Ibone Rosa González Mauraza Marcos Alberto Ginel Calderón Manuel Moreno Romera

1. Procesamiento de Imágenes Digitales Campos de vectores de difusión en imágenesyDetección de masa espiculada usando imágenes mamográficas Ibone Rosa González Mauraza Marcos Alberto Ginel Calderón Manuel Moreno Romera

2. Campos de vectores de difusión en imágenes

3. Campo de vectores de difusión en imágenes Índice • Introducción • Campo vectorial de difusión • El vector repulsión entre puntos de la imagen. • Segmentación de imagen • Área primitiva • Centros de difusión • Conclusiones • Detección de masas en mamografías • Introducción • Algoritmo • Resultados

4. Introducción Transformación: cambio al procesar una imagen que genera otra imagen de la que se pueden obtener información. • Fourier • Walsh • Wavelet Campos de vectores gradientes.

5. Introducción Idea: Obtener un campo vectorial (no gradiente) para obtener información de la estructura y sus características, basado en una analogía con la electrostática.

6. La fórmula de la fuerza electrostática. En física, un área cargada con cierta distribución de carga genera su campo eléctrico dentro y fuera del área.

7. El vector repulsión entre puntos de la imagen. Si aplicamos dicha formula a los puntos de la imagen entre sí, obtenemos vectores de repulsión. Vector de repulsión: Componentes del vector difusión:

8. El campo de vectores difusos de imágenes Ahora crearemos un campo de vectores de difusión:

9. El campo de vectores difusos de imágenes Esto hará que en cada “área” de un color común, aparezca un campo de vectores de difusión en un sentido.

10. El campo de vectores difusos de imágenes Este es el campo de vectores de difusión:

11. El campo de vectores difusos de imágenes

12. El campo de vectores difusos de imágenes

13. El campo de vectores difusos de imágenes

14. El campo de vectores difusos de imágenes

15. Segmentación de imágenes mediante campo de vectores de difusión Tenemos que distinguir dos zonas en nuestro campo: • Área primitiva • Centros de difusión

16. Segmentación de imágenes mediante campo de vectores de difusión Área primitiva: En un área homogénea, el campo de vectores de difusión será homogéneo también. Además, llegará hasta su frontera ya que los vectores fuera de la frontera apuntarán justo en dirección contraria a los del área.

17. Segmentación de imágenes mediante campo de vectores de difusión Centros de difusión: Para cuatro píxeles adyacentes en forma de cuadrado de la imagen, si ninguno de los cuatro tiene una dirección de vector de difusión interior, entonces, esos cuatro píxeles pertenecen al centro de difusión.

18. Segmentación de imágenes mediante campo de vectores de difusión En nuestros ejemplos, ¿cuáles son estos centros?

19. Segmentación de imágenes mediante campo de vectores de difusión

20. Segmentación de imágenes mediante campo de vectores de difusión Vamos a obtener las áreas primitivas mediante un método de expansión de área. Tenemos dos datos: • Lista de píxeles (de 4 en 4) que forman centros • Los vectores toman sentidos expansivos • El sentido cambia en la frontera. Intuitivamente: Vamos expandiendo desde el centro “el color” del centro hasta que toquemos otro área o frontera.

21. Segmentación de imágenes mediante campo de vectores de difusión • Generar el campo de vectores de difusión; cada punto de la imagen ahora tiene un vector en él (8 direcciones). • Marcar los puntos de centro de difusión en el campo de vectores. • Asignar a cada centro de difusión una etiqueta única de área. • Ejecutar expansión de área.

22. Segmentación de imágenes mediante campo de vectores de difusión Expansión: Para cada punto etiquetado, seleccionamos cinco de sus vecinos más cercanos en la dirección de su vector. Para cada uno de esos puntos, si está sin etiquetar y su vector no es opuesto al vector del punto etiquetado (para no llegar hasta la frontera), entonces lo etiquetamos con el mismo número de área del punto etiquetado. En otro caso, si el punto vecino ha sido etiquetado con otra numero de área distinto, comparamos escalas de grises. Calculamos la diferencia entre su escala de grises y la media de la escala de grises de las dos áreas. El punto pertenecerá al área con menos diferencia en escala de grises.

