Ingenieria de Sonido Reconstruccion de Imagenes

INGENIERÍA DE SONIDO
Reconstrucción de imágenes médicas obtenidas

por ultrasonido†
Autor: Martín Gastón Baggio

Tutor: Magister Miryam Patricia Sassano
(†) Tesis para optar al título de Ingeniero de Sonido
Julio 2017
ii
AGRADECIMIENTOS
Quiero agradecer a mis padres, que siempre me acompañaron en cada una de las etapas
de mi formación. También a mi hermana Antonela, con la que pude compartir la mayor
parte de mis años universitarios.
A mis amigos de siempre, los que conocí dentro y fuera de la universidad, que con sus
perspectivas ayudaron a encontrar mi camino. Gracias Facu por cada charla en la que nos
encontramos.
A la Universidad Nacional de Tres de Febrero su personal, profesores y directivos. Gracias

Ing. Alejandro Bidondo, por trabajar por cada uno de los alumnos de esta carrera. A
Miryam Sassano, por acompañarme y aconsejarme con paciencia en cada paso de esta
investigación.
Gracias a Dalmacio Justo, por interesarse en mi formación y ayudarme en todo lo

solicitado. También, quiero agradecer a Fernándo Cadirola y Ariel Fresia de Tecnoimagen.
Gracias Caro por tu energía,
y a mi abuela Julieta, que es mi luz.
iii
RESUMEN
En este trabajo, se desarrolló una interfaz en MatLab preparada para cuantificar de
manera sistemática el desempeño de distintos algoritmos para reconstruir imágenes
médicas obtenidas por ultrasonido. Los filtros seleccionados utilizan umbrales duros y
blandos aplicados a los coeficientes wavelet de la imagen exportada del ecógrafo. Las
transformadas elegidas son transformadas discreta wavelet (DWT) [26], [59],
transformadas Daubechies wavelets simétricas (SDW) [54], [55], onditas complejas de
doble árbol (DT-CWT) [47], [66], phaselet [28], [29] y curvelet [15][81]. Según el estado
del arte actual, estas transformadas corresponden al conjunto de las que obtienen
mejores resultados de reducción de ruido tipo speckle.
La plataforma integra distintas métricas objetivas que utilizan referencia externa (pico de
relación señal ruido - PSNR), que utilizan referencia reducida (ganancia de contraste – CG)
y que no necesitan referencia alguna (resolución lateral - RL, resolución axial - RA). Así
mismo, la misma fue desarrollada para cuantificar estás métricas, no solo sobre la imagen
total, sino también en entornos definidos por el usuario, variando posición y cantidad de
pixeles.
En este trabajo, se propone un método consistente que implica obtener la imagen

mediante la captura de un fantoma conocido (en este caso, un fantoma multipropósito
comercial), con zonas de distintas impedancias y tamaños. De esta manera, generar la
imagen utilizada como referencia a partir de las especificaciones técnicas brindadas por el
fabricante.
Se realizaron pruebas sobre imágenes obtenidas a partir de la captura un fantoma

Gammex 403 GS LE por un ecógrafo Esaote MyLabTM 25, aplicando umbrales duros y
blandos a los coeficientes wavelet. Se compararon los distintos descriptores en entornos
de objetivos infinitesimales y quistes de distinta impedancia. A partir de estas pruebas, se
puede concluir que los valores de mejora sobre la PSNR no siempre reflejan una mejora
en otros índices importantes.
Palabras clave: “Ecógrafos”; “Filtros de reducción de ruido”; “Speckle”; “Wavelet”; “Software”
iv
ABSTRACT
In this work, a MatLab interface was developed to systematically quantify the
performance of several algorithms to de-noise ultrasound medical images. Soft and hard
thresholds are applied to different wavelets transform’s coefficients of ultrasound
images. These transforms are discrete wavelet transform (DWT) [26], [59], symmetric
Daubechies wavelet (SDW) [54][55], dual-tree complex wavelet transform (DT-CWT) [47],
[66], phaselet [28], [29] y curvelet [15], [81]. According to the state of art, these
transform are well-known as better performance of de-noising speckle have been
reached.
This interface uses full-reference (peak signal-to-noise ratio), reduced reference (contrast
gain – CG) and blind-reference (lateral resolution – RL, axial resolution RA) objective
metrics. Likewise, the software was developed to quantify these metrics, not only in the
whole image, but also in sections defined by the user, varying position and pixels’ areas.
In this work, a novel method is proposed consisting of obtain the ultrasound image of a
known phantom (a multipurpose commercial phantom in this case), with areas of
different shape and impedance. In this way, the reference image is created from
manufacturer’s datasheet.
Test on images from a Gamex 403 GS LE obtained by an Esaote MyLabTM 25 were

