Segmentaci´ on y Clasificaci ´ on de Patolog´ ıas en Im ´ agenes M´ edicas usando Transformadas Discretas por M.C. Luis David Lara Rodr´ ıguez Tesis sometida como requisito parcial para obtener el grado de Doctor en Ciencias en la Especialidad de ´ Optica en el Instituto Nacional de Astrof´ ısica, ´ Optica y Electr ´ onica Supervisada por: Dr. Gonzalo Jorge Urcid Serrano Investigador Titular Junio 2016 Tonantzintla, Puebla c INAOE 2016 El autor otorga al INAOE el permiso de reproducir y distribuir copias en su totalidad o en partes de esta tesis
86
Embed
Segmentacion y Clasificaci´ on de´ Patolog´ıas en Im agenes ... · Francisco Javier Renero Carrillo, Javier Mun˜oz L´opez y Juan Manuel Ram´ırez Cort´es (Coord. de Electr´onica)
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Segmentacion y Clasificacion dePatologıas en Imagenes Medicas usando
Transformadas Discretas
por
M.C. Luis David Lara Rodr ıguez
Tesis sometida como requisito parcial para obtenerel grado de
Doctor en Ciencias en la Especialidad deOptica
en el
Instituto Nacional de Astrofısica,Optica y Electronica
Supervisada por:
Dr. Gonzalo Jorge Urcid SerranoInvestigador Titular
Definimos la varianza global de una imagen de tamano MN con L valores de intensidad
como sigue
σ2G =
L−1∑
i=0
(i−mG)2Pi. (3.13)
Y la varianza entre clases como
σ2B = P1(tOtsu)[m1(tOtsu)−mG]
2 + P2(tOtsu)[m2(tOtsu)−mG]2
σ2B = P1(tOtsu)P2(tOtsu)[m1(tOtsu)−m2(tOtsu)]
2. (3.14)
El objetivo del metodo de Otsu es lograr que la varianza dentro de cada clase sea lo mas
pequena posible y conseguir que la varianza entre las clases sea lo mas grande posible. Ası
obtenemos la siguiente relacion entre varianzas
η(tOtsu) =σ2B
σ2G
. (3.15)
El valor umbral buscado es t∗Otsu, el cual es el valor donde el cociente de η(t∗Otsu) sea
maximo y por lo tanto es obtener el valor del umbral t∗Otsu donde la varianza entre clases sea
el maximo, esto se expresa a continuacion
σ2B(t
∗
Otsu) = max{σ2B(tOtsu)
}, (3.16)
donde tOtsu esta definido en el rango de 0 ≤ tOtsu ≤ L− 1.
Capıtulo 3. Procesamiento Digital Espacial 25
En la Fig. 3.7 se muestra un ejemplo de una imagen que contiene unas monedas y su
correspondiente imagen binarizada al aplicar el metodo de global de Otsu, tambien se muestra
el histograma normalizado de la imagen original en donde se observa que este es bimodal,
por lo tanto el metodo de Otsu es capaz de separar los objetos del fondo. En la tabla 3.1, se
presenta los valores numericos de dicha imagen para el metodo global de Otsu.
Tabla 3.1: Valores numericos de los parametros del metodo de global de Ostu
mG m1(tOtsu) m2(tOtsu) P1(tOtsu) P2(tOtsu)
56.74 28.72 150.34 0.23 0.77
σ21(tOtsu) σ2
2(tOtsu) σ2G σ2
B η(tOtsu)
78.38 472.58 2.79× 103 2.62× 103 0.94
0 50 100 150 200 2500
0.05
0.1
0.15
0.2
0.25
Nivel de intensidad
Histograma normalizado
Umbral de Otsu
Pi
Figura 3.7: Arriba: Izq., imagen original, Der., imagen binarizada con el metodo de Otsu convalor de umbral de 89. Abajo: Histograma normalizado de la imagen original y corte del valorde umbral.
Capıtulo 4
Filtrado Frecuencial y Transformadas
Discretas
4.1. Filtros en frecuencia espaciales
En esta seccion se presenta un resumen sobre conceptos de sistemas lineales invariantes.
4.1.1. Sistemas lineales invariantes
Supongamos dado un sistema que cambia una senal de entrada a una senal de salida sin
retroalimentacion, de modo que se trata de un sistema de entrada-salida. La relacion entre
la entrada denotada por f(x, y) y la salida denotada por g(x, y) de un sistema se describe
por la igualdad,
g(x, y) = H[f(x, y)], (4.1)
donde H es un operador algebraico o analıtico que actua en f para obtener g. En parti-
cular, se dice que H es un operador lineal si se cumple que,
Por lo tanto la transformada de Fourier de f(x, y) = A rect(x− x0, y − y0) es
F (u, v) = F{f(x, y)} = ab sinc(au)sinc(bv) e−i2π(xou+yov)
Capıtulo 4. Filtrado Frecuencial y Transformadas Discretas 31
Y su correspondiente transformada de Hartley de f(x, y) es
F (u, v) = ab sinc(au)sinc(bv) e−i2π(xou+yov)
= ab sinc(au)sinc(bv) [cos(2π(xou+ yov))− i sen(2π(xou+ yov))]
⇒ H(u, v) = ab sinc(au)sinc(bv)[cos(2π(xou+ yov)) + sen(2π(xou+ yov))]
= ab sinc(au)sinc(bv) cas(2π(xou+ yov)) (4.21)
A continuacion se muestran los perfiles centrales del par de transformadas del ultimo ejemplo,
cabe mencionar ya que Fourier maneja valores complejos se grafican los modulos al cuadrado
de ambas transformadas, con diferentes valores de traslacion, es decir xo.
