1. IDENTIFICACIÓN DE PATRONES EN
IMÁGENES DE HÍGADO UTILIZANDO
TEMPLATE MATCHING
Estudiante:
Juan Carlos Garrido Sarasa
Directora:
María Patricia Trujillo Uribe, Ph. D.
Co-Director:
Iván Mauricio Cabezas Troyano, Ing.

2. Contenido
 Introducción
 Motivación
 Definición del Problema
 Objetivos
 Objetivo General
 Objetivos Específicos
 Propuesta de Solución
 Evaluación
 Resultados
 Conclusiones
Slide 2

3. Introducción
Ultrasonido
Resonancia Figura 2 Imagen hígado (4)
Magnética
Tomografía
computarizada
Rayos X Figura 3 Imagen Tomografía Abdomen (2)
Figura 1 Fuentes imágenes medicas (1)
Slide 3

4. Motivación
Brindar una herramienta que apoye
el diagnostico de los especialistas
Observar el interior del cuerpo
Dependiendo del órgano que se quiera
examinar y los síntomas del paciente se elige
una u otra fuente
Examinar el cerebro, médula espinal,
rupturas de ligamentos, cáncer, fracturas, etc
Buscar dentro de un repositorio de imágenes,
imágenes o áreas de imágenes que presenten
similitud con lo que está buscando
Figura 4 Diagnóstico (3)
Slide 4

5. Definición del Problema
Repositorio de imágenes de hígado y el patrón a buscar
Buscar la región en cada imagen del repositorio
Figura 6 patrón
Figura 5 Región de interés ó
(2) template T (2)
Figura 7 Repositorio de imágenes (2)
Conjunto de imágenes con
regiones similares al patrón
buscado
Figura 8 Imágenes obtenidas (2)
Slide 5

6. Objetivos
General:
 Proponer una estrategia de reconocimiento de patrones en
imágenes de hígado utilizando técnicas de Template
Matching
Específicos:
 Analizar y seleccionar algoritmos de búsqueda útiles para
identificar patrones en imágenes de hígado utilizando
algoritmos de Template Matching
 Seleccionar y evaluar métricas de similitud para identificar
patrones en imágenes de hígado utilizando algoritmos de
Template Matching
 Comparar los resultados obtenidos con otro algoritmo de
reconocimiento de patrones, en términos de precisión
 Validar los resultados obtenidos por un especialista
Slide 6

7. Propuesta de Solución
Filtrado Template Estrategia Evaluación
Matching de búsqueda
Suma de
diferencias Jerarquía de
Filtro bilateral absolutas (SAD) imágenes
Coeficiente Recorrido
de correlación simulado Matriz de
Operador de cruzada (CCC) confusión
Sobel Algoritmo
Correlación ganador
cruzada temporal
Filtro normalizada (NCC)
promedio
Distancia
geométrica (DG)
Slide 7

8. Filtrado
Figura 9 Imagen repositorio
Figura 10 Convolución con ventana de 3x3
Slide 8

9. Filtro Bilateral
i2 j 2
Ic Ii, j 1 2 2
s I c , Ii, j 1 g i, j 2
e
I max 2
Función gausiana
Función de semejanza
- Preserva los bordes de la imagen - Remover el ruido de la imagen
- Inversamente proporcional a la - Proximidad de cada posición al
diferencia entre la intensidad del centro del vecindario
pixel del centro del vecindario y las
intensidades de cada pixel del
vecindario
Slide 9

10. Ejemplo Filtro Bilateral
Figura 10 Ejemplo filtro bilateral
Slide 10

11. Operador de Sobel
My
M Mx2 My2 tan 1
Mx
= 85.60
Orientación
del gradiente
División de la orientación cada 22,5 Información de la dirección, Izq. Cuantización de las direcciones.
Der. Pixel de interés y sus 8 vecinos
Slide 11

