Está en la página 1de 18

Informe de

Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

1 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador

Informe de Pasanta de Investigacin

Tema: Reconocimiento de Patrones aplicado al
procesamiento de imgenes mdicas

Aplicacin: Asistencia al control de dilisis
peritoneal

Pasante: Sr. Diego Bladimir Haro Fernndez
Tutores: Ing. Diego Sebastin Comas
Dr. Gustavo Javier Meschino















Informe de
Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

2 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador

2. ndice general
1. PORTADA
2. CONTENIDO
2.1. ndice general
2.2. Introduccin
2.3. Informacin General
2.3.1. Empresa y/o institucin
2.3.2. Duracin de las prcticas pre-profesionales.
2.3.3. reas
2.3.4. Responsable empresa
2.3.5. Actividades Realizadas
2.4. Objetivos
2.5. Actividades desarrolladas
2.5.1. Parte terica
2.5.1.1 Fundamentos de procesamiento digital de imgenes
2.5.1.2 Reconocimiento de patrones en imgenes
K-means
Fuzzy C-Means
K-vecinos ms prximos
2.5.1.3Deteccin de bordes en imgenes - filtro de SOBEL
2.5.1. Parte prctica
2.5.1.1. Materiales
2.5.1.2. Mtodo
Extraccin de caractersticas
Reconocimiento de patrones
Resultados
2.6. Conclusiones
2.7. Recomendaciones
2.8. Resumen
2.9. Referencias
3. PORTADA




Informe de
Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

3 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador

2.2. Introduccin
Los pacientes que padecen de insuficiencia renal estn obligados a realizarse dilisis. Los
tipos ms comunes de dilisis son: la hemodilisis y la dilisis peritoneal (DP), cada una de estas
con sus procedimientos mdicos asociados tiene ventajas y desventajas. En este trabajo nos
enfocaremos en dilisis peritoneal.
La implementacin de la dilisis peritoneal requiere el acceso al peritoneo del paciente (ver
Figura 1). Este acceso rompe las barreras normales de la piel. Debido a esto y a que los pacientes
que sufren de insuficiencia renal y se encuentran en tratamiento de dilisis generalmente tienen
un sistema inmune levemente suprimido, las infecciones son relativamente comunes.
Para determinar si el paciente ha sufrido algn tipo de infeccin debe examinarse bajo
microscopio el efluente (el lquido extrado luego de la dilisis). Un efluente nublado o de tono
oscuro indica una probable infeccin peritoneal. Sin embargo, debido al volumen de pacientes que
reciben los grandes hospitales donde se realizan este tipo de procedimientos, el anlisis de las
muestras del efluente requiere de grandes costos operativos, principalmente debido al tiempo que
dedican los especialistas para determinar si existe infeccin o no.
En este trabajo se propone el anlisis de una posible automatizacin de este
procedimiento, mediante la captura fotogrfica del lquido peritoneal y el uso de tcnicas de
Procesamiento Digital de Imgenes (PDI) y tcnicas de reconocimiento de patrones que permitan
determinar, a partir de la imgenes de las muestras y de manera automtica, si existe o no
infeccin.

Figura 1: Esquema el equipo ambulatorio para la dilisis peritoneal.
Informe de
Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

4 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador

2.3. Informacin general
3.1 Institucin:
Universidad Nacional Mar del Plata- Argentina
3.2 Duracin:
Las prcticas pre profesionales se realizaron de febrero a marzo del 2013, con un total de 160
horas.
3.3 rea y Responsable
reas:
Departamento de investigacin de procesamiento digital de imgenes.
Departamento de investigacin de bioingeniera.
Responsables:
Ing. Diego Sebastin Comas, Investigador.
Dr. Gustavo Javier Meschino, Investigador.
3.4 Actividades Realizadas:

- Adquirir los conocimientos bsicos de procesamiento digital de imgenes y
algoritmos de reconocimiento de patrones.
- Extraccin de caractersticas de la imgenes (muestras de dilisis peritoneal)
- Aplicar los algoritmos de reconocimiento de patrones para clasificar cada una
de las imgenes.


