Professional Documents
Culture Documents
NACIONAL
Centro de Innovaci
on y Desarrollo Tecnol
ogico en C
omputo
Detecci
on Autom
atica de Anomalas Presentes en Mamografas Digitales
TESIS
Que para obtener el grado de
Presenta
Fernando Carlos Martnez Rodrguez
Directores:
Dr. Rolando Flores Carapia
Dr. Benjamn Luna Benoso
Mexico, D. F.
Resumen
La mamografa digital es la tecnica m
as usada por los radilogos para detectar c
ncer de mama. Por medio
de las mamograf
as digitales se pueden usar algoritmos computacionales para detectar cancer. En este
trabajo se muestran una serie de pasos para detectar el cancer de mama. Estos pasos son: tratamiento
digital de imagenes, segmentaci
on, extraccion de caracteristicas y clasificacion. Con estos pasos se puede
obtener una respuesta a una mamografia digital, en donde, la respuesta sera si la mamografa contiene
cancer.
Los algoritmos propuestos en este trabajo fueron probados con la base de datos MINI-MIAS. La cual
contiene imagenes de mamografas y con las cuales son usadas en otros trabajos realizados.
ii
Abstract
iii
Indice general
Resumen
Abstract
II
Indice de Algoritmos
Indice de figuras
1. Introducci
on
1.1. Antecedentes . . . . . . . .
1.1.1. C
ancer de mama . .
1.1.2. Mamografa Digital .
1.1.3. Clasificaci
on . . . .
1.2. Objetivos . . . . . . . . . .
1.2.1. Objetivo general . .
1.2.2. Objetivos especficos
1.3. Justificaci
on . . . . . . . . .
1.4. Contribuciones . . . . . . .
1.5. Organizaci
on del documento
VII
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
1
2
2
3
3
3
3
4
4
10
10
11
11
12
3. Marco T
eorico
3.1. Segmentaci
on de im
agenes . .
3.1.1. Umbralizaci
on . . . .
3.1.2. Regi
on Creciente . . .
3.2. Extracci
on de caractersticas
14
14
14
15
15
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
6
6
6
8
9
INDICE GENERAL
iv
3.2.1. Media . . . . . . . . . . . .
3.2.2. Desviaci
on Est
andar . . . .
3.2.3. Suavidad . . . . . . . . . .
3.2.4. Asimetra . . . . . . . . . .
3.2.5. Uniformidad . . . . . . . .
3.2.6. Curtosis . . . . . . . . . . .
3.2.7. Histograma Medio . . . . .
3.3. Memorias Asosiativas Alfa Beta . .
3.3.1. Operaciones Binarias y
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
16
16
16
16
17
17
17
18
18
4. Modelo Propuesto
4.1. Segmentaci
on de mamografas . . . . . . . . . .
4.1.1. Imagen Digital . . . . . . . . . . . . . .
4.1.2. Segmentaci
on . . . . . . . . . . . . . . .
4.2. Extracci
on de caractersticas . . . . . . . . . .
4.2.1. M
aximo . . . . . . . . . . . . . . . . . .
4.2.2. Mnimo . . . . . . . . . . . . . . . . . .
4.2.3. Moda . . . . . . . . . . . . . . . . . . .
4.2.4. Desviaci
on Est
andar . . . . . . . . . . .
4.2.5. Asimetra . . . . . . . . . . . . . . . . .
4.2.6. Uniformidad . . . . . . . . . . . . . . .
4.2.7. Curtosis . . . . . . . . . . . . . . . . . .
4.2.8. Histograma Medio . . . . . . . . . . . .
4.2.9. Algoritmos . . . . . . . . . . . . . . . .
4.3. Clasificaci
on . . . . . . . . . . . . . . . . . . . .
4.3.1. Manejo de las caractersticas adquiridas
4.3.2. fase de recuperaci
on . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
20
21
21
21
24
27
27
30
30
30
30
30
31
31
41
41
46
.
.
.
.
50
50
51
52
59
63
63
63
5. Resultados
5.1. Segmentaci
on de las mamografas
5.2. Extracci
on de caracteristicas . .
5.3. Clasificaci
on . . . . . . . . . . . .
5.4. Conclusiones y Trabajo a furturo
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Indice de cuadros
4.1. Algoritmo 1 Funci
on para leer imagen y guardar en matriz . . . . . . . . . . . . . . .
4.2. Algoritmo 2 Funci
on para obtener el Histograma de una imagen . . . . . . . . . . . .
4.3. Algoritmo 3 Funci
on para obtener la varianza . . . . . . . . . . . . . . . . . . . . . . .
4.4. Algoritmo 4 Funci
on para localizar el m
usculo Pectoral . . . . . . . . . . . . . . . . .
4.5. Algoritmo 5 Funci
on para Quitar Ruido . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6. Algoritmo 6 Funci
on para Calibrar el Histograma . . . . . . . . . . . . . . . . . . . . .
4.7. Algoritmo 7 Funci
on para Filtrar y Recortar la imagen . . . . . . . . . . . . . . . . . .
4.8. Algoritmo 8 Funci
on para Filtrar el m
usculo Pectoral . . . . . . . . . . . . . . . . . .
4.9. Algoritmo 9 Funci
on para Quitar Pectoral . . . . . . . . . . . . . . . . . . . . . . . . .
4.10. Algoritmo 10 Funci
on para obtener el Maximo, el Mnimo y la Moda . . . . . . . . . .
4.11. Algoritmo 11 Funci
on para obtener la mediana,varianza,energa y la entropa . . . . .
4.12. Algoritmo 12 Funci
on para obtener el nmero
de pixeles . . . . . . . . . . . . . . . . .
4.13. Algoritmo 13 Funci
on para obtener la sumatoria de valores del Histograma . . . . . .
4.14. Algoritmo 14 Funci
on para obtener la media . . . . . . . . . . . . . . . . . . . . . . .
4.15. Algoritmo 15 Funci
on para obtener la varianza . . . . . . . . . . . . . . . . . . . . . .
4.16. Algoritmo 16 Funci
on para obtener la desviacion estandar . . . . . . . . . . . . . . . .
