Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROFESOR GUA:
CLAUDIO PREZ FLORES
MIEMBROS DE LA COMISIN:
PABLO ESTVEZ VALENCIA
PABLO ZEGERS FERNNDEZ
SANTIAGO DE CHILE
2016
RESUMEN DE LA TESIS PARA OPTAR AL GRADO DE MAGSTER
EN CIENCIAS DE LA INGENIERA, MENCIN INGENIERA ELCTRICA
Y AL TTULO DE INGENIERO CIVIL ELECTRICISTA
POR: SEBASTIN CEPEDA FUENTEALBA
FECHA: 2016
PROF. GUA: CLAUDIO PREZ FLORES
Resumen
La segmentacin de vasos sanguneos en imgenes digitales permite tener un mtodo no
invasivo de diagnosticar enfermedades como diabetes, hipertensin y algunas enfermedades
cardiovasculares. Puede servir en la implementacin de programas para la deteccin temprana de
varias enfermedades de la retina y tambin para la identificacin biomtrica basada en la forma
de los vasos sanguneos. La segmentacin manual de vasos sanguneos de retina es una tarea
que consume mucho tiempo y requiere entrenamiento y habilidad. Los vasos sanguneos en la
retina estn compuestos de arterias y venas que se presentan como lneas oscuras en un fondo
relativamente uniforme. La dificultad de su segmentacin se debe a su forma, tamao y luminosidad
altamente variables, ruido en la imagen, adems de su cruce y bifurcacin.
En los mtodos para la segmentacin automtica de vasos previamente publicados en revistas
internacionales estn aquellos que obtienen un vector de caractersticas por pixel utilizando el
canal verde de la imagen y la respuesta a un filtro gaussiano en 5 escalas que ocupa k-vecinos ms
cercanos (KNN) como clasificador. Otro mtodo crea un vector de 27 caractersticas y usa k-vecinos
ms cercanos como clasificador. Otro mtodo extrae un vector de 5 caractersticas, incluyendo el
canal verde y la respuesta a filtros Gabor en 4 escalas y usa un clasificador bayesiano.
En esta tesis se propone un mtodo de segmentacin automtica de vasos sanguneos de cuatro
etapas. Primero, se extrae el canal verde de la imagen, ya que es donde ms destacan los vasos
sanguneos. A continuacin se efecta una ecualizacin de histograma adaptiva para mejorar el
contraste entre los pixeles del fondo y de los vasos sanguneos. Luego se aplica un banco de
filtros correspondientes a una suma de filtros Gabor, obteniendo como resultado el mximo de
las respuestas al banco de filtros. Finalmente, se segmenta la respuesta al banco de filtros usando
un umbral calculado con la maximizacin de la entropa de la matriz de co-ocurrencia. Para la
optimizacin de los parmetros y evaluacin de resultados se utiliz la base de datos DRIVE ya que
es una base de datos marcada y disponible internacionalmente, que permite comparar los resultados
obtenidos con otros publicados previamente. La optimizacin de los parmetros de la ecualizacin
de histograma adaptiva y la eleccin del canal verde se realiz maximizando la distancia de
Bhattacharyya entre las clases de vasos sanguneos y fondo de las imgenes. Los parmetros
de los filtros fueron optimizados mediante algoritmos genticos, maximizando el accuracy de la
segmentacin. De las 40 imgenes de la base de datos DRIVE se eligieron 10 para el conjunto de
entrenamiento y 10 para el de validacin. El conjunto de prueba usa las 20 imgenes estndares.
Los resultados muestran que la precisin obtenida para el conjunto de prueba fue de 0,9462, lo
que es similar a los resultados obtenidos por las mejores publicaciones en la misma base de datos
y a la obtenida por el segundo experto humano (0,9473). Al comparar con uno de los mtodos
con mejores resultados (precisin de 0,9466), el tiempo de segmentacin disminuy de 120[s]
en el trabajo previo, a 5[s] en el mtodo propuesto. En comparacin con los resultados de una
implementacin de redes neuronales convolucionales, sta tard ms (170[s]) y su precisin fue
menor que con el mtodo propuesto. Por lo tanto el mtodo propuesto muestra una precisin
cercana a la mxima previamente publicada pero con un tiempo de procesamiento mucho menor.
A futuro el mtodo podra paralelizarse para mejorar an ms su tiempo de cmputo.
ii
Abstract
The segmentation of blood vessels in digital images allows to have a noninvasive method
to diagnose diseases such as diabetes, hypertension and cardiovascular diseases. It can be used
in the implementation of programs for early detection of various diseases of the retina and also
for biometric identification based on the shape of the blood vessels. Manual segmentation of
retinal blood vessels is a time consuming task and requires training and skill. The blood vessels
in the retina are composed of arteries and veins that appear as dark lines on a relatively uniform
background. The difficulty of their segmentation is due to its shape, size and brightness highly
variable, noise in the image, in addition to its junction and branching.
Among the methods for automatic segmentation of blood vessels previously published in
international journals, are those who obtain a feature vector by pixel using the green channel of
the image and the response to a Gaussian filter on 5 scales using k-nearest neighbors (KNN) as
the classifier. Another method creates a vector of 27 features and uses k-nearest neighbor classifier.
Another method extracts a vector of 5 features, including the green channel and the response to
Gabor filters in 4 scales and uses a Bayesian classifier.
In this thesis a method of automatic segmentation of blood vessels in four steps is proposed.
First, the green channel of the image is extracted, because it is where the blood vessels more
highlights. Then adaptive histogram equalization is performed to improve the contrast between
the pixels of the background and blood vessels. A filter bank is then applied corresponding to a
sum of Gabor filters, obtaining as a result the maximum responses to the filter bank. Finally, the
response to the filter bank is segmented using a threshold calculated with the maximization of the
entropy of the co-occurrence matrix. For the optimization of parameters and evaluation of results,
the DRIVE database was used because it is a labeled and internationally available database, that
allows to comparing the results with those of previous studies. The optimization of the parameters
of adaptive histogram equalization and the choice of the green channel was made maximizing the
Bhattacharyya distance between classes of blood vessels and background of the images. The filter
parameters were optimized using genetic algorithms, maximizing the accuracy of the segmentation.
Among the 40 images of the DRIVE database, 10 images were chosen for the training set and 10
for the validation set. For the test set, the 20 standard images were used.
The results show that the accuracy obtained for the whole test set was 0.9462, which is similar to the
results obtained by the best publications in the same database and the obtained by the second human
expert (0.9473). When comparing with one of the best performing methods (accuracy 0.9466),
time segmentation decreased from 120[s] in the previous work, to 5[s] in the proposed method.
Compared with the results of an implementation of convolutional neural networks, it took longer
(170[s]) and its accuracy was lower than with the proposed method. Therefore the proposed method
shows a precision close to the maximum previously published but with a much lower processing
time. In the future the method could be parallelized to further improve its computing time.
iii
A mis padres y a toda la gente con que compart en mis aos de Universidad.
iv
Agradecimientos
Quiero agradecer a mi profesor gua, Claudio Prez, por sus consejos, su gua durante ste
proceso, crticas constructivas, su disposicin y su preocupacin por el progreso de ste trabajo.
A todos los amigos y compaeros de la Universidad y toda la gente que conoc durante este tiempo
y que me acompa en diversos momentos.
A mis compaeros del laboratorio, por su amabilidad, momentos alegres y las interesantes
conversaciones que tuvimos.
A mis padres Mara Elena y Bernab por todo su apoyo incondicional, esfuerzo, comprensin y
amor durante toda mi vida y sobretodo en mis aos de estudio.
v
Tabla de contenido
1. Introduccin 9
1.1. Motivacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3. Objetivos Especficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4. Estructura de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3. Metodologa 21
3.1. Base de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2. Medidas estadsticas de clasificacin . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.1. Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3. Preprocesamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3.1. Seleccin del canal de color . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3.2. Inversin de la imagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1
3.3.3. Extensin del borde del rea de inters . . . . . . . . . . . . . . . . . . . . 25
3.3.4. Ecualizacin de histograma adaptativa . . . . . . . . . . . . . . . . . . . . 29
3.4. Extraccin de caractersticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.4.1. Filtros Gabor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.4.2. Filtros utilizados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4.3. Aplicacin de filtros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4.4. Optimizacin de parmetros de los filtros utilizados . . . . . . . . . . . . . 35
3.4.5. Algoritmos Genticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.5. Segmentacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.5.1. Entropa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.5.2. Segmentacin por umbralizacin usando entropa . . . . . . . . . . . . . . 46
4. Resultados 49
4.1. Resultados del preprocesamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.1.1. Distancia de Bhattacharyya entre clases por canal de color . . . . . . . . . 49
4.1.2. Resultados de generacin de mscara de segmentacin . . . . . . . . . . . 53
4.1.3. Resultados de extensin del borde del rea de inters . . . . . . . . . . . . 54
4.1.4. Resultados de ecualizacin de histograma adaptiva . . . . . . . . . . . . . 55
4.1.5. Distancia de Bhattacharyya por etapa del preprocesamiento . . . . . . . . 58
4.2. Resultados algoritmos genticos . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.2.1. Influencia de la eleccin de conjuntos de entrenamiento y validacin. . . . 58
4.2.2. Optimizacin de parmetros del banco de filtros . . . . . . . . . . . . . . . 61
4.3. Resultados de la aplicacin de filtros . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.4. Obtencin de la matriz de co-ocurrencia . . . . . . . . . . . . . . . . . . . . . . . 67
4.5. Resultados de la segmentacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.6. Tipificacin de errores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.7. Curva ROC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.8. Resultados de tiempos de ejecucin del sistema . . . . . . . . . . . . . . . . . . . 74
4.9. Comparacin con el mtodo de Soares et al. [45] . . . . . . . . . . . . . . . . . . 74
5. Conclusin 77
2
5.0.1. Contribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.0.2. Trabajos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Bibliografa 81
3
ndice de tablas
4.1. Distancia de Bhattacharyya promedio y desviacin estndar de las clases por canal
de color del conjunto de entrenamiento de la base de datos DRIVE. . . . . . . . . . 50
4.2. Parmetros ptimos del algoritmo CLAHE, obtenidos con la maximizacin del
promedio de la distancia de Bhattacharyya de las clases de cada imagen. . . . . . . 56
4.3. Mxima distancia de Bhattacharyya promedio en el conjunto de entrenamiento de
la base de datos DRIVE, posterior a la aplicacin del algoritmo CLAHE. . . . . . . 56
4.4. Distancia de Bhattacharyya promedio y desviacin estndar del conjunto de
entrenamiento, en las etapas del preprocesamiento. . . . . . . . . . . . . . . . . . 58
4.5. Conjuntos de entrenamiento y validacin. . . . . . . . . . . . . . . . . . . . . . . 59
4.6. Accuracy de cada prueba en el conjunto de prueba, evaluado en el punto donde se
obtiene el mximo accuracy en el conjunto de validacin. . . . . . . . . . . . . . . 61
4.7. Promedio y desviacin estndar del accuracy de las pruebas de la tabla 4.6. . . . . 61
4.8. Promedio y desviacin estndar del accuracy de la segmentacin en el conjunto de
prueba, con los parmetros ptimos de los filtros obtenidos con el algoritmo gentico. 62
4.9. Promedio y desviacin estndar del accuracy de la segmentacin en el conjunto de
