Optimización paramétrica de técnicas avanzadas de segmentación de imágenes biomédicas : una contextualización a la patología

Abstract

[Resumen] El cáncer de pulmón produce una alta mortandad susceptible de reducirse en un 20% al detectar en los primeros estadios posibles nódulos cancerígenos utilizando CT de tórax. Si los algoritmos de procesado de las tomografías no están ajustados para la detección de nódulos se pueden perder un 17% de ellos. Se busca una parametrización óptima de los algoritmos de segmentación, basados en clusterización difusa, para delimitar píxeles de la imagen constituyentes de un posible nódulo pulmonar. Sobre un conjunto prototipo de imágenes del LIDC se han realizado segmentaciones con diversas combinaciones de precondiciones en los algoritmos, así como definido y utilizado índices de rendimiento basados en métodos de validación empírica por discrepancia que sometidos a una estadística descriptiva permiten comparar y obtener los valores de parámetros de entrada adecuados al problema. Demostrándose que fundamentalmente el tipo de densidad del Nódulo Pulmonar Solitario contenido en las imágenes junto con el parámetro de los algoritmos, número de clústeres, son los factores más influyentes en el rendimiento de todos los métodos empleados. Siendo óptimo segmentar entre ocho y diez clases aquellas imágenes con nódulo de densidad deslustrada y en tres clases todas las demás, para tener en un único clúster al nódulo cancerígeno.

[Resumo] O cancro de pulmón produce unha alta mortaldade susceptible de diminuírse nun 20% ao detectar nos primeiros estadios posibles nodosidades canceríxenas empregando CT de peito. Se os algoritmos de procesado das tomografías non están axustados para a detección de nodosidades pódense perder un 17% delas. Búscase unha parametrización óptima dos algoritmos de segmentación, baseados en clusterización difusa, para delimitar píxels da imaxe constituíntes dunha posible nodosidade pulmonar. Sobre un mesmo conxunto prototipo de imaxes do LIDC realizáronse segmentacións con diversas combinacións de precondicións nos algoritmos, e definíronse e empregáronse índices de rendemento baseados en métodos de validación empírica por diverxencia que sometidos a unha estatística descritiva permiten comparar e obter os valores de parámetros de entrada axeitados ao problema. Demostrándose que fundamentalmente o tipo de densidade da Nodosidade Pulmonar Senlleira contida nas imaxes xunto co parámetro dos algoritmos, número de clústers, son os factores máis influentes no rendemento de todos os métodos empregados. Sendo óptimo segmentar entre oito e dez clases aquelas imaxes con nodosidade de densidade deslustrada e en tres clases todas as demais para ter nun único clúster a nodosidade canceríxena.

[Abstract] Lung cancer produces high mortality susceptible of being reduced by 20% detecting carcinogenic nodules in the early stages using chest CT. If processing algorithms are unadjusted scans for detecting nodules may lose 17% of them. We are looking for optimal parameterization of segmentation algorithms based on fuzzy clustering is, to delimit the constituent pixel image of a possible pulmonary nodule. On the same set of prototype images of LIDC we have realised segmentations with various combinations of preconditions of algorithms, and defined and performance measures used methods based on empirical validation discrepancy subjected to descriptive statistics allow you to compare and get the suitable parameter values input to the problem. Showing that essentially the kind of solitary pulmonary nodule density written in the picture along with the parameter algorithms, number of clusters, are the most influential in the performance of all methods factors. Being optimal segment between eight and ten classes those images with node density tarnished and all other three classes to take to a single cluster node carcinogen.