Figura 4.1: Perfil de las transformadas de la Ec 4.21, Izq. Con valor de xo = 3, Der. con valorde xo = 5. Ambas con valores de a = b = 1, v = 0 y −2 ≤ u ≤ 2.
32 4.2. Transformadas discretas bidimensionales
4.2. Transformadas discretas bidimensionales
4.2.1. Transformada discreta de Fourier
La transformada de Fourier denominada ası en honor a Jean Baptiste Joseph Fourier
(matematico y fısico frances de finales del siglo XVIII a principios del siglo XIX), es una
herramienta matematica empleada para transformar senales del dominio espacial (o temporal)
a el dominio frecuencial espacial (o frecuencial temporal), que tiene diversas aplicaciones en la
fısica y en la ingenierıa. La transformada de Fourier es basicamente el espectro de frecuencias
de una funcion.
La transformada de Fourier bidimensional de una senal continua en su forma integral
(FT) esta dada por la Ec. 4.22
F (u, v) = F{f(x, y)} =
∫∫
R2
f(x, y)e−i2π(ux+vy)dxdy, (4.22)
La version discreta de la transformada de Fourier bidimensional (DFT), esbozada por
primera vez por Carl Friedrich Gauss, esta dada por la Ec.4.23.
F (u, v) =M−1∑
x=0
N−1∑
y=0
f(x, y)e−i2π(ux/M+vy/N) (4.23)
donde f(x, y) en el procesado de imagenes es la imagen a transformar de tamano M × N ,
las variables u y v son sus frecuencias espaciales respectivas de x y y, cuyos rangos son
u = 0, 1, ..,M − 1 y v = 0, 1, .., N − 1.
La transformada F (u, v) se obtiene su inversa f(x, y), haciendo uso de la transformada
inversa discreta de Fourier (IDFT) la cual esta dada en la Ec. 4.24.
f(x, y) =1
MN
M−1∑
u=0
N−1∑
v=0
F (u, v)ei2π(ux/M+vy/N), (4.24)
Para el calculo de la DFT y IDFT en este trabajo, se usa el algoritmos de la transformada
rapida de Fourier (FFT).
4.2.2. Transformada discreta del coseno
La Transformada discreta del coseno ( DCT por sus siglas en ingles) [25] introducida por
Ronald N. Bracewell, es una secuencia finita de puntos de datos en terminos de una suma
de funciones coseno oscilando a diferentes frecuencias y amplitudes. La transformada DCT es
importante para numerosas aplicaciones en la ciencia y la ingenierıa. Formalmente, la DCT
es lineal, una funcion invertible en el dominio real R2 al dominio real R2, que tambien es
Capıtulo 4. Filtrado Frecuencial y Transformadas Discretas 33
equivalente a una matriz de M × N elementos. La DCT en dos dimensiones esta dada por
Ec. 4.25.
C(u, v) =2− δ(u, v)√MN
M−1∑
x=0
N−1∑
y=0
f(x, y) cos
[π(2x+ 1)u
2M
]cos
[π(2y + 1)v
2N
], (4.25)
donde δ(u, v) es la delta unitaria bidimensional.
La DCT tiene una buena capacidad de compactacion de la energıa al dominio transfor-
mado, es decir, que la DCT consigue concentrar la mayor parte de la informacion en los
primeros coeficientes transformados, por lo mismo es ampliamente usada para comprension
de senales e imagenes con baja perdida. El tipo de DCT usado en este trabajo fue la DCT-II
que comunmente se conoce simplemente como DCT. Mas adelante se da un ejemplo de su
espectro que es diferente al de la DFT y DHT, ya que la DCT solo trabaja con numeros reales
y las frecuencias de esta ya estan ordenados, es por ello que en el diseno de los filtros para
esta transformada en su dominio no corresponden exactamente al del dominio de Fourier y
Hartley, mas adelante se describe la diferencia.
4.2.3. Transformada discreta de Hartley
Bracewell propuso una transformada unitaria discreta llamada Transformada Discreta de
Hartley (DHT) como un sustituto de la transformada de Fourier. El nombre deriva de la
version continua introducida por Hartley en 1942. Se trata de una transformada unitaria que
emplea funciones base sinusoidales, al igual que la transformada de Fourier. La DHT utiliza
conjuntamente funciones base tipo seno y tipo coseno, pero sus coeficientes son numeros
reales, en contraste con la transformada de Fourier, cuyos coeficientes son numeros complejos.
La DHT bidimensional esta dada por Ec. 4.26 y en su forma compacta en la Ec. 4.27.
