aquelles microcalcificacions que no segueixen el patró

esperat.

Un altre dels problemes que s’ha trobat ha estat quan hem treballat amb mamografies on el

valor d’intensitat de la major part de la imatge era molt proper a 255. El fet que el global de

la mamografía sigui de color clar, dificulta la segmentació de les microcalcificacions, ja que

l’algorisme no pot distingir quines zones pertanyen a la microcalcificació i quines no, i per

tant fa el creixement de manera errònia.

Fig. 7.22. Exemple de mamografía massa blanca.

7.1.3. Millores proposades

Per intentar que el mètode detectés amb més precisió les microcalcificacions en aquelles

imatges amb dificultats, com per exemple, aquelles que són molt clares, vam afegir un

paràmetre que ens permetia triar el nombre de píxels màxim que creiem que haurien de tenir

les µCa, limitant així el seu creixement. D’aquesta manera, un cop detectada una llavor, la

farem créixer fins un nombre màxim de píxels, evitant així que s’escampi el creixement per

zones que no formen part de la µCa.

Un altre paràmetre que vam afegir per intentar millorar l’algorisme va ser el marge que

deixem per determinar si un perfil d’Slope és vàlid o no. Aquest paràmetre s’ha afegit per

poder donar com a vàlids aquells vectors de valors d’Slope que s’aproximin força al perfil

del patró.


75

7.2. Resultats de l’algorisme de detecció de

clusters Dins aquest apartat s’exposen els resultats obtinguts després d’aplicar l’algorisme de

detecció de clusters, explicat en el capítol 4, sobre diverses imatges.

7.2.1. Resultats

Hem utilitzat 6 imatges per mostrar el funcionament de l’algorisme. Un cop segmentada la

regió amb les microcalcificacions mitjançant un dels mètodes de detecció, s’aplica

l’algorisme. Seguidament i per cada imatge, es mostra la imatge segmentada i el resultat de

l’aplicació de l’algorisme de detecció de clusters calculat amb un radi de cerca de 15.

Imatge 1:

Fig. 7.23. (a) Imatge segmentada i (b) Cluster detectat

Utilitzant un radi de 15, l’algorisme ens ha agrupat totes aquelles microcalcificacions més

properes, donant així 3 clusters separats, com es pot observar al resultat de la imatge 1.

Imatge 2:

(a) (b)


76

Fig. 7.24. (a) Imatge segmentada i (b) Cluster detectat.

En aquest cas, totes les microcalcificacions es troben molt properes entre sí, i per això,

l’algorisme les ha agrupat totes en un mateix cluster.

Imatge 3:


De la mateixa manera que amb la imatge anterior, les microcalcificacions que ens trobàvem

en aquesta imatge, estaven molt juntes i per tant l’algorisme les ha agrupat en un cluster.

Imatge 4:


(a) (b)

(a) (b)

(a) (b)


77

En la imatge inicial, es poden diferenciar 3 regions amb microcalcificacions, però per la

proximitat entre dues d’elles l’algorisme ha agrupat les regions en 2 clusters.

Imatge 5:


En aquest cas, i per la proximitat de tots els grups de microcalcificacions que es troben a la

imatge original, l’algorisme els ha agrupat en un sol cluster.

Imatge 6:


De la mateixa manera que passa amb les imatges 2, 3 i 5, la proximitat de les

microcalcificacions provoca que es puguin agrupar totes dins un mateix cluster, tal i com es

mostra a la imatge resultat.

(a) (b)

(a) (b)


78

7.3. Resultats del mètode de Fusió d’informació En aquest apartat es mostren els resultats de l’aplicació del mètode de Fusió exposat en

l’apartat 5.1.

Per cada imatge s’han aplicat tres mètodes de segmentació de microcalcificacions per obtenir-ne diferents resultats. Un cop tenim totes les imatges resultants, s’ha aplicat l’algorisme de fusió d’informació obtenint així tots els resultats en una sola imatge.

7.3.1. Resultats

Utilitzarem 4 imatges extretes de la base de dades de la que disposem, MIAS [13], i que hem

utilitzat per a mostrar el funcionament de l’algorisme.

Imatge 1: mdb219ll

La imatge conté una mamografía MLO orientada a l’esquerra. En la següent figura es mostra

la imatge original.