12. Ejemplo Operador de Sobel
Figura11 Ejemplo operador de sobel Slide 12

13. Filtro Promedio
Figura 12 Filtro promedio máscara convolución de 3x3
Slide 13

14. Ejemplo Filtro Promedio
Figura 13 Ejemplo filtro promedio
Slide 14

15. Template Matching
Template Matching
Encontrar la ubicación de una sub imagen La posición donde es mínima la distorsión
llamada patrón o template dentro de una se toma para ubicar el template dentro de
imagen la imagen examinada
I S
T
T= patrón o template I = imagen S = imagen de similitud
T [n x m] I [k x l] S[(k – n + 1)] x [(l - m + 1)]
template matching T < I
S es una imágen intermedia
donde se va almacenando los
Calcular para cada posición de la imagen, cálculos
bajo una función de distorsión, la medida
de similitud entre el template y la imagen
Slide 15

16. Métricas de Similitud
Suma de diferencias absolutas
(SAD) [1] n n
s ( x, y ) F i, j F x + i 1, y + j 1 : x, y = 1 m n +1
1 2
Suma de diferencias absolutas i =1 j =1
basado en la estrategia de un
ganador temporal [5]
n n
F1 i, j F2 x + i 1, y + j 1
Medida de correlación c0 x, y = i=1 j=1
(Cross-correlation coeficient) [1] 1 1
n n n n
2 2 2
F i, j
1 F22 x + i 1, y + j 1
i=1 j=1 i=1 j=1
n n
F1 i, j F 1 x, y . F2 x + i 1, y + j 1 F 2
Correlacion Cruzada Normalizado c x, y =
i=1 j=1
(NCC) [4] n n
1
n n
1
2
2 2
2
F1 i, j F 1 x, y F2 x i 1, y j 1 F 2
i=1 j=1 i=1 j=1
n
Raíz de promedios de cuadrados 1
r.m.s xi2
(RMS) [1] n i 1
Slide 16

17. Suma de diferencias absolutas SAD,
Raíz de promedio de cuadrados RMS,
Medida de correlación
S Imagen de similitud
T Template [n]x[m] S[(k – n + 1)] x [(l –m + 1)]
I Imagen del repositorio
[k]x[l ]
Recorrido del template Complejidad algorítmica: O n2
sobre la imagen del
repositorio
Los valores que tome S muestran la diferencia entre la imagen del repositorio
y el Template
SAD y RMS, cuanto menor sea el valor de S(x,y), más similar es la plantilla y la ventana
Medida de correlación Toma valores entre [0, 1]
Slide 17

18. Correlación cruzada normalizado
Recorrido Box-Filtering
Columna que sale
Columna que entra F1 Template
[n]x[m]
F2 Imagen del
Fila que sale repositorio [k]x[l]
Recorrido del template
Fila que entra sobre la imagen del
repositorio
F1 Template [n]x[m]
F2 Imagen del
Recorrido Box Filtering repositorio [k]x[l]
sobre la imagen del
repositorio C Imagen
correlación
C(x, y) Toma valores entre [0, 1] C [(k – n + 1)] x [(l –m + 1)]
Complejidad algorítmica: O n2
Slide 18

19. Estrategia de Búsqueda
Jerarquía de imágenes: algoritmos de grueso
a fino (coarse to fine)
-Reducir las imágenes en tamaño y resolución
Recorrido simulado: (simulated annealing)
-Basado en un procedimiento físico de templado de metales
usado en la metalurgia para llevar un sólido a un estado de
equilibrio térmico
-Búsqueda del valor óptimo de una función de costo
-A partir de una configuración dada, busca una configuración
final siguiendo el procedimiento de optimización global en un
parámetro de control dado
Slide 19

20. Algoritmo Ganador Temporal
El principio de este algoritmo es un ordenamiento
Se elige el que menor suma tenga
SAD se puede calcular parcialmente [5]
Ilustración del algoritmo, B1 tiene
menor suma en el Nivel 0
Slide 20

21. Algoritmo ganador temporal
El principio de este algoritmo es un ordenamiento
Se elige el que menor suma tenga
SAD se puede calcular parcialmente [5]
Ilustración del algoritmo, B1
aumenta la suma y el Nivel1, ahora
el que tiene menor suma en es B3
en el Nivel 0
Slide 21