prueba, con los parmetros ptimos de los filtros obtenidos con el algoritmo gentico. 63
4.10. Distancia de Bhattacharyya promedio en el conjunto de entrenamiento de la base
de datos DRIVE, posterior a la aplicacin de los filtros. . . . . . . . . . . . . . . . 65
4.11. rea bajo la curva ROC en el conjunto de prueba. . . . . . . . . . . . . . . . . . . 73
4.12. Tiempo de ejecucin promedio en segundos por imagen del proceso de
segmentacin, en el conjunto de prueba de la base de datos DRIVE. . . . . . . . . 74
4.13. Fraccin de pixeles correcta e incorrectamente clasificados por cada mtodo, en el
conjunto de entrenamiento y validacin de la base de datos DRIVE. . . . . . . . . 75
4
4.14. Fraccin de pixeles correcta e incorrectamente clasificados por cada mtodo, en el
conjunto de prueba de la base de datos DRIVE. . . . . . . . . . . . . . . . . . . . 75
5
ndice de ilustraciones
6
3.17. Efecto de la segmentacin del rea de inters. . . . . . . . . . . . . . . . . . . . . 46
3.18. Cuadrantes de la matriz de co-ocurrencia. . . . . . . . . . . . . . . . . . . . . . . 48
4.1. Distancia de Bhattacharyya de las clases por cada canal RGB en cada imagen del
conjunto de entrenamiento de la base de datos DRIVE. Las curvas corresponden al
canal rojo, verde y azul respectivamente. . . . . . . . . . . . . . . . . . . . . . . . 50
4.2. Imgenes de fondo de retina {1, 8, 16, 24, 32, 40} de la base de datos DRIVE. . . . . 51
4.3. Canal verde de las imgenes {1, 8, 16, 24, 32, 40} de la base de datos DRIVE. . . . . 52
4.4. Histogramas del canal verde de las imgenes {1, 8, 16, 24, 32, 40} de la base de datos
DRIVE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.5. Mscaras de segmentacin de la zona de inters generadas para las imgenes
{1, 8, 16, 24, 32, 40} de la base de datos DRIVE. . . . . . . . . . . . . . . . . . . . 54
4.6. Resultado de la extensin del borde de la zona de inters de las imgenes
{1, 8, 16, 24, 32, 40} de la base de datos DRIVE. . . . . . . . . . . . . . . . . . . . 55
4.7. Grfica de la distancia de Bhattacharyya de las clases en funcin de los parmetros
del algoritmo clahe. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.8. Resultados
de la aplicacin del algoritmo CLAHE en las imgenes {1, 8, 16, 24, 32, 40} de la
base de datos DRIVE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.9. Histogramas de la imagen posterior a la aplicacin del algoritmo CLAHE para las
imgenes {1, 8, 16, 24, 32, 40} de la base de datos DRIVE. . . . . . . . . . . . . . . 58
4.10. Curvas de accuracy por generacin del algoritmo gentico. . . . . . . . . . . . . . 60
4.11. Izquierda: Curva de accuracy por generacin del algoritmo gentico que obtiene el
mximo accuracy en el conjunto de validacin en la tabla 4.8. Derecha: Valor-p de
por generacin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.12. Filtros obtenidos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.13. Filtros Gabor que al sumarse dan lugar a los filtros utilizados. . . . . . . . . . . . . 64
4.14. Obtencin del mximo de las respuestas al banco de filtros en las imgenes
{1, 8, 16, 24, 32, 40} de la base de datos DRIVE. . . . . . . . . . . . . . . . . . . . 65
4.15. Histogramas de la imagen posterior a la aplicacin de los filtros, para las imgenes
{1, 8, 16, 24, 32, 40} de la base de datos DRIVE. . . . . . . . . . . . . . . . . . . . 66
4.16. Respuesta de los filtros rotados en = {0, 20, 40, 60, 80, 100, 120, 140, 160, 180} . . 66
4.17. Matriz de co-ocurrencia de la imagen posterior a la aplicacin de filtros para las
imgenes {1, 8, 16, 24, 32, 40} de la base de datos DRIVE. . . . . . . . . . . . . . . 67
4.18. Matriz de co-ocurrencia de la imagen posterior a la aplicacin de filtros, para las
imgenes {1, 8, 16, 24, 32, 40} de la base de datos DRIVE, con cdigo de colores. . . 68
7
4.19. Segmentacin de los vasos sanguneos mediante umbral ptimo. Pixeles en blanco
corresponden a vasos sanguneos y en negro a pixeles de fondo. Segmentacin de
las imgenes {1, 8, 16, 24, 32, 40} de la base de datos DRIVE. . . . . . . . . . . . . 69
4.20. Visualizacin de los errores y aciertos de la clasificacin. Segmentacin de las
imgenes {1, 8, 16, 24, 32, 40} de la base de datos DRIVE. . . . . . . . . . . . . . . 70
4.21. Histogramas de accuracy para cada eleccin de conjunto de entrenamiento y
validacin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.22. Las dos muestras con menor accuracy en los histogramas de accuracy junto a su
segmentacin realizada con el mtodo propuesto. De arriba a abajo imgenes 25 y
34 de la base de datos DRIVE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.23. Imagen con mayor accuracy en los histogramas de accuracy junto a su
segmentacin realizada con el mtodo propuesto. Imagen 19 de la base de datos
DRIVE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.24. Curva ROC en el conjunto de prueba. . . . . . . . . . . . . . . . . . . . . . . . . 73
4.25. Visualizacin de los errores y aciertos de la clasificacin por ambos mtodos.
Segmentacin de las imgenes {1, 8, 16, 24, 34, 40} de la base de datos DRIVE. . . . 76
8
Captulo 1
Introduccin
En este captulo se presentan la motivacin de este trabajo de tesis, sus objetivos generales y
especficos, y los captulos que forman su estructura.
1.1. Motivacin
9
Tambin es til la segmentacin de vasos para el registro de un nmero de imgenes de retina,
mostrando los cambios de la retina a travs del tiempo, siguiendo los cambios de alguna enfermedad
[9, 10].
La segmentacin de vasos sanguneos puede ser utilizada para identificacin de fvea y el disco
ptico [79]. Adems, el rbol vascular de la retina es nico para cada individuo y puede ser usado
para identificacin biomtrica [7, 8].
En la figura 1.1 se muestran las estructuras relevantes del ojo humano para este trabajo,
especialmente la mcula, retina y los vasos sanguneos de la retina.
Figura 1.1: Estructuras relevantes del ojo humano. Imagen obtenida de [85].
10
El problema de segmentacin de vasos sanguneos en imgenes de retina ha sido abordado en
mltiples publicaciones. Las categoras en las que se agrupan las publicaciones de segmentacin
de vasos sanguneos, en publicaciones de revisin de mtodos [49, 50], son: tcnicas de
reconocimiento de patrones [45,51,5355,57,58], filtros adaptados (Matched filters) [49,52,61,62],
seguimiento (Tracking) de vasos sanguneos [74], morfologa matemtica [6366], enfoques
multiescala [6769] y enfoques basados en modelos [70, 71, 73].
En la categora de reconocimiento de patrones supervisado, se extrae un vector de caractersticas
(filtros lineales, curvatura, intensidad de la imagen, entre otros) por cada pixel y posteriormente se
aplica un clasificador (K-Nearest Neighbors [53, 54], GMM [45], SVM [55, 56], AdaBoost [57] y
redes neuronales [58]).
En seguimiento (Tracking) de vasos, Delibasis et al. [74] usa un algoritmo de seguimiento (tracking)
para la segmentacin de vasos sanguneos, usando un modelo paramtrico de un vaso sanguneo y
una medida de similitud entre una porcin de la imagen y el modelo del vaso sanguneo.
Con respecto a los mtodos que usan morfologa matemtica, se aplican filtros lineales, luego se
emplean operaciones morfolgicas y finalmente un algoritmo de crecimiento de regiones [6466].
En enfoques multiescala, Martinez-Perez et al. [67] usa un filtro gaussiano en diferentes escalas,
luego obtiene el gradiente y la curvatura, y calcula el mximo sobre las escalas, finalmente se
usa un algoritmo de crecimiento de regiones (region growing). Anzalone et al. [68] utiliza el
algoritmo CLAHE de ecualizacin adaptiva de histograma, luego se mide la curvatura mediante
el Hessiano de la convolucin de la imagen con un filtro gaussiano y la segmentacin se realiza
mediante un umbral a la imagen de curvatura. Vlachos et al. [69] usa normalizacin local como
preprocesamiento, luego aplica seguimiento (tracking) de vasos sanguneos usando mltiples
escalas, combinndolos en un mapa de confidencia, y la segmentacin es realizada mediante
un umbral obtenido con cuantizacin y se realiza postprocesamiento mediante operaciones
morfolgicas.
En enfoques basados en modelos, Lam et al. [70] efecta diversas medidas de concavidad que
modelan las secciones transversales de los vasos sanguneos. Espona et al. [71,72] utilizan modelos
de contorno activo (active contour models snakes) en combinacin con propiedades topolgicas
de los vasos sanguneos para su segmentacin. Zhang et al. [73] utiliza proyecciones no lineales
(nonlinear projections) para capturar las caractersticas de los vasos sanguneos y la segmentacin
se realiza utilizando un umbral adaptivo.
11
caractersticas del fondo de la imagen pueden parecer similares a vasos sanguneos. El cruce y
bifurcacin de los vasos sanguneos puede complicar ms su modelacin. El ruido en la imagen,
iluminacin variable espacialmente y falta de contraste entre vasos sanguneos y fondo pueden ser
desafos significativos para la extraccin de vasos sanguneos. Los vasos sanguneos de retina estn
compuestos de arterias y venas, cuyo ancho en una imagen es variable, dependiendo del ancho real
del vaso sanguneo y de la resolucin de la imagen. Visualmente, se presentan en la imagen de
retina como lneas oscuras sobre un fondo relativamente uniforme.
En ste trabajo se busca encontrar una extraccin de caractersticas adecuada, que reduzca la
dimensionalidad del espacio de caractersticas manteniendo la separabilidad entre las clases en
las nuevas caratersticas, con la finalidad de tener un sistema de segmentacin rpido y con buen
desempeo.
Figura 1.2: Ventana alrededor de un pixel marcado como vaso sanguneo (en celeste), en la imagen
40 de la base de datos DRIVE.
12
En este trabajo se desarrolla un nuevo mtodo de segmentacin de vasos sanguneos de
retina, usando la base de datos disponible internacionalmente, DRIVE, que permite comparar los
resultados obtenidos con otros publicados previamente en la literatura cientfica.
Desarrollo de una etapa de preprocesamiento, que permita enfatizar la presencia de los vasos
en la imagen reduciendo el ruido presente. Para esto se propone la extraccin de un canal de
color de la imagen y la aplicacin de ecualizacin adaptiva de histograma, cuyos parmetros
se optimizarn con la distancia de Bhattacharyya entre los histogramas de pixeles de vasos
sanguneos y pixeles de fondo.
Optimizar los parmetros del banco de filtros mediante algoritmos genticos y el umbral de
segmentacin mediante la maximizacin de la entropa de la matriz de co-ocurrencia.
13
Obtencin de los resultados de la segmentacin medidos a travs del accuracy como medida
de desempeo y la comparacin con resultados publicados en revistas internacionales para la
base de datos DRIVE.
Captulo 4. Resultados: Se detallan las pruebas realizadas junto a los resultados obtenidos.
14
Captulo 2
La definicin de categoras de las publicaciones relacionadas con el tema de sta tesis se realiz
de forma similar a publicaciones de revisin de mtodos de segmentacin de vasos sanguneos [50]
y de segmentacin de vasos sanguneos en imgenes de retina [49]. A continuacin se presentan
las categoras principales.
Morfologa matemtica.
Enfoques multiescala.
15
2.1.1. Tcnicas de reconocimiento de patrones
Mtodos supervisados
En los mtodos supervisados es necesario tener un ground truth que identifique la clase
correspondiente para cada pixel. Suelen tener mejores resultados que los mtodos no supervisados,
sin embargo el ground truth no est siempre disponible en aplicaciones reales [49], adems de
existir desacuerdo entre el ground truth realizado por distintos observadores expertos [51]. ste
ltimo argumento se observa en la base de datos DRIVE, ya que el segundo observador experto
obtiene un accuracy de 0.9473 en el conjunto de prueba al compararlo con el primer observador
experto.
Niemeijer et al. [53] extrae un vector de caractersticas para cada pixel que consiste
en el canal verde de la imagen, y las respuestas a un filtro gaussiano con escalas de
{1, 2, 4, 8, 16} pixeles. Posteriormente se ocupa un clasificador k-Vecinos ms cercanos (k-
Nearest Neighbors).
Staal et al. [54] detecta crestas en la imagen, para las cuales se genera un vector de 27
caractersticas. Posteriormente se utiliza un clasificador k-Vecinos ms cercanos (k-Nearest
Neighbors).
Soares et al. [45] extrae un vector de 5 caractersticas para cada pixel de la imagen,
incluyendo el canal verde y la respuesta a 4 filtros Gabor, con una escala diferente por cada
uno. Posteriormente se utiliza un clasificador bayesiano, con un modelo de combinacin
lineal de distribuciones gaussianas.
