Calavera calculo de estructuras de cimentacion.pdf
Presentacion encuentro gloria bautista
1. Procesamiento
digital
de
imágenes
médicas.
Algoritmos
de
segmentación
Gloria
Isabel
Bautista
Lasprilla
Profesora
Asociada,
Facultad
de
Ingeniería
UNIVERSIDAD
TECNOLÓGICA
DE
BOLÍVAR
Estudiante
de
doctorado
en
ingeniería,
énfasis
en
electrónica
y
computación
Sonia
Helena
Contreras
Ortíz
UNIVERSIDAD
TECNOLÓGICA
DE
BOLÍVAR
Directora
de
Tesis
2. Introducción
• El
producto
de
está
investigación
debe
ayudar
en
el
diagnóstico
y
monitoreo
de
enfermedades.
• El
procesamiento
de
imágenes
médicas
permite
obtener
información
vital
observando
el
interior
del
cuerpo
humano
de
una
forma
no
invasiva.
• El
propósito
es
extraer,
con
ayuda
del
computador,
información
clínica
útil
acerca
de
estructuras
anatómicas
a
partir
de
imágenes
de
ultrasonido.
• Los
algoritmos
que
realizan
extracción
de
estructuras
de
interés
en
imágenes
son
conocidos
como
algoritmos
de
segmentación
de
imágenes.
3. Retos
Los
métodos
convencionales
para
reconstruir
estructuras
cardiacas
a
partir
de
imágenes
médicas
vienen
presentando
inconvenientes
a
la
hora
de
hacer
mediciones
cuantitativas
confiables.
El
ruido,
las
distorsiones,
los
artefactos
dificultan
las
tareas
de
segmentación,
análisis
y
reconstrucción
en
3D.
Por
lo
tanto
el
reto
se
tiene
en:
1. Las
tareas
de
segmentación
2. Y
la
reconstrucción
tridimensional.
4. Marco
conceptual
• Procesamiento
digital
de
señales
• Filtrado
digital
• Segmentación
de
imágenes
médicas
• Crecimiento
de
regiones
• Contornos
activos
• Análisis
de
algoritmos
y
complejidad
• Herramientas
y
algoritmos
de
Renderización.
7. Análisis
y
recolección
de
datos
• Evaluación
de
los
algoritmos
• Análisis
de
algoritmos
y
complejidad
• Calidad
de
Imágenes
• Señal
/
ruido
• Resolución
Recolección de
datos
• Imágenes
de
estudios
clínicos.
• Imágenes
tomadas
en
el
laboratorio
de
la
UTB.
• Imágenes
con
software
de
simulación.
8. Segmentación
de
imágenes
• La
segmentación
de
imágenes
se
refiere
a
su
división
en
regiones
conformadas
por
pixeles
que
comparten
ciertas
propiedades.
• La
segmentación
de
imágenes
médicas
se
realiza
para
identificar
formas
y
tomar
mediciones
biométricas.
• Los
métodos
de
segmentación
en
general
pueden
clasificarse
en
aquellos
que
se
basan
en
la
detección
de
bordes
y
en
los
que
realizan
identificación
de
regiones.
9. Contornos
activos
• Los
ASM
(Active
Shape Models)
se
basan
en
un
conjunto
de
imágenes
de
entrenamiento.
Construcción
de
modelos
a
partir
de
conjuntos
ejemplos.
• Un
modelo
es
entrenado
a
partir
de
un
conjunto
de
imágenes
(Dibujadas
por
un
experto).
• De
éstas
imágenes
se
captura
la
variabilidad
en
las
formas.
Se
construye
un
modelo
que
imite
la
variación.
• El
modelo
generado
junto
con
el
método
de
deformación
constituyen
un
algoritmo
robusto
y
eficiente
para
la
detección
de
contorno.
10. Imagen
de
entrenamiento
Se
muestra
los
diferentes
contornos
del
conjunto
de
datos
de
entrenamiento,
a
la
izquierda
contornos
alineados
en
escala,
rotación
y
desplazamiento.
A
la
derecha
contornos
alineados
en
rotación
y
desplazamiento.
