Trabajo Individual ADGCM
Trabajo Individual ADGCM
Trabajo Individual ADGCM
Indice de imagenes
Figura 1 Diagrama de flujo para la detección de nódulos pulmonares ............................................ 3
Figura 2 Procedimiento de segmentación del pulmón: (a) imagen original, (b) detección del umbral,
(c) eliminación de bordes, (d) modelo morfológico, (e) identificación de regiones y (f) segmentación
de la región pulmonar .................................................................................................................... 4
Figura 3 Imágenes resultados de ROI ........................................................................................... 5
Figura 4 Esquema del modelo del FCNN ....................................................................................... 6
Figura 5 Funciones de permanencia .............................................................................................. 7
Figura 6 Interfaz usuario del sistema CAD ..................................................................................... 9
Figura 7 Representación de la distribución de las reglas difusas.................................................. 10
Figura 8 Ejemplo detección e identificación ................................................................................. 11
Figura 9 Ejemplo detección e identificación ................................................................................. 11
Figura 10 Ejemplo de falsos positivos .......................................................................................... 12
Indice de tablas
Tabla 1 Resultados experimentales usando diferentes grupos de funciones de permanencia....... 10
Tabla 2 Comportamiento estadístico de varios modelos para comparación .................................. 12
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica
Introducción
En este trabajo se desarrolla la posibilidad del uso de redes neuronales basadas en un modelo
de lógica difusa que ha sido propuesto para la detección de nódulos pulmonares en (1). Para poder
entender mejor el trabajo descrito a continuación se describe el problema médico que se desea
resolver y el contexto en el que se encuentra.
El cáncer de pulmón es uno de los cánceres más comunes en el mundo y uno de los casos
con mayor probabilidad de mortalidad. La exposición a altos niveles de contaminación, el cigarro,
radiación y asbesto pueden aumentar el riesgo de contraer esta enfermedad. (2). Los nódulos
pulmonares son masas pequeñas de tejido bastante comunes. En una radiografía o una
exploración por TC, los nódulos aparecen como manchas redondas blancas y, por lo general, no
son cancerígenos. Sin embargo, los nódulos más grandes, que generalmente miden veinticinco
milímetros o más, tienen mayor probabilidad de ser cancerígenos que los más pequeños.
Para el análisis de los nódulos pulmonares se suele aplicar una comparación de radiografías o
resultados de exploración por TC previamente obtenidos con un estudio más actual para
determinar si ha existido algún tipo de crecimiento, cambio de forma o si su apariencia fue alterada.
De ser así, el paciente se somete a más exámenes tales como una exploración por TEP o incluso
una biopsia de tejido para determinar si los nódulos son cancerígenos. Pero este tipo de estudio se
hace cuando ya las células cancerígenas están desarrolladas. El proyecto internacional ELCAP por
sus siglas en inglés en el que participan centros de Estados Unidos, Europa, Japón, China e Israel,
ha publicado reportes que demuestran la eficacia de técnicas de imagen en la detección de cáncer
de pulmón en estados precoces. Estos reportes indican la aplicación de técnicas de bajas dosis en
TC para imágenes de tórax pueden detectar con una eficacia cuatro veces mayor que una imagen
tomada por técnicas de radiografía de pecho (3). Las probabilidades de supervivencia dentro de los
primeros cinco años pueden aumentar hasta un 80% si el tumor es detectado y tratado. Este éxito
depende de la detección y tratamiento de pequeños tumores localizados con precisión. Por lo que
el uso de la TC puede ayudar de una forma significativa al estudio de nódulos pulmonares.
El uso de la TC trae bastante trabajo debido al bajo contraste, gran número de imágenes (entre
250 y 300 por estudio dependiendo del tamaño del paciente; con cortes de 1,5mm de grosor
cubriendo así todo el pecho), la complejidad de la estructura del pulmón, calcificaciones,
estructuras aledañas, etc.; para poder proveer al doctor con información cuantificable para la
realización de un diagnóstico preciso. Es por esto que se ha demostrado que en la mayoría de los
1
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica
casos un radiólogo falla en reconocer un número inaceptable de nódulos en una lectura debido a la
fatiga y la presentación de una gran cantidad de imágenes que poseen características muy
parecidas (4). Así, el uso de técnicas de diagnóstico computarizado (CAD por sus siglas en inglés)
es una herramienta que puede ser utilizada para la detección y pronóstico del cáncer de pulmón.