Ricci y Perfetti [55] extraen un vector de 3 caractersticas para cada pixel, incluyendo el
canal verde y la respuesta mxima a dos filtros: una linea y una cruz de pixeles con diferentes
rotaciones. La clasificacin se realiza utilizando un clasificador SVM.
Lupascu et al. [57] utiliza un vector de 41 caractersticas por cada pixel, incluyendo filtros
gaussianos, filtros Gabor, curvatura y diferentes escalas. El clasificador utilizado corresponde
a AdaBoost, usando umbrales para cada caracterstica.
Marin et al. [58] usa un vector de 7 caractersticas por cada pixel basadas en escala de grises
y momentos y una red neuronal como clasificador.
16
Mtodos no supervisados
Los mtodos no supervisados tratan de encontrar patrones inherentes a los vasos sanguneos
en imgenes de retina sin contar con un ground truth [49].
Kande et al. [60] usa la informacin de los canales rojo y verde de la imagen para corregir la
iluminacin no-uniforme de la imagen. Se utilizan filtros adaptados para mejora del contraste.
Posteriormente se utiliza fuzzy C-means para agrupamiento (clustering), finalizando con
etiquetamiento de componentes conectadas(connected-component labeling).
Villalobos-Castaldi et al. [59] usa un filtro adaptado (matched filter) para el realce de los
vasos sanguneos en la imagen. Posteriormente se maximiza la entropa de la matriz de co-
ocurrencia, obteniendo un umbral para segmentar la imagen.
Chaudhuri et al. [62] propuso un filtro 2D gaussiano diseado para ajustarse al perfil de un
vaso sanguneo. El filtro es rotado en mltiples rotaciones separadas en 15 . Para cada pixel
se obtiene la respuesta mxima a las rotaciones de los filtros, a la cual se le aplica un umbral
para segmentar la imagen.
Al-Rawi et al. [61] mejor el mtodo de Chaudhuri [62] optimizando los parmetros de
tamao del filtro, desviacin estndar y valor del umbral de segmentacin, utilizando el
conjunto de entrenamiento de la base de datos DRIVE.
Zhang et al. [52] utiliza un filtro gaussiano 2D, cuya respuesta es segmentada utilizando un
umbral adaptivo en funcin de la respuesta a la primera derivada del filtro gaussiano 2D
promediada en un vecindario de cada pixel.
Los algoritmos de seguimiento de vasos sanguneos usan la informacin local (como similitud
con modelos paramtricos) en conjunto con mtodos de seguimiento como el filtro de Kalman.
stos algoritmos han sido utilizados para la segmentacin de vasos sanguneos de retina en [7577].
Delibasis et al. [74] usa un algoritmo de seguimiento (tracking) para la segmentacin de vasos
sanguneos, usando un modelo paramtrico de un vaso sanguneo y una medida de similitud
entre una porcin de la imagen y el modelo del vaso sanguneo.
17
2.1.4. Morfologa matemtica
Vlachos et al. [69] usa normalizacin local como preprocesamiento. Luego aplica
seguimiento (tracking) de vasos sanguneos usando mltiples escalas, combinndolos en
un mapa de confidencia. La segmentacin es realizada mediante un umbral obtenido con
cuantizacin. Se realiza postprocesamiento mediante operaciones morfolgicas.
18
2.1.6. Enfoques basados en modelos
Los enfoques basados en modelos aplican modelos explcitos de los vasos sanguneos para
realizar la segmentacin [49].
Lam et al. [70] efecta diversas medidas de concavidad que modelan las secciones
transversales de los vasos sanguneos.
Espona et al. [71, 72] utilizan modelos de contorno activo (active contour models snakes)
en combinacin con propiedades topolgicas de los vasos sanguneos para su segmentacin.
Zhang et al. [73] utiliza proyecciones no lineales (nonlinear projections) para capturar las
caractersticas de los vasos sanguneos. La segmentacin se realiza utilizando un umbral
adaptivo.
La tabla 2.1 muestra los resultados alcanzados por las publicaciones descritas anterioremente
en la base de datos DRIVE. Adicionalmente, se muestran los resultados obtenidos por el segundo
experto humano, que corresponde a una segunda segmentacin manual realizada en el conjunto
de prueba de la base de datos DRIVE, efectuada por otro experto distinto del que realiz
la segmentacin contra la que se miden los resultados. Esta segunda segmentacin sirve de
comparacin con la del primer experto.
19
Tabla 2.1: Medidas de desempeo calculadas en el conjunto de prueba de la base de datos DRIVE.
Es posible que algunos de los resultados mostrados tengan errores en el clculo de las medidas
de desempeo. sto es reportado en algunas publicaciones, especficamente para los resultados de
Ricci y Perfetti [26, 70] y Lupascu et al. [27].
20
Captulo 3
Metodologa
En la figura 3.1 se muestra un diagrama del sistema implementado, mostrando las etapas que son
efectuadas por el sistema durante la segmentacin.
21
Figura 3.1: Diagrama de bloques de la ejecucin del mtodo propuesto.
Para el entrenamiento y prueba del mtodo utilizado se us la base de datos DRIVE [36].
La base de datos DRIVE consiste en 40 imgenes del fondo de la retina, junto con segmentaciones
manuales de los vasos sanguneos de la retina. Las imgenes fueron capturadas en forma digital,
con tamao 768 584 pixeles, 8 bits por cada canal de color y muestran un rea de la retina de
aproximadamente 540 pixeles de dimetro.
Las segmentaciones del conjunto B del conjunto de prueba son usados como un observador de
referencia para comparaciones de desempeo con el conjunto A. La base de datos cuenta con una
22
mscara de segmentacin que delimita el rea de inters con la finalidad de obtener un conteo de
los pixeles correctamente clasificados de forma confiable y reproducible.
En la figura 3.2 se muestra un ejemplo de imagen de fondo, junto con la mscara de segmentacin
de la zona de inters y segmentacin de vasos sanguneos como ground truth correspondientes.
Figura 3.2: Imagen de fondo, mscara de segmentacin de la zona de inters y ground truth de la
imagen 40 de la base de datos DRIVE.
3.2.1. Accuracy
23
3.3. Preprocesamiento
En este trabajo se utiliz la distancia de Bhattacharyya 3.3.1 entre los histogramas de pixeles de
vasos sanguneos y fondo de cada canal de color (rojo, verde y azul) para la eleccin del canal de
color a utilizar en las siguientes etapas del mtodo. Los resultados se muestran en la seccin 4.1.
Figura 3.3: Imagen original del fondo de la retina y canales rojo, verde y azul de la imagen 40 de
la base de datos DRIVE.
Distancia Estadstica
24
toma una forma similar a la distancia de Mahalanobis, tal como se muestra en 3.5. En el caso de
distribuciones gaussianas multivariantes, con pi (x) = N (mi , i ), se tiene:
1 1 det 1 + 2
B(p1 , p2 ) = (m1 m2 )T 1 (m1 m2 ) + ln( ) Con = . (3.4)
8 2 det1 det2 2
Considerando 1 = 2 = :
1
B(p1 , p2 ) = (m1 m2 )T 1 (m1 m2 ) (3.5)
8
Al igual que en otros trabajos de segmentacin de vasos sanguneos de retina [45, 55], se
invierte la imagen del canal elegido con la finalidad de que los vasos sanguneos se muestren
con un nivel de intensidad mayor que el fondo, sin embargo esta operacin es slo para una
mejor apreciacin sin ningn efecto en el rendimiento del sistema. La inversin consiste en una
transformacin lineal, idntica para la intensidad de cada pixel, como se muestra en la ecuacin
3.6.
La extensin de los bordes de una imagen, previa a la convolucin con un filtro 2D, es
ampliamente utilizada para evitar los efectos no deseados, como falsos bordes en una imagen.
La dificultad adicional de la aplicacin de una extensin del borde en imgenes de retina se debe
a que el rea de inters es circular, y que por lo tanto las tcnicas usuales de extensin de borde
en imgenes rectangulares no son tiles. Debido a sto se desarroll una tcnica que toma en
cuenta la geometra del problema. ste paso previo tambin es realizado por otras publicaciones de
segmentacin de vasos sanguneos de retina [45].
Como paso previo a la extensin del borde del rea de inters, es necesario obtener una mscara
que delimite la zona de inters. La mscara original incluida en la base de datos no es utilizada
25
debido a errores en los bordes marcados que se muestran en 3.5a,y que generan defectos en la
etapa siguiente, como se muestra en la figura 3.7a.
Para esto se obtiene el histograma normalizado de la imagen, aplicando un umbral obtenido donde
la distribucin acumulada del histograma alcanza el 70 %. La eleccin del valor de umbral del
histograma se obtuvo experimentalmente en el conjunto de entrenamiento. Esto se ilustra en la
figura 3.4, con ambas curvas normalizadas para una mejor visualizacin.
26
(a) Errores en mscara original. (b) Mscara generada.
Figura 3.5: Mscara de segmentacin del rea de inters de la imagen 40 de la base de datos DRIVE.
27
Descripcin del mtodo de extensin de borde
Se obtiene el centro de masa de los pixeles de la zona de inters obtenida con la mscara
generada, como una aproximacin del centro del crculo que corresponde a la zona de inters.
Para cada valor de en [0, 2], se incrementa comenzando desde el radio del crculo hasta
un punto en el borde de la imagen, copiando el valor del pixel anterior al siguiente. De
esta forma se consigue la extensin del ltimo pixel dentro del rea de inters, copindolo
repetidamente hacia fuera del crculo. El resultado de sto se muestra en la figura 3.6.
En el caso de que queden orificios en la extensin de borde, se rellenan con el valor promedio
de los 8 pixeles vecinos ms cercanos. Finalmente, el resultado del extensin de borde se
muestra en 3.7b.
28
(a) Usando mscara original. (b) Usando mscara generada.
La imagen del fondo de la retina original, al igual que el canal verde de sta, presentan
iluminacin no uniforme espacialmente como se observa en 3.7b. sto se refleja en una baja
separabilidad de las clases de vasos sanguneos y fondo a nivel de pixel, tal como se aprecia en
el histograma del canal verde, en la imagen 3.8.
29
Figura 3.8: Histogramas de vasos sanguneos y fondo del canal verde de la imagen.
Con el fin de mejorar el contraste entre los pixeles del fondo de la imagen y de los
vasos sanguneos y de esa forma aumentar la separabilidad entre sus clases en el espacio de
caractersticas, se efecta la ecualizacin de histograma adaptativa.
Para cada regin de la imagen, se calcula el histograma de los pixeles contenidos en ella, obteniendo
la transformacin de los niveles de gris en esa regin. Para evitar la discontinuidad de los bordes de
cada regin se utiliza una interpolacin bilineal, eliminando los bordes inducidos artificialmente.
Sin embargo, el algoritmo AHE tiene el problema de amplificar visiblemente el ruido local de las
30
regiones de la imagen cuando se aplica a regiones uniformes en cuanto a intensidad (y que por lo
tanto tienen un gran peak en el histograma).
stas reas son caracterizadas por tener un gran peak en el histograma asociado, ya que muchos
pixeles de esa regin caen en un mismo rango de niveles de gris. En el algoritmo CLAHE, el
histograma es limitado con un umbral fijo, definido como un factor del promedio del histograma.
Luego de recortar el histograma, los pixeles que fueron recortados son redistribuidos sobre el
resto del histograma, para mantener la suma del histograma igual al original. Por lo tanto, el
algoritmo CLAHE posee dos parmetros que corresponden al tamao de la grilla en que se realiza
la ecualizacin de histograma y el lmite de recorte del histograma.
En la figura 3.9 se ilustran las etapas del algoritmo CLAHE. En la figura 3.9a se ilustra el histograma
de la imagen original, en la figura 3.9b se muestra el lmite de recorte del histograma como una
lnea negra horizontal, en la figura 3.9c se muestra el recorte del histograma efectuado y en la figura
3.9d se muestra la redistribucin de la porcin del histograma recortado en el resto del histograma.
(a) Histograma imagen(b) Lmite de recorte del (c) Histograma recortado. (d) Redistribucin del
original. histograma. histograma.
31
En la ecuacin 3.7 se expresa el ajuste de parmetros donde hVi | es el histograma normalizado de
los pixeles correspondientes a vasos sanguneos de la imagen i del conjunto de entrenamiento, hiF |
es el histograma normalizado de los pixeles de fondo de la imagen i del conjunto de entrenamiento,
y = [Grilla, Lmite] corresponde a los parmetros de tamao de grilla y el lmite de recorte de los
histogramas.