Fig. 7.29. Imatge mdb219ll.

A continuació es mostren els resultats d’aplicar els algorismes de Shen, Slope i Intensitat a

la Fig. 7.29.


79

Fig. 7.30. Procés de fusió OR de la imatge mdb219ll.

Intensitat Shen Slope


80

Imatge 2: mdb227


la imatge original.

Fig. 7.31. Imatge mdb227lm.

A continuació es mostren els resultats d’aplicar els algorismes de Shen i Slope a la Fig. 7.31.

Fig. 7.32. Procés de fusió OR de la imatge mdb227lm.

Shen Slope Intensitat


81

Imatge 3: mdb231


la imatge original.

Fig. 7.33. Imatge mdb231ll.


la Fig. 7.33.


82

Fig. 7.34. Procés de fusió OR de la imatge mdb231ll.

Imatge 4: mdb011


la imatge original.

Fig. 7.35. Imatge mdb011l.



83


la Fig. 7.35

Fig. 7.36. Procés de fusió AND de la imatge mdb011ll.

Aquest darrer resultat s’ha obtingut mitjançant el mètode de fusió utilitzant la operació AND. Podem observar com s’obté com a resultat només aquelles regions en les que tots tres mètodes coincideixen en la detecció. El mètode de fusió que hem utilitzat és senzill. Ens permet disposar en una sola imatge de les segmentacions obtingudes amb múltiples mètodes. Una possible millora d’aquest mètode consistiria en intentar validar cadascuna de les segmentacions dels mètodes en funció de les altres, buscant relacions entre els resultats i la imatge original, tenint en compte característiques de forma dels resultats obtinguts. Aquestes millores seran plantejades com a treballs futurs.



84

7.4. Resultats del mètode de Correspondència Dins aquest apartat s’exposen els resultats de l’aplicació dels algorismes de correspondència

que es descriuen en l’apartat 5.2 sobre diverses imatges mamogràfiques que ens

proporcionaven ambdues vistes MLO i CC. Per a provar tots dos algorismes s’han utilitzat

imatges extretes de la base de dades MIAS[13].

Disposem de 3 imatges amb ambdues vistes. A cada imatge hem aplicat tan el mètode de

correspondència per proximitat a l’os pectoral, com per proximitat al mugró. Les imatges

que s’han utilitzat són les següents. També es mostren les microcalcificacions detectades,

que després etiquetarem amb els dos mètodes.

Fig. 7.37. (a) Vista MLO IM369001 i (b) segmentació , (c) Vista CC IM371001 i (d) segmentació.


(c) (b) (a) (d)

(c) (d) (a) (b)


85


7.4.1. Resultats de la correspondència amb l’os pectoral

Dins aquest apartat es mostren els resultats d’aplicar l’algorisme de correspondència per

distància amb l’os pectoral de les imatges anteriors.

Fig. 7.40. Resultats de les Imatges 1: Vista MLO: IM369001, Vista CC: IM371001.

(c) (b) (a) (d)


86

Com podem veure a la imatge que es mostra a la Fig. 7.40, després d’aplicar un algorisme de

segmentació de microcalcificacions, el mètode de correspondència ens relaciona les

microcalcificacions trobades tan en la vista MLO com en la CC, mostrant així la

correspondència de les microcalcificacions en ambdues imatges.




87

De la mateixa manera que amb el resultat de la imatge de la Fig. 7.40, podem veure com els resultats obtinguts en les dues imatges de les Fig. 7.41 i Fig. 7.42, ens relacionen les microcalcificacions detectades en ambdues vistes.

7.4.2. Resultats de la correspondència amb el mugró

Dins aquest apartat es mostren els resultats d’aplicar l’algorisme de correspondència per

distància amb el mugró de les imatges anteriors.


Com podem veure en els resultats que es mostren a la Fig. 7.43, la col·locació de l’etiqueta

del mugró en la imatge MLO, no s’ajusta prou a la posició real d’aquest. Això és degut a que

en aquesta imatge la distribució del teixit dens no s’ajusta al nostre model, sent més

concentrat a les proximitats de mugró que no pas a la posició exacte. Caldria doncs, millorar

la funció de detecció de mugró per tal d’ajustar-se a aquests casos en que tot i tenir forma

ben definida no compleix els nostres requisits. En canvi, en la imatge CC, l’etiqueta del

mugró ja s’acosta més a la posició real d’aquest.