Este tipo de herramientas se ha usado en diferentes casos de diagnóstico en donde el análisis de
una imagen es la base del estudio médico, como se puede ver en (5), (6) y (7).
Un sistema CAD tiene una gran ventaja para el análisis de imágenes médicas debido a que
puede realizar un gran número de estudios de diferentes pacientes, otorgando un diagnóstico
rápido con un mínimo error debido a la fatiga y otros errores humanos. Muchos sistemas
desarrollados se basan en la detección de bordes, análisis de patrones, técnicas mixtas de
clasificación de imágenes, algoritmos de agrupación, el uso de lógica difusa, entre otros métodos.
En el caso del análisis y detección de nódulos pulmonares se han aplicado métodos diferentes
para el reconocimiento de las células cancerosas como sistemas basados en las características
geométricas, uso de redes neuronales, aplicación de plantillas de clasificación. Las técnicas de
segmentación en el procesamiento de imágenes médicas pueden ser aplicables para imágenes de
TC. Estas técnicas utilizan segmentación por nivel de umbral, basado en morfología, usando lógica
difusa, segmentación basada en redes neuronales y modelos basados en curvas de deformación.
El éxito de estas aplicaciones es debido el rendimiento superior de acuerdo a la clasificación y
regresión. Una red neuronal basada en lógica difusa (FCNN por sus siglas en inglés) es la técnica
utilizada en este trabajo. Esta técnica hereda las ventajas de una red neuronal que para el
procesamiento y las ventajas de un sistema difuso para poder trabajar con los niveles de
incertidumbre. Otra ventaja del FCNN es que utiliza la morfología matemática como una
herramienta muy importante para el procesamiento de imágenes. En el trabajo estudiado se realiza
una medición cuantitativa y sistemática de imágenes de TC para que el médico pueda realizar un
diagnóstico de los nódulos con una mayor eficancia. Un mecanismo de redes neuronales que
aprenda y se adapte es incorporado un modelo de inferencia difuso es el fin principal para el CAD
propuesto para la detección autónoma de nódulos pulmonares. En el modelo difuso la descripción
de las características de las reglas del motor de inferencia es el problema principal ya que no es un
proceso directo por ser el estudio de un sistema no lineal.
El uso de FCNN ha sido propuesto para la detección de nódulos pulmonares. Las reglas de las
que dispone el motor de inferencia de un sistema difuso son aprendidas por el propio sistema,
haciendo uso en este caso de redes neuronales para fortalecer las futuras tomas de decisiones
que mejoren los algoritmos de retropropagación.
2
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica
Métodos
Imagen de TC
torácica
Segmentación
del pumón
Selección del
ROI
Extracción de
parámetros
Detección del
FCNN
Resultados de
la detección
Los pulmones son un organo complejo que contienen diferentes estructuras como bronquios,
arterias, venas y vasos capilares, entre otras. Si no es segmentado correctamente el pulmón, la
selección del ROI que se utilizará para el análisis será incorrecta. Por lo que es importante
3
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica
Para esto se organizaron los siguientes pasos en la segmentación del pulmón. Primero se
define un nivel de umbral que convierte la imagen original en una imagen binaria. Después de
aplicar el umbral se observan pixeles de fondo y ruido. Se aplica un filtro de media de 5x5 como
máscara para reducir el ruido de la imagen binaria. Después de aplicar el filtro se omiten los bordes
de la imagen y se tratan como fondo. La región del pulmón contiene arterias y venas que están
cerca del mediastino. Algunos vasos pueden ser excluidos en el procedimiento de filtraje, incluso,
algunas regiones del pulmón pueden ser eliminadas después de la aplicación del umbral. Pero más
importante, puede ocurrir que los nódulos cerca de la pleura también sean eliminados. Se propone
el suavizado de la imagen que incluye de pasos para contrarrestar este error ocasionado por el
filtro aplicado. En la Figura 2 se describe paso a paso los métodos utilizados para la segmentación
del pulmón.
Figura 2 Procedimiento de segmentación del pulmón: (a) imagen original, (b) detección del umbral, (c) eliminación de
bordes, (d) modelo morfológico, (e) identificación de regiones y (f) segmentación de la región pulmonar
4
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica
nos ayuda a identificar algunas de las regiones eliminadas en el filtro. Para localizar el contorno
completo de la región pulmonar de forma automática se utilizan técnicas de marcado. Por último se
obtiene la región final del pulmón y se extrae la información de la imagen original utilizando la
región identificada como máscara.