performed, applying soft and hard thresholds to wavelet coefficients. Descriptors were
analyzed on pin targets and anechoic cyst. From these analysis, we can conclude that
improve PSNR index not always correspond with improve on other important metrics.
Keywords: “Ultrasound imaging; “De-noising”; “Speckle”; “Wavelet”; “Software”
v
INDICE
Agradecimientos ................................................................................................................... iii
Resumen ............................................................................................................................... iv
Abstract ................................................................................................................................. v
Indice .................................................................................................................................... vi
Indice de figuras .................................................................................................................. viii
Indice de abreviaturas y acrónimos ..................................................................................... xv
1. Introducción ................................................................................................................... 1
2. Ultrasonido ..................................................................................................................... 5
2.1. Principios básicos ............................................................................................................... 5
2.2. Impedancia ......................................................................................................................... 7
2.3. Velocidad del sonido ........................................................................................................ 12
2.4. Atenuación ....................................................................................................................... 13
2.5. Conclusión parcial ............................................................................................................ 15
3. Ecógrafos ...................................................................................................................... 17
3.1. Comienzo de los ecógrafos .............................................................................................. 18
3.2. Configuración típica de los ecógrafos .............................................................................. 22
4. Limitaciones y ruidos .................................................................................................... 26

4.1. Principio de superposición ............................................................................................... 26
4.2. Atenuación y distancia focal ............................................................................................ 27
4.3. Función de dispersión de punto (PSF) .............................................................................. 29
4.4. Directividad y apodización ............................................................................................... 31
4.5. Speckle ............................................................................................................................. 33
5. Herramientas de procesamiento ................................................................................. 36

5.1. Filtros en el espacio .......................................................................................................... 36
5.2. Filtros en transformadas .................................................................................................. 38
5.3. Transformada discreta wavelet (DWT) ............................................................................ 42
5.4. Otras transformadas wavelets ......................................................................................... 45
vi
5.5. Índices .............................................................................................................................. 50
6. Método presentado ..................................................................................................... 53

6.1. Estado del arte ................................................................................................................. 53
6.2. Trabajo propuesto ............................................................................................................ 55
6.3. Plataforma desarrollada ................................................................................................... 56
7. Reconstrucción de imágenes ....................................................................................... 70

7.1. Configuración utilizada ..................................................................................................... 70
7.2. Prueba con la captura 1 ................................................................................................... 72
7.3. Prueba con la captura 2 ................................................................................................... 80
8. Conclusiones................................................................................................................. 87
8.1. Discusiones ....................................................................................................................... 88
8.2. Trabajos a futuro .............................................................................................................. 89
9. Bibliografía ................................................................................................................... 91
vii
INDICE DE FIGURAS
Figura 1 – La impedancia acústica is definida, en analogía con la impedancia eléctrica de
la Ley de Ohm, como el cociente entre la presión y la velocidad de la partícula [8]. ........... 7
Figura 2 – Modelo de la onda en una dirección, incidiendo en una superficie de distinta

impedancia [8]. ...................................................................................................................... 8
Figura 3 – Ondas oblicuas en un acople de dos medios de distinta impedancia [8]. ......... 10
Figura 4 – Reflexiones producidas por superficies rugosas de distinta relación extensión de