88


En aquesta imatge cas, com podem veure a la Fig. 7.44, la detecció de la posició del mugró

s’ajusta molt a posició on es trobaria realment. Mirant la imatge, podem veure com

s’etiqueta correctament la posició de les microcalcificacions envers el punt mugró.



89

Tal i com passava amb la imatge de la Fig. 7.43, però en aquest cas amb la vista CC, la posició del mugró detectada, no s’ajusta prou a la posició real. En canvi com podem veure a la imatge MLO que es mostra a la Fig. 7.45, la posició del mugró d’aquesta imatge sí que s’ajusta a la posició real. Al haver-hi només una microcalcificació en aquest cas, es veu clarament el bon funcionament de l’algorisme.

Capítol 8. Conclusions i treballs futurs


91

Capítol 8. Conclusions i treballs futurs Començant per la detecció de microcalcificacions, l’agrupació d’aquestes en clusters, passant per l’estudi d’ambdues vistes (MLO i CC) i l’aprofitament de resultats obtinguts amb diferents mètodes de detecció, podem tractar d’extreure un seguit de conclusions, així com plantejar-nos futurs treballs de millora o ampliació.

8.1. Conclusions El mètode implementat per detecció de microcalcificacions ha mostrat un comportament correcte en imatges que presenten microcalcificacions ben definides, entenent com a ben definides, quan el nivell de gris que trobem als píxels de la llavor al contorn experimenten una degradació constant del valor de la intensitat. En altres casos, el comportament pot donar lloc a formes incompletes de la microcalcificació. Pel que fa a l’agrupament de microcalcificacions en clusters, podem remarcar que ens proporciona una eina que en un futur ens permetrà estudiar les característiques de forma dels núvols de microcalcificacions. Agrupa força fidelment aquells clusters amb un nombre elevat i concentració apropiada de microcalcificacions. Mitjançant la correspondència vistes MLO-CC, avancem en la millora dels diagnòstics, ja que ens apropem al dia a dia dels especialistes, on es valen d’ambdues vistes per validar possibles lesions. Així aquest algorisme permet relacionar les deteccions realitzades en una vista CC amb els resultats obtinguts amb la MLO. La fusió de resultats ens ha permès agrupar les deteccions obtingudes per diferents mètodes de segmentació específics per un tipus de lesió, i així obtenir una única imatge resultat de detecció de µCa. Tot i així, caldrà enfocar més esforços en la millora d’aquest mètode, per tal de tenir en compte altres factors, com ara la forma a l’hora de fusionar les regions detectades.


92

8.2. Treballs Futurs Donat que el projecte HRIMAC engloba un ampli conjunt d’objectius, les futures tasques aniran dirigides a millorar els aspectes implementats, així com dotar de noves prestacions al sistema. L’algorisme de detecció de microcalcificacions ens proporciona un nou mètode per tractar de detectar aquestes subtils lesions, tot i així, existeixen altres estratègies per cercar-les. Cal implementar altres estratègies per tal d’enriquir les capacitats del sistema. El procés de fusió de diferents mètodes és molt important ja que ens permet aprofitar el coneixement extret de les mamografies mitjançant múltiples mètodes. En aquest PFC hem implementat un mètode de fusió que possiblement no és l’òptim, caldria millorar-ne el comportament. Una possible millora pel mètode de fusió consistiria en la cerca de relacions en les formes de les lesions obtingudes. Actualment ja es desenvolupa algun projecte orientat a estudiar aquests aspectes [16]. En futurs treballs, s’obrirà el camí de la detecció de lesions mitjançant altres modalitats com la ressonància magnètica (MRI) o els ultrasons (US). El fet de poder detectar lesions en aquestes modalitats, proporcionarà informació addicional que caldrà correlacionar amb les dades que ara s’extreuen de les imatges de raig–X. Aquest propòsit de fusionar també informació intermodal ens plantejarà el problema d’esbrinar quan dues imatges de modalitats diferents pertanyen a la mateixa regió del pit.