Después de obtener las regions del pulmón se necesita identificar los ROI de las áreas que se
sospechan tener un nódulo pulmonar. Las áreas que interesan son aquellas que poseen vasos y
nódulos. De acuerdo con las opiniones médicas, los nódulos y los vasos sanguíneos presentan
niveles altos de grises y bajo niveles de contraste. Es por eso que se analiza un histograma en el
área del pulmón segmentado y se seleccionan los pixeles con valores altos de grises como
candidatos de ROI. Luego técnicas morfológicas de erosión y dilatación son aplicadas para obtener
regiones de ROI. El tamaño de cada ROI es único dependiendo de la selección. En la Figura 3 se
muestra tres resultados obtenidos de la imagen estudiada.
Al examinar los ROI se encuentra que la mayoría de estos son vasos sanguíneos por lo que se
discrimina entre los nódulos, los vasos y los bronquios. Los niveles de grises, estilo de curvatura,
brillo y el área de cada estructura han sido considerados para ser aplicada en el proceso de
detección de los nódulos pulmonares. Para esto se propone el uso de un FCNN para esta
discriminación.
5
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica
los resultados. Un sistema difuso estima una función utilizando reglas mientras que las redes
neuronales usan data numérica. También una red neuronal entrena dinámicamente un sistema
mientras que los modelos de lógica difusa poseen un nivel de codificación directo.
Para diseñar un motor de inferencia apropiado es necesario definir un grupo de reglas iniciales
basadas en un conocimiento a priori de las imágenes. Las reglas que se usaron en el paso anterior
para definir los ROI pueden ser usados en este paso. Pero es difícil implementar un grupo de
reglas que funcionen para todos los casos que se puedan encontrar. Para esto es que se usan las
redes neuronales, para dar una solución apropiada a las reglas de inferencia como se muestra en
la Figura 4.
En la capa de entrada se tienen tres nodos de entrada que son el tamaño del área, el brillo
medio del ROI y la circularidad. Los valores obtenidos de la imagen son normalizados entre -1 y 1.
Luego este valor es multiplicado por el peso asociado por la red y transmitido a la siguiente capa.
6
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica
permanencia alta y baja pueden representarse por una función sigmoide positiva. La función media
está formada por la suma de una función sigmoide positiva y una función sigmoide negativa con un
desfasaje determinado por el centroide de la función sigmoide. Se puede ver las funciones de
permanencia en la Figura 5. La línea punteada representa la función de transferencia media
mientras que las otras dos representan la función de transferencia baja y alta.
La capa de reglas difusas está diseñada para trabajar con una combinación de las reglas de la
capa anterior. Es por esto que se tienen dieciocho reglas de inferencia de esta combinación. Para
cada regla, los nodos asociados realizan una operación de intersección, por lo que se calcula la
pertenencia mínima como la salida de cada regla de inferencia.
Por último la capa de desborrosificación se da el resultado de cada regla con su peso para asi
poder realizar ajustes de las diversas condiciones iniciales. Así los pesos utilizados en un principio
serán ajustados mediante un método de retropropagación. Luego se toma la suma del producto de
cada regla y su peso asociado para calcular la desborrosificación usando la función sigmoide.
Para el entrenamiento del sistema y la adaptación continua de los pesos de las capas de
borrosificación y desborrosificación se utilizó el método de gradiente descendente. Los valores
ideales de los nodos son uno o cero. Se calcula el error entre el valor otorgado por la red y el valor
ideal y se utiliza el método de gradiente descendiente para actualizar los pesos. EL entrenamiento
entonces comienza primero con una imagen de TC, se le extraen las tres características mediante
los procedimiento de procesamiento de imágenes. Estos valores son normalizados entre los
valores -1 y 1. Luego estos valores son propagados por la capa de borrosificación, la capa de
reglas difusas y la capa de desborrosificación para obtener la probabilidad de que el nódulo
7
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica
pulmonar estudiado sea correcto. Cuando el valor de salida es obtenido, se calcula el error entre el
valor ideal y el valor calculado. Con este error es que se procede a realizar el arreglo de los pesos
de cada una de las capas. Cada uno de los pesos son actualizados con cada paso del
entrenamiento usando el método de retropropagación. Durante el proceso de entrenamiento se
obtiene una probabilidad de que el ROI sea un nódulo pulmonar. En el trabajo estudiado se nos
dice que si el valor obtenido a la salida del sistema es mayor a 0.75, el ROI en cuestión es un
nódulo pulmonar.