la parte plana y la longitud de la onda acústica [90]. .......................................................... 10
Figura 5 – Energía reflejada en forma especular y energía difusa, a partir de la incidencia

de una onda en una superficie rugosa [91] ......................................................................... 11
Figura 6 – (izq.) Relación entre presión y deformación de un medio elástico ideal. (der.)
Relación entre presión y deformación para un medio con histéresis. En el caso de las
diferencias de presión que genera el ultrasonido en el cuerpo humano, esta energía es
transformada en calor [8]. ................................................................................................... 14
Figura 7 – (izq) Modelo masa/resorte representando un medio perfectamente elástico.

(der) Modelo de sistema masa/resorte amortiguado, acorde a un medio viscoelástico. .. 15
Figura 8 – Número estimado de exámenes en todo el mundo y estados unidos en el año

2000 [17] ............................................................................................................................. 17
Figura 9 – Comparación de los modos de visualización A y B sobre la energía reflejada [37]

............................................................................................................................................. 19
Figura 10 – Ecógrafos a través del tiempo: ......................................................................... 21
Figura 11 – Elementos básicos de un ecógrafo [85]. ........................................................... 22
Figura 12 – Un cristal piezoeléctrico puede operar como transmisor (figura superior) si se

le es aplicada una diferencia de tensión en sus caras opuestas, o como receptor
transformando la presión recibida en voltaje (imagen inferior) [85] ................................. 23
Figura 13 – Esquema de transductor de ultrasonido [19] ................................................... 24

viii
Figura 14 – Scan en modo A: (a) reflexiones por cambios de impedancias en el medio son
detectadas en (b) dónde se le aplica la ganancia temporal (TGC). Esto permite compensar
las pérdidas, resultando en pulsos de igual amplitud (c) a partir de iguales diferencias de
impedancia en los tejidos [19]............................................................................................. 25
Figura 15 – Arriba: demostración de interferencia constructiva en agua (caso en 2D –

izquierda) y en cuerdas (cado 1D – centro). Para un mejor entendimiento, el caso en 1D es
esquematizado en la figura de la derecha. Abajo: demostración de interferencias
destructivas [32]. ................................................................................................................. 26
Figura 16 – Longitud del campo cercano (zona de Fresnel) y campo lejano (zona de
Fraunhofer) para un transductor lineal [85] ....................................................................... 27
Figura 17 – Longitud de la zona de Fresnel respecto a la frecuencia y diámetro del

transductor [8] ..................................................................................................................... 29
Figura 18 – La función de dispersión de punto es la imagen formada de una fuente única

puntual (flecha). (a) pertenece a un sistema anisotrópico; (b) pertenece a un sistema
isotrópico [73]. .................................................................................................................... 30
Figura 19 – Simulación del campo acústico generado por un transductor de 64 elementos

a 5 MHz, inmerso en agua. Los valores de presión están graficados en escala logarítmica.
Arriba: el campo cuando . Debajo: el campo cuando . Merecen ser
notado los lóbulos laterales intensos de la imagen inferior [8]. ......................................... 31
Figura 20 – Haz de ultrasonido en sección transversal (izq.) y perfil del haz (der.) para: (A)
transductor con amplitud constante en todos los cristales y (B) apodización con
distribución Hamming [8]. ................................................................................................... 32
Figura 21 – (A) Haz sin apodización (ventana rectangular) y su correspondiente imagen en

un fantoma. (B) Apodización Haning en el haz y la correspondiente imagen del fantoma
[8]. ........................................................................................................................................ 33
Figura 22 – Histograma de ruido tipo speckle obtenido mediante el scan de un ecógrafo

en un área de impedancia homogénea. .............................................................................. 34
ix
Figura 23 – Modelo del ruido speckle [77]. ......................................................................... 35
Figura 24 – Espectro del filtro Gabor [33] ........................................................................... 37
Figura 25 – Algoritmo de filtro homomorfico [61]. ............................................................. 37
Figura 26 – Cajas de Heisenberg de dos átomos y . .................................. 38
Figura 27 – Cajas de Heisenberg de dos wavelet. En las escalas más finas, más cajas de
Heisenberg se pueden colocar lado a lado porque hay una mejor resolución de tiempo
. ..................................................................................................................................... 39
Figura 28 – Algoritmo rápido asociado a la transformada wavelet. (Arriba) Análisis de la