Informe de
Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

5 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador

2.4. Objetivos
Una imagen es una representacin pictrica de un objeto o fenmeno que contiene
informacin descriptiva de ste. El procesamiento de imgenes es la manipulacin de los
datos contenidos en la imagen para convertirlos en informacin til. Dicho procesamiento
puede realizarse en forma: ptica, analgica o digital. La manipulacin de esta informacin
en forma digital constituye lo que se denomina PDI (Gonzalez and Woods, 2002).

2.5. Actividades desarrolladas
2.5.1 Parte terica
2.5.1.1 Fundamentos de procesamiento digital de imgenes
Una imagen es una representacin pictrica de un objeto o fenmeno que contiene
informacin descriptiva de ste. El procesamiento de imgenes es la manipulacin de los datos
contenidos en la imagen para convertirlos en informacin til. Dicho procesamiento puede
realizarse en forma: ptica, analgica o digital. La manipulacin de esta informacin en forma
digital constituye lo que se denomina PDI (Gonzalez and Woods, 2002).
Una imagen digital queda definida por una funcin
2 3
:
f
f D c , donde el conjunto
de llegada define los valores de las componentes de color para cada pxel de la imagen. Si la
imagen est en niveles de gris, la misma puede definirse como una funcin
2
: 0, 255
f
f D c
en donde el conjunto de llegada ahora indica el nivel de intensidad de cada pxel, correspondiendo
0 a la mnima intensidad (negro) y 255 a la mxima intensidad (blanco) (Ballard and Brown, 1992).
Algunos conceptos relacionados a la representacin de imgenes digitales que son
relevantes en este trabajo se definen en el resto de esta seccin.
La profundidad de color (PC) es la cantidad mxima de colores distintos que se puede
representar para un determinado modelo de representacin.
La representacin de color en imgenes digitales utiliza diferentes sistemas de
representacin. El nivel de color puede representarse por medio de su descomposicin en colores
fundamentales, cada uno de estos es conocido como un componente. Existen transformaciones
Informe de
Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

6 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador

para convertir una imagen de un espacio color a otro. Los espacios de color ms usados se
presentan a continuacin.
El espacio de color RGB (Red-Green-Blue) usa la composicin del color en trminos de la
intensidad de los colores primarios de la luz: rojo, verde y azul. RGB es un modelo de color basado
en la sntesis aditiva. Todos los colores posibles que pueden ser creados por la mezcla de estas tres
luces de color son aludidos como el espectro de color de estas luces en concreto. Cuando ningn
color luz est presente se percibe el negro. En este sistema cada pxel de la imagen tiene asociado
un vector de tres componentes con los valores de intensidad de cada color (ver Figura 2).

Figura 2: Esquema de la representacin de una imagen en el sistema RGB.
Cada matriz representa la intensidad de una componente de color.
El sistema CMY (Cyan-Magenta-Yellow) trabaja mediante la absorcin de la luz (colores
secundarios). Los colores que se ven son la parte de luz que no es absorbida. En CMY, magenta ms
amarillo producen rojo, magenta ms cian producen azul, cian ms amarillo generan verde y la
combinacin de cian, magenta y amarillo forman negro. El negro generado por la mezcla de colores
primarios sustractivos no es tan denso como el color negro puro (uno que absorbe todo el espectro
visible). Es por esto que al CMY original se ha aadido un canal clave (key), que normalmente es el
canal negro (black), para formar el espacio CMYK o CMYB. El color en RGB est hecho por la
reflexin o emisin de luz, mientras que el CMY, mediante la absorcin de sta. La Figura 3
muestra una representacin de la superposicin de color de las componentes del sistema de
representacin CMYK.
Informe de
Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

7 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador


Figura 3: Superposicin de componentes de color en el sistema CMYK.

El espacio de color HSV (Hue, Saturation, Value), es un espacio de color cilndrico, pero
normalmente asociado a un cono o cono hexagonal, debido a que es un subconjunto visible del
espacio original con valores vlidos de RGB (Figura 4). Tiene 3 componentes, las cuales se
describen a continuacin:
- Matiz (Hue): Se refiere a la frecuencia dominante del color dentro del espectro visible.
Es la percepcin de un tipo de color, normalmente la que uno distingue en un arcoris,
es decir, es la sensacin humana de acuerdo a la cual un rea parece similar a otra o
cuando existe un tipo de longitud de onda dominante. Incrementa su valor mientras
nos movemos de forma antihoraria en el cono, con el rojo en el ngulo 0.
- Saturacin (Saturation): Se refiere a la cantidad del color o a la "pureza" de ste. Va
de un color "claro" a un color ms vivo (azul cielo azul oscuro). Tambin se puede
considerar como la mezcla de un color con blanco o gris.
- Valor (Value): Es la intensidad de luz de un color. Dicho de otra manera, es la cantidad
de blanco o de negro que posee un color.