93

Capítol 9. Bibliografia


94


[1] Interactive Mammography Analysis Web Tutorial,

http://sprojects.mmi.mcgill.ca/mammography/index.htm

[2] David Raba Sánchez. Interfície web per HRIMAC (Herramienta de Recuperación de

Imágenes Mamográficas por Análisis de Contenido) basat en tècniques de relevance

feedback. PFC 2003. Enginyeria Informàtica. UdG.

[3] Anna Bosch. Anàlisi disseny i implementació d’algorismes de caracterització i similitud

per HRIMAC (Herramienta de Recuperación de Imágenes Mamográficas por Análisis de

Contenido). PFC 2003. Enginyeria Informàtica.UdG.

[4] Joan Espunya Pineda. Segmentació d’imatges mamogràfiques. PFC 2003. Enginyeria

Tècnica en Informàtica de Sistemes. UdG.

[5] Mammography Education. http://www.r2tech.com/prd/

[6] Liang Shen, Rangaraj M. Rangayyan, J.E.Leo Desautels, ”State of the art in digital

mammographic image analysis”. Detection and Classification or Mammographic

Calcifications.

[7] Isaac N. Bankman, Member, IEEE, Tanya Nizialek, Studen Member, IEEE, Inpakala

Simon, Olga B. Gatewood, Irving N. Weinberg, Member, IEEE, and William R. Brody,

Fellow, IEEE. Segmentation Algorithms for Detecting Microcalcificacions in

Mammograms, IEEE Transactions on Information Technology in Biomedicine, Vol. 1, Nº.

2, June 1997.

[8] D.B Kopans, Breast Imaging, Lippincott Williams and Wilkins, 1997.

[9] K. S. Woods, J. L. Solka, C. E. Priebe, et al., “Comparative evaluation of pattern

recognition techniques for detection of microcalcifications in mammography” in State of the


95

art in Digital Mammographic Image Analysis, K. Bowyer and S. Astley, eds., 213-231,

World Scientific Publishing, 1994.

[10] J. Freixenet, P. Planiol, J.Martí, et al. “Cluster-Shape Characterization of

microcalcifications”. Medical Applications of Signal Processing. IEE Signal Processing

Professional Network, London, Oct 2002.

[11] Jack E. Bresenham, Algorithm for Computer Control of a Digital Plotter, IBM Systems

Journal, 4(1):25-30, 1965.

[12] Michael A. Wirth, A non rigid approach to Medical Image Registration: Matching

images of the breast, PhD June 1999. RMIT Melbourne, Australia.

[13] The mammographic image analysis society,

http://www.wiau.man.ac.uk/services/MIAS/MIASweb.html

[14] Sylvia H. Heywang-Köbrunner, D. David Dershaw, Ingrid Schreer, Diagnostic Breast

Imaging, 2001.

[15] C. López, Los oncólogos piden mamografías a los 40 años. La Vanguardia, 25 Febrer

de 2004.

[16] Robert Martí Marly, Image Registration Applied to Multi-modality Mammography,

PhD. University of East Anglia (Norwich,UK). 2002.

[17] Gerard Alcorlo Bofill, Desciptors de Forma per Lesions Mamogràfiques. PFC

Universitat de Girona. (Pendent de presentació).

Altres Índex

96

Índex de Figures FIG. 1.1.PLANIFICACIÓ MENSUAL DE LES TASQUES A DUR A TERME. ..................................................................... 6 FIG. 2.1. MAMÒGRAF. APARELL PER FER MAMOGRAFÍES. ................................................................................... 10 FIG. 2.2. INSPECCIÓ MAMOGRÀFICA A L’HOSPITAL JOSEP TRUETA. ................................................................... 12 FIG. 2.3. MLO DRETA – MLO ESQUERRA VS CC DRETA – CC ESQUERRA. .......................................................... 13 FIG. 2.4. ESTUDI DE QUADRANTS......................................................................................................................... 13 FIG. 2.5. ZONA DETECTADA AMB MICROCALCIFICACIONS. .................................................................................. 14 FIG. 2.6. ESTRUCTURA DEL NODE ARREL DE L’ARBRE DE CARACTERÍSTIQUES. ................................................... 15 FIG. 2.7. ARQUITECTURA DEL SISTEMA HRIMAC .............................................................................................. 16 FIG. 3.1. (A) NORMALS, (B) DISTORSIONS ESTRUCTURALS, (C) MICROCALCIFICACIONS (D) MASSES (E) LESIONS