4.17. Algoritmo 17 Funci
on para obtener la suavidad de la imagen . . . . . . . . . . . . . .
4.18. Algoritmo 18 Funci
on para obtener la asimetra . . . . . . . . . . . . . . . . . . . . . .
4.19. Algoritmo 19 Funci
on para obtener la uniformidad . . . . . . . . . . . . . . . . . . . .
4.20. Algoritmo 20 Funci
on para obtener la curtosis . . . . . . . . . . . . . . . . . . . . . .
4.21. Algoritmo 21 Funci
on para obtener el Histograma promedio . . . . . . . . . . . . . . .
4.22. Algoritmo 22 Funci
on para obtener la probabilidad de constraste . . . . . . . . . . . .
4.23. Algoritmo 23 Funci
on para obtener la asimetra por pixel . . . . . . . . . . . . . . . .
4.24. Algoritmo 24 Funci
on para normalizar caractersticas . . . . . . . . . . . . . . . . . .
4.25. Algoritmo 24 Funci
on para la operacion alfa de memorias asociativas . . . . . . . .
4.26. Algoritmo 25 Funci
on para la operacion de recuperacion Alfa min (min ) memorias
asociativas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.27. Algoritmo 25 Funci
on para recuperacion de la clase . . . . . . . . . . . . . . . . . . .
22
22
23
25
26
27
28
28
29
31
32
32
33
33
33
34
34
41
42
42
42
43
43
46
47
59
48
49
vi
Indice de figuras
1.1. Etapas de un clasificador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Diagrama de funcionamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
3
2.1. Mini-MIAS image 0381: (a) Mamografa Original, (b) Bordes, (c) Extraccion de la mama,
(d) Contornos activos versi
on de a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Error obtenido con contornos activos . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Resultado de la supresion del m
usculo pectoral. . . . . . . . . . . . . . . . . . . . . . . .
2.4. Diagrama del metodo seguido en el trabajo. . . . . . . . . . . . . . . . . . . . . . . . . .
2.5. Resultados obtenidos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.6. Metodo utilizado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.7. Resultado detecci
on del musculo Pectoral. . . . . . . . . . . . . . . . . . . . . . . . . . .
2.8. Caracteristcas tomadas de la imagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.9. Metodo de extracci
on del m
usculo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.10. Metodo de clasificaci
on por SVM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.11. Muestras base de datos MIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
7
7
8
8
9
10
11
11
12
13
15
15
17
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
20
21
35
36
36
37
37
38
39
39
40
40
5.1.
5.2.
5.3.
5.4.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
51
52
53
54
Lectura de la mamografa . . . .
Calculo del Histograma . . . . .
Localizaci
on del m
usculo Pectoral
Obtenci
on de la Semilla . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
INDICE DE FIGURAS
5.5.
5.6.
5.7.
5.8.
Recortado de la regi
on Pectoral . . . . . . . .
Binarizado y Filtrado de la maografa . . . .
Escaneo y Segmentaci
on del m
usculo Pectoral
Supresi
on del m
usculo Pectoral . . . . . . . .
vii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
55
60
61
62
Captulo 1
Introducci
on
1.1.
Antecedentes
1.1.1.
C
ancer de mama
El cancer es una enfermedad que ocurre cuando las celulas de alguna parte del organismo comienzan
a crecer sin control, desplazando a las celulas normales. Cuando algunas celulas cancergenas se des-
1.1. Antecedentes
prenden de un tumor, pueden establecerse en otra parte del cuerpo viajando a traves de la sangre o del
sistema linfatico.
En cuanto al c
ancer de mama, es un tumor o bulto maligno (canceroso) que se origina a partir de
las celulas del seno. Este c
ancer es una de las principales causas de mortalidad en nuestro pas. El uso
de la mastografa como metodo de tamizaje ha disminuido la mortalidad por cancer de mama, siendo
el estudio de elecci
on [9].
1.1.2.
Mamografa Digital
En la mamografa convencional se hace uso de pelculas que graban los fotones de radiacion que pasan
a traves de la mama, con el problema de que si la pantalla no tiene actividad se van percibiendo
borrosidad, adem
as de que en este tipo de mamografa no se logran percibir los primeros fotones que
pasan, ademas de que tienen el problema de borrosidad resultante de la luz.
En la mamografa digital el equipo tiene la capacidad de percibir los primeros fotones que pasan permitiendo con esto tener mucho m
as informacion de la mama [10]. Los sistemas digitales para mamografa
estan basados en detectores que, por un lado, producen una imagen no continua sino constituida por
peque
nos elementos separados (pxeles).
La mamografa digital al ser tomada por pixeles puede ser manejable por un ordenador, adem
as de
que se puede hacer un seguimiento de los pacientes a traves de las imagenes obtenidas, las cuales se
pueden procesar y obtener una mayor calidad para hacer un diagnostico [11].
1.1.3.
Clasificaci
on
La tarea de clasificaci
on de patrones consiste en construir un mapa de relaciones entre el espacio de
caractersticas y el conjunto de las clases, de modo de poder reconocer a que clase corresponde cualquier
patron de entrada representado por un vector de caractersticas, las cuales se deben de escoger de tal
manera que solo se usen las nos den informacion relevante para el objeto a clasificar. En la figura 1.1 se
muestran las etapas de un clasificador, donde como primer paso se tiene como entrada las caractersticas
del objeto a clasificar, como siguiente paso los objetos clasificados que funcionaran como conjunto de
aprendizaje del sistema y como paso final el resultado, que es la etiqueta que nos dice a que conjunto
pertenece el objeto clasificado.
1.2. Objetivos
1.2.
1.2.1.
Objetivos
Objetivo general
1.2.2.
Objetivos especficos
1. Procesamiento de las mamografas digitales para la obtencion de mayor calidad para el proceso
de segmentaci
on.
2. Segmentaci
on de las mamografas digitales por medio de filtros como: por medio del histograma,
para obtener solo regiones de interes dentro de la imagen.
3. Extraer caractersticas de la mama segmentada para posteriormente ser procesadas por el clasificador.
4. Clasificaci
on de las caractersticas por medio de la base de datos MiniMIAS, de la cual se obtendr
an
las mamografas que nos servir
an como base de conocimiento del sistema.
