HERRAMIENTA PARA CARACTERIZACION DE RENDIMIENTO DE ALGORITMOS DE SEGMENTACION EN IMÁGENES MICROSCOPICAS Sustentación Tesis de Grado. Facultad de Ingeniería Eléctrica y Computación – FIEC 08-02-2007

Que es la segmentación? La segmentación es el proceso que divide una imagen en regiones cuyos píxeles poseen atributos similares, por ejemplo, intensidad, textura, movimiento. Idealmente cada región segmentada corresponde a un objeto que se encuentre en la escena. Correcta segmentación requiere un alto conocimiento del dominio del problema

Segmentación de la Imagen Región Etiquetada Cada píxel de la imagen de entrada se la etiqueta con un valor numérico que indica su pertenencia a un grupo de píxeles que comparten una propiedad común

Resultado de la segmentación Resultado: Imagen binaria más fácil de extraer información de ahí.

Tareas repetitivas necesitan proceso automáticos Por que es importante? En tareas repetitivas como el análisis de imágenes, los resultados dependen de factores como la fatiga y el cansancio y la experiencia. Se obtienen resultados son subjetivos. Tareas repetitivas necesitan proceso automáticos

Que busca citopatólogo Lee el slide en el microscopio. Busca anormalidades de las células por todo el slide. Dependiendo del grado de las deformaciones da un diagnóstico. Analiza cientos de muestras por día. Muestra de células cérvico uterina. (a) Núcleo de la célula. (b) Citoplasma. (c) Algún tipo de bacteria. (d) Diversos elementos celulares.

Conocimiento del dominio del problema Normal Displasia Normal: Núcleos y citoplasmas de tamaño uniforme. Displasia: El índice núcleo-citoplasma es un poco elevado en comparación con las otras células. Ligera alteración. Cáncer se pierde por completo la relación tamaño núcleo. Cáncer

Problema a resolver (a) Imagen cérvico uterina (b) Resultados obtenidos de la segmentación aplicando diferentes algoritmos.

Formación de la imagen

Espacios de Color Es una representación matemática de nuestra percepción. Se puede especificar, crear y visualizar información del color. La computadora define en color por medio de la combinación de ondas de luz (RGB). Impresora define el color en términos de la mezcla sustractiva de pigmentos de tinta CMYK.

Espectro electromagnético INTERPRETACION HUMANA THE VISIBLE SPECTRUM LIGHT NTSC HSI Lab RGB CMY(K) HSL CIELuv CIELab XYZ YIQ YUV YCbCr YCC

Curvas ROC Análisis de curvas ROC (Receiving Operating Curves) que miden términos de sensibilidad y especificidad el rendimiento de los algoritmos utilizados. Métricas definidas como la proporción de píxeles que pertenecen al objeto de interés detectados correctamente y la proporción de píxeles que no pertenecen al objeto de interés y no forman parte de el resultado de la segmentación. Resultados que deben coincidir con los píxeles clasificados manualmente por un especialista encapsulados en una plantilla.

Curvas ROC La metodología ROC fue desarrollada en el contexto de la detección de señales electrónicas en los inicios de la década de los 50 y su primera aplicación fue motivada por problemas prácticos en la detección de señales por radar. A mediados de los 60 se habían usado las curvas ROC en psicología y psicofísica experimental [10].

Algoritmos de Segmentación Basados en el histograma. (Agrupa píxeles que tienen las mismas propiedades). Basado en la detección de bordes (Objetos destacan de su entorno y tienen bordes definidos). Segmentación basada en regiones.(Combina información de ubicación espacial y Similaridad de los píxeles). Similitud: Cada uno de los píxeles de un elemento de la imagen tiene valores parecidos para alguna propiedad como intensidad, color, textura, movimiento, etc. Discontinuidad: Los objetos destacan del entorno y tienen bordes definidos. Conectividad: Los píxeles pertenecientes al mismo objeto tienden a ser contiguos.

EXPERIMENTO Objetivos Crear aplicación de software que permita caracterizar algoritmos de segmentación. Crear una base de datos con imágenes microscópicas. Generar curvas ROC para varios algoritmos de segmentación Metodología Imágenes microscópicas fueron provistas por APROFE y digitalizadas con cámara AxioCAM Mrc5 + Microscopio Axioskop2 plus. Espacios de Color fueron probados RGB HSL LUV LAB XYZ YIQ YUV YCbCr y YCC. Curvas ROC fueron generadas variando parámetro de entrada de los algoritmos evaluados

RESULTADOS Publicaciones Herramienta de Software fue implementada Algoritmos Watershed y Meanshift fueron evaluados. Base de imágenes microscópicas fueron creados Resultados iniciales planos derivados del espacio XYZ son recomendados para segmentación de imágenes microscópicas. Publicaciones D. Ochoa. C Crespo. Evaluación cuantitativa de espacios de color para la segmentación de imágenes celulares microscópicas, II Congreso Nacional de Investigación, Tecnologías e Innovación & jornadas de Espolciencia. Categoría: Póster. Ecuador. Noviembre 2006 Crespo Christopher, “Herramienta para caracterización de rendimiento de algoritmos de segmentación” Tesis de grado previo a la obtención del título de Ingeniero en Computación, Universidad ESPOL Facultad: FIEC, Ecuador 2007. Director de Tesis: Daniel Ochoa.

Software desarrollado Generador de Plantilla Segmentación semi-automática Evaluación Imágenes segmentadas Plantilla Resultados

Software Desarrollado Watershed Meanshift

Generador Plantilla

Generador Plantilla

Generador Plantilla

Generador Plantilla

Generación semi-automática (Watershed)

Generación semi-automática (MeanShift)

Resultados Iniciales obtenidos usando la herramienta Evaluación Resultados Iniciales obtenidos usando la herramienta

Preguntas? Gracias a todos por estar aquí. =)