ESPICULARS ............................................................................................................................................... 18 FIG. 3.2. ZONES D'UNA MAMOGRAFÍA. ................................................................................................................ 19 FIG. 3.3. BINARITZACIÓ DE LA IMATGE AMB EL LLINDAR ESCOLLIT. ................................................................... 20 FIG. 3.4. RESULTAT D'APLICAR L'ALGORISME DE SEGMENTACIÓ GLOBAL DEL PIT I D'EXTRACCIÓ DEL MUSCLE. . 21 FIG. 3.5. . TIPUS DE MICROCALCIFICACIONS QUE PODEM TROBAR EN UNA MAMOGRAFÍA.................................... 22 FIG. 3.6. A) RODONES. B) LINEALS. C) OVALADES. D) COARSE (POPCORN). E) CILÍNDRIQUES. F)RODONA......... 22 FIG. 3.7. A) EN FORMA DE BRANQUES. B) HETEROGÈNIES. C) RODONA. D) EN FORMA DE BRANQUES ................ 23 FIG. 3.8. ESTRATÈGIES DE L’ALGORISME DE CERCA PER CONTORNS ACTIUS. ...................................................... 25 FIG. 3.9. GRÀFICA DELS VALORS D'INTENSITAT DELS PÍXELS QUE FORMEN EL RADI............................................ 27 FIG. 3.10. GRÀFICA DELS VALORS D’SLOPE CALCULATS...................................................................................... 27 FIG. 3.11. TANCAMENT DEL CONTORN DE LA MICROCALCIFICACIÓ..................................................................... 28 FIG. 3.12. RESULTAT DEL CREIXEMENT DE LA MICROCALCIFICACIÓ. .................................................................. 28 FIG. 3.13. MICROCALCIFICACIONS DETECTADES EN UNA MAMOGRAFIA UTILITZANT EL MÈTODE DE DETECCIÓ DE

CONTORNS. ................................................................................................................................................ 29 FIG. 4.1. A) CLUSTER MALIGNE I B) PRESÈNCIA BENIGNE DE MICROCALCIFICACIONS.......................................... 32 FIG. 4.2. CLUSTER DE MICROCALCIFICACIONS EN UNA MAMOGRAFÍA. ................................................................ 33 FIG. 4.3. APLICACIÓ DE L’ALGORISME FIT-STAMP A UN CLUSTER DE MICROCALCIFICACIONS. ............................. 34 FIG. 5.1. APROFITAMENT DE DIVERSES FONTS D’INFORMACIÓ: A) FUSIÓ D’INFORMACIÓ I B) MÈTODE DE

CORRESPONDÈNCIA.................................................................................................................................... 36 FIG. 5.2. PROCÉS DE FUSIÓ DE LES SEGMENTACIONS OBTINGUDES A PARTIR DE MÚLTIPLES MÈTODES DE

DETECCIÓ................................................................................................................................................... 37 FIG. 5.3. IMATGES MLO I CC PER A FER LA CORRESPONDÈNCIA. ........................................................................ 38 FIG. 5.4. IMATGES MLO I CC AMB LES MICROCALCIFICACIONS DETECTADES..................................................... 39 FIG. 5.5. IMATGE MLO I CC AMB LES MICROCALCIFICACIONS ETIQUETADES. .................................................... 40 FIG. 5.6. IMATGE MLO I CC AMB LES MICROCALCIFICACIONS I EL MUGRÓ ETIQUETATS. ................................... 41 FIG. 5.7. PERFIL DE LA MAMA.............................................................................................................................. 42 FIG. 5.8. EXEMPLE DE LOCALITZACIÓ DEL MUGRÓ.............................................................................................. 43 FIG. 6.1. ARQUITECTURA DOCUMENT-VISTA...................................................................................................... 45

