Raw Materials Conclusions

1. El método de segmentación por conjuntos de nivel (Level Sets) ofreció mejores resultados lo cual se pudo evidenciar mediante el cálculo de los coeficientes de Dice y Jaccard. Por otra parte el cálculo de la distancia de Vinet ratificó que este algoritmo fue el que ofreció resultados más precisos en la segmentación de las imágenes.

2. El tiempo de ejecución para la segmentación de los métodos k-medias y conjuntos de nivel resultaron significativamente superiores al tiempo empleado por los métodos de Otsu y la transformada watershed en el análisis realizado.

3. La eliminación de los “huecos”, de las células que tocan los bordes y de los artefactos, constituyeron pasos importantes, para alcanzar buenos resultados en la segmentación de imágenes sintéticas. La eliminación de los artefactos se logra con buena efectividad mediante la apertura morfológica por área, utilizando la información obtenida del histograma de las áreas del conjunto de imágenes empleado.

CONCLUSIONES

1. De los métodos de segmentación seleccionados: k-medias, algoritmo de Otsu, transformada watershed y conjuntos de nivel o level sets se puede decir que este último fue el que mostró mayor precisión en la segmentación de imágenes sintéticas, y al mismo tiempo fue el que requirió un mayor tiempo de computación. 2. En el análisis estadístico de los coeficientes de Dice y Jaccard y la distancia de

Vinet puede considerarse que el mejor compromiso entre precisión de la segmentación y tiempo de ejecución fue el algoritmo de Otsu, seguido de la transformada watershed.

RECOMENDACIONES

1. Introducir refinamientos que permitan segmentar adecuadamente ciertos casos en que excepcionalmente no resultan bien rellenados los espacios o “huecos”.

2. Estudiar y evaluar la aplicación en la segmentación basada en la información del color, de otros métodos de agrupamiento descritos en la literatura científica, que constituyen extensiones del método de k-medias y que potencialmente pueden dar lugar a una mejora de los resultados.

3. Mejorar los resultados obtenidos empleando la transformada watershed, especialmente a partir de la mejora de los métodos de cálculo del gradiente.

REFERENCIAS BIBLIOGRÁFICAS

[1] Valdés, L. C. (2010). Segmentación de imágenes para el análisis de eritrocitos en microscopía celular. . Centro de Estudios de Electrónica y Tecnologías de la Información Santa Clara Universidad Central “Marta Abreu” de Las Villas 89.

[2] García, L. T. (2011). Simulación de Leucocitos en Imágenes de Hematología Celular. Departamento de Electrónica y Telecomunicaciones. Santa Clara, Universidad Central “Marta Abreu” de Las Villas: 61.

[3] Guyton, D. A. C. (2009). Glóbulos Sanguíneos, Inmunidad y Coagulación de la Sangre. Tratado de Fisiología Médica. La Habana. I: 42-86.

[4] Morrison, K. (1995). Clinical laboratory and diagnostic tests. Significance and nursing implications. Appleton & Lange, pp 93-127.

[5] González R. C. y R. E. Woods (2008). Digital image processing. 3ra. ed, Pearson Prentice Hall, New Jersey.

[6] Bergen, T. et. al. (2008). Segmentation of leukocytes and erythrocytes in blood smear images, 30th Annual International Conference of the IEEE Engineering in

Medicine and Biology Society: 3075-3078.

[7] Lehmussola, A., J. Selinummi, et al. (2007). Simulating fluorescent microscope images of cell populations. Engineering in Medicine and Biology Society, 2005. IEEE-EMBS 2005. 27th Annual International Conference of the.

[8] Rosenberger, C. et. al. (2006). Unsupervised and supervised image segmentation evaluation, en Advances in image and video segmentation, cap. 18, Idea Group Inc. [9] Ronald Hoffman, E. J. B. J. 2008. Hematology Basic Principles and Practice [Online].

New York: Elsevier Inc. Available: www.mdconsult.com [Accessed]. [10] Lichtman, Shafer & Wang, McGraw Hill, 2007, Atlas of Hematology.

[11] Otsu, N. (1979)."A threshold selection method from gray-level histograms", IEEE Transactions on Systems, Man and Cybernetics, Vol. 19: 62-66.

[12] Wikipedia (2009). Método del valor umbral, disponible en: http://es.wikipedia.org, accedido el 25 /05/2011.

[13] Dougherty, E. R. y R. A. Lotufo (2003). Hands-on morphological image

processing. Spie Press, pp. 1-44,129-130,163-191,193-223, Washington, Estados Unidos.