Figura 4: Representacin del espacio de color HSV.


Informe de
Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

8 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador

2.5.1.2. Reconocimiento de patrones en imgenes
El uso de tcnicas de reconocimiento de patrones en imgenes comprende dos etapas. En
la primera se realiza un procesamiento de las imgenes mediante el cual se extraen diferentes
caractersticas (features): caractersticas de informacin de color, de texturas, informacin de
posicin, etc. En la segunda etapa toda esta informacin reunida en las caractersticas es ingresada
a un algoritmo de reconocimiento de patrones (Comas et al., 2010), que permitir clasificar la
informacin.
El fin ms general de la aplicacin de estos algoritmos es la segmentacin de las imgenes
(ver Figura 5), lo cual permite clasificar cada pxel de la imagen. Sin embargo, las caractersticas
pueden se obtenidas de manera global en las imgenes (un vector de caractersticas por imagen).
Con este enfoque, los algoritmos de reconocimiento de patrones clasifican diferentes imgenes y
no pxeles. Este ser el enfoque utilizado en este trabajo.
La seleccin de las caractersticas o descriptores es una tarea sumamente importante del
proceso, que debe realizarse de acuerdo a la problemtica planteada y de ella depender en gran
medida el desempeo del proceso de clasificacin.

Figura 5: Aplicacin tpica de reconocimiento de patrones en imgenes.
El reconocimiento de patrones se define como el proceso en el cual se agrupa a un
conjunto de datos en una determinada cantidad de grupos (clusters) mediante un mecanismo de
decisin (Jain et al., 1999). De acuerdo a la informacin que se utilice para el ajuste o definicin del
algoritmo puede distinguirse entre (Comas et al., 2010):
Informe de
Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

9 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador

- Algoritmos supervisados: en ellos los parmetros internos del algoritmo son ajustados
de acuerdo a un conjunto de datos previamente clasificados (un conjunto de datos
etiquetados en diferentes clases). La descripcin obtenida de este proceso de ajuste
es, entonces, utilizada para clasificar un nuevo conjunto de patrones. Este tipo de
algoritmo se conoce como clasificacin supervisada o anlisis discriminante.
- Algoritmos no supervisados: en este tipo de algoritmo, el problema consiste en
agrupar un conjunto de datos no clasificados en grupos significados, sin utilizar
informacin previa sobre el agrupamiento esperado. La informacin de las clases es
nicamente obtenida a partir de los propios patrones a agrupar. Este tipo de tcnicas
se conocen como tcnicas de clasificacin no supervisada, agrupamiento o clustering.
A continuacin se realizar una breve explicacin de las 3 tcnicas de reconocimiento de
patrones utilizadas en este trabajo: K-means, Fuzzy C-Means (FCM) y K vecinos ms prximos
(KNN).
K-means
En este algoritmo no supervisado, se define el nmero de clusters ( k ) a generar. Por cada
cluster, se tendr un centro en el espacio de patrones. Los datos son asignados a uno de los k
clusters segn su distancia al centro sea la menor. Este algoritmo se basa en la minimizacin de la
suma de los cuadrados de las distancias de todos los puntos de un cluster al centro del mismo es
decir, en la minimizacin de la funcin criterio de errores cuadrticos. La Figura 6 muestra un
ejemplo de un agrupamiento con K-means para un conjunto de datos en el espacio
2
. El
procedimiento se describe como sigue (Jain et al., 1999):
1. Se toman k centros de cluster iniciales { }
1
,...,
k
Z Z donde j representa la
iteracin. El criterio para asignar los centros iniciales es arbitrario.
2. En la j -sima iteracin se distribuyen el conjunto de patrones { }
1
,...,
n
X x x =
entre los k centros, asignando cada punto al cluster cuyo centro est ms cercano.
Para esta asignacin pueden utilizarse diferentes definiciones de distancia
(distancia euclidiana, suma del valor absoluto de las diferencias, etc.).
3. Se calculan los nuevos centros de cluster siguiendo el criterio de error cuadrtico.
Es decir se busca minimizar el ndice E dado por:

,
2
( 1)
j i
j i
x S
E x Z j
e
= +

,
Informe de
Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

10 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador

donde
j
E es el ndice de error cuadrtico,
, j i
x S e es el conjunto de patrones
asignados al cluster i en la iteracin j y
i
Z es el centro del cluster i .
Los nuevos centros que minimizan el ndice de error dado estn dados por:
, ,
1
( 1)
j i
i
x S
j i
Z j x
S
e
+ =

.
4. Si ( ) ( ) 1
i i
Z j Z j + = para todos los clusters, el algoritmo se detiene. En otro caso se
vuelve al paso 2.


Figura 6: Ejemplo de K-means aplicado a datos en
2
, con 3 K = .
Fuzzy C- Means:
El Fuzzy C-Means (FCM) (Ruspini, 1969), es un algoritmo de no supervisado, donde cada
dato tiene un grado de pertenencia a cada uno de los grupos, como en la lgica difusa , en lugar de
pertenecer completamente a un slo grupo (como en el caso ya visto de K-means). De esta
manera los puntos ms alejados de un centro de cluster pertenecen al cluster con un menor grado
que los puntos ms cercanos a dicho centro.
Cualquier punto
i
x X e tiene un conjunto de coeficientes que dan el grado de estar en
la k -simo clster ( )
k i
w x . En FCM, el centroide de un cluster es la media de todos los puntos,
ponderados por su grado de pertenencia al cluster, es decir:
Informe de
Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

11 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador

( )
( )
i
i
k i i
x X
x
k
X
k i
w x
w x
x
Z
e
e
=


donde y
k
Z es el centro del cluster k .
El algoritmo puede describirse como sigue:
1. Asignar al azar los coeficientes de pertenencia de los datos a cada cluster.
2. Calcular los centroides iniciales para cada grupo utilizando la frmula:
( )
( )
( )
1
i
i
i
x
X
k
k i
X
x
i
k
w x
w
x
j Z
x
e
e
= +


donde j representa la iteracin.
3. Calcular para todos los datos el grado de pertenencia al cluster usando la
frmula:
( )
( )
( )
( )
2
1
1
,
,
k
l
k i
K
i
l i
x
x
x
w
d Z
d Z

| |
|
|
=

\ .

,
donde
2
: d
+
es una funcin distancia.
4. Recalcular los centroides con la frmula descripta en el paso 2.
5. Repetir los pasos 3 y 4 hasta que el cambio en los coeficientes entre 2
iteraciones consecutivas sea menor que un valor c definido como parmetro.
K- vecinos ms prximos:
El mtodo K vecinos ms prximos (K-nearest neighbors) (Rajini, 2011; Zhu et al., 2007) es
un mtodo de clasificacin supervisada que se basa en la estimacin de la probabilidad de que un
patrn pertenezca a alguna de las clases definidas dentro del conjunto de entrenamiento (conjunto
de datos prototipo). El mtodo puede describirse como sigue:
1. Se define un conjunto de datos previamente etiquetados llamado conjunto
prototipo, notado
p
X .
2. Para cada dato de entrada se obtienen los K vecinos ms prximos dentro del
conjunto prototipo en trmino de su distancia euclidiana.
Informe de
Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