señal mediante filtros en cascada ( y ) seguidos por una reducción de muestras a la
mitad. (Debajo) Transformada inversa progresiva completando con ceros y filtrando con
los filtros inversos y ....................................................................................................... 40
Figura 29 – Tipos de filtros en transformada wavelet. A la izquierda umbral duro, en el

centro umbral blando y a la derecha filtro Wiener [94] ..................................................... 41
Figura 30 – Imagen reconstruida mediante la aplicación de un umbral duro a los

coeficientes wavelets obtenidos. (a) Imagen con ruido. (b) Imagen reconstruida mediante
VisuShrink. (c) Coeficientes wavelets obtenidos mediante madre Haar. (d) Coeficientes
wavelet luego del filtrado [94]. ........................................................................................... 41
Figura 31 – Descomposición de señal en 1D mediante DWT. El eje horizontal representa el

tiempo, el vertical los distintos componentes del espectro [57]. ....................................... 42
Figura 32 – Ejemplos de Wavelets madre [94]. ................................................................... 43
Figura 33 – (a) Descomposición de imagen mediante DWT. LL3 corresponde a los

coeficientes de aproximación de nivel 3. (b) Imagen de Lena descompuesta mediante
DWT en 2 niveles [78]. ......................................................................................................... 44
Figura 34 – (a) Señal original, (b) Señal desplazada una muestra, (c y d) magnitud de los
coeficientes wavelet de las señales a y b analizados con un pasa altos mediante DWT db4,
x
(e y f) magnitud de los coeficientes wavelet de las señales a y b analizados con un pasa
altos mediante SDW6 [46]................................................................................................... 46
Figura 35 – Árbol de descomposición de la DT CWT Dos árboles de filtros reales, a y b, los

cuales producen la parte real y la imaginaria de los coeficientes complejos [66]. ............. 47
Figura 36 – Coeficientes wavelet y función escala de niveles 1 a 4 generados a partir de 16

funciones escalón desplazadas. A la izquierda analizado mediante DT CWT y a la derecha
el equivalente con DWT [66]. .............................................................................................. 47
Figura 37 – Respuesta al impulso de señales en 2D en nivel 4. Arriba las 6 bandas en

ángulos de -75° a 75° de la CWT y abajo el equivalente para DWT [66]............................. 48
Figura 38 – Invariancia al desplazamiento de la transformada Phaselet. El gráfico de barras

muestra el error cuadrático medio normalizado como función de la redundancia de n para
cada escala j sugiriendo que como n incrementa, la transformada Phaselet se convierte
cada vez más invariante al desplazamiento [28]................................................................. 49
Figura 39 – Representación de singularidades a lo largo de una curva utilizando curvelet

(izq.) y wavlet (der.) [23] ..................................................................................................... 49
Figura 40 – Ilustración de una grilla polar en el dominio de la frecuencia para una imagen
de n x n (n=8). En la figura se puede apreciar las líneas radiales uniendo los puntos
simétricos de los bordes de los cuadrados [41]. ................................................................. 50
Figura 41 – Esquema de análisis SSIM [4] ........................................................................... 51
Figura 42 – Pantalla 01 de la aplicación desarrollada ......................................................... 58
Figura 43 – Diagrama de flujo de la pantalla 01 de la aplicación desarrollada ................... 60
Figura 45 – Pantalla emergente del análisis de coeficientes de la aplicación desarrollada 62
xi
Figura 48 – Ventana emergente para seleccionar automáticamente áreas de medición de
la aplicación desarrollada .................................................................................................... 65
Figura 52 – Ecógrafo Esaote MyLabTM 25 y fantoma para ultrasonido Gammex 403 GS LE