[14] Lloyd. P. (1982)."Least squares quantization in PCM", IEEE Transactions on Information Theory, 28(Marzo): 129-137.

[15] Ge F, Wang S, Liu T (2007) A new benchmark for image segmentation evaluation. Journal of Electronic Imaging, vol. 16, (3), pp. 033011-1-16.

[16] The Mathworks, I. 2000. Guía de uso de MATLAB. Available:

http://www.mathworks.com.

[17] Ginori, J. V. L. On the Use of Morphological Pattern Spectrum for Classification of Leukocytes.

[18] Bergen, T., Steckhan, Dirk, Wittenberg, Thomas, Zerfass, Thorsten (2008).

Segmentation of leukocytes and erythrocytes in blood smear images. Engineering in Medicine and Biology Society, 2008. EMBS 2008. 30th Annual International Conference of the IEEE.

[19] Bjorn Nilsson, A. H. (2005). "Segmentation of complex cell clusters in microscopic images: Application to bone marrow samples." Cytometry Part A 66A (1): 24-31.

[20] Nilsson, B. and A. Heyden (2001). Segmentation of dense leukocyte clusters. Mathematical Methods in Biomedical Image Analysis, 2001. MMBIA 2001. IEEE Workshop on.

[21] Nilsson, B. and A. Heyden (2002). Model-based segmentation of leukocytes clusters. Pattern Recognition, 2002. Proceedings. 16th International Conference on.

[22] Ruihu, W., McCane, B. (2008). Red Blood Cell Classification through Depth Map and Surface Feature. Computer Science and Computational Technology, 2008. ISCSCT '08. International Symposium on.

[23] Su, M.-j., Z.-b. Wang, et al. (2008). A new method for blood cell image segmentation and counting based on PCNN and autowave. Communications, Control and Signal Processing, 2008. ISCCSP 2008. 3rd International Symposium on.

[24] Xiaoxu, W., H. Weijun, et al. (2007). Cell segmentation and tracking using texture adaptive snakes. Biomedical Imaging: From Nano to Macro, 2007. ISBI 2007. 4th IEEE International Symposium on.

[25] Lehmussola, A., P. Ruusuvuori, et al. (2007). "Computational Framework for Simulating Fluorescence Microscope Images With Cell Populations." Medical Imaging, IEEE Transactions on 26(7): 1010-1016.

[26] Ruusuvuori, P., A. Lehmussola, et al. (2008). Benchmark set of synthetic images for validating cell image analysis algorithms. ALGORITHMS. 16th European Signal Processing Conference (EUSIPCO-2008), EURASIP.

[27] Lehmussola, A., P. Ruusuvuori, et al. (2008). "Synthetic Images of High-Throughput Microscopy for Validation of Image Analysis Methods." Proceedings of the IEEE 96(8): 1348-1360.

[28] Cheng, J. y J. C. Rajapakse (2009). "Segmentation of clustered nuclei with shape markers and marking function", IEEE Transactions on Biomedical Engineering, 56 (Marzo): 741-748.

[29] Gerscho A. y R. M. Gray (1996).Vector quantization and signal compression. 5ta ed, Kluwer Academic Publishers, pp 188-189, Estados Unidos.

[30] Xuemei, G., S. Liping, et al. (2006). Level Set Method Based on Improved Mumford-Shah Model Applied in Wood Cell Image Segmentation. Neural Networks, 2006. IJCNN '06. International Joint Conference on.

[31] A. Moreno-Montes-de-Oca, L. C.-V., J. V. Lorenzo-Ginori and (2011). Algoritmo para la Generación de Imágenes Sintéticas de Microscopía Celular formadas por Eritrocitos y Evaluación de Algoritmos de Segmentación. Universidad Central “Marta Abreu” de Las Villas, Centro de Estudios de Electrónica y Tecnologías de la

Información, Santa Clara, Cuba

[32] http://barissumengen.com/level_set_methods/, accedido 20/01/2012

[33] SS Osher, J Sethian, Fronts propagating with curvature dependent speed: Algorithms based on hamilton-jacobi formulations, Journal of Computational Physics 1988, 79:12-49.

[34] Orozco-Monteagudo M., M.C., Geerinck T., Sahli H. and Taboada-Crispi A., Pap- Smear Cell Nucleus Extraction by using MorphologicalWatershed, V Latin American Congress on Biomedical Engineering. 2011: Havana, Cuba.