12 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador

3. La clase de un dato
i
x X e es asignada a la que ms ocurra entre los K
vecinos ms prximos obtenidos del conjunto prototipo.
2.5.1.3. Deteccin de bordes en imgenes Filtro de SOBEL
En PDI, el filtro de SOBEL (Gonzalez and Woods, 2002) es utilizado para la deteccin de
bordes. Tcnicamente es un operador diferencial discreto que calcula una aproximacin al
gradiente de la funcin de intensidad de una imagen. Para cada punto de la imagen a procesar, el
resultado del operador Sobel es tanto el vector gradiente correspondiente como la norma de ste
vector.
El operador Sobel calcula el gradiente de la intensidad de una imagen en cada punto
(pxel). As, para cada punto, este operador da la magnitud del mayor cambio posible, la direccin
de ste y el sentido desde oscuro a claro. El resultado muestra qu tan abruptamente o
suavemente cambia una imagen en cada punto analizado y, en consecuencia, que tan probable es
que ste represente un borde en la imagen y, tambin, la orientacin a la que tiende ese borde. En
la prctica, el clculo de la magnitud -probabilidad de un borde- es ms fiable y sencillo de
interpretar que el clculo de la direccin y sentido.
Matemticamente, el gradiente de una funcin de dos variables (en este caso, la funcin
de intensidad de la imagen) para cada punto es un vector bidimensional cuyos componentes estn
dados por las primeras derivadas de las direcciones verticales y horizontales. Para cada punto de la
imagen, el vector gradiente apunta en direccin del incremento mximo posible de la intensidad, y
la magnitud del vector gradiente corresponde a la cantidad de cambio de la intensidad en esa
direccin.
Lo dicho en los prrafos anteriores implica que el resultado de aplicar el operador Sobel
sobre una regin con intensidad de imagen constante es un vector cero, y el resultado de aplicarlo
en un punto sobre un borde es un vector que cruza el borde (perpendicular) cuyo sentido es de los
puntos ms oscuros a los ms claros.
El operador utiliza dos mscaras (una detecta los bordes horizontales y la otra los
verticales), que ests definidas como sigue:
1 0 1 1 2 1
2 0 2 , 0 0 0
1 0 1 1 2 1
x y
h h
( (
( (
= =
( (
( (

.
Informe de
Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

13 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador

Ambas mscaras se aplican utilizando el operador de convolucin sobre la imagen, y en
cada punto los resultados de ambos gradientes se combinan por medio de la frmula:
( ) ( )
2
2
* *
x y
G X h X h = +
En la Figura 7 se muestra un ejemplo del resultado obtenido sobre una imagen al aplicar el
filtro de Sobel.

a)

b)
Figura 7: Ejemplo de filtro de Sobel. a) Imagen original. b) Bordes detectados.
2.5.2. Parte Prctica
2.5.2.1. Materiales
Las imgenes fueron tomadas con una cmara digital de 14 megapxeles. Todas las
imgenes fueron tomadas con la misma cmara fotogrfica e intentando reproducir las mismas
condiciones de luminosidad y posicin de la cpsula de Petri. Se incluy un rombo de color oscuro
para normalizar la posicin de las imgenes.
La base de datos tiene 414 fotografas que se han tomado desde 04/04/2012 hasta el
13/12/2012, promedio hay 3 imgenes por paciente. Todas las muestras tienen una clasificacin
previa establecida por los expertos. Esta clasificacin ser utilizada para computar el error de
clasificacin. La gran mayora de fotografas poseen una resolucin de 4320x3240 pixeles pero
tambin existen un pequeo nmero de fotografas con baja resolucin. En la Figura 8 se muestra
un ejemplo de una de las imgenes.
El software utilizado fue Matlab 7.6.0.324 (R2008a) y las libreras de procesamiento de
imgenes y de reconocimiento de patrones. Adems se utilizaron funciones especficas de una
Informe de
Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

14 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador

librera desarrollada en el Grupo de Procesamiento Digital de Imgenes de la UNMDP (Comas et
al., 2010).

Figura 8: Ejemplo de una de las imgenes de la secuencia.
2.5.2.2. Mtodo
El mtodo se divide en dos etapas. La primera es la extraccin de caractersticas. En la
segunda se aplican los algoritmos de reconocimiento de patrones para clasificar cada una de las
imgenes.
Extraccin de caractersticas:
Se procedi a tomar en una imagen inicial (utilizada para el ajuste) 4 regiones
representativas de la muestra y una quinta regin en la que se incluye la transicin entre el fondo
y el borde, zona del rombo. Con la ayuda de una serie de algoritmos de Matlab se extiende la
misma seleccin inicial para todo el resto de las imgenes de la base de datos. La Figura 9 muestra
un ejemplo de una seleccin inicial de regiones.

Informe de
Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

15 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador

Figura 9: Ejemplo de una posible seleccin de regiones para el clculo de las caractersticas.