5. Mostrar los resultados de la clasificacion; los resultados que se obtendran seran: si la mama contiene
cancer, el tipo de c
ancer (benigno, maligno) en caso de que exista.
1.3.
Justificaci
on
1.4. Contribuciones
En la actualidad, el c
ancer de mama es un problema donde solo el 10 % de los casos son detectados en etapa temprana, dando un panorama poco alentador. Tambien se sabe que el metodo que mejor
detecta anomalas en la mama son las mamografas en las cuales los radiologos al analizarlas pueden
dar un panorama del estado de las mamas. Sin embargo, existen casos en los cuales los tejidos son muy
densos y pueden esconder los tumores a la vista, por ello con el uso del reconocimiento de patrones y
del tratamiento digital de im
agenes se puede ayudar a mejorar la imagen.
Por este motivo se desarrollar
a un sistema de software el cual detectara anomalas presentes en mamografas, lo cual apoyar
a a los radi
ologos a tomar una decision acerca del diagnostico obtenido de las
mamografas. Con lo que se pretende que mas casos de cancer de mama sean diagnosticados en etapa
temprana y con esto se puedan efectuar mas tratamientos, dando resultados positivos.
1.4.
Contribuciones
Procesamiento de las mamografas digitales para la obtencion de mayor calidad para el proceso
de segmentaci
on.
Segmentaci
on de las mamografas digitales por medio de filtros como: por medio del histograma
y de semillas, para obtener solo regiones de interes dentro de la imagen.
Extracci
on de caractersticas de la mama segmentada para posteriormente ser procesadas por un
clasificador.
Clasificaci
on de las caractersticas por medio de la base de datos MiniMIAS, de la cual se obtendr
an
las mamografas que nos servir
an como base de conocimiento del sistema.
Mostrar los resultados de la clasificacion; los resultados que se obtendran seran: si la mama contiene
cancer, el tipo de c
ancer (benigno, maligno) en caso de que exista y puede dar un prediagn
ostico
en el caso de encontrar una mama densa.
1.5.
Organizaci
on del documento
Captulo 2
2.1. M
etodos Experimentales
2.1.
2.1.1.
M
etodos Experimentales
Segmentaci
on de la regi
on de la mama usando contornos activos
La segmentaci
on de la regi
on de la mama usando contornos activos [12] propuesto por Michael A. Wirth,
et al. considera la imagen como dos niveles de umbrales para caracterizar la mama, posteriormente se
le aplico un filtro reductor de ruido, para eliminar partes inservibles de la mamografa y finalmente se
le aplico el metodo de contornos activos para localizar los bordes de la mama.
En la figura 2.1 se muestra el procedimiento seguido y los resultados obtenidos por el metodo.
Figura 2.1: Mini-MIAS image 0381: (a) Mamografa Original, (b) Bordes, (c) Extraccion de la mama,
(d) Contornos activos versi
on de a
El metodo propuesto fue probado en 25 imagenes de las cuales en la figura 2.2 se muestra el error
obtenido.
2.1.2.
T
ecnica para preprocesamiento de mamografas digitales
En este trabajo Indra Kanta Maitra, et al. proponen un metodo [?] que encuentra las regiones de interes
de las mamografas dogitales, en este caso suprime el m
usculo pectoral.
En este metodo se mejor
o la imagen por lo cual se definio un umbral con el que se filtra la imagen
y posteriormente se encontr
o la region del pectoral de la cual se calculo una diagonal que separa el
pectoral de la mama. Para finalmente suprimir la parte del pectoral.
Con este metodo se obtuv
o el 85 % de resultados correctos, sin embargo en imagenes donde el m
usculo
pectoral tiene casi la misma densidad de la mama, los resultados no son favorables. En la figura 2.3 se
pude ver el resultado de segmentaci
on con este metodo .
2.1. M
etodos Experimentales
2.1. M
etodos Experimentales
2.1.3.
El metodo propuesto por H.S. Sheshadri [1] emplea un umbral simple la region de interes y el uso
de filtros para la identificaci
on clara de microcalcificaciones. este metodo sugerido para la detecci
on y
fue probado en varias imagenes de
segmentacion de microcalcificaciones en una imagen de mamografAa
la base de datos mini-MIAS. El algoritmo fue implementado utilizando programacion en Matlab.
Como resultados obtubier
on una tasa de deteccion de microcalcificaciones del 78 % los cuales fuer
on
analizados por un radi
ologo experto.
La imagen 2.4 muestra el procedimiento seguido para la deteccion de microcalcificaciones. En la imagen
2.1. M
etodos Experimentales
2.1.4.
identificaci
on del musculo pectoral en mamografas
En este trabajo [2] realizado por K. Santle Camilus se muestra un procedimiento para eliminar el
musculo pectoral a partir de la transformada de watershed, con la cual fueron capaces de encontrar la
region de la mama adem
as de la linea divisora entre el pectoral y la mama. En este trabajo se utilizar
on
un total de 84 mamografas. La media de falsos positivos y falsos obtenidos mediante la comparaci
on
de los resultados fueron 0,85 % y 4,88 % respectivamente. Usando distancia Hausdorff se observ
o que la
media y la desviaci
on est
andar es de 2,82 a 4,95 mm.
Este trabajo propone un enfoque el cual detecta el musculo pectoral, lo cual es de gran utilidad ya
que debemos de enfocarnos en la regi
on mamaria, ya que el musculo pectoral en un analisis computacional podra causar ruido y con este enfoque podemos determinar y elimiar de la mamografa esta regi
on
que no es de interes para la determinacion de cancer en la region mamaria.
En la figura 2.6 se muestra muestra el diagrama de los pasos seguidos en este metodo.
2.1. M
etodos Experimentales
10
este metodo.
2.1.5.