HT (u, v) =1
MN
M−1∑
x=0
N−1∑
y=0
f(x, y)[cos(2π[uxM
+vy
N
])+ sen
(2π[uxM
+vy
N
])](4.26)
donde cas θ = cos θ + sen θ =√2 cos
(θ − π
4
), esto es:
HT (u, v) =1
MN
M−1∑
x=0
N−1∑
y=0
f(x, y)[cas(2π[uxM
+vy
N
])]. (4.27)
34 4.2. Transformadas discretas bidimensionales
4.2.4. Filtros super-Gaussianos
Durante el desarrollo de esta investigacion, se propone el uso de una nueva coleccion de
filtros en el dominio de la frecuencia. Los nuevos filtros estan basados en el perfil de haces
laseres conocidos como haces super-Gaussianos [24]. Las expresiones matematicas de estos
filtros mencionados se muestran en la Tabla 4.1, en dicha tabla tambien se muestran las
expresiones de los filtros Butterworth ya que se realiza posteriormente una comparasion de
estos con los filtros propuestos.
Tabla 4.1: Expresiones para los filtros pasa baja, pasa alta y pasa banda.
Filtro super-Gaussiano Butterworth
Pasa-Bajas HSGLP = e−
(
D√
2D0
)2n
HBLP =
(1 +
[DD0
]2n)−1
Pasa-Altas HSGHP = 1− e−
(
D√
2D0
)2n
HBHP =(1 +
[D0
D
]2n)−1
Pasa-Bandas HSGBP = e−
(
D2−D2
0DW
)2n
HBBP =
(1 +
[D2
−D20
DW
]2n)−1
Rechaza-Bandas HSGBR = 1− e−
(
D2−D2
0DW
)2n
HBBR =
(1 +
[DW
D2−D2
0
]2n)−1
donde n ∈ Z+ es el orden del filtro, W es la ancho de banda, D = D(u, v) =
√u2 + v2 es
la distancia euclidiana del centro del filtro (el origen), y D0 es la frecuencia espacial de corte
en el dominio de la DCT. Un analisis entre un filtro de paso de banda super-Gaussiano y un
filtro de paso de banda Butterworth en terminos de su pendiente y ancho de banda se discute
a continuacion. En concreto, se determina la relacion entre las variaciones de la pendiente
de ambos filtros para averiguar cual tiene un valor de pendiente importante en o cerca de
la frecuencia de corte. Ademas, se encuentra la relacion entre las variaciones de ancho de
banda de ambos filtros (dentro de sus lımites de la banda), para encontrar que filtro tiene el
ancho de banda mas estrecho o es mas selectivo. Por lo tanto, la derivacion parcial de las dos
expresiones de filtro, en primer lugar con respecto a D (distancia radial) y en segundo lugar
con respecto a W (ancho de banda) se muestra en las siguientes ecuaciones. Se entiende que
el subındice SGBP se refiere a un filtro de super-gaussiano de paso de banda y el subındice
BBP es una abreviatura para un filtro Butterworth de paso de banda.
La variacion de la pendiente para el BBP y el SGBP, se determina como sigue,
Capıtulo 4. Filtrado Frecuencial y Transformadas Discretas 35
∂
∂DHSGBP(D,W ) = −2n
(D2 −D2
0
DW
)2n−1(D2 +D2
0
D2W
)e−
(
D2−D2
0DW
)2n
∂
∂DHBBP(D,W ) = −
2nW (D2 +D20) [DW (D2 −D2
0)]2n−1
[(D2 −D20)
2n + (DW )2n]2
Por lo tanto, la relacion de sus pendientes correspondientes, denotado por ρm(D,W ), se
encuentra que es,
ρm(D,W ) =∂∂D
HSGBP(D,W )∂∂D
HBBP(D,W )=
[(D2 −D20)
2n + (DW )2n]2e−
(
D2−D2
0DW
)2n
(DW )4n(4.28)
Ahora se busca demostrar que en la zona cercana a D0 (frecuencia de corte), la pendiente
de un filtro SGBP es mayor que o igual a la pendiente de un filtro de BBP con el mismo
orden y mantener un ancho de banda fijo. En primer lugar, se tomara a D = D0, entonces,
ρm(D0) = 1; En segundo lugar, considerarmos a D = D1 ≈ D0, entonces
(D21 −D2
0)2n = a2n > 0, ⇒ ρm(D1,W ) =
(a2n + (D1W )2n)2n
(D1W )4n> 1 ∴
∂
∂DHSGBP(D,W ) ≥
∂
∂DHBBP(D,W )
Del mismo modo, se da la variacion del ancho de banda de los filtros SGBP y BBP,
respectivamente, por,
∂
∂WHSGBP(D,W ) = −
2n
W
(D2 −D2
0
DW
)2n
e−
(
D2−D2
0DW
)2n
∂
∂WHBBP(D,W ) = −
2n
W
(DW
D2 −D20
)2n(1 +
(DW
D2 −D20
)2n)
−2
De las dos expresiones anteriores, la relacion de ancho de banda ρW (D,W ) es,
ρW (D,W ) =∂
∂WHSGBP(D,W )
∂∂W
HBBP(D,W )=
[(D2 −D20)
2n + (DW )2n]2e−
(
D2−D2
0DW
)2n
(DW )4n(4.29)
A continuacion, se verifica que en los limites de la banda DL y DH . El ancho de banda de
36 4.2. Transformadas discretas bidimensionales
un filtro SGBP es estrictamente menor que el de un filtro BBP del mismo orden. Se recuerda
que, DL = D0 − (W/2) y DH = D0 + (W/2); Tambien, si dejamos que D = DL o D = DH ,
entonces se tiene,
(D2
L −D20
)2n=(D2
H −D20
)2n= a2n > 0
⇒ ρW (DL,W ) =[a2n + (DLW )2n]
2e−
(
D2L−D2
0DLW
)2n
(DLW )4n
=[a2n + (DLW )2n]
2e−
(
−12
(
D0DL
−1))2n
(DLW )4n
=e−( ϵ
4)n [a2n + (DLW )2n]
2
(DLW )4n≈
e−( ϵ4)n(DLW )4n
(DLW )4n< 1 ⇒
∂
∂WHBBP(D,W ) >
∂
∂WHSGBP(D,W )
A partir del analisis proporcion basada en las ecuaciones 4.28 y 4.29 entre los tipos de
filtro, se puede observar que el filtro de paso de banda super-gaussiana exhibe una pendiente
mas alta y un ancho de banda mas selectivo (que delimita frecuencias de corte).
