Existen una variedad de métodos de clasificación de acuerdo al contexto de la aplicación a realizar. En el campo médico los especialistas sugieren que la detección de lesiones traumatológicas a partir de imágenes de Rayos X es un proceso esencial para el análisis rápido del estado de los pacientes.
De este modo, en el año 2015, [101] propone un método de selección de características utilizando
Support Vector Machine (SVM)para la clasificación de demencia; donde, los resultados obtenidos muestran que SVM tiene un 92% de precisión al realizar una extracción de características para la etapa de clasificación. En el año 2016, [102] propone una técnica de clasificación combinada para la detección automática de fracturas de los huesos largos, en particular los huesos del fémur de la pierna. El sistema propuesto realiza la detección de huesos mediante la combinación de técnicas de clasificación; semejante a una clasificación por múltiples expertos; mostrando resultados satisfactorios para el caso de fracturas leves. En este mismo año, [103] presenta la aplicación de algoritmos de aprendizaje automático para la detección temprana del cáncer de mama a partir de imágenes termográficas. Para ello se implementó el método support vector machine (SVM) y el método de optimización mínima secuencial (SMO) para el entrenamiento del clasificador de SVM. De este modo, el autor demostró que el método SVM presenta un alto nivel de sensibilidad, especificidad y precisión.
En el año 2017 [104], indica que uno de los métodos de clasificación de fracturas de acetábulo es la segmentación semiautomática de la región acetabular; ya que no sólo se analiza la forma segmentada; sino también las características que conforman la región segmentada. Este método alcanzó un 77% de precisión en la detección de fracturas acetabulares; sin embargo, no es robusto frente a fracturas de mayor gravedad. Por otro lado, [105] propone una comparación entre el clasificador k-Nearest Neighbour (k-NN) y Support Vector Machine (SVM) con el objetivo de encontrar un método confiable para clasificar las anomalías del cáncer de seno con una mayor precisión. El resultado muestra que SVM supera a KNN en la clasificación de anomalías del cáncer de mama con una precisión del 93.88%.
Bajo este contexto, el método de procesamiento propuesto en ésta investigación consiste en la implementación de métodos de preprocesamiento que tengan la capacidad de eliminar ruido
preservando los bordes de la estructura pélvica. Para la segunda etapa segmentación-registro se ha determinado el uso de los modelos estadísticos de forma (SSM) y los modelos estadísticos de apariencia (SAM); ya que han demostrado ser eficientes frente a estructuras óseas complejas; alcanzando el reconocimiento dentro de la comunidad de investigación ósea de acuerdo a lo citado en [106]. Finalmente, para la etapa de clasificación se ha considerado apropiado el uso del método SVM debido principalmente a su precisión en la clasificación.
C
A P I T3
DESARROLLO
Este capítulo contiene el desarrollo de cada etapa involucrada en la elección del método de procesamiento de imágenes de Rayos X. Para efectos de una mejor comprensión, en las Figuras 3.1 y 3.2 se presenta una vista general de la investigación separada en dos partes.
FIGURA3.1. En este primer esquema se muestra los pasos que conllevan al resultado
de la segmentación del acetábulo.
FIGURA 3.2. En este segundo esquema se muestra los pasos siguientes a la segmentación con el fin de obtener el resultado de la detección de fracturas de acetábulo.
Fuente: Elaboración Propia.
A continuación se presenta el desarrollo de las tres etapas que comprende la investigación: etapa de preprocesamiento, etapa de segmentación-registro y etapa de clasificación.
3.1
Etapa de Preprocesamiento
En aplicaciones del área médica, el procesamiento de imágenes es considerado un paso vital para la creación de un sistema de diagnóstico; de manera que este sistema pueda asistir al médico especialista actuando como una segunda opinión. Una de las etapas cruciales dentro del procesamiento de imágenes médicas, independientemente de que sean Rayos X (Rx), Tomografías Computarizadas (CT) o Imágenes de Resonancia Magnética (MRI) es laetapa de preprocesamiento.
La etapa de preprocesamiento tiene como objetivo principal mejorar la calidad de la imagen de Rayos X; es decir, realzar el contraste, incrementar la nitidez y corregir deficiencias en la adquisición de las imágenes debido principalmente a factores como:a)variaciones de iluminación,
b)movimientos voluntarios o involuntarios del paciente,c)solapamiento de huesos, yd)presencia de gas en el colon; que producen sombras o borrosidades en la imagen de Rayos X [62] [63] [61]. Asimismo, existen factores que no se controlan de manera adecuada por laboratorios de radiología; tales como: a)equipo de imagen (por ejemplo, los tubos de rayos X, generadores),
b) sistema de grabación (pantallas intensificadoras y películas de rayos X), c) equipos de procesamiento (por ejemplo, procesadores automáticos, luces de seguridad) yd)almacenamiento de rayos X, deben ser monitoreados con el fin de garantizar la calidad de las imágenes [60].
Una mejora en la calidad de la imagen de Rayos X se alcanza mediante el uso de métodos de preprocesamiento de imágenes que facilitan la eliminación de píxeles que han sufrido de cambios drásticos con respecto a su vecindario; o lo que comúnmente se conoce comoeliminación de ruido
en el campo de procesamiento de imágenes.
La investigación presentada se basa en desarrollo de cuatro métodos de preprocesamiento que han demostrado tener resultados satisfactorios en la eliminación de ruido y preservación de bordes de acuerdo a la literatura. Bajo este contexto, la implementación de esta etapa fue realizada teniendo en cuenta el seguimiento del esquema mostrado en la Figura 3.3:
FIGURA3.3. Pasos que conlleva el desarrollo de los métodos de preprocesamiento.
Fuente: Elaboración Propia.