Altres Índex

97

FIG. 6.2. PROCÉS PREVI ALS MÈTODES DE SEGMENTACIÓ DE MICROCALCIFICACIONS.......................................... 46 FIG. 6.3.PROCÉS DE SEGMENTACIÓ DEL MÈTODE SLOPE...................................................................................... 47 FIG. 6.4. PROCÉS DE FUSIÓ D’INFORMACIÓ.......................................................................................................... 48 FIG. 6.5. PROCÉS DE CORRESPONDÈNCIA D’IMATGES. ......................................................................................... 48 FIG. 6.6. PROCÉS D’AGRUPACIÓ DE MICROCALCIFICACIONS................................................................................ 49 FIG. 6.7. APLICACIÓ ORIGINAL. ........................................................................................................................... 51 FIG. 6.8. APLICACIÓ FINAL. ................................................................................................................................. 51 FIG. 6.9. DIÀLEG DELS PARÀMETRES DE L'ALGORISME DE SEGMENTACIÓ PER CERCA DE CONTORNS. ................. 52 FIG. 6.10. DIÀLEG QUE APAREIX EN L’ALGORISME DE DETECCIÓ DE CLUSTERS................................................... 54 FIG. 7.1. MESURA DE PRECISIÓ RELATIVA EN BASE A L’ÀREA MARCADA PEL METGE. ......................................... 59 FIG. 7.2. . IMATGE MDB003LL AMB LA ZONA A TRACTAR AMPLIADA................................................................... 60 FIG. 7.3. RESULTATS DE LA SEGMENTACIÓ DE LA MICROCALCIFICACIÓ. ............................................................. 61 FIG. 7.4. IMATGE MDB011LL AMB LA ZONA A TRACTAR AMPLIADA. ................................................................... 61 FIG. 7.5. RESULTATS DE LA SEGMENTACIÓ.......................................................................................................... 62 FIG. 7.6. IMATGE MDB214RS AMB LA ZONA A TRACTAR AMPLIADA. ................................................................... 63 FIG. 7.7. RESULTATS DE LA SEGMENTACIÓ.......................................................................................................... 63 FIG. 7.8. IMATGE MDB216RL AMB LA ZONA A TRACTAR AMPLIADA. ................................................................... 64 FIG. 7.9. RESULTAT DE LES SEGMENTACIONS...................................................................................................... 64 FIG. 7.10. IMATGE MDB218RL AMB LA ZONA A TRACTAR AMPLIADA. ................................................................. 65 FIG. 7.11. RESULTATS DE LES SEGMENTACIONS. ................................................................................................. 66 FIG. 7.12. IMATGE MDB219RL AMB LA ZONA A TRACTAR AMPLIADA. ................................................................. 67 FIG. 7.13. RESULTATS DE LES SEGMENTACIONS. ................................................................................................. 67 FIG. 7.14. IMATGE MDB223LS AMB LA ZONA A TRACTAR AMPLIADA. ................................................................. 68 FIG. 7.15. RESULTATS DE LES SEGMENTACIONS. ................................................................................................. 69 FIG. 7.16. IMATGE MDB226RM AMB LA ZONA A TRACTAR AMPLIADA. ................................................................ 70 FIG. 7.17. RESULTATS DE LES SEGMENTACIONS. ................................................................................................. 70 FIG. 7.18. IMATGE MDB227LM AMB LA ZONA A TRACTAR AUGMENTADA. .......................................................... 71 FIG. 7.19. RESULTATS DE LES SEGMENTACIONS. ................................................................................................. 71 FIG. 7.20. IMATGE MDB253LL AMB LA ZONA A TRACTAR AMPLIADA. ................................................................. 72 FIG. 7.21. RESULTATS DE LES SEGMENTACIONS. ................................................................................................. 73 FIG. 7.22. EXEMPLE DE MAMOGRAFÍA MASSA BLANCA. ...................................................................................... 74 FIG. 7.23. (A) IMATGE BINARITZADA I (B) CLUSTER DETECTAT........................................................................... 75 FIG. 7.24. (A) IMATGE BINARITZADA I (B) CLUSTER DETECTAT........................................................................... 76 FIG. 7.25. (A) IMATGE BINARITZADA I (B) CLUSTER DETECTAT........................................................................... 76 FIG. 7.26. (A) IMATGE BINARITZADA I (B) CLUSTER DETECTAT........................................................................... 76 FIG. 7.27. (A) IMATGE BINARITZADA I (B) CLUSTER DETECTAT........................................................................... 77 FIG. 7.28. (A) IMATGE BINARITZADA I (B) CLUSTER DETECTAT........................................................................... 77 FIG. 7.29. IMATGE MDB219LL. ............................................................................................................................ 78