Evaluaci
on autom
atica de la densidad del tejido mamario en las mamografas
digitales
T.S. Subashini, et al. proponen un algoritmo donde la region de interes se limita a los tejidos del seno
o sculo pectoral.
eliminando los dem
as componentes que interfieren en la imagen como son el fondo y el mA
Las imagenes de mamografa utilizados en este estudio son de la base de datos Mini-MIAS. En este
trabajo se describe el desarrollo de una metodologa de clasificacion automatica de tejido mamario, que
se resume en 3 etapas: (1) pretratamiento, (2) extraccion de caractersticas y la clasificacon (3).
En donde en la primera etapa de pretratamiento mediante un umbral de Niveles de Gris, siguiendo con
el etiquetado de componentes que se utiliza para eliminar los artefactos y los m
usculos pectorales de la
region de interes.
Posterior mente se hace la extracci
on de caractersticas del tejido mamario. Estas caractersticas alimentan a la m
aquina de soporte vectorial (SVM) la cual se encarga de clasificar los resultados en 3
clases distintas: grasos, glandular y tejido denso. La precision clasificador obtenido es 95,44 % utilizando
14 mamografas con tejido graso, 14 mamografas con tejido glandular y 15 mamografas con tejido denso.
En la figua 2.8 se pueden ver las caractersticas obtenidas de la imagen.
2.1.6.
Segmentaci
on de mama con supresi
on de musculo Pectoral
Este trabajo realizado por David Raba et. al. [4] se presenta un metodo de extraccion del m
usculo
pectoral, el cual se obtiene de aplicar diferentes mascaras asociadas a el operador gaussiano con el cual
se pretende obtener el contorno de la mama.
11
2.1.7.
Detecci
on temprana de c
ancer de mama utilizando SVM como clasificador
En este trabajo realizado por Y. Ireaneus Anna Rejani, et. al. se presenta un algoritmo para detecci
on de
tumores en mamografas, donde presenta dos problemas; el primero encontrar las regiones sospechosas
y el segundo extraer las caractersticas para su clasificacion.
En este trabajo se siguen los siguientes pasos: (a) mejora de la mamografa, (b) La segmentaci
on por
umbral de la zona del tumor, (c) La extraccion de caractersticas del tumor y (d) El uso del clasificador
SVM. En la figura 2.10 se muestra el proceso para la clasificacion de tumores en mamografas.
2.2.
12
2.2.1.
MIAS
La Sociedad de An
alisis de Imagen mamografica (MIAS) es una organizacion de grupos de investigacion espa
noles interesados en la comprension de las mamografas y han generado una base de datos de
mamografas digitales. Las ima
agenes han sido digitalizadas a 50 micrones de pxel borde, con pixeles
de 8 bits. La base de datos contiene 322 imagenes digitalizadas y esta disponible. Tambien incluye la
ubicacioon de las anormalidades presentes. La base de datos se ha reducido a un borde de 200 micrones
de pxel tienen un tama
no de 1024x1024 pixeles.
En la figura 2.11 se pueden apreciar algunas muestras de la base de datos.
13
14
Captulo 3
Marco T
eorico
3.1.
Segmentaci
on de im
agenes
La segmentaci
on se refiere al proceso de compartimentacion de una imagen digital en m
ultiples segmentos formados por la uni
on de pxeles conectados. El objetivo de la segmentacion es para simplificar la
representacion de una imagen en algo que es mas significativo y mas facil de analizar. La segmentaci
on
de la imagen se utiliza tpicamente para localizar objetos y lmites. Mas precisamente, la segmentaci
on
de imagenes es el proceso de asignar una etiqueta a cada pxel con las mismas caractersticas visuales
tales como el color, la intensidad, o la textura. El resultado de la segmentacion de la imagen es un
conjunto de regiones que cubren conjuntamente toda la imagen, o un conjunto de contornos extrados
de la imagen.
En la actualidad existe gran cantidad de imagenes medicas las cuales para hacer mas facil su an
alisis necesitan separar partes de la imagen para obtener una mejor interpretacion. Estos algoritmos son
conocidos como segmentaci
on de im
agenes cuya tarea principal es encontrar objetos localizados en la
imagen y separarlos para distinguirlos de los demas. [?]. Los resultados de la segmentacion deben cumplir ciertas caractersticas:
Brindar resultados similares a los obtenidos por un observador experimentado.
Las regiones obtenidas deben formar la imagen completa y no se deben intersectar.
Cada objeto debe ser solo una region.
Las regiones no deben tener huecos.
Los contornos de los segmentos deben ser continuos sin huecos.
Los algoritmos deben ser autom
aticos con la intervencion mnima del usuario.
Los algoritmos deben ser de bajo conto computacional [?]
3.1.1.
Umbralizaci
on
3.2. Extracci
on de caractersticas
15
podemos utilizar solo aquellas regiones de interes que sean de importancia para nuestros metodos siguientes, especialmente el proceso de extraccion de caractersticas.
La umbralizaci
on es un metodo simple pero muy efectivo, ya que aplicando los filtros correctos podemos obtener exelentes resultados a la hora de segmentar la imagen.
La umbralizaci
on (thresholding) es un metodo que busca separar la imagen por medio de sus intensidades de color creando una partici
on (lmite inferior y superior) donde las intensidades que correspondan
al rango pertenecer
an a una clase y las demas perteneceran a otra. En este metodo es com
un usar el
histograma para mostrar los rangos de las clases. En la figura 3.1 se muestra el histograma de una
imagen con umbrales(a) as como la imagen umbralizada(b). [?]
3.1.2.
Regi
on Creciente
El metodo de Regi
on creciente (region growing) es una tecnica que sirve para extraer partes de la
imagen por medio de un criterio definido, este metodo requiere de un punto (semilla) del cual todos los
puntos conectados a esta ser
an parte de la clase, siempre que se encuentren en el umbral definido para
la semilla. En la figura 3.2 se muestra un ejemplo de esta tecnica, la imagen muestra la clasificaci
on de
la imagen con respecto de la semilla(a) ademas de la region creciente(b). [?]
3.2.
Extracci
on de caractersticas
3.2. Extracci
on de caractersticas
16
Tenicas que permiten extraerciertos elementos (caractersticas) de la imagen para luego ser usados en
otras tareas. Estos elementos sirven de base para otros metodos que realizan tareas mas complejas
(reconocimiento, localizaci
on, clasificaci
on, etc.)