N
1 X
= arg max d B (hVi | , hiF | )
(3.7)
N
i=1
Para generar los valores de los parmetros evaluados, se utiliz una matriz de valores con el
lmite de recorte del histograma con valores desde 0.01 hasta 1 en intervalos de 0.01 y las divisiones
de la grilla desde 2 hasta 50 en intervalos de 1.
Los filtros Gabor han sido usados exitosamente en muchas aplicaciones de procesamiento
de imgenes, como segmentacin de texturas, anlisis de documentos, deteccin de bordes,
identificacion en base a retina, procesamiento de huellas dactilares, codificacin de imgenes y
representacin de imgenes [37, 8991]. Los filtros Gabor corresponden a filtros pasabanda. Una
ventaja de estos filtros es que proveen resolucion ptima en el dominio espacial y en el frecuencial
de la imagen, ya que alzanzan el lmite inferior del producto del ancho de banda y de ancho temporal
de una seal finita, llamado principio de incerteza informacional 3.8.
t f (3.8)
4
Filtros Gabor 2D La extensin a dos dimensiones de los filtros Gabor tiene similitudes a los
campos receptivos de la corteza visual (reas V1 y V2) en el cerebro de mamferos [38]. En el
dominio espacial corresponden a una funcin gaussiana modulada por una funcin exponencial
compleja. A continuacin se muestra su definicin en forma compleja y la parte real.
Definicin
x 02 + 2 y02 2x 0
! !!
g(x, y) = exp exp i + (3.9)
2 2
32
x 02 + 2 y02 2x 0
! !
g(x, y) = exp cos + (3.10)
2 2
La rotacin de las coordenadas est dada por las siguientes ecuaciones.
x 0 = x cos + y sin
y0 = x sin + y cos
x2 + y2
!
1
g(x, y) = exp exp (i2(U x + V y)) (3.11)
2g2 2g
De las ecuaciones 3.11 y 3.12 se puede ver que el filtro Gabor es un filtro pasabanda, centrado en
la frecuencia (U,V ) con un ancho de banda determinado por g .
La respuesta al filtro Gabor I2 (x, y), consiste en la convolucin en 2 dimensiones de una imagen de
entrada I (x, y) con el filtro gabor g(x, y). x, y representan las coordenadas espaciales de la imagen.
X
X
I2 (x, y) = g(x, y) I (x, y) = g(1 , 2 ) I (x 1 , y 2 ) (3.13)
1 = 2 =
Con la intencin de crear filtros lineales que se ajusten de mejor forma al problema en
particular de segmentacin de vasos sanguneos, se propone usar filtros correspondientes a la suma
de 3 filtros Gabor, obteniendo ms grados de libertad para ajustar al problema.
En [88] se concluye que los filtros obtenidos mediante ICA (Anlisis de Componentes
Independientes) en imgenes naturales centradas (cuya intensidad promedio est concentrada en
el centro de la imagen), se pueden expresar como la suma de 2 filtros Gabor. sto muestra
la posibilidad de que para algunos tipos de imgenes, sea ms apropiada la extraccin de
caractersticas mediantes filtros lineales distintos a los filtros Gabor.
La expresin de los filtros propuestos, se muestra en la ecuacin 3.14, donde g1,2,3 (x, y) corresponde
a un filtro Gabor, definido por la ecuacin 3.10. Para cada gi (x, y), adems de los parmetros del
filtro Gabor, se agrega un parmetro adicional 0 , tal que el nuevo valor de se obtiene como
muestra la ecuacin 3.15. Esto se hace con el objetivo de obtener sumas de combinaciones de
filtros en diferentes rotaciones entre s.
0 = + 0 (3.15)
33
En la imagen 3.11 se muestran ejemplo de la suma de filtros Gabor donde los parmetros
fueron elegidos de forma arbitraria, donde se aprecia que la suma de filtros Gabor posee una mayor
variedad de formas con respecto a los filtros Gabor originales 3.10.
La convolucin con un filtro 2D es equivalente a la correlacin del mismo filtro rotado en 180
[47], y como los filtros utilizados son simtricos ante una rotacin de 180 grados, la convolucin
con dichos filtros es equivalente a la correlacin.
La correlacin entre dos vectores es a una medida de similitud entre ellos [46], por lo que
convolucionar la imagen original con el banco de filtros generado corresponde a una medida de
similitud entre una ventana alrededor de un pixel y cada uno de los filtros del banco.
34
En base a esta idea, se justifica agregar al banco de filtros las rotaciones en de los filtros generados,
para evaluar la similitud con el banco de filtros de forma invariante a la rotacin. Siguiendo la
misma idea, se obtiene el mximo de las respuestas al banco de filtros, para evaluar la mayor
similitud en cada pixel con el vaso sanguneo representado por algn filtro del banco de filtros.
Rotacin angular
El banco de filtros utilizado corresponde a 4 filtros con 10 rotaciones por cada uno. Por lo
tanto, el banco de filtros completo incluye 40 filtros. En la aplicacin de los filtros, se obtiene la
respuesta a cada uno de los 40 filtros y luego se obtiene, para cada pixel de la imagen original, la
mxima respuesta correspondiente a ese mismo pixel en todas las respuestas a los filtros, tal como
se expresa en la ecuacin 3.17.
gk (x, y) denota al k-simo filtro del banco de filtros, I (x, y) a la imagen resultante de la aplicacin
del algoritmo CLAHE y G(x, y) es el resultado de la aplicacin del banco de filtros.
35
smbolos con un intercambio de informacin aleatorio, ocupando informacin histrica. Han sido
ocupados exitosamente en muchas tareas de optimizacin [9295].
Diferencias con otros mtodos de optimizacin. Los algoritmos genticos son diferentes de
otros mtodos de optimizacin en 4 formas:
1. Los AG funcionan con una codificacin del conjunto de parmetros, no los parmetros en s.
Definicin
c : Al 7 (3.19)
maxg(s)
sS
g(s) = f (c(s))
36
tiende a evolucionar maximizando la funcin objetivo. Sin embargo, el mtodo no garantiza la
convergencia a un mximo global.
Los algoritmos genticos presentan una etapa de inicializacin de la poblacin que suele ser segn
una distribucin aleatoria y una etapa iterativa, donde se aplican los operadores genticos (mutacin
y crossover principalmente) a la poblacin hasta el cumplimiento de un criterio de trmino del
algoritmo gentico [41]. En la figura 3.12 se muestra un diagrama del funcionamiento de los
algoritmos genticos, obtenido de [43].
Figura 3.12: Diagrama del funcionamiento de los algoritmos genticos. Obtenido de [43].
La forma original de los algoritmos genticos [40], usaba codificacin binaria para una
mayor facilidad en su tratamiento terico, sin embargo se han presentado algoritmos genticos
en codificacin entera y real.
En el caso de esta tesis, se utiliz la codificacin real, donde cada elemento del cromosoma del
individuo pertenece al intervalo [0, 1] R.
En el algoritmo 1 se describe el algoritmo gentico estndar.
37
Algoritmo 1 Algoritmo gentico estndar
Entrada: k = 0. Inicializar poblacin P(0).
Evaluar poblacin P(0).
Mientras no se cumpla condicin de trmino hacer
k = k + 1.
Seleccionar poblacin P0 (k) a partir de P(k 1).
Crear poblacin P(k) a partir de P0 (k), usando operadores genticos.
Evaluar poblacin P(k).
Fin Mientras
Devolver mejor solucin en P(k).
Poblacin inicial
Con respecto al tamao de la poblacin, en [39] se menciona que una poblacin de O(log l)
debera ser suficiente para cubrir el espacio de bsqueda, asumiendo una distribucin uniforme de
la poblacin, donde l corresponde al largo de la codificacin de los individuos.
Con respecto a como se elige la poblacin inicial, sta suele ser de forma aleatoria con distribucin
uniforme. Debido a la dificultad de cubrir el espacio de bsqueda de forma uniforme, en ocasiones
es til con mtodos ms sofisticados, tal como considerar las permutaciones de los smbolos del
alfabeto para cada componente del cromosoma en la poblacin.
Operadores Genticos
Los operadores ms ocupados por los algoritmos genticos corresponden a tres: seleccin,
crossover y mutacin.
Seleccin
38
Seleccin por torneo Se crea la siguiente generacin realizando un torneo para asignar cada
descendiente. En cada torneo, se seleccionan k individuos al azar, compara sus fitness y el ganador
pasa a la siguiente generacin. El valor de k suele estar entre 2 y 5, para no imponer una presin
selectiva muy alta. Si los individuos seleccionados se retiran de la poblacin original, se garantiza
que el individuo con mejor fitness va a ser elegido.
A cada individuo se le asigna una porcin del intervalo [0, 1] de acuerdo a su probabilidad de
supervivencia Psupervivencia , y un individuo es seleccionado si un nmero aleatorio cae en su porcin
del intervalo. Esto es como lanzar N veces una ruleta, eligiendo al individuo en el que cae la ruleta,
para la siguiente generacin.
Un problema es que si pocos individuos tienen el mayor fitness es posible que la poblacin converja
tempranamente y si el fitness es uniforme en la poblacin, la seleccin sera muy azarosa.
Seleccin por ranking lineal Se asigna la probabilidad de supervivencia de forma lineal con
respecto al ranking del individuo. Se define el nmero esperado de copias de un individuo como:
x1
(x) = + ( + ) (3.21)
N 1
Donde x = 1 identifica al mejor individuo de la poblacin y x = N al peor, + [1, 2], = 2 + ,
+ es el mximo nmero de copias asignado al mejor individuo y es el mnimo nmero de copias
asignado al peor.
La probabilidad de supervivencia est definida como:
(x)
Psupervivencia (x) = (3.22)
N
39
Distribucin exponencial.
1 e(Nx)
Psupervivencia = (3.24)
c
Donde c es una constante de normalizacin.
Primero se asignan porciones del intervalo [0, 1] proporcionalmente al fitness de los individuos,
del mejor al peor. Luego se elige un nmero al azar en [0, N1 ] que corresponde al primer individuo
elegido y el resto de los individuos se eligen en posiciones equiespaciadas en N1 . N corresponde a
la cantidad de individuos a seleccionar del total de la poblacin.
ste mtodo garantiza que todos los individuos con probilidad de supervivencia mayor a N1 son
seleccionados al menos una vez y a lo ms dN Psupervivencia e [44]. En la figura 3.13, basada
en [44], se muestra un esquema del mtodo.
Elitismo
El operador de elitismo es usado para guardar las mejores soluciones de la generacin [83], o
sea mantener las soluciones con mayores valores de la funcin objetivo en la generacin siguiente.
Sin el elitismo, los mejores resultados pueden ser perdidos durante las operaciones de seleccin,
crossover y mutacin [82]. El elitismo sacrifica diversidad gentica por una mayor velocidad
de convergencia del algoritmo gentico, lo que podra llevar a una convergencia prematura a un
mnimo local [84].
40
Crossover
Esta operacin selecciona aleatoriamente uno o ms puntos donde realizar un cruce entre
los dos cromosomas padre, para generar nuevos cromosomas hijos. Su finalidad es combinar
los cromosomas de los padres para cubrir una mayor extensin en el espacio de bsqueda de
soluciones.
En el caso del crossover de n hijos, se tienen n puntos de corte. El primer hijo toma porciones
no contiguas del cromosoma del padre 1, separadas por los puntos de corte y el resto del padre 2.
El hijo 2 se toma como las partes complementarias a las del hijo 1.
Figura 3.14: Operador de crossover de un punto con codificacin binaria. Las lneas verticales
azules representan los puntos de corte.
Figura 3.15: Operador de crossover de dos puntos. Las lneas verticales azules representan los
puntos de corte.
Mutacin
ste operador cambia de forma aleatoria un valor en el cromosoma para explorar el espacio
de soluciones, con la esperanza de evitar la convergencia a un ptimo local. Para el caso de
codificacin binaria, se realiza mediante el cambio en un bit del cromosoma con una probabilidad
p fijada previamente en un valor bajo con el objetivo de no alterar las soluciones en forma drstica.