Altres Índex

98

FIG. 7.30. PROCÉS DE FUSIÓ DE LA IMATGE MDB219LL. ...................................................................................... 79 FIG. 7.31. IMATGE MDB227LM. ........................................................................................................................... 80 FIG. 7.32. PROCÉS DE FUSIÓ DE LA IMATGE MDB227LM. ..................................................................................... 80 FIG. 7.33. IMATGE MDB231LL. ............................................................................................................................ 81 FIG. 7.34. PROCÉS DE FUSIÓ DE LA IMATGE MDB231LL. ...................................................................................... 82 FIG. 7.35. IMATGES 1: (A) VISTA MLO IM369001 I (B) SEGMENTACIÓ , (C) VISTA CC IM371001 I (D)

SEGMENTACIÓ. .......................................................................................................................................... 84 FIG. 7.36. IMATGES 2: (A) VISTA MLO IM417001 I (B) SEGMENTACIÓ , (C) VISTA CC IM416001 I (D)

SEGMENTACIÓ. .......................................................................................................................................... 84 FIG. 7.37. IMATGES 3: (A) VISTA MLO IM784001 I (B) SEGMENTACIÓ , (C) VISTA CC IM783001 I (D)

SEGMENTACIÓ. .......................................................................................................................................... 85 FIG. 7.38. RESULTATS DE LES IMATGES 1: VISTA MLO: IM369001, VISTA CC: IM371001. .............................. 85 FIG. 7.39. RESULTATS DE LES IMATGES 2: VISTA MLO: IM417001, VISTA CC: IM416001. .............................. 86 FIG. 7.40. RESULTATS DE LES IMATGES 3: VISTA MLO: IM784001, VISTA CC: IM783001. .............................. 86 FIG. 7.41. RESULTATS DE LES IMATGES 1: VISTA MLO: IM369001, VISTA CC: IM371001. .............................. 87 FIG. 7.42. RESULTATS DE LES IMATGES 2: VISTA MLO: IM417001, VISTA CC: IM416001. .............................. 88 FIG. 7.43. RESULTATS DE LES IMATGES 3: VISTA MLO: IM784001, VISTA CC: IM783001. .............................. 88 Índex de Taules TAULA 2.1. IMATGES MAMOGRÀFIQUES D’UN MATEIX PIT. ................................................................................ 11 TAULA 3.1. TAULA AMB ELS VALORS DE LA GRÀFICA DE LA FIG. 3.10 ............................................................... 27 TAULA 3.2. TAULA AMB ELS VALORS DE LA GRÀFICA FIG. 3.11 ......................................................................... 27 TAULA 7.1. POSSIBLES FORMATS DE LES IMATGES ............................................................................................. 58 TAULA 7.2. RESULTATS PER LA IMATGE MDB003LL. .......................................................................................... 61 TAULA 7.3. RESULTATS PER LA IMATGE MDB011LL. .......................................................................................... 62 TAULA 7.4. RESULTATS PER LA IMATGE MDB214RS. .......................................................................................... 63 TAULA 7.5. RESULTATS PER LA IMATGE MDB216RL........................................................................................... 65 TAULA 7.6. RESULTATS PER LA IMATGE MDB218RL........................................................................................... 66 TAULA 7.7. RESULTATS PER LA IMATGE MSB219LL............................................................................................ 68 TAULA 7.8. RESULTATS PER LA IMATGE MDB223LS. .......................................................................................... 69 TAULA 7.9. RESULTATS PER LA IMATGE MDB226RM. ......................................................................................... 70 TAULA 7.10. RESULTATS PER LA IMATGE MDB227LM. ....................................................................................... 72 TAULA 7.11. RESULTATS PER LA IMATGE MDB253LL. ........................................................................................ 73

Projecte/Treball Final de Carreraeia.udg.es/~draba/documents/pfcMariona.pdf · Escola Politècnica...

Documents

Transcript of Projecte/Treball Final de Carreraeia.udg.es/~draba/documents/pfcMariona.pdf · Escola Politècnica...