Un analisis similar se realiza a los filtros pasa-bajas y pasa-altas, a continuacion se muestra
las expresiones resultantes de dicho analisis.
∂
∂DHSGLP(D) =
−2n
D
(D√2D0
)2n
e−( D
√
2D0)2n
∂
∂DHBLP(D) =
−2n
D
(D
D0
)2n[1 +
(D
D0
)2n]−2
ρmLP (D) =∂∂D
HSGLP(D)∂∂D
HBLP(D)=
[1 +
(DD0
)2n]2
2ne( D√
2D0)2n
Si D = D0 ρmLP (D0) =22
2ne12n
∴
n < 2 ρmLP (D0) > 1 y n > 2 ρmLP (D0) < 1⇒
n = 1∂
∂DHSGLP(D) >
∂
∂DHBLP(D) y n > 2
∂
∂DHSGLP(D) <
∂
∂DHBLP(D)
Por lo tanto, debe quedar claro que un filtro super-Gaussiano pasa-bajas y pasa-altas
establece una respuesta de frecuencia equilibrada entre las respuestas de un filtro Gaussiano
y un filtro Butterworth. La figura 4.2 muestra los perfiles de unidimensionales de los filtros
pasa bajas y pasa altas super-Gaussianos en el dominio de la DCT, calculada usando los va-
Capıtulo 4. Filtrado Frecuencial y Transformadas Discretas 37
lores (en pıxeles), D0 = 105, n = 1, · · · , 5, y W = 35, durante el intervalo de D = 0, · · · , 511.
Analogamente, la Fig. 4.3 muestra los perfiles unidimensionales para super-Gaussianos re-
chaza banda y pasa bandas.
SGLP(D)
D
n=1
n=2
n=3
n=4
n=5D
0
0 50 100 150 200 250 300 3500
0.2
0.4
0.6
0.8
1Per l de un ltro pasa altas super-Gaussiano, H
SGHP(D)
Ma
gn
itu
d
n=1
n=2
n=3
n=4
n=5D
0
Per l de un ltro pasa bajas super-Gaussiano, H
Ma
gn
itu
d
0.4
0.6
0.8
1
0.2
00 50 100 150 200 250 300 350
D
Figura 4.2: Perfiles de filtros, Izq. SGHP, Der. SGLP; D0 = 105 and n = 1, · · · , 5 en el subrango
D = 0, · · · , 350
0 50 100 150 2000
0.2
0.4
0.6
0.8
1SGBR(D)
D
Ma
gn
itu
d
n=1
n=2
n=3
n=4
n=5D
0
SGBP(D)
D
Ma
gn
itu
d
n=1
n=2
n=3
n=4
n=5D
0
0.2
0.4
0.6
0.8
1
00 50 100 150 200
Per l de un ltro rechaza banda super-Gaussiano, H Per l de un ltro pasa banda super-Gaussiano, H
Figura 4.3: Perfiles de filtros, Izq. SGBR, Der. SGBP; D0 = 105 and n = 1, · · · , 5 y W = 35 en el subrango
D = 0, · · · , 200
Ademas, para una comparacion visual, La figura 4.4 muestra de paso de banda y varios
Butterworth de paso de banda perfiles de filtrado super-Gaussianos de diferentes ordenes
en el dominio de la DCT, con valores de los parametros, D0 = 256 (frecuencia de corte) y
W = 250 (ancho de banda) para ambos filtros.
Como se puede ver en los graficos dados, el valor de ancho de banda es mejor delimitada
con un filtro de super-gaussiana desde su curva es mas pronunciada que la curva correspon-
38 4.2. Transformadas discretas bidimensionales
diente de un filtro de Butterworth, donde se dan los valores de D, D0, W en pıxeles. En la
discusion que sigue, se utiliza un filtro super-gaussiano de paso de banda (SGBP) que esta
dada en el tercer renglon de la Tabla 4.1.