En el caso de codificacin en variable real, una forma de aplicar la mutacin es sumar un vector
real generado al azar M = (m1 , ..., mn ) a la solucin original:
x0 = x + M (3.25)
41
Criterios de trmino El algoritmo gentico podra iterar indefinidamente, buscando mejores
soluciones al problema de optimizacin, sin embargo para obtener soluciones en un tiempo
razonable se utilizan criterios de trmino de las iteraciones. Los criterios de trmino pueden ser
un nmero mximo de iteraciones, una cantidad mxima de iteraciones sin mejora en la funcin
objetivo o el alcance de un valor umbral de la funcin objetivo (por ejemplo un valor cero en un
problema de minimizacin de una funcin objetivo de error).
Hay varias escuelas de pensamiento sobre cmo y por qu funcionan los algoritmos genticos,
a continuacin se presentan los principales conceptos.
La visin tradicional La explicacin hecha por Holland [40], de por qu es ms ventajoso usar
el espacio de las codificaciones Al en vez de , se basa en tres ideas. Como concepto central est la
idea de schema, que corresponde a un subespacio de Al , donde todas las codificaciones comparten
valores en comn. Por ejemplo 1 1 representa a todos los valores en {0, 1}4 en que el primer y
ltimo elemento son 1, o sea {1001, 1011, 1101, 1111}.
La primera idea de Holland es paralelismo implcito. Se cree que dependiendo de las caractersticas
del problema, una poblacin de tamao M contiene informacin de O(M 3 ).
An ms, el Teorema No-Free-Lunch [42] indica que considerando todos los problemas posibles,
ningn algoritmo de bsqueda es mejor que la bsqueda aleatoria. Esto significa que se debe tener
en cuenta el problema de bsqueda en particular, para adaptar un mtodo de bsqueda.
El operador gentico de crossover funciona como un mtodo de bsqueda en el espacio
de soluciones, con la hiptesis implcita de que la codificacin est formada por bloques de
42
construccin. Con respecto a esto, en este trabajo, la codificacin de los filtros utilizados est
compuesta de 4 bloques donde cada uno corresponde a un filtro en la etapa de evaluacin. A su vez
cada filtro est compuesto por 3 filtros Gabor, lo que se refleja en la estructura de los cromosomas
que representan a los filtros.
Funcin objetivo
Codificacin
La poblacin tiene una codificacin real, dentro del intervalo [0, 1]. El mapeo al intervalo de
los valores verdaderos de los parmetros utilizados se hace multiplicando el valor codificado por
un factor constante para cada parmetro. En la tabla 3.1 se muestran los factores de conversin
utilizados y los parmetros correspondientes.
Se codifican en total 60 parmetros. Para cada uno de los 4 filtros usados, se codifican 3 filtros
Gabor con 5 parmetros cada uno. En la figura 3.16 se ilustra la estructura de la codificacin
resultante.
Variable Factor
100
2
5
5
0 2
43
Figura 3.16: Ilustracin de la estructura de la codificacin del individuo.
Inicializacin de la poblacin
Implementacin de operadores
Seleccin
Previamente a la seleccin se efecta elitismo (3.4.5), manteniendo una porcin del 10 % mejor
de la poblacin total sin modificaciones.
El operador de seleccin utilizado es seleccin estocstica universal (3.4.5). Se obtiene una
proporcin del 90 % de la poblacin inicial con ste operador, que corresponden a los padres de la
nueva poblacin, completando as el tamao de la poblacin inicial. La generacin de los individuos
de la nueva poblacin se realiza mediante los operadores de crossover y mutacin.
44
Crossover
Se eligen dos puntos de corte donde cada uno se elige como una distribucin uniforme en el
intervalo [1, L] donde L es el tamao de la codificacin.
Las porciones de las codificaciones de los individuos padre delimitadas por los puntos de
corte, son repartidos entre los individuos hijos. sto se ilustra en la imagen 3.15.
Mutacin
Para cada parmetro en la codificacin del individuo, existe una probabilidad PM = 0.05 de
sufrir mutacin. La mutacin consiste en el reemplazo del valor del parmetro por un valor aleatorio
de una distribucin uniforme en el intervalo [0, 1].
Criterios de trmino
La condicin de trmino del algoritmo gentico es elegida para que su ejecucin termine luego
de una cantidad de generaciones en que no se presente un aumento de accuracy en el conjunto de
entrenamiento.
3.5. Segmentacin
45
(a) Antes de la extraccin del rea de inters. (b) Despus de la extraccin del rea de inters.
Para realizar la segmentacin de la imagen obtenida luego de la aplicacin del banco de filtros,
se aplica un umbral en la intensidad de cada pixel de la imagen. ste umbral es obtenido mediante
la maximizacin de la entropa de la matriz de co-ocurrencia, mtodo que es descrito en 3.5.2.
3.5.1. Entropa
Definicin Sea X una variable aleatoria discreta con distribucin discreta de probabilidad P(X ).
x i son los posibles valores del alfabeto de X y P(x i ) su probabilidad. Shannon [96] defini la
entropa de X como:
X
H (X ) = E[logb (P(X ))] = P(x i )logb (P(x i )) (3.27)
i
Donde b corresponde a la base del logaritmo utilizado. Valores comunes para b son 2, e y 10, dando
lugar a las unidades de bit, nat y hartley para la entropa.
La idea principal del mtodo de segmentacin por umbralizacin usando entropa es obtener
el histograma de la imagen a segmentar, considerndolo como una distribucin de probabilidad,
y luego obtener un umbral que maximice la entropa, manteniendo la mayor cantidad posible de
46
informacin de la imagen original. Sin embargo, esta idea no toma en cuenta la correlacin espacial
de los pixeles de la imagen. Uno de los mtodos para solucionar esto consiste en obtener la matriz de
co-ocurrencia, como una forma de capturar las transiciones entre pixeles vecinos en un histograma
2D. Teniendo la matriz de co-ocurrencia, se obtiene el umbral que maximice la entropa. ste
mtodo ha sido utilizado en publicaciones de segmentacin de imgenes [2931].
Se tiene una imagen de tamao M N con L niveles de gris denotados por G = 0, 1, ..., L 1.
Sea f (x, y) el nivel de gris de la imagen en el pixel (x, y). La matriz de co-ocurrencia de una imagen
es una matriz de tamao L L, denotada por W , cuyos elementos estn dados por la cantidad de
transiciones entre pares de niveles de gris en G, entre pixeles vecinos. Se ha mostrado que no hay
una gran diferencia entre la cantidad de pixeles vecinos considerados [29], por lo que se toma en
cuenta slo un pixel vecino. De esta forma la matriz de co-ocurrencia est definida por:
M X
X N
Wi j = mn (3.28)
m=1 n=1
con:
1 si f (m, n) = i y f (m, n + 1) = j
mn =
0 en caso contrario. (3.29)
La probabilidad de transiciones entre niveles de gris est dado por:
Wi j
pi j = P L1 P L1 (3.30)
k=0 l=0 W kl
pi j t pi j pi j pi j
pit j A = t , pi j B = t , pit jC = t , pit j D = t (3.31)
PA PB PC PD
con:
t X
X t t X
X L1 L1 X
X t L1 X
X L1
PtA = pi j , PBt = pi j , PCt = pi j , PD
t
= pi j , (3.32)
i=0 j=0 i=0 j=t+1 i=t+1 j=0 i=t+1 j=t+1
47
Figura 3.18: Cuadrantes de la matriz de co-ocurrencia.
A B
t
D C
L1 X
X L1
HCt = pit jC log(pit jC ) (3.34)
i=t+1 j=t+1
48
Captulo 4
Resultados
En este captulo se presentan los resultados de las diferentes etapas del sistema de
segmentacin.
Para la etapa de extraccin de caractersticas, se muestran los resultados de los algoritmos en cuanto
a evolucin del accuracy y los parmetros que obtienen para los filtros lineales utilizados. Tambin
se muestra la distancia de Bhattacharyya posterior a la aplicacin de los filtros. Y luego, se muestran
los resultados de accuracy para la segmentacin realizada con los parmetros ptimos del sistema.
49
Se realiz un test ANOVA [104] para determinar si las diferencias entre los canales de color
eran estadsticamente significativas. Del test ANOVA, se obtiene que las diferencias entre los tres
canales de color son estadsticamente significativas (p < 0.01).
Figura 4.1: Distancia de Bhattacharyya de las clases por cada canal RGB en cada imagen del
conjunto de entrenamiento de la base de datos DRIVE. Las curvas corresponden al canal rojo,
verde y azul respectivamente.
Tabla 4.1: Distancia de Bhattacharyya promedio y desviacin estndar de las clases por canal de
color del conjunto de entrenamiento de la base de datos DRIVE.
En la figura 4.2 se muestran imgenes del fondo de la retina y en la figura 4.3 su respectivo
canal verde.
50
Figura 4.2: Imgenes de fondo de retina {1, 8, 16, 24, 32, 40} de la base de datos DRIVE.
51
Figura 4.3: Canal verde de las imgenes {1, 8, 16, 24, 32, 40} de la base de datos DRIVE.
En la figura 4.4 se muestran los histogramas del canal verde de algunas de las imgenes. La
curva de color rojo corresponde al histograma normalizado de los pixeles de vasos sanguneos
y la curva en azul al histograma normalizado de los pixeles de fondo. Para la obtencin de los
histogramas de cada clase, se utiliz el ground truth que define la pertenencia a vasos sanguneos o
fondo para cada pixel.
52
Figura 4.4: Histogramas del canal verde de las imgenes {1, 8, 16, 24, 32, 40} de la base de datos
DRIVE.
53
Figura 4.5: Mscaras de segmentacin de la zona de inters generadas para las imgenes
{1, 8, 16, 24, 32, 40} de la base de datos DRIVE.
En la figura 4.6 se muestra el resultado de la extensin del borde de la zona de inters de las
imgenes de fondo de retina de la base de datos DRIVE. Se puede observar una transicin suave
entre el crculo de la zona de inters y la zona fuera de ella.
54
Figura 4.6: Resultado de la extensin del borde de la zona de inters de las imgenes
{1, 8, 16, 24, 32, 40} de la base de datos DRIVE.
Ajuste de parmetros
55
Figura 4.7: Grfica de la distancia de Bhattacharyya de las clases en funcin de los parmetros del
algoritmo clahe.
Tabla 4.2: Parmetros ptimos del algoritmo CLAHE, obtenidos con la maximizacin del promedio
de la distancia de Bhattacharyya de las clases de cada imagen.
Parmetros ptimos
Divisiones grilla Lmite de recorte
25 0.04
Distancia de Bhattacharyya
Promedio Desviacin estndar
0.3261 0.0425
56
En la figura 4.8 se muestran los resultados del algoritmo CLAHE en algunas imgenes de
ejemplo. Se puede apreciar un mayor contraste entre los vasos sanguneos y el fondo, de forma que
los vasos sanguneos se presentan con mayor intensidad que el fondo en las imgenes.
Figura 4.8: Resultados de la aplicacin del algoritmo CLAHE en las imgenes {1, 8, 16, 24, 32, 40}
de la base de datos DRIVE.
57
Figura 4.9: Histogramas de la imagen posterior a la aplicacin del algoritmo CLAHE para las
imgenes {1, 8, 16, 24, 32, 40} de la base de datos DRIVE.
Los resultados del preprocesamiento realizado consistente en la obtencin del canal verde de
la imagen original y la ecualizacin de histograma adaptiva(CLAHE) se pueden apreciar en el
aumento de la distancia de Bhattacharyya de los histogramas normalizados de los pixeles de vasos
sanguneos y de fondo en el conjunto de entrenamiento que se muestran en la tabla 4.4.
Distancia de Bhattacharyya
Etapa Promedio Desviacin estndar
Canal verde 0.1445 0.0504
CLAHE 0.3261 0.0425
58
tabla 4.5. El conjunto de prueba es el mismo en todos los casos y corresponde a las imgenes 1 a
20 de la base de datos DRIVE. Los resultados de estas pruebas, por cada generacin del algoritmo
gentico, se muestran en la figura 4.10.
Eleccin de conjuntos
Conjunto de entrenamiento Conjunto de validacin
{21,24,26,27,28,29,35,38,39,40} {22,23,25,30,31,32,33,34,36,37}
{21,22,29,30,32,33,34,36,37,39} {23,24,25,26,27,28,31,35,38,40}
{25,26,28,29,30,32,34,35,37,40} {21,22,23,24,27,31,33,36,38,39}
{23,24,25,26,31,34,36,37,39,40} {21,22,27,28,29,30,32,33,35,38}
59
Figura 4.10: Curvas de accuracy por generacin del algoritmo gentico.