Se utilizaron el sistema de color RGB y el HSV aprovechando funciones propias de Matlab
para dichas transformaciones. Se program en Matlab un algoritmo de extraccin de
caractersticas, combinando diferentes tcnicas, y obteniendo 10 caractersticas para cada regin
de la imagen, las cuales se describen como sigue:
1. R (Regin_n_Media_R): promedio de todos los pixeles de la regin n en el espacio R.
2. G (Regin_n_Media_G): promedio de todos los pixeles de la regin n en el espacio G.
3. B (Regin_n_Media_B): promedio de todos los pixeles de la regin n en el espacio B.
4. H (Regin_n_Media_H): promedio de todos los pixeles de la regin n en el espacio H.
5. S (Regin_n_Media_S): promedio de todos los pixeles de la regin n en el espacio S.
6. V (Regin_n_Media_V): promedio de todos los pixeles de la regin n en el espacio V.
7. GRIS (Region_n_Media_Gris): promedio los espacios RGB para obtener la imagen en la
escala de grises, luego promediamos todos los pixeles de la regin n en escala de grises.
8. Rombo (Rombo_Mximo_Sobel): aplicamos el filtro Sobel a la regin del rombo y tomamos
el valor mximo.
9. Rombo (Rombo_Media_Sobel): aplicamos el filtro Sobel a la regin del rombo y tomamos
el promedio de este.
10. Rombo (Rombo_dispersin_Sobel): aplicamos el filtro Sobel a la regin del rombo, luego
calculamos la dispersin.
Donde { } 1, 2, 3, 4 ne define una de las regiones tomadas. Para una dada imagen, se
incorporaron las tres caractersticas obtenidas de la regin del rombo a las obtenidas para la
regin, generando un total de 10 caractersticas por cada regin. En la Tabla 1 se muestra un
ejemplo de cmo estn organizadas las caractersticas obtenidas para una de las imgenes.
Tabla 1: Distribucin las caractersticas para una imagen de la base de datos.
Cada fila corresponde a una regin de la imagen.
ROMBO
1 2 3 4 5 6 7 8 9 10
R 1 G 1 B 1 H 1 S 1 V 1 Gris 1 Max Media Var
R 2 G 2 B 2 H 2 S 2 V 2 Gris 2 Max Media Var
R 3 G 3 B 3 H 3 S 3 V 3 Gris 3 Max Media Var
R 4 G 4 B 4 H 4 S 4 V 4 Gris 4 Max Media Var
Informe de
Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

16 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador

El procedimiento se repiti tomando diferentes regiones y diferentes secciones del rombo
con esto se obtuvieron nuevos conjuntos de datos para poder comparar los resultados de la
clasificacin. Todas las caractersticas obtenidas guardadas en una hoja de clculo para cada una de
las imgenes de la secuencia.
Reconocimiento de patrones:
Una vez obtenida la matriz de caractersticas de la imagen, el conjunto de caractersticas se
proces con tcnicas de reconocimiento de patrones, clasificando cada regin de las imgenes en
clase#0 (muestra normal) o clase#1 (muestra patolgica). En todos los casos se evalu el error de
clasificacin, considerando la opinin de los expertos. Se utilizaron 3 tcnicas de reconocimiento
de patrones:
- K-means.
- Knn (K-nearest neighbors).
- Fcm (Fuzzy C-Means).
Del conjunto de 10 caractersticas iniciales que se tienen para cada regin, se realizaron
diferentes selecciones heursticas, y se comput el error de clasificacin.
Resultados
En la Tabla 2, se muestran los errores obtenidos para diferentes selecciones de
caractersticas con cada uno de los algoritmos de clasificacin utilizados y el error obtenido, con 6
diferentes seleccin de regiones (pruebas 1 a 6). Luego se muestra un promedio de los errores
para cada tcnica. Esto nos va a servir para determinar que clasificacin ser la ms adecuada.
Tabla 2: Resultados obtenidos.
Caractersticas
seleccionadas
Algoritmo
de
clustering
Prueba 1 Prueba 2 Prueba 3 Prueba 4 Prueba 5 Prueba 6
Promedio
errores
Mnimo
error
promedio
4,5,6
K-means 0,2184 0,2184 0,2130 0,2103 0,2238 0,2193 0,2172
0,2172 Knn 0,4513 0,4513 0,4486 0,3240 0,3565 0,3466 0,3964
Fcm 0,2301 0,2301 0,2365 0,2238 0,2381 0,2374 0,2327
1,2,4
K-means 0,2256 0,2112 0,2229 0,2103 0,2238 0,2193 0,2189