A continuacion se detallan algunas de las caractersticas estadisticas utilizadas.
3.2.1.
Media
la esperanza matemAtica
o valor esperado, se obtiene a partir de la suma de todos sus valores dividida
entre el n
umero de sumandos.
La media aritmetica se define a continuacion:
Dados los n n
umeros {a1 , a2 , ..., an }
n
x
=
1 X x1 + x2 + ... + xn
n
n
i=1
3.2.2.
Desviaci
on Est
andar
La desviacion est
andar es una medida de centralizacion o dispersi
n para variables de raz
on y de
intervalo.
Se define como la raz cuadrada de la varianza. Junto con este valor, la desviacion tpica es una medida
(cuadratica) que informa de la media de distancias que tienen los datos respecto de su media aritmetica,
expresada en las mismas unidades que la variable.
n
X
2 =
(xi x
)2
i=1
3.2.3.
n1
Suavidad
La suavidad mide la suavidad relativa de intensidad en una region de interes. a continuacion se define
la formula para calcularla:
1
R=1
(1+ 2 )
3.2.4.
Asimetra
3.2. Extracci
on de caractersticas
17
3.2.5.
Uniformidad
L1
X
p (i)2
i=0
3.2.6.
Curtosis
En teora de la probabilidad y estadstica, la curtosis es una medida de la forma. As, las medidas de
curtosis tratan de estudiar la proporci
on de la varianza que se explica por la combinacion de datos extremos respecto a la media en contraposicion con datos poco alejados de la misma. Una mayor curtosis
implica una mayor concentraci
on de datos muy cerca de la media de la distribucion coexistiendo al
mismo tiempo con una relativamente elevada frecuencia de datos muy alejados de la misma.
El coeficiente de apuntamiento de uso mas extendido es el basado en el cuarto momento con respecto a
la media y se define como:
X X )4
2 =
4
3.2.7.
Histograma Medio
El histograma medio es el valor caracterstico que se obtiene a partir de la suma de todos los valores
del histograma dividida entre el n
umero maximo de gris.
El histograma medio se define a continuacion:
AHg =
L1
1 X
N (i)
L
i=0
3.3.
18
En esta seccion se presenta la teora referente a las memorias asociativas Alfa-Beta [?]. A continuaci
on
se presentan las operaciones y , ademas de las operaciones matriciales que se derivan, y se describen
las fases de aprendizaje y recuperaci
on de la memorias heteroasociativas y autoasociativas Alfa-Beta,
tanto Max, denotadas por M, como Min, denotadas por W.
3.3.1.
Operaciones Binarias y
(x,y)
1 1
1
La operacion : B x A A se muestra en la tabla siguiente:
x
(x,y)
19
f = (pik,qkj).
3. Operaci
on min: Pmxr4Qrxn = f mxn , donde
f = (pik,qkj).
h
i
4. Operaci
on min: Pmxr4 Qrxn = f mxn , donde
f = (pik,qkj).
20
Captulo 4
Modelo Propuesto
En este captulo se describe la metodologa utilizada para la clasificacion de mamografas Digitales provenientes de la base de datos de mini-MIAS, en las cuales se aplica un procedimiento para la segmentaci
on
de mamografas digitales, posteriormente de las mamografas segmentadas se efect
ua la extraci
on de caractersticas, las cuales nos aportaran datos importantes para la clasificacion y finalmente se aplica el
algoritmo de memorias alfa-Beta para la clasificacion de las caractersticas con lo cual sabremos si la
mama tiene c
ancer.
El metodo propuesto consta principalmente de tres pasos. Los cuales se describiran a continuaci
on.
4.1. Segmentaci
on de mamografas
4.1.
4.1.1.
21
Segmentaci
on de mamografas
Imagen Digital
Para segmentar las mamografas digitales debemos consideralas como una imagen digital, las cuales
son definidas como una funci
on bidimensional f (x, y), donde (x, y) representa un punto el espacio. Las
imagenes digitales se reprentan como una matriz bidimensional 4.2 Fij = (fij ) mxn donde m y n
representan las dimenciones de la imagen y la funcion de trancicion es la siguiente fij = f (xi , xj )
4.1.2.
Segmentaci
on
Posteriormente se debe de obtener el Histograma de la imagen, el cual nos mostrara donde se concentra
la region mamaria. A continuaci
on el Algoritmo 2 muestra como obtener el Histograma de una imagen.
La figura 4.4 muestra el resultado de aplicar el algoritmo a una mamografa.
Una vez obtenido el Histograma de la imagen se calcula la varianza, para encontrar los lmites del
m
usculo pectoral. En este procedimiento se discriminan los niveles menores a 50 y los mayores a 255
ya que son niveles que no corresponden a la region mamaria. El Algoritmo 3 muestra como obtener la
varianza a partir del Histograma. La varianza se obtiene con la siguiente formula:
4.1. Segmentaci
on de mamografas
22
4.1. Segmentaci
on de mamografas
23
2 =
P255
)2 xH [i])
P255
j=0 [j]
i=0 ((i
donde:
P255
=
4.2. Extracci
on de caractersticas
24
Obtenida la semilla se procede a calibrar el Histograma, esto es, busca un pico cercano y lo toma como
valor de nueva semilla. Ahora se filtra el histograma de la imagen tomando como semilla el punto localizado f (x, y), el cual nos servir
a para filtrar los valores encontrados entre f (x, y) 2 y f (x, y) + 2 ,
en la figura 4.7 podemos ver el filtro del histograma. El Algoritmo 6 muestra el procedimiento calibrar
el Histograma.
Una vez calibrado el histograma, lo filtramos con los valores entre f (x, y) + 2 y f (x, y) + 2 y procedemos a binarizar la imagen donde los valores dentro del rango les asignaremos el color blanco (255)
y a los que se encuentren fuera del rango les asignamos negro (0). Nuestra formula de binarizaci
on se
muestra a continuaci
on:
bin(x, y) = {(255sif (x, y) 2 < f (x, y) < f (x30, yj) + 2 )0enotrocaso.)
la figura 4.8 muestra la imagen recortada y binarizada y el Algoritmo 7 muestra el proceso de recortado
y Binarizacion.