Figura 4.4: Arriba: Izq. a Der. Perfil 1D de filtro pasa-banda Butterworth y super-Gaussiano. Abajo: Izq.
a Der. Contornos con n = 2.
Se le conoce como al concepto de filtrar una imagen en el dominio de la frecuencia,
en seleccionar las frecuencias deseadas de la transformada de una imagen y posteriormente
calcular su transformada inversa. Dada una imagen digital f(x, y) de tamano M ×N . En la
Ec. 4.30la ecuacion basica de filtrado, es
g(x, y) = F−1[H(u, v)F (u, v)] (4.30)
A continuacion en las Figs. 4.5, 4.6 y 4.7 se presenta una coleccion de imagenes, donde se
muestra una imagen sintetica de prueba y dicha imagen filtrada con diferentes filtros super-
Gaussianos (pasa bajas, pasa altas y pasa-banda). Todas ellas fueron filtradas en el dominio
de la DCT.
Capıtulo 4. Filtrado Frecuencial y Transformadas Discretas 39
Figura 4.5: Arriba Izq. Original. Imagen filtrada con HSGLP en el dominio de la DCT,con D0 = 30, Abajo:
Izq. y Der. con D0 = 60 y D0 = 160 respectivamente, con n = 2.
Figura 4.6: Arriba Izq. Original. Imagen filtrada con HSGHP en el dominio de la DCT,con D0 = 30, Abajo:
Izq. y Der. con D0 = 60 y D0 = 160 respectivamente, con n = 2
40 4.2. Transformadas discretas bidimensionales
Figura 4.7: Arriba Izq. Original. Imagen filtrada con HSGPB en el dominio de la DCT,con W = 30, Abajo:
Izq. y Der. con W = 60 y W = 90 respectivamente, con n = 2 y D0 = 90
En las Figs. 4.8, 4.9 y 4.10, se ejemplifica el filtrado de imagenes en diferentes dominios
de transformadas, se presenta a continuacion los pasos necesarios para filtrar en los dominios
de las transformadas discretas tratadas en este documento, presentado una imagen de fondo
de ojo como imagen de prueba, ademas de los respectivos espectros de cada transformada,
las imagenes de los filtros pasabandas correspondientes y sus correspondientes imagnenes
filtradas.
Se denota por g(x, y) como la imagen filtrada, y la expresion para obtenerla es,
g(x, y) = IDFT[F (u, v)H(u, v)], o (4.31)
g(x, y) = IDCT[C(u, v)H(u, v)], o (4.32)
g(x, y) = IDHT[HT (u, v)H(u, v)]. (4.33)
donde, IDFT es la transformada inversa discreta de Fourier (inverse discrete Fourier
transform), F (u, v) es la DFT de la imagen de entrada f(x, y), C(u, v) es la DCT (discrete
cosine transform), IDCT es la transformada inversa de coseno discreto (inverse discrete cosine
transform) de la imagen de entrada f(x, y), usando Ec. 4.25, donde u, v se cambia por x, y,
respectivamente,IDHT es la transformada inversa discreta de Hartley (inverse discrete Hartley
transform),HT (u, v) es la transformada discreta de Hartley (discrete Hartley transform) DHT
de la imagen de entrada f(x, y) y por ultimo H(u, v) es un filtro (pasa altas, pasabandas o
Capıtulo 4. Filtrado Frecuencial y Transformadas Discretas 41
pasa bajas) especifico en el dominio de la frecuencia. Para calculo computacional, las funciones
HT , C, F , H, y g son matrices del mismo tamano de la imagen.
Figura 4.8: Arriba: imagen de fondo de ojo, espectro de Fourier. Abajo: filtro super-Gaussiano, imagen
filtrada mediante filtro pasa banda super-Gaussiano con la FFT
Figura 4.9: Arriba: imagen de fondo de ojo, espectro de Fourier. Abajo: filtro super-Gaussiano, imagen
filtrada mediante filtro pasa banda super-Gaussiano con la DCT
42 4.2. Transformadas discretas bidimensionales
Figura 4.10: Arriba: imagen de fondo de ojo, espectro de Fourier. Abajo: filtro super-Gaussiano, imagen
filtrada mediante filtro pasa banda super-Gaussiano con la HDT
A continuacion se muestran en forma resumida los pasos necesarios para filtrar una imagen
en el dominio de la frecuencia de forma general.
a) Se calcula la transformada discreta de la imagen, es decir FDT (u, v) = DT[f(x, y)].
b) Generar un funcion filtro simetrico real H(u, v) de tamano M ×N .
c) Obtener el producto G(u, v) = H(u, v)FDT (u, v).
d) La imagen filtrada se obtiene calculando g(x, y) =Re[IDT[G(u, v)]]
4.2.5. Filtrado homomorfico
El filtrado homomorfico separa los componentes de iluminacion i(x, y) y reflectancia
r(x, y) de la imagen mediante el uso del logaritmo natural, los pasos necesarios para el
filtrado homomorfico se describe a continuacion.