0,2189 Knn 0,2482 0,3989 0,3700 0,4486 0,4341 0,4504 0,3917
Fcm 0,2358 0,2256 0,2482 0,2247 0,2383 0,2374 0,2350
1,4,5
K-means 0,2356 0,3401 0,2142 0,2130 0,2356 0,2274 0,2443

0,2221 Knn 0,2253 0,2141 0,4486 0,4269 0,3718 0,4278 0,3524
Fcm 0,1432 0,2372 0,2365 0,2283 0,2428 0,2446 0,2221
1,4,6
K-means 0,2238 0,2157 0,2229 0,2094 0,2356 0,2193 0,2211

Knn 0,2329 0,3529 0,3493 0,3791 0,3890 0,3475 0,3418
Informe de
Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

17 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador

Fcm 0,2220 0,3935 0,2482 0,2256 0,2428 0,2347 0,2611
0,2211
1,4,8
K-means 0,2202 0,2731 0,2229 0,2130 0,2330 0,2283 0,2318

0,2318 Knn 0,2229 0,2282 0,3899 0,3213 0,3222 0,3890 0,3123
Fcm 0,3637 0,2241 0,2482 0,2301 0,2437 0,2446 0,2591

2.6. Conclusiones
Las medidas de error obtenidas se consideran demasiado altas, ya que el menor error
obtenido fue 21,72%, pero considerando que esta es una etapa preliminar de la solucin del
problema, estos resultados son los esperados. Se espera que con una adecuada seleccin de
caractersticas y acondicionamiento de los datos, el error de clasificacin mejore, lo que
corresponde a la etapa inmediata futura de esta investigacin.
El trabajo que he realizado ha sido slo una pequea parte de un proyecto de mayor
envergadura, pues aunque los resultados obtenidos de las pruebas no hayan sido muy
satisfactorios, se tiene previsto continuar con el diseo de ms experimentos.
Durante el tiempo que he trabajado en el proyecto he notado la importancia del trabajo en
equipo, y con mayor razn si el equipo es multidisciplinar, ya que todos y cada uno de los
integrantes tienen sus puntos de vista, los cuales son expuestos y, mediante la argumentacin y el
dilogo se llega a un consenso que es problable que sea la solucion al problema.
Para la realizacin de este proyecto ha sido necesario adquirir las nociones de varios temas
como: procesamiento digital de imgenes, reconocimiento de patrones, deteccin de bordes, as
como tambin varias herramientas de software en especial de Matlab. Esto ha sido de relevancia
para ampliar mi visin del campo profesional.
2.7. Recomendaciones
2.8. Resumen
2.9. Referencias
1. Ballard D.H. and Brown C.M., Computer vision, New Jersey (1992).
2. Comas D.S. Meschino G.J. and Ballarin V.L., "Framework de segmentacin y anlisis de
imgenes mediante reconocimiento de texturas," Proc. Argentinian Symposium of
Technology (AST), Buenos Aires, Argentina, 1529-41 (2010).
3. Gonzalez R.C. and Woods R.E., Digital image processing, Upper Saddle River, N. J. (2002).
Informe de
Pasanta
Tema: Reconocimiento de Patrones aplicado al procesamiento de imgenes mdicas
Asistencia al control de dilisis peritoneal

18 Sr. Diego Bladimir Haro Fernndez
ESPOCH - Escuela Politcnica de Chimborazo, Ecuador

4. Jain A.K. Murty M.N. and Flynn P.J., "Data Clustering: A Review," ACM Computing Surveys,
31, 264-323 (1999).
5. Rajini N.H., "Classification of MRI brain images using k-nearest neighbor and artificial neural
network," Proc. 2011 International Conference on Recent Trends in Information Technology,
Chennai, India, 563- 8 (2011).
6. Ruspini E.H., "A new approach to clustering," Information and Control, 15, 22-32 (1969).
7. Zhu M. Chen W. Hirdes J.P. and Stolee P., "The K-nearest neighbor algorithm predicted
rehabilitation potential better than current Clinical Assessment Protocol," Journal of Clinical
Epidemiology, 60, 1015-21 (2007).