4.2.
Extracci
on de caractersticas
4.2. Extracci
on de caractersticas
25
4.2. Extracci
on de caractersticas
26
4.2. Extracci
on de caractersticas
27
Para modelar las clases de nuestro problema (con cancer y sin cancer), se obtienen los vectores de
caractersticas que podemos obtener a partir de nuestra imagen, En la figura 4.11 se muestra el proceso
de extraccion de caractersticas.
A estos vectores de caractersticas se les asocia una etiqueta de clase a la cual corresponden. Para obtener el vector de caractersticas se debe de aplicar alg
un algoritmo de extraccion de caractersticas para
obtener el vector de caractersticas.
A continuaci
on se describen las f
ormulas y algoritmos empleados para la extraccion de caractersticas.
4.2.1.
M
aximo
se hacerca
El maximo nos muestra el valor m
aximo de nuestra imagen esto es el nivel de gris que mAs
al blanco.
A continuacion se describe la f
ormula empleada para obtener el valor maximo de la imagen:
max = max(f (x, y))
4.2.2.
Mnimo
El maximo nos muestra el valor mnimo de nuestra imagen esto es el nivel de gris que mas se acerca al
negro.
4.2. Extracci
on de caractersticas
28
4.2. Extracci
on de caractersticas
29
4.2. Extracci
on de caractersticas
30
La siguiente f
ormula se utiliza para obtener el valor maximo de una imagen:
min = min(f (x, y))
4.2.3.
Moda
4.2.4.
Desviaci
on Est
andar
La desviacion est
andar nos muestra que tan dispersos se encuentran los valores de luminocidad de nuestra imagen.
Para obtener la deviaci
on estandar en nuestra imagen empleamos la siguiente formula:
m1
X n1
X
2 =
2
(f (x, y) )
x=0 y=0
mn1
4.2.5.
Asimetra
4.2.6.
Uniformidad
L1
X
p (i)2
i=0
4.2.7.
Curtosis
En teora de la probabilidad y estadstica, la curtosis es una medida de la forma. As, las medidas de
curtosis tratan de estudiar la proporci
on de la varianza que se explica por la combinacion de datos ex-
4.2. Extracci
on de caractersticas
31
tremos respecto a la media en contraposicion con datos poco alejados de la misma. Una mayor curtosis
implica una mayor concentraci
on de datos muy cerca de la media de la distribucion coexistiendo al
mismo tiempo con una relativamente elevada frecuencia de datos muy alejados de la misma.
El coeficiente de apuntamiento de uso mas extendido es el basado en el cuarto momento con respecto a
la media y se define como:
X X )4
2 =
4
4.2.8.
Histograma Medio
El histograma medio es el valor caracterstico que se obtiene a partir de la suma de todos los valores
del histograma dividida entre el n
umero maximo de gris.
El histograma medio se define a continuacion:
AHg =
L1
1 X
N (i)
L
i=0
4.2.9.
Algoritmos
4.2. Extracci
on de caractersticas
de pixeles
Entrada: Histograma H
Salida: b
umero de pixeles npixeles
funci
on numPixeles(H)
npixeles 0
para m 0 hasta 255
npixeles npixeles + H[m]
fin para
regresar npixeles
fin funci
on
32
4.2. Extracci
on de caractersticas
Cuadro 4.13: Algoritmo 13 Funcion para obtener la sumatoria de valores del Histograma
Entrada: Histograma H
Salida: sumatoria sum
funci
on sumHistograma(H)
sum 0
para m 0 hasta 255
sum sum + (m H[m])
fin para
regresar sum
fin funci
on
33
4.2. Extracci
on de caractersticas
34
4.2. Extracci
on de caractersticas
35
4.2. Extracci
on de caractersticas
36
4.2. Extracci
on de caractersticas
37
4.2. Extracci
on de caractersticas
38
4.2. Extracci
on de caractersticas
39
4.2. Extracci
on de caractersticas
40
4.3. Clasificaci
on
41
4.3.
Clasificaci
on
Una vez obtenidas las caractersticas de las imagenes, procesadas por los algoritmos anteriores, se tienen que seguir dos pasos importante para la clasificacion: El primero es el entrenamiento de la memoria
asociativa que se utiliza y el segundo paso es la recuperacion, en la cual se tiene una imagen de entrada,
la cual pasa por los proceso anteriores segmentacion y extraccion de caractersticas, una vez obtenido
el vector de caractersticas se asocia con una clase del conjunto de entrenamiento.
En esta secci
on se muestra como a partir de las caractersitcas adquiridas, se construye el vector de
caractersticas las cuales serviran en el proceso de clasificacion, ademas de los algoritmos para crear
vectores de caractersticas y la fase de recuperacion.
4.3.1.
Para generar los vectores de caractersticas se procede a tomar cada una de las caractersticas de la
siguiente forma:
Para generar nuestro vector buscaremos el valor mnimo vmin y el valor maximo vmax para cada
caracterstica y despues calcularemos un valor entero (entre 0 y 100) para cada n
umero con la siguiente
formula:
val[x] = (x nmin) (100/(nmax nmin))
Con lo cual todas nuestras caractersitcas quedaran en el rango entre 0 y 100. Hecho esto procedemos a crear nuestro vector de caractersticas el cual necesitara un vector de 100 por el n
umero de
caractersticas, es decir, en nuestro caso tenemos 13 caractersticas entonces nuestro vector sera de 1300
bits. Los cuales ser
an llenados por la concatenacion de la representacion en bits de cada caracterstica.
Por ejemplo:
4.3. Clasificaci
on
42
4.3. Clasificaci
on
43
4.3. Clasificaci
on
44
Supongamos que tenemos los datos x1 = 115,65, x2 = 30,34 y x3 = 3,46, con sus respectivos m
aximos
y mnimos max1 = 130, min1 = 30, max2 = 42,25, min2 = 8,36, max3 = 40,34 y min3 = 20,2 y
que queremos normalizarlos entre los valores 0 y 20.
