| dc.description.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. | |