11. Se
muestra
diferentes
imágenes
de
una
próstata
tomadas
con
ultrasonido
en
proceso
de
segmentación.
12. Las
gráficas
muestran
la
segmentación
de
dos
imágenes
médicas,
utilizando
el
algoritmo
del
método
contornos
activos.
13. Las
gráficas
muestran
la
segmentación
de
dos
imágenes
médicas,
utilizando
el
algoritmo
del
método
contornos
activos.
14. • Región
creciente
(region growing)
es
una
técnica
para
extraer
regiones
de
la
imagen.
• El
criterio
para
las
regiones
puede
estar
basado
en
información
de
intensidades
y/o
bordes
de
la
imagen.
• Este
método
requiere
de
un
punto
semilla
(seed point)
que
es
seleccionado
manualmente
por
el
usuario,
y
extrae
todos
los
pixeles
conectados
a
la
semilla,
que
cumplan
un
criterio
de
inclusión.
• Los
métodos
basados
en
el
crecimiento
de
regiones
constituyen
un
enfoque
flexible
y
poderoso
para
la
segmentación
de
imágenes,
orientado
a
la
búsqueda
de
regiones
homogéneas.
Crecimiento
de
regiones
15. Crecimiento
de
regiones
• El
criterio
para
semillas:
• Proximidad
y
• Similitud
de
los
grupos
de
pixeles.
• Luego
el
algoritmo
de
crecimiento
evoluciona
iterativamente
con
el
fin
de
incorporar
aquellos
vecinos
inmediatos
a
los
puntos
previamente
incluidos
que
satisfacen
un
criterio.
• Este
proceso
finaliza
cuando
no
hay
elementos
que
cumplan
tal
condición.
• La
salida
del
proceso
de
segmentación
consiste
en
un
conjunto
conectado
y
rotulado
de
puntos
de
la
imagen
que
han
resultado
incluidos
en
cada
una
de
las
regiones
de
interés.
16. Crecimiento
de
regiones
• El
algoritmo
de
crecimiento
de
región
fue
desarrollado
teniendo
en
cuenta
el
píxel
en
evaluación
𝑔" el
cual
es
aceptado
en
la
región,
si
cumple
con
el
siguiente
criterio:
𝑔" − 𝑔"$%
𝑀
< 𝐾
• En
donde
𝑔"$% es
el
píxel
previamente
aceptado,
• K
es
una
variable
que
indica
el
nivel
de
ruido
en
la
imagen.
• M
es
una
constante
de
normalización.
18. Las
gráficas
muestran
la
segmentación
de
dos
imágenes
médicas,
utilizando
el
algoritmo
del
método
crecimiento
de
regiones.
19. Crecimiento
de
regiones
• El
algoritmo
compara
el
gradiente
de
intensidad
contra
el
nivel
de
ruido
dentro
de
la
región
para
tomar
una
decisión
acerca
de
la
inclusión
de
píxeles.
• Si
el
gradiente
es
menor
que
el
nivel
de
ruido,
el
píxel
es
aceptado
en
la
región.
• Después
de
la
segmentación,
los
límites
de
la
región
están
suavizados.
20. Resultados
Las
gráficas
muestran
la
segmentación
de
dos
imágenes
médicas,
utilizando
el
algoritmo
del
método
de
región
creciente.
21. Conclusiones
• Se
presenta
un
enfoque
de
segmentación
de
imágenes
digitales
mediante
la
integración
de
algoritmos
basados
en
regiones
y
contornos
deformables.
• Los
resultados
preliminares
obtenidos
han
mostrado
su
aplicabilidad
al
lograr
contornos
en
algunas
imágenes.
• Se
continuará
con
la
experimentación
de
los
algoritmos
hasta
obtener
contornos
segmentados
de
calidad
para
su
utilización
en
renderización.
22. Por
su
atención
GRACIAS
CONTACTO
Ing.
Gloria
Isabel
Bautista
Lasprilla
• bautistalasprilla.gloriaisabel@gmail.com
• gloria@utbvirtual.edu.co
• gbautista@unitecnologica.edu.co
¿Preguntas?