22. Algoritmo ganador temporal
El principio de este algoritmo es un ordenamiento
Se elige el que menor suma tenga
SAD se puede calcular parcialmente [5]
Ilustración del algoritmo, B3
aumenta la suma y Nivel 1, B3
sigue teniendo la menor suma en el
Nivel 1
Slide 22

23. Algoritmo ganador temporal
El principio de este algoritmo es un ordenamiento
Se elige el que menor suma tenga
SAD se puede calcular parcialmente [5]
Ilustración del algoritmo, B3
aumenta la suma y Nivel 2, ahora el
que tiene menor suma es B4 en el
Nivel 0
Slide 23

24. Algoritmo ganador temporal
El principio de este algoritmo es un ordenamiento
Se elige el que menor suma tenga
SAD se puede calcular parcialmente [5]
Ilustración del algoritmo, B4
aumenta la suma y Nivel 1, ahora el
que tiene menor suma es B3 en el
Nivel 2
Slide 24

25. Algoritmo ganador temporal
El principio de este algoritmo es un ordenamiento
Se elige el que menor suma tenga
SAD se puede calcular parcialmente [5]
Ilustración del algoritmo, B3
aumenta la suma y Nivel 3, ahora
B4 es el que tiene la menor suma
en el Nivel 1
Slide 25

26. Algoritmo ganador temporal
El principio de este algoritmo es un ordenamiento
Se elige el que menor suma tenga
SAD se puede calcular parcialmente [5]
Ilustración del algoritmo, B4
aumenta la suma y Nivel 2, ahora el
que tiene la menor suma es B3 en
el Nivel 3
Slide 26

27. Algoritmo ganador temporal
El principio de este algoritmo es un ordenamiento
Se elige el que menor suma tenga
SAD se puede calcular parcialmente [5]
Ilustración del algoritmo, B3
aumenta la suma y Nivel 4, B1, B2
y B3 tiene la menor suma en
diferentes niveles, se explora B1 y
B2 Slide 27

28. Algoritmo ganador temporal
El principio de este algoritmo es un ordenamiento
Se elige el que menor suma tenga
SAD se puede calcular parcialmente [5]
Ilustración del algoritmo, B1
aumenta la suma y Nivel 2, la
sumatoria de B1 es mayor que la de
B3
Slide 28

29. Algoritmo ganador temporal
El principio de este algoritmo es un ordenamiento
Se elige el que menor suma tenga
SAD se puede calcular parcialmente [5]
El algoritmo termina sin tener que realizar
los cálculos faltantes
El bloque ganador es B3
Ilustración del algoritmo, B2
aumenta la suma y Nivel 1, la
sumatoria de B2 es mayor que la de
B3
Slide 29

30. Evaluación
real
positivo negativo
positivo tp fp
predicho
negativo fn tn
Matriz de confusión
TN (True Negative, Verdaderos Negativos) es el número de correctas predicciones que en realidad son negativas
FP (False Positive, Falsos Positivos) es el número de incorrectas predicciones que en realidad son negativas
FN (False Negative, Falsos Negativos) es el número de incorrectas predicciones que en realidad son positivas
TP (True Positive, Verdaderos Positivos) es el número de correctas predicciones que en realidad son positivas
Porcentaje de información correcta
Porcentaje de casos correctos respecto
al total de selecciones que pertenecen al patrón
Slide 30

31. Resultados
Modelo propuesto 1
Modelo propuesto 2
Slide 31

32. Resultados
- repositorio tp fp fn tn presición(%) cobertura(%) tiempo prom.(seg)
ccc 34 28 4 2 0 87,50 93,33 112,03
ncc 34 22 4 8 0 84,62 73,33 112,28
sad 34 29 0 1 4 100,00 96,67 70,83
sad_wus 34 28 0 2 4 100,00 93,33 53,35
dg 34 25 4 5 0 86,21 83,33 54,17
Resultados métricas de similitud con filtro
- repositorio tp fp fn tn presición(%) cobertura(%) tiempo prom.(seg)
ccc 34 28 4 2 0 87,50 93,33 106,69
ncc 34 22 4 8 0 84,62 73,33 105,70
sad 34 28 0 2 4 100,00 93,33 67,59
sad_wus 34 28 0 2 4 100,00 93,33 55,61
dg 34 4 4 26 0 50,00 13,33 49,37
Resultados métricas de similitud sin filtro
Slide 32