f (x, y) = i (x, y) r (x, y) (4.34)
a) Se opera el logaritmo natural en la imagen de entrada, esto ultimo se expresa en la Ec.4.35
z (x, y) = ln f (x, y) = ln i (x, y) + ln r (x, y) (4.35)
Capıtulo 4. Filtrado Frecuencial y Transformadas Discretas 43
b) Posteriormente se calcula su Transformada Discreta (DT), ya sea Fourier, Hartley o DCT
al resultado del logaritmo natural antes ya calculado, este paso se resume en la Ec.4.36
DT {z (x, y)} = F1 (u, v) + F2 (u, v) (4.36)
c) Se filtra el espectro de la transformada calculada, como se observa en la Ec.4.37
S (u, v) = H (u, v)F1 (u, v) +H (u, v)F2 (u, v) (4.37)
d) Inmediatamente se hace uso de la IDT(Transformada inversa discreta) correspondiente
sea el caso, para regresar al dominio espacial, esto es sintetizado en la Ec.4.38
Recordemos que la retinopatıa diabetica es causada por dano a los vasos sanguıneos de la
retina, la capa de tejido en la parte posterior del interior del ojo. La retina transforma la
luz y las imagenes que entran en el ojo en senales nerviosas que son enviadas al cerebro, la
retinopatıa diabetica no provoca sıntomas hasta que el dano a los ojos es grave. Esto se debe
a que el dano puede afectar a una parte importante de la retina antes de que la vision este
afectada. Para cada region de interes mostrada, se presenta un mosaico el cual consiste en la
imagen original y abajo la imagen binarizada con el metodo propuesto.
La tabla 5.1 muestra los valores de γ y de umbralizacion que se usaron para la segmen-
tacion de venas y exudados.
Tabla 5.1: Correccion gamma y los valores de umbral para la segmentacion de exudados yvenas
Exudados (γ = 2)
Numero de Figura & Patologıa LEOtsu
5.6 : Exudados Duros 0.20
5.7 : Exudados Duros 0.18
5.8 : Exudados Duros 0.17
5.9 : Exudados Duros & Suaves 0.19
5.10 : Exudados Duros 0.16
Venas (γ = 3)
Numero de Figura & Patologıa LV Otsu
5.11 : Venas & Aneurismas 0.32
5.12 : Venas & Aneurismas 0.31
5.13 : Venas & Aneurismas 0.32
5.14 : Venas & Aneurismas 0.27
5.15 : Venas & Aneurismas 0.25
5.16 : Venas & Aneurismas 0.36
5.17 : Venas 0.29
Capıtulo 5. Segmentacion de Patologıas de Fondo de Ojo 53
Figura 5.6: Arriba: imagen de fondo de ojo con exudados duros (base de datos: diaretdb0−v1−1/image003). Abajo: imagen binaria con segmentacion de exudados.
54 5.6. Pruebas
Figura 5.7: Arriba: imagen de fondo de ojo con exudados duros (base de datos: diaretdb0−v1−1/image005). Abajo: imagen binaria con segmentacion de exudados.
Capıtulo 5. Segmentacion de Patologıas de Fondo de Ojo 55
Figura 5.8: Arriba: imagen de fondo de ojo con exudados duros (base de datos: diaretdb0−v1−1/image007). Abajo: imagen binaria con segmentacion de exudados.
56 5.6. Pruebas
Figura 5.9: Arriba: imagen de fondo de ojo con exudados duros y suaves(base de datos:diaretdb1 −v02−01/image015). Abajo: imagen binaria con segmentacion de exudados.
Capıtulo 5. Segmentacion de Patologıas de Fondo de Ojo 57
Figura 5.10: Arriba: imagen de fondo de ojo con exudados duros (base de datos: diaretdb1−v02−01/image019). Abajo: imagen binaria con segmentacion de exudados.
58 5.6. Pruebas
Figura 5.11: Arriba: imagen de fondo de ojo con vasos sanguıneos y aneurismas (base de datos:diaretdb0−v1−1/image005). Abajo: imagen binaria con segmentacion de vasos sanguıneos.
Capıtulo 5. Segmentacion de Patologıas de Fondo de Ojo 59
Figura 5.12: Arriba: imagen de fondo de ojo con vasos sanguıneos y aneurismas (base de datos:diaretdb0−v1−1/image006). Abajo: imagen binaria con segmentacion de vasos sanguıneos.
60 5.6. Pruebas
Figura 5.13: Arriba: imagen de fondo de ojo con vasos sanguıneos y aneurismas (base de datos:diaretdb1−v1−1/image006). Abajo: imagen binaria con segmentacion de vasos sanguıneos.
Capıtulo 5. Segmentacion de Patologıas de Fondo de Ojo 61
Figura 5.14: Arriba: imagen de fondo de ojo con vasos sanguıneos y aneurismas (base de datos:diaretdb1−v02−01/image033). Abajo: imagen binaria con segmentacion de vasos sanguıneos.
62 5.6. Pruebas
Figura 5.15: Arriba: imagen de fondo de ojo con vasos sanguıneos y aneurismas (base de datos:diaretdb0−v1−1/image054). Abajo: imagen binaria con segmentacion de vasos sanguıneos.