utilizados para capturar las imágenes a procesar (gentileza de Tecnoimagen Argentina). 71
Figura 53 – Gamex 403 GSLE. Extracto de la hoja técnica del fabricante utilizada para
generar la imagen de referencia. Los números del eje vertical representan la distancia de
penetración desde el área donde apoya el transductor, en centímetros........................... 71
Figura 54 – Representación del fantoma a partir de la hoja técnica del fabricante con los
nombres de cada uno de los tipos de objetivos. ................................................................. 72
Figura 54 – Imágenes .DICOM en el programa Esaote MyLab. En las mismas se pueden ver
las capturas del fantoma, con metadata de la configuración utilizada y fecha del estudio. A
la izquierda la captura 1, a la derecha la captura 2 ............................................................. 72
Figura 55 – A la izquierda, la captura 1 recortada en un cuadrado de 512 x 512 pixeles. A

la derecha, la porción análoga dibujada a partir de la especificación técnica del fabricante
del fantoma. ........................................................................................................................ 73
Figura 57 – Captura 1 con los entornos de análisis ............................................................. 74
Figura 58 – Gráfico de la mejora de relación señal ruido con distintos umbrales blandos
aplicados a una transformada discreta wavelet ‘db7’. ....................................................... 74
Figura 59 – Imagen filtrada de mayor relación señal ruido obtenida al aplicar umbrales
blandos a una transformada discreta wavelet ‘db7’. .......................................................... 75
Figura 60 –Gráfico de la mejora de relación señal ruido con distintos umbrales duros
xii
duros a una transformada discreta wavelet ‘db7’. ............................................................. 76
Figura 62 – Resultados de la resolución lateral con umbrales blandos analizados con una
wavelet discreta ‘db7’ sobre la captura 1. .......................................................................... 77
Figura 63 – Resultados de la resolución lateral con umbrales duros analizados con una
Figura 64 – Resultados de la resolución axial con umbrales blandos analizados con una
Figura 65 – Resultados de la resolución axial con umbrales duros analizados con una
Figura 60 – Recortes de los entornos 1, 2, 3 y 4. Arriba: sin procesar. Abajo: luego de ser
filtrados con umbrales blandos en 0.4 para coeficientes horizontales, 0.05 para
coeficientes verticales y 0.05 para coeficientes diagonales transformado mediante una
wavelet discreta ‘db7’. ........................................................................................................ 79
Figura 61 – A la izquierda la captura 2 recortada en un cuadrado de 512 x 512 pixeles. A la

derecha, la porción análoga dibujada a partir de la especificación técnica del fabricante
del fantoma. ........................................................................................................................ 80
Figura 62 – Captura 2 con los entornos de análisis ............................................................. 81
Figura 63 – Gráfico de la mejora de relación señal ruido con distintos umbrales blandos
blandos a una transformada discreta wavelet ‘db7’. .......................................................... 82
Figura 63 – Gráfico de la mejora de relación señal ruido con distintos umbrales duros
duros a una transformada discreta wavelet ‘db7’. ............................................................. 83
xiii
Figura 65 – Resultados de la ganancia de contraste con umbrales blandos analizados con
una wavelet discreta ‘db7’ sobre la captura 2. ................................................................... 84
Figura 65 – Resultados de la ganancia de contraste con umbrales duros analizados con