8
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica
Resultados
EL sistema de detección de nódulos pulmonares propuesto ha sido implementado. Médicos
pueden utilizar este sistema y da un resultado en la detección de los nódulos instantáneamente. En
la Figura 6 se puede observar parte de la interfaz gráfica que se utiliza. Este sistema tiene un
historial que registra cada una de las etapas del análisis. Las ventanas de la izquierda y la derecha
en la Figura 6 muestran el resultado de la detección de los umbrales y la aplicación de las
operaciones morfológicas. La ventana de la derecha representa la segmentación de los ROI y cada
uno es marcado con un color diferente. El tamaño de los nódulos es también colocado en la
pantalla al lado de los círculos.
9
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica
10
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica
En la Tabla 2 se muestra una comparación del método descrito en este trabajo con otros
métodos. Las imágenes usadas son diferentes en cada uno de los métodos, pero la información
estadística que se da en cada uno de los métodos pueden ser comparada. Por los resultados
obtenidos se podría decir que el método expuesto por este trabajo es más eficiente con respecto a
la detección correcta de nódulos y el número de falsos positivos por imagen. Además la
complejidad computacional del método propuesto es baja y puede ser ejecutada eficientemente.
11
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica
La identificación de los falsos positivos es uno de los factores más importantes de evaluación
del sistema. El mantener un número alto de detección con un bajo número de falsos positivos
siempre ha sido uno de los objetivos principales. Se ha observado que la mayoría de los casos
donde se encuentra un falso positivo es en el lugar donde se ubica una arteria o vena pulmonar,
apareciendo como un objeto circular. Estos poseen una forma y un valor de gris muy parecido a la
de un nódulo verdadero, es por eso que es un trabajo importante y no sencillo diferenciar estos
casos. Para solucionar este problema es posible examinar una serie completa de TC para verificar
la relación entre la localización y las características (tamaño y circularidad) entre cortes
consecutivos. Si los ROI localizados en áreas adyacentes mantienen un tamaño similar y la
circularidad, se puede decir que es un vaso sanguíneo vertical. Esto es un método de diagnóstico
clínico.
12
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica
Conclusiones
En el trabajo presentado se propuso un esquema para la detección de nódulos pulmonares. La
segmentación de las imágenes fueron logradas por medio de una serie de técnicas como detección
del umbral, filtro de media, operaciones morfológicas y etiquetado. Cuando el ROI es analizado, se
le extrae tres características: área, brillo medio y circularidad. Luego, usando el FCNN propuesto
se identifica si representa un nódulo pulmonar. El resultado final de los experimentos realizados es
eficiente detectando nódulos de poco tamaño con una sensibilidad de 89.3% mientras que los
falsos positivos por imagen se reducen a 0.21. El radiólogo consultado para los estudios concuerda
que las reglas de inherencia usadas son de fiar.
13
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica
Bibliografía
1. Autonomous detection of pulmonary nodules on CT images with a neural network-based fuzzy
system. Daw-Tung, Lin, Chung-Ren, Yan y Wen-Tai, Chen. s.l. : Elsevier, 2005, Computerized
Medical Imaging and Graphics, Vol. 29, págs. 447-458.
2. NIH: Instituto Nacional del Cáncer. MedlinePlus. Cáncer de pulmón. [En línea] U.S. National
Library of Medicine, 12 de Noviembre de 2010. [Citado el: 6 de Diciembre de 2010.]
http://www.nlm.nih.gov/medlineplus/spanish/lungcancer.html.
3. Early lung cancer detection and treatment strategies. Port, Jeffrey L., Kent, Michael y Altorki,
Nasser K. s.l. : Elsevier, 2002, Surgical Oncology, Vol. 11, págs. 191–199.
4. The utility of computer-aided detection (CAD) for lung cancer screening using low-dose CT.
Roberts, Heidi C., y otros, y otros. s.l. : Elseiver, 2005, International Congress Series, Vol. 1281,
págs. 1137– 1142.
6. Advanced fuzzy cellular neural network: Application to CT liver images. Shitong, Wang, y otros,
y otros. s.l. : Elseiver, 2007, Artificial Intelligence in Medicine, págs. 65-77.
14
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica
15