Capıtulo 5. Segmentacion de Patologıas de Fondo de Ojo 63
Figura 5.16: Arriba: imagen de fondo de ojo con vasos sanguıneos y aneurismas (base de datos:diaretdb0−v1−1/image064). Abajo: imagen binaria con segmentacion de vasos sanguıneos.
64 5.6. Pruebas
Figura 5.17: Arriba: imagen de fondo de ojo con unıcamente vasos sanguıneos (base de datos:diaretdb1−v1−1/image093). Abajo: imagen binaria con segmentacion de vasos sanguıneos.
Capıtulo 5. Segmentacion de Patologıas de Fondo de Ojo 65
5.7. Discriminabilidad de las pruebas
La matriz de confusion es un instrumento para evaluar la exactitud de un metodo, sistema
o clasificador, esta es una matriz cuadrada de n×n, donde n es el numero de pruebas o clases.
Usualmente, esta matriz contiene informacion actual de pruebas realizadas por un metodo
[5]. El rendimiento de esos sistemas, comunmente es evaluado usando la informacion en la
matriz que se muestra a continuacion.
Prueba Verdadero Positivo Falso Positivo
Positiva VP FP
Prueba Falso Negativo Verdadero Negativo
Positiva FN VN
Total VP+FN FP+VN
Las entradas en la matriz de confusion son: el numero de verdaderos positivos VP de los
objetos que si se encuentran en las pruebas, el numero de verdaderos negativos VN son los
objetos que no se encuentran en las pruebas, el numero de falsos positivos FP son los objetos
que aparecen en la prueba y no deberıan estar, el numero de falsos negativos FN son los
objetos que no aparecen y deberıan aparecer.
Esta matriz permite encontrar la sensitividad o el indice de verdaderos positivos (V PR),
esto se refiere a la proporcion de objetos que dan resultados positivos, por otro lado esta
laespecificidad o indice de verdaderos negativos (V NR), el cual se refiere a la proporcion de
objetos que dan resultados negativos, la exactitud (accuracy, ACC) es el ındice de las pruebas
correctas con respecto al total (ver Ecs. 5.4 and 5.5).
V PR =V P
V P + FN, (5.4)
V NR =V N
FP + V N, (5.5)
ACC =V P + V N
V P + V N + FP + FN. (5.6)
Para obtener la sensitividad y especificidad de nuestros ejemplos, 20 imagenes de fondo
de ojo marcadas a mano de exudados y vasos sanguıneos fueron usados como base de cono-
cimientos (ground-truth). En tabla 5.2 los valores de sensitividad y especificidad del metodo
propuesto (DTBS) son comparados con otros metodos tomados de la literatura tecnica, ambos
para la segmentacion de exudados y venas.
66 5.7. Discriminabilidad de las pruebas
5.7.1. Indice de Youden para pruebas diagnosticas
Este ındice clınico fue propuesto por Youden (1950) para analizar la capacidad del metodo
de diagnostico, usando un unico valor en reemplazo de la sensibilidad y especificidad. La idea
es mezclar los dos ındices anteriores para hacer el estudio de calidad.
La proporcion de individuos enfermos correctamente clasificados es V PR. Para los indi-
viduos enfermos incorrectamente clasificados tenemos V NR, dejando estos como medida de
exito en una prueba de un grupo enfermo. El ındice Y es igual a la suma disminuida por la
unidad de dos fracciones mostrando las proporciones de los diagnosticos correctos y grupos
de control. La expresion puede ser tambien escrita en fraccion en donde el numerados esta
formado por el producto de diagnosticos correctos disminuidos por el producto de los nume-
ros incorrectamente clasificados. El denominador es el producto del total en los enfermos y
el control de grupos. Este ındice tiene ciertas caracterısticas deseables entre ellas tenemos
que el rango posible de los valores del ındice es de cero a uno (se espera que la prueba de
una mayor proporcion de resultados positivos para el grupo enfermo que para el grupo de
control), ademas este ındice tiene valor de cero cuando una prueba diagnosticas da la misma
proporcion de resultados positivos para los grupos enfermo y de control independientemente
de la proporcion [37]. El ındice se convierte en uno cuando no existen falsos positivos ni falsos
negativos. Si solo se tiene falsos positivos o falsos negativos se tendra un error, finalmente El
ındice es independiente del tamano de los grupos de control y enfermos.
El ındice Youden esta dado por,
Y = (V PR + V NR)− 1. (5.7)
En resumen el valor de Y varıa de −1 a +1, si es inferior o igual a cero, la prueba no tiene
ningun valor informativo. La prueba es tanto mejor cuanto el ındice de Youden se acerca al
valor de la unidad.
En las Fig. 5.18 a 5.21, para todas estas imagenes, arriba se muestra la imagen original
de fondo de ojo, en la parte media se muestra la imagen resultante de aplicar nuestro meto-
do propuesto DTBS de segmentacion y clasificacion; en la parte de abajo de las imagenes
corresponde a las segmentaciones realizadas a mano.
En la tabla 5.2 se muestra los valores de senistividad (V PR), especificadad (V NR),
presicion (Acc) e ındice de Youden (Y ) de nuestro metodo propuesto en comparativa con
otros metodos de segmetacion.