En la figura 4.10, el color rojo corresponde al conjunto de validacin, el color verde al conjunto
de prueba y el color azul al conjunto de entrenamiento. Se puede observar que no se presenta
sobreajuste en las curvas del algoritmo gentico. Tambin se muestran los valores-p de un test
60
ANOVA [104] realizado para determinar si las diferencias entre conjuntos son estadsticamente
significativas, mostrando que no hay una diferencia significativa entre los tres conjuntos (p > 0.05),
en todas las generaciones del algoritmo gentico para las primeras tres elecciones de conjuntos de
entrenamiento y validacin y a partir de la generacin 100 aproximadamente en la ltima eleccin
de conjuntos de entrenamiento y validacin.
En la tabla 4.6 se muestra el valor alcanzado en el conjunto de prueba en el valor mximo del
conjunto de validacin en cada caso. En la tabla 4.7 se muestran los valores de accuracy promedio
y desviacin estndar del accuracy en el conjunto de prueba en todas las pruebas.
Tabla 4.6: Accuracy de cada prueba en el conjunto de prueba, evaluado en el punto donde se obtiene
el mximo accuracy en el conjunto de validacin.
Tabla 4.7: Promedio y desviacin estndar del accuracy de las pruebas de la tabla 4.6.
Accuracy pruebas
Promedio Desviacin estndar
0.9453 7.5155 104
61
Tabla 4.8: Promedio y desviacin estndar del accuracy de la segmentacin en el conjunto de
prueba, con los parmetros ptimos de los filtros obtenidos con el algoritmo gentico.
Figura 4.11: Izquierda: Curva de accuracy por generacin del algoritmo gentico que obtiene el
mximo accuracy en el conjunto de validacin en la tabla 4.8. Derecha: Valor-p de por generacin.
62
Tabla 4.9: Promedio y desviacin estndar del accuracy de la segmentacin en el conjunto de
prueba, con los parmetros ptimos de los filtros obtenidos con el algoritmo gentico.
Los parmetros de los filtros obtenidos con algoritmos genticos se muestran en el apndice A.
stos parmetros corresponden a los que obtienen el mximo accuracy en el conjunto de validacin,
tal como se muestra en la tabla 4.8.
En la figura 4.12 se muestran los filtros obtenidos mediante algoritmos genticos. Se puede observar
que los filtros resultantes son similares a un filtro Gabor simple, pero presentan un peak de
intensidad en el pixel central.
En la figura 4.13 se muestran los filtros Gabor que componen cada uno de los filtros utilizados.
Se puede observar que para cada filtro, se suman dos otros filtros con una intensidad mayor en el
pixel central.
(a) Primer filtro. (b) Segundo filtro. (c) Tercer filtro. (d) Cuarto filtro.
63
(a) Primer filtro.
Figura 4.13: Filtros Gabor que al sumarse dan lugar a los filtros utilizados.
En la figura 4.14 se muestran ejemplos de la obtencin del mximo de las respuestas a los filtros,
64
utilizando los parmetros obtenidos con algoritmos genticos.
Figura 4.14: Obtencin del mximo de las respuestas al banco de filtros en las imgenes
{1, 8, 16, 24, 32, 40} de la base de datos DRIVE.
Distancia de Bhattacharyya
Promedio Desviacin estndar
0.5025 0.0422
65
Figura 4.15: Histogramas de la imagen posterior a la aplicacin de los filtros, para las imgenes
{1, 8, 16, 24, 32, 40} de la base de datos DRIVE.
Anlisis angular A continuacin se ilustra la respuesta angular al primero de los filtros, con los
parmetros que se obtuvieron con algoritmos genticos.
Figura 4.16: Respuesta de los filtros rotados en = {0, 20, 40, 60, 80, 100, 120, 140, 160, 180}
En la figura 4.16 se observa que para cada rotacin de los filtros, se obtiene una respuesta
mayor en diferentes partes de la imagen. Especficamente, para cada valor de , se obtiene una
respuesta mayor en todos las zonas de la imagen que corresponden a vasos sanguneos con una
orientacin angular similar a . El filtro que se ocupa para el anlisis angular, se muestra en la
figura 4.12a.
66
4.4. Obtencin de la matriz de co-ocurrencia
En la figura 4.17 se muestran las matrices de co-ocurrencia calculadas para las imgenes
obtenidas como el mximo de la respuesta al banco de filtros utilizado.
Figura 4.17: Matriz de co-ocurrencia de la imagen posterior a la aplicacin de filtros para las
imgenes {1, 8, 16, 24, 32, 40} de la base de datos DRIVE.
En la figura 4.18 se muestran las matrices de co-ocurrencia con colores asociados a las clases
de las transiciones de los pixeles, de forma aditiva. Una transicin entre pixeles de vasos sanguneos
incrementa el canal verde, una transicin entre pixeles de fondo incrementa el canal rojo y en
caso de transiciones de pixeles de clases diferentes, se incrementa el canal azul. Se observa una
distribucin bastante separada entre las transiciones de la misma clase (colores rojo y verde), en la
mayora de las imgenes.
67
Figura 4.18: Matriz de co-ocurrencia de la imagen posterior a la aplicacin de filtros, para las
imgenes {1, 8, 16, 24, 32, 40} de la base de datos DRIVE, con cdigo de colores.
68
Figura 4.19: Segmentacin de los vasos sanguneos mediante umbral ptimo. Pixeles en blanco
corresponden a vasos sanguneos y en negro a pixeles de fondo. Segmentacin de las imgenes
{1, 8, 16, 24, 32, 40} de la base de datos DRIVE.
69
Figura 4.20: Visualizacin de los errores y aciertos de la clasificacin. Segmentacin de las
imgenes {1, 8, 16, 24, 32, 40} de la base de datos DRIVE.
Histogramas de accuracy
A la figura 4.21 se muestran los histogramas de accuracy del mtodo para cada eleccin de
conjuntos de entrenamiento y validacin de la seccin de resultados de influencia de eleccin de
conjuntos 4.2.1 adems de los definidos en la seccin anterior. En los histogramas de accuracy
se pueden observar dos muestras con accuracy notoriamente inferior al resto de las muestras en
todos los histogramas, que segn la eleccin de conjuntos entran en el conjunto de entrenamiento o
validacin, stas muestras corresponden a las imgenes 25 y 34 de la base de datos, que se muestran
en la figura 4.22. Tambin se muestra la imagen con mayor accuracy en todos los histogramas, que
corresponde a la imagen 19 del conjunto de prueba 4.23.
70
Figura 4.21: Histogramas de accuracy para cada eleccin de conjunto de entrenamiento y
validacin.
71
Figura 4.22: Las dos muestras con menor accuracy en los histogramas de accuracy junto a su
segmentacin realizada con el mtodo propuesto. De arriba a abajo imgenes 25 y 34 de la base de
datos DRIVE.
Figura 4.23: Imagen con mayor accuracy en los histogramas de accuracy junto a su segmentacin
realizada con el mtodo propuesto. Imagen 19 de la base de datos DRIVE.
Al observar los resultados de segmentacin del mtodo en la figura 4.20, se puede observar
que los errores de segmentacin dentro de una imagen, estn asociados principalmente a vasos
sanguneos delgados, correspondiendo a falsos negativos.
En las muestras con menor accuracy en los histogramas de accuracy 4.22, se puede apreciar
que corresponden a imgenes con poca iluminacin o con una deformacin significativa en las
estructuras de la retina.
72
4.7. Curva ROC
AUC
0.9526
73
4.8. Resultados de tiempos de ejecucin del sistema
Tabla 4.12: Tiempo de ejecucin promedio en segundos por imagen del proceso de segmentacin,
en el conjunto de prueba de la base de datos DRIVE.
Tiempo de ejecucin[s]
Promedio Desviacin estndar
5.0332 0.20195
En color negro se muestran los pixeles clasificados correctamente en ambos mtodos como
pixeles de fondo.
En blanco se muestran los pixeles clasificados correctamente en ambos mtodos como pixeles
de vasos sanguneos.
En azul se muestran los pixeles clasificados errneamente slo por el mtodo de Soares.
En rojo se muestran los pixeles clasificados errneamente slo por el mtodo propio.
Se puede apreciar que la mayora de los errores compartidos por ambos mtodos corresponden
a vasos sanguneos delgados.
74
Tabla 4.13: Fraccin de pixeles correcta e incorrectamente clasificados por cada mtodo, en el
conjunto de entrenamiento y validacin de la base de datos DRIVE.
Tabla 4.14: Fraccin de pixeles correcta e incorrectamente clasificados por cada mtodo, en el
conjunto de prueba de la base de datos DRIVE.
75
Figura 4.25: Visualizacin de los errores y aciertos de la clasificacin por ambos mtodos.
Segmentacin de las imgenes {1, 8, 16, 24, 34, 40} de la base de datos DRIVE.
76
Captulo 5
Conclusin
En este trabajo de tesis se desarroll y prob un mtodo que permite la segmentacin autom-
tica de vasos sanguneos en imgenes digitales de retina en base a una etapa de preprocesamiento
para enfatizar vasos, y a un banco de filtros Gabor optimizados genticamente.
Mediante la extensin del borde de la imagen para evitar escalones artificiales se evit la apari-
cin de falsos positivos generados por deteccin de vasos sanguneos debido a los bordes de la
zona de inters, en la etapa de ecualizacin de histograma y convolucin con el banco de filtros.
La etapa de ecualizacin adaptiva de histograma logr aumentar el contraste entre vasos sanguneos
y fondo, al optimizar los parmetros del mtodo de ecualizacin, mediante la distancia de Bhatta-
charyya.
El uso del accuracy como medida de desempeo permiti la comparacin de los resultados ob-
tenidos en este trabajo con aquellos previamente publicados en revistas internacionales. Con este
77
mismo objeto se utiliz una base de datos de imgenes de retina internacional (DRIVE) para medir
los resultados de este trabajo.
El uso del algoritmo gentico, permiti optimizar los parmetros de los filtros utilizados, consi-
derando su efecto en la posterior segmentacin realizada, a travs de la utilizacin del accuracy de
la segmentacin como funcin objetivo.
En los resultados de algoritmos genticos, se obtienen curvas de accuracy en funcin de las ge-
neraciones, que muestran un rendimiento sin diferencias estadsticamente significativas en los con-
juntos de entrenamiento, validacin y prueba.
Las dificultades que se presentaron en el desarrollo del sistema fueron la gran variabilidad de for-
mas, tamaos e intensidad que presentan los vasos sanguneos en la imagen de retina. Adems, las
imgenes presentan ruido e iluminacin no-uniforme. Tambin, se presentan en el fondo caracte-
rsticas similares a vasos sanguneos. Al considerar estas dificultades, es difcil disear un mtodo
que considere todos los posibles casos y que adems tenga buenos resultados fuera del conjunto de
entrenamiento.
Las limitaciones observadas del mtodo tienen relacin a la no deteccin de vasos sanguneos
que requieren tomar en cuenta el contexto de pixeles lejanos, como cruces de vasos sanguneos y
vasos sanguneos delgados lejanos a las ramas principales de vasos sanguneos.
Con respecto a los resultados obtenidos, se logra un accuracy promedio en la segmentacin del
conjunto de prueba de la base de datos DRIVE de 0.9462, lo que est dentro de los mejores resul-
tados de segmentacin de vasos sanguneos en publicaciones internacionales en la misma base de
datos DRIVE. En cuanto al tiempo de ejecucin del mtodo implementado, ste demora en pro-
medio 5.03 segundos, lo que es un tiempo corto en relacin al accuracy obtenido. Sin embargo, en
la etapa de entrenamiento del mtodo, se requieren varios das de cmputo, al aplicar algoritmos
genticos en la optimizacin de los parmetros del banco de filtros.
Tal como se muestra en la tabla 2.1, el accuracy obtenido por la segmentacin del segundo ex-
perto humano es de 0.9473. Al tomar en cuenta que un segundo experto humano no obtiene un
100 % de accuracy, es posible que no todos los pixeles marcados como vasos sanguneos efecti-
vamente lo sean, y que correspondan a bordes marcados ms all de los vasos sanguneos o a la
percepcin errada de la continuacin de un vaso sanguneo, en el caso de vasos sanguneos delga-
dos. De esta forma, difcilmente tiene sentido esperar un accuracy significativamente mayor al del
segundo experto humano.
