Desarrollo de una metodología como soporte para la detección de enfermedades vasculares del tejido conectivo a través de imágenes capilaroscópicas
Cargando...
Autores
Riaño Rojas, Juan Carlos
Tipo de contenido
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
En este documento de tesis doctoral se presentan los resultados de una metodología para caracterizar y clasificar imágenes digitales de capilares en tres principales grupos: imágenes normales, imágenes con Lupus Eritematoso e imágenes con Esclerodermia. Se desarrollaron las 5 etapas clásicas en el procesamiento digital de imágenes: Adquisición, preprocesamiento, segmentación, reducción de dimensionalidad (extracción, reducción) de características y finalmente la clasificación. Los aportes principales de esta investigación se alcanzaron en la reducción de dimensionalidad y en la segmentación. En la reducción de dimensionalidad para obtener la información relevante se propusieron dos métodos : Reducción ponderada por búsqueda en líneas y Reducción de bloques de datos de información. Los métodos resultaron ser simples y rápidos en ejecución. Se demostraron formalmente la convergencia de los métodos ponderados y la generalización de los métodos de reducción de búsqueda en líneas a espacios de Banach y la generalización de los métodos de reducción a bloques. Otro tema desarrollado en la tesis, relacionado con la reducción de dimensión, fue la extracción de características aplicadas sobre las imágenes capilares, dentro de las cuales se destacan: Geométricas, tales como dimensión fractal, curvaturas, tortuosidad entre otras Estadísticas, tales como momentos estadísticos centrales, desviaciones estándar, entropía entre otras. Además, la dimensión fractal y la entropía se usaron con dos enfoques, uno local y el otro global, es decir se aplicaron a cada capilar o a toda la imagen. De esta manera se obtuvieron 105 características, de las cuales se extrajeron las relevantes para la posterior clasificación. En la etapa de segmentación se propuso un método de segmentación que integra dos segmentadores clásicos (Laplaciano, por umbralización) para ubicar semillas, las cuales ingresan a un tercer segmentador que toma la información del mapa de color de la zona capilar en la imagen. El principal aporte en la adquisición de imágenes se concentro en el diseño de un protocolo que cuando se siguió, permitió adquirir imágenes que contrastaban la zona capilar sin necesidad de realizar todas las fases propuestas en el preprocesamiento. Al no seguir este protocolo las imágenes presentaron bajo contraste, brillos y desenfoques. En la etapa de clasificación se entrenaron varios clasificadores multiclases como el Bayesiano Bayes, K vecinos mas cercanos Knn KNN, KNN(k=2), y clasificadores bi-clases como las maquinas de vectores de soporte lineal MSV1 y maquinas de vectores de soporte con base radial MSV2. Los clasificadores biclases fueron los que obtuvieron bajo desempeño, por debajo del (75%) al hacer la separación entre imágenes normales vs imágenes anormales. El clasificador SVM con funciones radial obtuvo el mejor desempeño, (95%), para separar los datos etiquetados como anormales asociados con la clase Lupus eritematoso vs la clase de imágenes con Esclerodermia; sin embargo las demás combinaciones de clasificación fueron mayores al. Por lo tanto, la toma de la decisión frente al las etiquetas se efectúa tomando la clasificación con mayor desempeño para separar las 3 clases: la clase Normal, la clase Esclerodermia y la clase Lupus. Se calculó el desempeño de la clasificación integrada para las diferentes configuraciones de entrada siendo superior al (95%).
Abstract
In this doctoral thesis document, results of a methodology for characterizing and classifying capillary digital images are presented. Images are organized in three main groups: normal images, images of persons with Lupus erythematosus and images with sclerederm. For this purpose, five classical stages in the digital image processing are developed: acquisition, preprocessing, segmentation, features dimensionality reduction (extraction and reduction) and finally classification. The most important research contributions are reached in dimensionally reduction and segmentation. Regarding dimensionality reduction for obtaining the relevant information, two methods are proposed: line search principal components analysis and data block information reduction. These methods became simple or fast execution. The weighted methods convergence is demostrated and the line search reduction methods are generalized to Banach space. Moreover, the reduction methods are generalized to blocks. Other important item carried out in this thesis, correlated with the dimensionality reduction, is features extraction applied on the capillary images, with emphasis in: Geometries as fractal dimension, curvature and tortuosity among others. Statistics as central statistical moments, standard deviation and entropy among others. Moreover, the fractal dimension and the entropy are used with two different approaches, local and global. It means that they are applied not only to each capillary but also to the whole image, so that 97 features are obtained. From them, relevant features are extracted for their subsequent classification. RESUMEN In the segmentation stage, a method which combines two classical segmentation techniques (Laplacian and umbralization) is used. This methodology places seeds that are ented to a third segmenter. This segmenter takes the Colormap information from the image capillary region. The most important contribution in the image acquisition is centered in the protocol design. It allows acquiring images which contrast the capillary region without carrying out all of the steps proposed in the preprocessing. Without this protocol, images showed low contrast, brightness and unfocus. For classification diferent multi-class classifiers as Bayesian, K-nearest neighbors Knn were trained. Moreover, biclass classifiers are also used as lineal support and support vector machines with radial base SVM. The biclass classifier presented the best performance, less than 75%, carrying out the separation between normal and abnormal images. The SVM classifier with radial functions presents the best performance greater than (95%) for separating data labeled as abnormal associated to the Lupus Erythematosus class versus Sclerederm. Then, the classif iers with the highest performance are combined for separating the three classes: Normal, Scleroderma and Lupus Erythematosus. The performance of the integrated classification was calculated for the different input configuration upper to 95%.