una wavelet discreta ‘db7’ sobre la captura 2. ................................................................... 84
Figura 66 – Recortes de los entornos 1, 2, 3 y 4. Arriba: sin procesar. Abajo: luego de ser
filtrados con umbrales blandos en 0.4 para coeficientes horizontales, 0.05 para
coeficientes verticales y 0.05 para coeficientes diagonales transformado mediante una
wavelet discreta ‘db7’. ........................................................................................................ 85
xiv
INDICE DE ABREVIATURAS Y ACRÓNIMOS
ADDS Método de reconstrucción de speckle por difusión anisotrópica
BMP Windows bitmap
CG Ganancia de contraste
CWT Transformada wavelet continua
DT-CWT Transformada wavelet de onditas complejas de doble árbol
DWT Transformada wavelet discreta
EM Método iterativo de valores esperados–maximizados
ForWaRD Deconvolución normalizada Fourier-Wavelet
HH Coeficientes wavelet High=High, pertenecen a la dirección diagonal
HL Coeficientes wavelet High=Low, pertenecen a la dirección vertical
HWDS Método de transformada wavelet discreta con filtro homomorfico
LH Coeficientes wavelet Low-High, pertenecen a la dirección horizontal
LL Coeficientes wavelet Low=Low, coeficientes de aproximación
LTI Lineal e invariante en el tiempo
MOS Puntuación de opinión media
MSE Error cuadrático medio
PSF Función de dispersión de punto
PSNR Pico de relación señal ruido
RA Resolución axial
RL Resolución lateral
SDW Transformada Daubechies wavelet simétrica
SSIM índice de similitud de estructuras
TGC Ganancia de compensación temporal
TVDS Método de reconstrucción de speckle por variación total
xv
xvi
1. INTRODUCCIÓN
El diagnóstico por imágenes médicas es un campo que, desde sus comienzos, no ha
dejado de crecer en volumen, complejidad, alcances y calidad de sus imágenes. El mismo
brinda a los especialistas una caracterización de los tejidos, vísceras y órganos sin la
necesidad de intervenir quirúrgicamente valiéndose de varios fenómenos físicos para
reconstruir las imágenes. Las distintas técnicas se agrupan en:
 Ecografías
 Rayos X
 Tomografías computarizadas
 Estudios de medicina nuclear
 Imágenes por resonancia magnética
Este trabajo se centra en la ecografía, el cuál utiliza pulsos de ultrasonido para formar la
imagen.
El diagnóstico médico por ultrasonido es una técnica no invasiva, inofensiva, de relativo

bajo costo (comparado con tomografía computada, resonancia magnética, medicina
nuclear), que funciona en tiempo real y de forma continua. Esta técnica permite estudiar
los tejidos blandos del cuerpo humano y de animal, abarcando un amplio espectro de
aplicaciones médicas, algunas como modalidad primaria o como procedimiento adjunto a
otra técnica de diagnóstico. Debido a que la imagen final repercute en las decisiones en
las que el médico basa su diagnóstico, la misma requiere una precisión y versatilidad cada
vez mayor [7]. Al no utilizar radiación ionizante que es perjudicial para las personas, como
lo hacen las técnicas de rayos X y tomografía computada, el ultrasonido es una modalidad
que sigue siendo elegida y creciendo en número, de unidades vendidas, en todo el
mundo. También, merece ser mencionado que hay equipos portables, lo que aumenta
aún más el alcance de estos dispositivos.
El primer ecógrafo desarrollado consistió en medir la amplitud y el retardo de tiempo de

un pulso de ultrasonido emitido por un transductor piezoeléctrico. Este ecógrafo
primitivo ideado a partir de los avances en la tecnología submarina, logró, por primera
1
vez en la historia, caracterizar el interior del cuerpo humano sin dañarlo ni generarle
secuela alguna.
Estos equipos presentan distintos modos de funcionamiento y visualización. La más

común es el modo B (o 2D), desarrollado a principios de los años 60. Los ecógrafos han
sido perfeccionados de forma continua a lo largo de su historia y se valen de diversos
recursos para aumentar la utilidad de los mismos, algunos aplicados al procesamiento del
equipo y otros directamente a los transductores (transductores funcionando a distintas
frecuencias, arreglos de transductores sincronizados en fase, compatibilidad con otros
métodos de diagnóstico, etc).
Este trabajo se centra en imágenes obtenidas mediante el modo B de espectro simple, ya

