Reconocimiento de patrones en imágenes médicas para la detección de hiperplasia utilizando la transformada wavelet

Abstract

RESUMEN: La presente tesis realiza el análisis, detección y evaluación de resultados del reconocimiento de patrones en imágenes médicas, al aplicarles un filtro Wavelet y el análisis de componentes principales (PCA). A partir de imágenes de tejido prostático, que contenían diversos padecimientos tales como hiperplasia, prostatitis y cáncer, se formaron dos conjuntos de pruebas (imágenes nuevas a detectar) y otro que fungía como banco de imágenes. Por un lado, la transformada Wavelet permite obtener una descomposición en los CA, CV, CH, y CD de las imágenes contenidas en ambos conjuntos, es decir, se obtuvieron las fluctuaciones y análisis de las imágenes a fin de resaltar texturas, bordes y detalles para un mejor procesamiento de las mismas. Por otro lado, el análisis de componentes principales es un algoritmo estadístico que permitió transformar el banco de imágenes en un conjunto de valores linealmente no correlacionados denominados componentes principales. Aplicando el mismo proceso de obtención de los componentes principales para cada imagen muestra que se desea procesar, se compararon cada uno de los vectores de la matriz PCA del banco de imágenes con el vector de componentes principales de la imagen (muestra) nueva. A partir de la obtención de su distancia Euclidiana, respecto a ambos PCA, el menor valor de este cálculo indicó la imagen del banco que es más parecida a la muestra, así la imagen detectada es el diagnóstico de la imagen muestra. Por ejemplo, si la imagen muestra a procesar contiene patrones de prostatitis, entonces la imagen detectada debe ser una contenida dentro del conjunto de dicho padecimiento. Cabe señalar que para que se pudieran obtener las componentes principales en ambos conjuntos, estos deben de tener las mismas características, es decir, mismas dimensiones, debe ser la misma componente Wavelet en ambos casos y mismo formato de imagen. En tal sentido se realizaron diversas pruebas, a fin de mejorar la tasa de éxito en el reconocimiento de las imágenes, encontrando de esa forma que el porcentaje de éxito puede ascender a poco más del 50% en todas las componentes Wavelet, cuando las imágenes de tejido prostático son recortadas en 25 trozos a fin de limitar y definir aún más cada uno de los patrones que definen cada padecimiento. En este trabajo se presentarán todos y cada una de los resultados obtenidos a partir de dichas pruebas, a través de tablas y gráficas, para evidenciar los aumentos y disminución en la tasa de éxito.

ABSTRACT: Abstract The present test performs the analysis, evaluation and evaluation of the results of the recognition of patterns in medical images, as well as the Wavelet analysis and the analysis of the main components (PCA). From images of prostatic tissue, which contained various conditions such as hyperplasia, prostatitis and cancer, two sets of tests were formed and others that served as a bank of images. On the one hand, the Wavelet transform allows to obtain a decomposition in the CA, CV, CH, and CD of the controlled images in both sets, that is, the fluctuations and the analysis of the images of the textures, edges and details for better processing of them. On the other hand, the analysis of the main components is a statistical algorithm that allows transforming the image bank into a set of linearly uncorrelated values called principal components. Applying the same process of obtaining the main components for each sample image that is desired, it is compared with all the vectors of the PCA matrix of the image bank with the vector of the main components of the new image (sample). From the obtaining of its Euclidean distance, with respect to both PCA, the lower value of this calculation indicates the image of the bank that is more similar to the sample, this is the image detected in the diagnosis of the sample image. For example, if the image shows below, it contains patterns of prostatitis, then the image detected must be within the set of said condition. It should be noted that for what the main components have been obtained in both sets, they must have the same characteristics, that is, the same dimensions, must be the same Wavelet component in both cases and the same image format. In this sense, it can reach the tests, in order to improve the success rate in the recognition of the images, finding in this way that the percentage of success can go up a little more than 50% in all the Wavelet components, when the Prostate tissue images are cut into 25 pieces in order to limit and further define one of the patterns that define each condition. In this work, each and every one of the results obtained from the tests were presented, through tables and graphs, to show the increases and decrease in the success rate.