78
5.0.1. Contribuciones
El uso de los tres canales de color de la imagen original podra involucrar una mejora de desempeo
del mtodo, debido a que no se eliminara informacin que podra ser til. Sin embargo, sto podra
aumentar el tiempo necesario para la segmentacin.
Las redes neuronales convolucionales han obtenido buenos resultados en aplicaciones recientes
[81]. Sin embargo, an requiere grandes recursos computacionales y tiempo en las etapas de
entrenamiento y en la etapa de clasificacin, por lo que es necesario considerar si el desempeo
79
adicional justifica el uso de una tcnica que involucra alto costo computacional al desarrollar la
solucin.
Una aplicacin de ste trabajo sera usar la segmentacin de vasos sanguneos obtenida en la
clasificacin de imgenes de retina en estados de enfermedad de la retina o para la deteccin de
lesiones como microaneurismas y hemorragias. Sin embargo, para esto sera deseable tener una
base de datos numerosa de lesiones o de grado de enfermedad en cada imagen de entrenamiento.
80
Bibliografa
[1] Heneghan, C., Flynn, J., OKeefe, M., & Cahill, M. (2002). Characterization of changes in
blood vessel width and tortuosity in retinopathy of prematurity using image analysis. Medical
image analysis, 6(4), 407-429.
[2] Teng, T., Lefley, M., & Claremont, D. (2002). Progress towards automated diabetic ocular
screening: a review of image analysis and intelligent systems for diabetic retinopathy. Medical
and Biological Engineering and Computing, 40(1), 2-13.
[3] Niemeijer, M., van Ginneken, B., & Abrmoff, M. D. (2009, February). Automatic
classification of retinal vessels into arteries and veins. In SPIE medical imaging (pp. 72601F-
72601F). International Society for Optics and Photonics.
[4] Foracchia, M., Grisan, E., & Ruggeri, A. (2001). Extraction and quantitative description of
vessel features in hypertensive retinopathy fundus images. In Book Abstracts 2nd International
Workshop on Computer Assisted Fundus Image Analysis (Vol. 6).
[5] Lowell, J., Hunter, A., Steel, D., Basu, A., Ryder, R., & Kennedy, R. L. (2004). Measurement
of retinal vessel widths from fundus images based on 2-D modeling. Medical Imaging, IEEE
Transactions on, 23(10), 1196-1204.
[6] Haddouche, A., Adel, M., Rasigni, M., Conrath, J., & Bourennane, S. (2010). Detection of
the foveal avascular zone on retinal angiograms using Markov random fields. Digital Signal
Processing, 20(1), 149-154.
[7] Mario, C., Penedo, M. G., Penas, M., Carreira, M. J., & Gonzalez, F. (2006). Personal
authentication using digital retinal images. Pattern Analysis and Applications, 9(1), 21-33.
[8] Kse, C., & Iki, C. (2011). A personal identification system using retinal vasculature in retinal
fundus images. Expert Systems with Applications, 38(11), 13670-13681.
[9] Zana, F., & Klein, J. C. (1999). A multimodal registration algorithm of eye fundus images
using vessels detection and Hough transform. Medical Imaging, IEEE Transactions on, 18(5),
419-428.
[10] Stewart, C. V., Tsai, C. L., & Roysam, B. (2003). The dual-bootstrap iterative closest point
algorithm with application to retinal image registration. Medical Imaging, IEEE Transactions
on, 22(11), 1379-1394.
[11] Klonoff, D. C., & Schwartz, D. M. (2000). An economic analysis of interventions for diabetes.
Diabetes care, 23(3), 390-404.
81
[12] Gelman, R., Martinez-Perez, M. E., Vanderveen, D. K., Moskowitz, A., & Fulton, A. B.
(2005). Diagnosis of plus disease in retinopathy of prematurity using Retinal Image multiScale
Analysis. Investigative ophthalmology & visual science, 46(12), 4734-4738.
[13] Owen, C. G., Rudnicka, A. R., Nightingale, C. M., Mullen, R., Barman, S. A., Sattar, N., ... &
Whincup, P. H. (2011). Retinal arteriolar tortuosity and cardiovascular risk factors in a multi-
ethnic population study of 10-year-old children; the Child Heart and Health Study in England
(CHASE). Arteriosclerosis, thrombosis, and vascular biology, 31(8), 1933-1938.
[14] Lee, S. J., McCarty, C. A., Taylor, H. R., & Keeffe, J. E. (2001). Costs of mobile screening for
diabetic retinopathy: a practical framework for rural populations. Australian Journal of Rural
Health, 9(4), 186-192.
[16] American Diabetes Association. (2008). Economic costs of diabetes in the US in 2007.
Diabetes care, 31(3), 596-615.
[17] American Academy of Ophthalmology Retina Panel, Preferred Practice Pattern Guidelines.
Diabetic Retinopathy. San Francisco, CA, Am. Acad. Ophthalmo., 2008 [Online]. Available:
http://www.aao.org/ppp
[18] Grisan, E., & Ruggeri, A. (2003, September). A divide et impera strategy for automatic
classification of retinal vessels into arteries and veins. In Engineering in Medicine and Biology
Society, 2003. Proceedings of the 25th Annual International Conference of the IEEE (Vol. 1,
pp. 890-893). IEEE.
[19] Hatanaka, Y., Hara, T., Fujita, H., Aoyama, M., Uchida, H., & Yamamoto, T. (2004, May).
Automated analysis of the distributions and geometries of blood vessels on retinal fundus
images. In Medical Imaging 2004 (pp. 1621-1628). International Society for Optics and
Photonics.
[20] Taylor, H. R., & Keeffe, J. E. (2001). World blindness: a 21st century perspective. British
Journal of Ophthalmology, 85(3), 261-266.
[21] Wild, S., Roglic, G., Green, A., Sicree, R., & King, H. (2004). Global prevalence of diabetes
estimates for the year 2000 and projections for 2030. Diabetes care, 27(5), 1047-1053.
[22] Becker, D. E., Can, A., Turner, J. N., Tanenbaum, H. L., & Roysam, B. (1998).
Image processing algorithms for retinal montage synthesis, mapping, and real-time location
determination. Biomedical Engineering, IEEE Transactions on, 45(1), 105-118.
[23] Frame, A. J., Undrill, P. E., Cree, M. J., Olson, J. A., McHardy, K. C., Sharp, P. F., & Forrester,
J. V. (1998). A comparison of computer based classification methods applied to the detection of
microaneurysms in ophthalmic fluorescein angiograms. Computers in biology and medicine,
28(3), 225-238.
[24] Larsen, M., Godt, J., Larsen, N., Lund-Andersen, H., Sjlie, A. K., Agardh, E., ... & Owens,
D. R. (2003). Automated detection of fundus photographic red lesions in diabetic retinopathy.
Investigative ophthalmology & visual science, 44(2), 761-766.
82
[25] Spencer, T., Olson, J. A., McHardy, K. C., Sharp, P. F., & Forrester, J. V. (1996). An image-
processing strategy for the segmentation and quantification of microaneurysms in fluorescein
angiograms of the ocular fundus. Computers and biomedical research, 29(4), 284-302.
[26] Ramamohanarao, K., Nguyen, U. T., & Bhuiyan, A. (2013, February). Retinal vascular feature
analysis using color fundus imaging. In Biosignals and Biorobotics Conference (BRC), 2013
ISSNIP (pp. 1-9). IEEE.
[27] Nguyen, U. T., Bhuiyan, A., Park, L. A., & Ramamohanarao, K. (2013). An effective retinal
blood vessel segmentation method using multi-scale line detection. Pattern recognition, 46(3),
703-715.
[28] Eye Diseases Prevalence Research Group. (2004). The prevalence of diabetic retinopathy
among adults in the United States. Archives of Ophthalmology, 122(4), 552.
[29] Chang, C. I., Du, Y., Wang, J., Guo, S. M., & Thouin, P. D. (2006, December). Survey and
comparative analysis of entropy and relative entropy thresholding techniques. In Vision, Image
and Signal Processing, IEE Proceedings- (Vol. 153, No. 6, pp. 837-850). IET.
[30] Schwartzkopf, W., Evans, B. L., & Bovik, A. C. (2002). Entropy estimation for
segmentation of multi-spectral chromosome images. In Image Analysis and Interpretation,
2002. Proceedings. Fifth IEEE Southwest Symposium on (pp. 234-237). IEEE.
[31] Tao, W., Jin, H., & Liu, L. (2007). Object segmentation using ant colony optimization
algorithm and fuzzy entropy. Pattern Recognition Letters, 28(7), 788-796.
[32] Karel Zuiderveld. 1994. Contrast limited adaptive histogram equalization. In Graphics gems
IV, Paul S. Heckbert (Ed.). Academic Press Professional, Inc., San Diego, CA, USA 474-485.
[33] Kailath, T. (1967). The divergence and Bhattacharyya distance measures in signal selection.
Communication Technology, IEEE Transactions on, 15(1), 52-60.
[34] Choi, E., & Lee, C. (2003). Feature extraction based on the Bhattacharyya distance. Pattern
Recognition, 36(8), 1703-1709.
[36] Staal, J., Abrmoff, M. D., Niemeijer, M., Viergever, M. A., & van Ginneken, B. (2004).
Ridge-based vessel segmentation in color images of the retina. Medical Imaging, IEEE
Transactions on, 23(4), 501-509.
[37] Weldon, T. P., Higgins, W. E., & Dunn, D. F. (1996). Efficient Gabor filter design for texture
segmentation. Pattern Recognition, 29(12), 2005-2015.
[38] Daugman, J. G. (1980). Two-dimensional spectral analysis of cortical receptive field profiles.
Vision research, 20(10), 847-856.
83
[40] Holland, J. H. (1975). Adaptation in natural and artificial systems: An introductory analysis
with applications to biology, control, and artificial intelligence. U Michigan Press.
[42] Wolpert, D. H., & Macready, W. G. (1997). No free lunch theorems for optimization.
Evolutionary Computation, IEEE Transactions on, 1(1), 67-82.
[44] Pencheva, T., Atanassov, K., & Shannon, A. (2009, December). Modelling of a stochastic
universal sampling selection operator in genetic algorithms using generalized nets. In
Proceedings of the Tenth International Workshop on Generalized Nets, Sofia (pp. 1-7).
[45] Soares, J. V., Leandro, J. J., Cesar, R. M., Jelinek, H. F., & Cree, M. J. (2006). Retinal vessel
segmentation using the 2-D Gabor wavelet and supervised classification. Medical Imaging,
IEEE Transactions on, 25(9), 1214-1222.
[46] Jacobs, D. Correlation and Convolution. Class Notes for CMSC, 426.
[47] Kienzle, W., Franz, M. O., Schlkopf, B., & Bakir, G. H. (2004). Face DetectionEfficient
and Rank Deficient. In Advances in Neural Information Processing Systems (pp. 673-680).
[48] Metz, C. E. (1978, October). Basic principles of ROC analysis. In Seminars in nuclear
medicine (Vol. 8, No. 4, pp. 283-298). WB Saunders.
[49] Fraz, M. M., Remagnino, P., Hoppe, A., Uyyanonvara, B., Rudnicka, A. R., Owen, C. G., &
Barman, S. A. (2012). Blood vessel segmentation methodologies in retinal imagesa survey.
Computer methods and programs in biomedicine, 108(1), 407-433.
[50] Kirbas, C., & Quek, F. (2004). A review of vessel extraction techniques and algorithms. ACM
Computing Surveys (CSUR), 36(2), 81-121.
[51] Hoover, A., Kouznetsova, V., & Goldbaum, M. (2000). Locating blood vessels in retinal
images by piecewise threshold probing of a matched filter response. Medical Imaging, IEEE
Transactions on, 19(3), 203-210.
[52] Zhang, B., Zhang, L., Zhang, L., & Karray, F. (2010). Retinal vessel extraction by matched
filter with first-order derivative of Gaussian. Computers in biology and medicine, 40(4), 438-
445.
[53] Niemeijer, M., Staal, J., van Ginneken, B., Loog, M., & Abramoff, M. D. (2004, May).