Entonces nuestro vector quedara como se muestra a continuacion:
Nuestros nuevos valores ser
an los siguientes:
x11 = (x1 min1 ) (20/(max1 min1 )) = (115,65 30) (20/(130 30)) = 17,13 = 17
x21 = (x2 min2 ) (20/(max2 min2 )) = (30,34 (8,36)) (20/(42,25 (8,36))) = 15,29 = 15
x31 = (x3 min3 ) (20/(max3 min3 )) = (3,46 (20,2)) (20/(40,34 (20,2))) = 7,81 = 7
donde:
xb1 = 11111111111111111000
xb2 = 11111111111111100000
xb3 = 11111110000000000000
Nuestro vector queda de la siguiente forma:
vx = xb1 &xb2 &xb3
vx = 111111111111111110001111111111111110000011111110000000000000
Como se observa el algoritmo para realizar este procedimiento es el siguiente:
1. Primero tendremos nuestro conjunto de entradas:
{e1 , e2 , e3 , ..., en }
2. Donde cada entrada le corresponde un conjunto de caractersticas:
{c1 , c2 , c3 , ..., cn }
3. Entonces apartir de la caractersitca ci de cada una de nuestras entradas buecaremos el mayor y
el menor, obteniendo los siguientes conjuntos.
Cmax = {cmax1 , cmax2 , cmax3 , ..., cmaxn } y Cmin = {cmin1 , cmin2 , cmin3 , ..., cminn }
4. A cada caractersitica de cada entrada se le restara el valor mnimo encontrado para la caracterstica, con lo cual nuestros conjuntos tendran como valor mnimo 0.
5. Se normalizan los conjuntos de entrada para dejarlos en un rango fijo (0 a 100) y truncarlos para
convertirlos en un conjunto de enteros nuevo.
{ce1 , ce2 , ce3 , ..., cen }
4.3. Clasificaci
on
45
6. una vez que tenemos normalizadas nuestras entradas las transformamos a bits (0s y 1s) donde
tendremos cei ceros concatenados de 100 cei unos.
Ejemplo:
Supangamos que tenemos el conjunto de entradas:
en = {e1 , e2 , e3 }
Los cuales contienen las siguientes caractersticas:
e1 = {0,2, 7,8, 15,5}
e2 = {3,1, 4,4, 3,6}
e3 = {4,2, 1,3, 10,1}
Entonces de estos valores encontraremos los siguientes conjuntos:
cmax = {4,2, 7,8, 15,5} y cmin = {3,1, 1,3, 3,6}
Restando el valor de caracterstica mnimo obtenemos los nuevos conjuntos:
e1 = {3,3, 9,1, 11,9}
e2 = {0, 5,7, 0}
e3 = {7,3, 0, 6,5}
Ahora se normalizan los conjuntos para dejarlos en un rango fijo (0-100), obteniendo los siguientes
conjuntos:
e1 = {45, 100, 100}
e2 = {0, 62, 0}
e3 = {100, 0, 54}
Para cada valor de cada caractersitca de entrada obtenemos su representacion en bits:
e1 = {11111111111111111111111111111111111111111111100000
00000000000000000000000000000000000000000000000000,
11111111111111111111111111111111111111111111111111
11111111111111111111111111111111111111111111111111,
11111111111111111111111111111111111111111111111111
11111111111111111111111111111111111111111111111111}
e2 = {00000000000000000000000000000000000000000000000000
00000000000000000000000000000000000000000000000000,
11111111111111111111111111111111111111111111111111
11111111111100000000000000000000000000000000000000,
00000000000000000000000000000000000000000000000000
00000000000000000000000000000000000000000000000000}
e3 = {11111111111111111111111111111111111111111111111111
11111111111111111111111111111111111111111111111111,
00000000000000000000000000000000000000000000000000
00000000000000000000000000000000000000000000000000,
11111111111111111111111111111111111111111111111111
11110000000000000000000000000000000000000000000000}
4.3. Clasificaci
on
46
El Algoritmo 24 muestra el proceso del manejo de las caractersticas, en este algoritmo se muestra la
normalizacion de las caractersticas en el rango 0 a 100
Una vez obtenidos los vectores de caractersticas se forma una matriz donde contendra los vectores
obtenidos, para finalmente formar el conjunto de aprendizaje, en donde se agregaran todos los vectores
normalizados.
4.3.2.
fase de recuperaci
on
Para recuperar una clase son necesarios los algoritmos con las operaciones y de las memorias asociativas.
A continuacion se muestran los algoritmos con las operaciones.
El algoritmo 25 muestra la recuperaci
on con la operacion alfa min (min)
4.3. Clasificaci
on
47
4.3. Clasificaci
on
48
4.3. Clasificaci
on
49
50
Captulo 5
Resultados
En este captulo se presentan los resultados obtenidos con la metoologa propuesta utilizando los algoritmos expuestos en el captulo anterior. Se muestran los resultados de la segmentacion con las im
agenes
de la base de mini-MIAS.
A continuaci
on se detallan los resultados obtenidos en las etapas de segmentacion extraccion de caractersticas y clasificaci
on.
5.1.
Segmentaci
on de las mamografas
5.2. Extracci
on de caracteristicas
51
5.2.
Extracci
on de caracteristicas
5.3. Clasificaci
on
52
5.3.