33. Resultados SAD
TP
TN
FN
Slide 33

34. Resultados DG
TP
FP
FN
Slide 34

35. Observaciones Finales
 Se comprobó que las métricas suma de diferencias absolutas, coeficiente de
correlación cruzada y la correlación cruzada normalizado, filtrando las imágenes y
sin filtrar, se obtienen los resultados que teóricamente se esperarían, la mínima
diferencia fue 0 en la suma de diferencias absolutas, y ocurre cuando se compara
contra la misma imagen que está en el repositorio. Para las métricas coeficiente
de correlación cruzada y la correlación cruzada normalizado, la máxima
correlación fue 1 y ocurre cuando se compara contra la misma imagen que está en
el repositorio
 Al validar los resultados con un especialista se observa que la métrica SAD es
con la que se obtiene mejores resultados
 Con la estrategia de búsqueda implementada basada en un ganador temporal
se observa que las imágenes resultado son muy similares a los resultados
obtenidos con la métrica SAD y se disminuye el tiempo de ejecución
 Se observó que a pesar de las estrategias de optimización implementadas, el
tamaño de la región de búsqueda impacta en los tiempos de respuesta de la
aplicación
Slide 35

36. Software
Figura 14 Modelo vista controlador
Slide 36

37. Diagrama de Clases
Figura 15 Diagrama de clases
Slide 37

38. Lo que permite hacer la aplicación
Agregar repositorio de
imágenes
Leer repositorio de
imágenes
Buscar dentro de un repositorio de imágenes,
imágenes o áreas de imágenes que presenten
similitud con la región de interés que se está
buscando
Guardar región de interés
Leer imagen
Seleccionar región de interés
Slide 38

39. Bibliografía
 [1] L. Ding, A. Goshtasby, and M. Satter. Volume image registration by template
matching. Science Direct Image and Vision Computing Volume 19, Issue 12, 1
October 2001, Pages 821-832
 [2] G. Borgefors, Hierarchical chamfer matching: a parametric edge matching
algorithm. IEEE Transactions on Pattern Analysis and Machine Intelligence 10 6
(1998), pp. 849–865.
 [3] J. You, W.P. Zhu, E. Pissaloux, H.A. Cohen, Hierarchical Image Matching: A
Chamfer Matching Algorithm Using Interesting Points. IEEE, Pages 70–75
 [4] J.N. Sarvaiya, S. Patnaik, S. Bombaywala. Image Registration By Template
Matching Using Normalized Cross-correlation. IEEE International Conference on
Advances in Computing, Control, and Telecommunication Technologies 2009,
Pages 819-822
 [5] Yong-Sheng Chen; Yi-Ping Hung; Chiou-Shann Fuh; A Fast Block Matching
Algorithm Base don the Winner-Update Strategy.In Proccedings of the Fourth
Asian Conference on Computer Vision, Taipei, Taiwan, Jan. 2000, Volume 2,
pages 977-982.
 [6] Herng-Hua; Woiei C. Chu; Double Bilateral Filtering for Image Noise Removal,
IEEE, 2009 World Congress on Computer Science and Information Engineering.
Slide 39

40. Referencias
 (1) http://www.nlm.nih.gov/medlineplus/spanish/diagnosticimaging.html
 (2) Imágenes Clínica Valle del Lili
 (3) http://www.nlm.nih.gov/medlineplus/spanish/diagnosticimaging.html
 (4) http://fundacionannavazquez.files.wordpress.com/2008/03/higado.jpg
Slide 40

41. Preguntas
Slide 41

42. Gracias
Slide 42