Comparative study of retinal vessel segmentation methods on a new publicly available
database. In Medical Imaging 2004 (pp. 648-656). International Society for Optics and
Photonics.
[54] Staal, J., Abrmoff, M. D., Niemeijer, M., Viergever, M. A., & van Ginneken, B. (2004).
Ridge-based vessel segmentation in color images of the retina. Medical Imaging, IEEE
Transactions on, 23(4), 501-509.
84
[55] Ricci, E., & Perfetti, R. (2007). Retinal blood vessel segmentation using line operators and
support vector classification. Medical Imaging, IEEE Transactions on, 26(10), 1357-1365.
[56] Xu, L., & Luo, S. (2010). A novel method for blood vessel detection from retinal images.
Biomedical engineering online, 9(1), 14.
[57] Lupascu, C. A., Tegolo, D., & Trucco, E. (2010). FABC: retinal vessel segmentation using
AdaBoost. Information Technology in Biomedicine, IEEE Transactions on, 14(5), 1267-1274.
[58] Marn, D., Aquino, A., Gegndez-Arias, M. E., & Bravo, J. M. (2011). A new supervised
method for blood vessel segmentation in retinal images by using gray-level and moment
invariants-based features. Medical Imaging, IEEE Transactions on, 30(1), 146-158.
[60] Kande, G. B., Subbaiah, P. V., & Savithri, T. S. (2010). Unsupervised fuzzy based vessel
segmentation in pathological digital fundus images. Journal of medical systems, 34(5), 849-
858.
[61] Al-Rawi, M., Qutaishat, M., & Arrar, M. (2007). An improved matched filter for blood vessel
detection of digital retinal images. Computers in Biology and Medicine, 37(2), 262-267.
[62] Chaudhuri, S., Chatterjee, S., Katz, N., Nelson, M., & Goldbaum, M. (1989). Detection of
blood vessels in retinal images using two-dimensional matched filters. IEEE Transactions on
medical imaging, 8(3), 263-269.
[63] Zana, F., & Klein, J. C. (2001). Segmentation of vessel-like patterns using mathematical
morphology and curvature evaluation. Image Processing, IEEE Transactions on, 10(7), 1010-
1019.
[64] Mendonca, A. M., & Campilho, A. (2006). Segmentation of retinal blood vessels by
combining the detection of centerlines and morphological reconstruction. Medical Imaging,
IEEE Transactions on, 25(9), 1200-1213.
[65] Fraz, M. M., Barman, S. A., Remagnino, P., Hoppe, A., Basit, A., Uyyanonvara, B., ... &
Owen, C. G. (2012). An approach to localize the retinal blood vessels using bit planes and
centerline detection. Computer methods and programs in biomedicine, 108(2), 600-616.
[66] Miri, M. S., & Mahloojifar, A. (2011). Retinal image analysis using curvelet transform
and multistructure elements morphology by reconstruction. Biomedical Engineering, IEEE
Transactions on, 58(5), 1183-1192.
[67] Martinez-Perez, M. E., Hughes, A. D., Thom, S. A., Bharath, A. A., & Parker, K. H. (2007).
Segmentation of blood vessels from red-free and fluorescein retinal images. Medical image
analysis, 11(1), 47-61.
[68] Anzalone, A., Bizzarri, F., Parodi, M., & Storace, M. (2008). A modular supervised algorithm
for vessel segmentation in red-free retinal images. Computers in biology and medicine, 38(8),
913-922.
85
[69] Vlachos, M., & Dermatas, E. (2010). Multi-scale retinal vessel segmentation using line
tracking. Computerized Medical Imaging and Graphics, 34(3), 213-227.
[70] Lam, B. S., Gao, Y., & Liew, A. C. (2010). General retinal vessel segmentation using
regularization-based multiconcavity modeling. Medical Imaging, IEEE Transactions on, 29(7),
1369-1381.
[71] Espona, L., Carreira, M. J., Ortega, M., & Penedo, M. G. (2007). A snake for retinal vessel
segmentation. In Pattern Recognition and Image Analysis (pp. 178-185). Springer Berlin
Heidelberg.
[72] Espona, L., Carreira, M. J., Penedo, M. G., & Ortega, M. (2008, December). Retinal vessel
tree segmentation using a deformable contour model. In Pattern Recognition, 2008. ICPR 2008.
19th International Conference on (pp. 1-4). IEEE.
[73] Zhang, Y., Hsu, W., & Lee, M. L. (2009). Detection of retinal blood vessels based on nonlinear
projections. Journal of Signal Processing Systems, 55(1-3), 103-112.
[74] Delibasis, K. K., Kechriniotis, A. I., Tsonos, C., & Assimakis, N. (2010). Automatic model-
based tracing algorithm for vessel segmentation and diameter estimation. Computer methods
and programs in biomedicine, 100(2), 108-122.
[75] Zhou, L., Rzeszotarski, M. S., Singerman, L. J., & Chokreff, J. M. (1994). The detection and
quantification of retinopathy using digital angiograms. Medical Imaging, IEEE Transactions
on, 13(4), 619-626.
[76] Chutatape, O., Zheng, L., & Krishnan, S. M. (1998, October). Retinal blood vessel detection
and tracking by matched Gaussian and Kalman filters. In Engineering in Medicine and Biology
Society, 1998. Proceedings of the 20th Annual International Conference of the IEEE (Vol. 6,
pp. 3144-3149). IEEE.
[77] Can, A., Shen, H., Turner, J. N., Tanenbaum, H. L., & Roysam, B. (1999). Rapid automated
tracing and feature extraction from retinal fundus images using direct exploratory algorithms.
Information Technology in Biomedicine, IEEE Transactions on, 3(2), 125-138.
[78] Haralick, R. M., Sternberg, S. R., & Zhuang, X. (1987). Image analysis using mathematical
morphology. Pattern Analysis and Machine Intelligence, IEEE Transactions on, (4), 532-550.
[79] Li, H., & Chutatape, O. (2004). Automated feature extraction in color retinal images by a
model based approach. Biomedical Engineering, IEEE Transactions on, 51(2), 246-254.
[80] Huang, K., & Yan, M. (2005). A local adaptive algorithm for microaneurysms detection in
digital fundus images. In Computer Vision for Biomedical Image Applications (pp. 103-113).
Springer Berlin Heidelberg.
[81] Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks,
61, 85-117.
[82] Vasconcelos, J. A., Ramirez, J. A., Takahashi, R. H. C., & Saldanha, R. R. (2001).
Improvements in genetic algorithms. Magnetics, IEEE Transactions on, 37(5), 3414-3417.
86
[83] Shima, T., Rasmussen, S. J., Sparks, A. G., & Passino, K. M. (2006). Multiple task
assignments for cooperating uninhabited aerial vehicles using genetic algorithms. Computers
& Operations Research, 33(11), 3252-3269.
[84] Ahn, C. W., & Ramakrishna, R. S. (2003). Elitism-based compact genetic algorithms.
Evolutionary Computation, IEEE Transactions on, 7(4), 367-385.
[85] National Eye Institute, Facts About Macular Hole,
http://www.nei.nih.gov/health/macularhole/macularhole.asp
[86] Osareh, A., & Shadgar, B. (2009). Automatic blood vessel segmentation in color images of
retina. Iran. J. Sci. Technol. Trans. B: Engineering, 33(B2), 191-206.
[87] Rangayyan, R. M., Zhu, X., Ayres, F. J., & Ells, A. L. (2010). Detection of the optic nerve
head in fundus images of the retina with Gabor filters and phase portrait analysis. Journal of
digital imaging, 23(4), 438-453.
[88] Saremi, S., Sejnowski, T. J., & Sharpee, T. O. (2013). Double-Gabor filters are independent
components of small translation-invariant image patches. Neural computation, 25(4), 922-939.
[89] Perez, C. A., Cament, L. A., & Castillo, L. E. (2011, March). Local matching Gabor entropy
weighted face recognition. In Automatic Face & Gesture Recognition and Workshops (FG
2011), 2011 IEEE International Conference on (pp. 179-184). IEEE.
[90] Perez, C. A., Cament, L. A., & Castillo, L. E. (2011). Methodological improvement on
local Gabor face recognition based on feature selection and enhanced Borda count. Pattern
Recognition, 44(4), 951-963.
[91] Perez, C. A., Saravia, J., Navarro, C., Castillo, L., Schulz, D., & Aravena, C. (2012, October).
Lithological classification based on Gabor texture image analysis. In Optomechatronic
Technologies (ISOT), 2012 International Symposium on (pp. 1-3). IEEE.
[92] Perez, C. A., & Holzmann, C. A. (1997, October). Improvements on handwritten digit
recognition by genetic selection of neural network topology and by augmented training. In
Systems, Man, and Cybernetics, 1997. Computational Cybernetics and Simulation., 1997 IEEE
International Conference on (Vol. 2, pp. 1487-1491). IEEE.
[93] Perez, C., Casali, A., Gonzalez, G., Vallebuona, G., & Vargas, R. (1999). Lithological
composition sensor based on digital image feature extraction, genetic selection of features
and neural classification. In Information Intelligence and Systems, 1999. Proceedings. 1999
International Conference on (pp. 236-241). IEEE.
[94] Perez, C. A., & Castillo, L. E. (2009, September). Illumination compensation for face
recognition by genetic optimization of the self-quotient image method. In Optomechatronic
Technologies, 2009. ISOT 2009. International Symposium on (pp. 322-327). IEEE.
[95] Perez, C. A., & Salinas, C. (1999). Computational vision enhancement through genetic
selection of biologically inspired receptive field geometry. In Information Intelligence and
Systems, 1999. Proceedings. 1999 International Conference on (pp. 92-97). IEEE.
[96] Shannon, C. E. (1951). Prediction and entropy of printed English. Bell system technical
journal, 30(1), 50-64.
87
[97] Verleysen, M., & Franois, D. (2005). The curse of dimensionality in data mining and
time series prediction. In Computational Intelligence and Bioinspired Systems (pp. 758-770).
Springer Berlin Heidelberg.
[98] Galleguillos, C., Rabinovich, A., & Belongie, S. (2008, June). Object categorization using
co-occurrence, location and appearance. In Computer Vision and Pattern Recognition, 2008.
CVPR 2008. IEEE Conference on (pp. 1-8). IEEE.
[99] Carr, J. R., & De Miranda, F. P. (1998). The semivariogram in comparison to the co-occurrence
matrix for classification of image texture. Geoscience and Remote Sensing, IEEE Transactions
on, 36(6), 1945-1952.
[100] Felipe, J. C., Traina, A. J., & Traina Jr, C. (2003, June). Retrieval by content of medical
images using texture for tissue identification. In Computer-Based Medical Systems, 2003.
Proceedings. 16th IEEE Symposium (pp. 175-180). IEEE.
[101] Miao, W., & Chiou, P. (2008). Confidence intervals for the difference between two means.
Computational Statistics & Data Analysis, 52(4), 2238-2248.
[102] Swets, J. A. (2014). Signal detection theory and ROC analysis in psychology and
diagnostics: Collected papers. Psychology Press.
[103] Fawcett, T. (2006). An introduction to ROC analysis. Pattern recognition letters, 27(8), 861-
874.
[104] Cuevas, A., Febrero, M., & Fraiman, R. (2004). An anova test for functional data.
Computational statistics & data analysis, 47(1), 111-122.
I
Apndice A
A continuacin se muestran las tablas de parmetros para cada uno de los filtros obtenidos.
Los parmetros y 0 se muestran en grados.
Filtro 1
Variable Componente 1 Componente 2 Componente 3
32.14 5.91 73.2
214.128 195.192 239.004
0.989 1.8515 0.453
3.1205 0.3415 4.986
0 252.684 111.888 242.64
Filtro 2
Variable Componente 1 Componente 2 Componente 3
25.16 6.84 90.22
37.836 334.8 2.448
0.112 1.9935 0.407
4.3045 0.518 4.4655
0 7.02 81.9 142.704
Filtro 3
Variable Componente 1 Componente 2 Componente 3
30.98 4.79 92.98
177.912 190.836 154.8
0.8515 2.737 2.4105
2.0635 0.934 4.724
0 194.796 297.036 200.736
II
Filtro 4
Variable Componente 1 Componente 2 Componente 3
6.17 97.46 35.45
27.72 42.84 45.324
2.026 0.7945 0.6045
0.641 1.9555 3.8415
0 346.428 124.236 349.74
III