Capıtulo 5. Segmentacion de Patologıas de Fondo de Ojo 67
Tabla 5.2: Indices de sensitividad (V PR), especificidad (V NR), presicion (Acc) ındice deYouden (Y ) para la segmentacion de exudados y vasos sanguıneos en las imagenes de fondode ojo vs. otras tecnicas de segmentacion.
Sensitividad, especificidad, presicion e ındice de Youden de exudados
V PR V NR Acc Y
Garaibeh [6] 0.921 0.990 0.954 0.911
Jaafar [14] 0.893 0.993 0.940 0.886
Kande [15] 0.860 0.980 0.916 0.840
Welfer [35] 0.705 0.988 0.823 0.693
DTBS 0.941 0.991 0.966 0.932
Sensitividad, especificidad, presicion e ındice de Youden de vasos sanguıneos
V PR V NR Acc Y
Niemeijer [23] 0.690 0.970 0.806 0.660
Oloumi [26] 0.858 0.900 0.878 0.758
Saleh [28] 0.842 0.966 0.899 0.808
Staal [29] 0.719 0.779 0.748 0.498
DTBS 0.852 0.983 0.913 0.835
68 5.7. Discriminabilidad de las pruebas
Figura 5.18: Arriba: imagen de fondo de ojo con exudados duros(base de datos: diaretdb0−v1−1/image003). En medio: imagen binarizada con el metodo de Otsu, abajo: imagenmarcada a mano.
Capıtulo 5. Segmentacion de Patologıas de Fondo de Ojo 69
Figura 5.19: Arriba: imagen de fondo de ojo con exudados duros y suaves (base de datos:diaretdb0 −v1−1/image003), en medio: imagen binarizada con el metodo de Otsu, abajo:imagen marcada a mano.
70 5.7. Discriminabilidad de las pruebas
Figura 5.20: Arriba: imagen de fondo de ojo con vasos sanguıneos y aneurismas (base dedatos: diaretdb0 −v1−1/image005), en medio: imagen binarizada con el metodo de Otsu,abajo: imagen marcada a mano.
Capıtulo 5. Segmentacion de Patologıas de Fondo de Ojo 71
Figura 5.21: Arriba: imagen de fondo de ojo con vasos sanguıneos y aneurismas (base dedatos: diaretdb0 −v1−1/image064, en medio: imagen binarizada con el metodo de Otsu,abajo: imagen marcada a mano.
Capıtulo 6
Conclusiones
En esta investigacion introducimos un nueva variante de filtros digitales, basados en una
funcion super-Gaussiana, que son comparados con filtros conocidos tales como los de But-
terworth y los Gaussianos para observar que su comportamiento abarca desde la respuesta
de un filtro Gaussiano hasta la respuesta de un filtro Butterworth de orden mayor, y todas
ellas mediante un solo filtro. Ademas se propone el uso de la transformada de coseno dis-
creto aunada con un filtro super-Gaussiano con la finalidad de resolver el problema de la
segmentacion de exudados, aneurismas y vasos sanguıneos en imagenes de fondo de ojo.
Para alcanzar la segmentacion antes mencionada es necesario realizar un preprocesamien-
to para obtener el area efectiva de la retinografıa y homologar la iluminacion en dicha area
y con ello favorecer a la segmentacion de las patologias a buscar. Posteriormente del prepro-
cesamiento se hace uso del filtrado digital antes mencionado, ya que con este se extraen los
bordes de las patalogias y por ultimo es necesario hacer un postprocesamiento en donde se
binariza los bordes y se rellenan las formas detectadas.
La razon por la que se escogio la transformada de coseno discreto en lugar de la trans-
formada de Fourier es por la ventaja de que la DCT solo calcula valores reales en vez de
complejos y su espectro se expande al doble del de Fourier y permite escoger mas frecuencias
de corte (intermedias).
Se hicieron pruebas de desempeno de la propuesta y se obtuvieron valores de sensitividad
y especificidad competitivos con respecto a otros metodos reportados en la literatura tecnica.
Enseguida, se dan brevemente las aportaciones que consideramos relevantes derivadas
del trabajo de tesis, ası como la lista de las publicaciones realizadas durante el desarrollo
de la misma. En esta lista se incluyen los eventos internacionales y nacionales en los cuales
participe. Finalmente, en la ultima seccion esbozo algunas ideas para trabajo a futuro.
72
Capıtulo 6. Conclusiones 73
6.1. Aportaciones
En el ambito cientıfico, uno de los aportes de este trabajo es un nuevo tipo de filtro super-
Gaussiano en el dominio frecuencial, ya que como cualquier otro filtro puede ser empleado
conjuntamente con diversas transformadas discretas. Ademas de ser el fundamento de un
metodo hasta lo que sabemos no usado para la deteccion de bordes. Finalmente, se muestran
imagenes representativas con diversas patologıas filtradas usando el filtro propuesto con la
transformada de coseno discreto. Hacemos notar que para los oftalmologos la presente pro-
puesta puede resultar en un metodo auxiliar confiable y autonomo para diagnosticar en un