Clasificaci
on
5.3. Clasificaci
on
53
5.3. Clasificaci
on
54
5.3. Clasificaci
on
55
clase original
muestra
clase candidata
Clasificacion correcta
CB
mdb001
CB
Sigue en la p
agina siguiente
5.3. Clasificaci
on
56
clase original
muestra
clase candidata
Clasificacion correcta
CB
mdb002
CB
SC
mdb003
SC
SC
mdb004
SC
CB
mdb005
CB
CB
mdb006
CB
SC
mdb007
SC
SC
mdb008
SC
SC
mdb009
SC
SC
mdb010
SC
CB
mdb011
CB
SC
mdb012
SC
CB
mdb013
CB
CB
mdb014
CB
SC
mdb015
SC
CB
mdb016
CB
SC
mdb017
SC
CB
mdb018
SC
No
SC
mdb019
SC
CB
mdb020
CB
SC
mdb021
SC
CB
mdb022
CB
CM
mdb023
CM
SC
mdb024
SC
CB
mdb025
CB
SC
mdb026
SC
SC
mdb027
SC
CM
mdb028
CM
SC
mdb029
CB
No
CB
mdb030
SC
No
SC
mdb031
CB
No
CB
mdb032
SC
No
Sigue en la p
agina siguiente
5.3. Clasificaci
on
57
clase original
muestra
clase candidata
Clasificacion correcta
SC
mdb033
SC
SC
mdb034
SC
SC
mdb035
CB
No
SC
mdb036
SC
SC
mdb037
SC
SC
mdb038
SC
SC
mdb039
CB
No
SC
mdb040
SC
SC
mdb041
SC
SC
mdb042
SC
SC
mdb043
SC
SC
mdb044
CB
No
SC
mdb045
SC
SC
mdb046
SC
SC
mdb047
SC
SC
mdb048
SC
SC
mdb049
SC
SC
mdb050
SC
SC
mdb051
SC
SC
mdb052
SC
SC
mdb053
CB
No
SC
mdb054
SC
SC
mdb055
SC
SC
mdb056
SC
SC
mdb057
SC
CM
mdb058
CM
CB
mdb059
CB
SC
mdb060
SC
SC
mdb061
SC
SC
mdb062
CB
No
CB
mdb063
SC
No
Sigue en la p
agina siguiente
5.3. Clasificaci
on
58
clase original
muestra
clase candidata
Clasificacion correcta
SC
mdb064
SC
No
SC
mdb065
SC
SC
mdb066
SC
No
SC
mdb067
CB
SC
mdb068
SC
CB
mdb069
CB
SC
mdb070
SC
SC
mdb071
SC
CM
mdb072
CM
SC
mdb073
SC
SC
mdb074
SC
CM
mdb075
CM
SC
mdb076
SC
SC
mdb077
SC
SC
mdb078
SC
SC
mdb079
SC
CB
mdb080
SC
No
CB
mdb081
CB
SC
mdb082
SC
CB
mdb083
CB
SC
mdb084
SC
SC
mdb085
SC
SC
mdb086
SC
SC
mdb087
SC
SC
mdb088
SC
SC
mdb089
CB
No
CM
mdb090
SM
CB
mdb091
CB
CM
mdb092
CM
SC
mdb093
CS
SC
mdb094
CS
Sigue en la p
agina siguiente
59
clase original
muestra
clase candidata
Clasificacion correcta
CM
mdb095
CM
SC
mdb096
SC
CB
mdb097
CB
SC
mdb098
CS
CB
mdb099
CB
SC
mdb100
SC
5.4.
60
61
62
63
Captulo 6
Conclusiones
6.0.2.
trabajos a Futuro
Para aquellos investigadores que deseen profundizar sobre el tema de deteccion de cancer en mamografas
Digitales, se proponen los siguientes trabajos:
1. Desde el punto de vista de la segmentacion se pueden hacer cambios al algoritmo para mejorar el
proceso de extracci
on de la regi
on de interes.
2. Para la extracci
on de caracteristcas se podrian usar otras propuestas, minimizar las menos efectivas y agregar mejores datos.
64
65
Bibliografa
[1] G. Tzanetakis and P. Cook, Musical genre classification of audio signals, Speech and Audio
Processing, IEEE Transactions on, vol. 10, pp. 293 302, Julio 2002.
[2] T. Gault, E. Mostafa, A. Farag, and A. Farag, Less is more: Cropping to improve facial recognition with thermal images, in Multimedia Technology (ICMT), 2011 International Conference on,
pp. 6445 6449, Julio 2011.
[3] N. Gal and V. Stoicu-Tivadar, Computer assisted medical image interpretation using fuzzy logic,
in Soft Computing Applications (SOFA), 2010 4th International Workshop on, pp. 159 163, Julio
2010.
[4] Z. M. Win and M. M. Sein, Fingerprint recognition system for low quality images, in SICE
Annual Conference (SICE), 2011 Proceedings of, pp. 1133 1137, Septiembre 2011.
[5] S. Bakshi, S. Das, H. Mehrotra, and P. Sa, Score level fusion of sift and surf for iris, in Devices,
Circuits and Systems (ICDCS), 2012 International Conference on, pp. 527 531, Marzo 2012.
[6] A. Kumar, M. Hanmandlu, A. Das, and H. Gupta, Biometric based personal authentication using
fuzzy binary decision tree, in Biometrics (ICB), 2012 5th IAPR International Conference on,
pp. 396 401, 29 2012-april 1 2012.
[7] P. Sukarno, N. Bhattacharjee, and B. Srinivasan, Increasing level of confidence of iris biometric
matching, in Neural Networks (IJCNN), The 2012 International Joint Conference on, pp. 1 8,
Junio 2012.
[8] A. Kumar and T.-S. Chan, Iris recognition using quaternionic sparse orientation code (qsoc), in
Computer Vision and Pattern Recognition Workshops (CVPRW), 2012 IEEE Computer Society
Conference on, pp. 59 64, Junio 2012.
[9] Z. Zhou, E. Du, N. Thomas, and E. Delp, A new human identification method: Sclera recognition,
Systems, Man and Cybernetics, Part A: Systems and Humans, IEEE Transactions on, vol. 42,
pp. 571 583, Mayo 2012.
[10] P. Thumwarin, N. Chitanont, and T. Matsuura, Iris recognition based on dynamic radius matching
of iris image, in Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTI-CON), 2012 9th International Conference on, pp. 1 4, Mayo 2012.
[11] M. Wilber, W. Scheirer, and T. Boult, Privv: Private remote iris-authentication with vaulted verification, in Computer Vision and Pattern Recognition Workshops (CVPRW), 2012 IEEE Computer
Society Conference on, pp. 97 104, Junio 2012.
BIBLIOGRAFIA
66
[12] K. Wang, B. Babenko, and S. Belongie, End-to-end scene text recognition, in Computer Vision
(ICCV), 2011 IEEE International Conference on, pp. 14571464, Noviembre 2011.