23. Segmentación de imágenes mediante campo de vectores de difusión

24. Segmentación de imágenes REALES mediante campo de vectores de difusión ¿Qué ocurre con las imágenes reales (en escala de grises)?

25. Segmentación de imágenes REALES mediante campo de vectores de difusión

26. Segmentación de imágenes REALES mediante campo de vectores de difusión

27. Segmentación de imágenes REALES mediante campo de vectores de difusión Idea: Vamos a acotar el número máximo de áreas (objetos) que queremos obtener, y vamos “uniendo” áreas sobrantes que se parezcan entre sí

28. Segmentación de imágenes REALES mediante campo de vectores de difusión • Para cada área en la imagen, calcular su media en escala de grises. • Encontrar el par de áreas vecinas con menor diferencia en media de escala de grises y unirlas en un sólo área. • Si el numero de área actual es mayor que el numero de áreas final, volver al paso 1, en otro caso, finalizar el proceso de unión.

29. Segmentación de imágenes REALES mediante campo de vectores de difusión

30. Segmentación de imágenes REALES mediante campo de vectores de difusión

31. Segmentación de imágenes REALES mediante campo de vectores de difusión

32. Segmentación de imágenes REALES mediante campo de vectores de difusión

33. Conclusiones • Mediante la dirección de los vectores y su intensidad se pueden obtener características de la imagen. • Vectores de difusión mediante la diferencia de intensidades • Basado en esto, se obtiene un método de segmentación de imágenes.

34. DETECCION DE MASA ESPICULADA USANDO IMÁGENES MAMOGRAFICAS

35. INTRODUCCIÓN Las mamografías mediante rayos X son la principal herramienta con la que cuenta el radiólogo para detectar anomalías en los senos de la mujer. El diagnóstico se basa en la búsqueda de ciertas características y señales que apuntan a la existencia de cáncer

36. INTRODUCCIÓN Las masas irregulares o estrelladas son mas difíciles de detectar, si bien todas suelen tener un centro tumoroso muy denso comparado con el resto del tejido de la mama Mama sana Mama con tumor

37. INTRODUCCION Proponemos un algoritmo de detección de masa espiculada usando imágenes de mamografías. El objetivo que pretendemos alcanzar mediante el algoritmo es la detección asistida por ordenador.

38. ALGORITMO El algoritmo propuesto consta de tres pasos fundamentales. 1. Procesamiento de la imagen mamográfica. 2. Extracción de características a partir de dos representaciones digitales de las mamografías. 3.Clasificacion y procesamiento posterior.

39. ALGORITMO-PASO 1 • En primer lugar se realiza el procesamiento previo eliminando el ruido existente. • Obtenemos el área de la mama y eliminamos de la imagen los músculos de la zona del pecho

40. ALGORITMO-PASO 2 • Generamos dos resoluciones mediante transformación wavelet. • Extraemos vectores de dimensión 6 para cada resolución. Denotaremos por F a las componentes del vector. • F1 Intensidad media de los pixeles. • F2 Desviación estándar de la intensidad de pixeles. • F3Característica ALOE. • F4desviación de las orientaciones del gradiente plegadas en una región de tamaño fijo de un pixel. • F5 Y F6 Dos campos del GVF.

41. ALGORITMO-PASO 3 • Se utiliza un clasificador de red neuronal para la clasificación en masa y generar una matriz de probabilidad con el mismo tamaño de la imagen de la mamografía.

42. ALGORITMO-PASO 3 • EVALUACION DE RESULTADOS DEL CLASIFICADOR A la vista de las curvas ROC Y FROC los resultados obtenidos mediante la aplicación de este algoritmo demuestran la eficiencia y robustez de este

43. Resultados finales