que estos equipos son, a la vez, los más vendidos y presentan una pobre calidad de
imagen. Por la simpleza del método (emite varios pulsos y representa la posición según el
retardo de tiempo y la intensidad según la intensidad de la señal recibida), este método
presenta diversos tipos de ruidos según la etapa.
El ruido que se estudiará se denomina tipo speckle el cuál es una propiedad inherente de
los equipos de ultrasonido, como lo es de todas las modalidades de captura de imágenes
coherentes. Este ruido multiplicativo puede ser definido como interferencias destructivas
y constructivas de dos ecos que retornan al transistor. La superposición de los ecos
acústicos retornando con fases y amplitudes aleatorias resulta en un intricado patrón de
ruido. Los niveles de este ruido van desde 0 a máximo (255 para imágenes en formato
windows bitmap de 8 bits - .BMP) dependiendo de la fase relativa de ambos ecos,
oscureciendo y enmascarando los detalles importantes de las imágenes y dificultando el
diagnóstico.
El director de la empresa Toshiba America Medical System, Tomo Hasegawa, anunció

[38]: “Todos estamos acostumbrados a que las imágenes de los ecógrafos son borrosas.
Sin embargo, con la mejora de la tecnología realizando procesamiento en tiempo real,
estamos empezando a obtener imágenes que son tan claras que la gente ni siquiera se da
cuenta de que son obtenidas por ultrasonido”. Esto, presenta una perspectiva favorable
para el desarrollo de técnicas de procesamiento de señales aplicadas a esta área.
2
Debido a que los ecógrafos son herramientas para el diagnóstico médico, poseen normas
de seguridad y de compatibilidad electromagnética estrictas para que la información
resultante no posea errores [3]. Por esto, no es posible intervenir el equipo, por ejemplo,
para filtrar los datos crudos obtenidos por los transductores.
En este trabajo, se resolvió trabajar sobre las imágenes finales exportadas y, de ser
considerada útil por los desarrolladores de estos equipos, pueden optar por integrar los
filtros para que los usuarios puedan decidir utilizar o no la reconstrucción digital como
una herramienta secundaria.
Reducir el ruido tipo speckle de los ecógrafos sin perder definición en los bordes no es
una tarea sencilla. Muchos investigadores han desarrollado algoritmos para filtrar la
imagen exportada por estos equipos. Sin embargo, no existe un método uniforme para
cuantificar la mejora de los distintos filtros, de manera de poder comparar los distintos
trabajos entre sí. Así mismo, las métricas elegidas para determinar la mejora y el modo
que se obtiene la imagen de referencia utilizada para calcular ciertos índices no siempre
es uniforme entre las investigaciones recientes.
Mediante filtros lineales [35] y no lineales [40], [58], [64], aplicados en el dominio del
espacio, frecuencia y/o wavelets, se puede mejorar la visualización de las imágenes
obtenidas. Estos métodos pueden ser ajustados mediante la interpretación del
especialista, métodos iterativos [68], [46] o mediante índices objetivos de una única
condición de laboratorio [5], [44], [65]. En este trabajo, se optó por programar una
plataforma sencilla, que permita a los desarrolladores de ecógrafos comparar distintos
algoritmos y configuraciones de filtros ligados al estado del arte actual. De esta manera,
realizar pruebas repetitivas en entornos controlados y poder determinar qué métodos de
reconstrucción logran disminuir el ruido sin desenfocar ni reducir el contraste de la
imagen, brindando un valor agregado a sus ecógrafos.
En este trabajo se desarrollan los principios básicos del ultrasonido y los componentes
principales de los ecógrafos, módulos y configuraciones. Esta información preliminar es
de suma importancia para poder interpretar las limitaciones propias del método de
captura que poseen los ecógrafos, y así, poder entender cómo se genera el speckle y por
3
qué es tan difícil eliminarlo. En el capítulo 5 se desarrollan algunos de los métodos de
reconstrucción más utilizados y los descriptores elegidos para cuantificar la mejora de
estos filtros. En las siguientes secciones se pueden apreciar el estado del arte utilizado
para definir las transformadas aplicadas a la plataforma desarrollada y su diagrama de
flujo e interfaz con el usuario. También se presenta un método para comparar las
reconstrucciones con referencia completa partiendo de la captura de imagen de un
fantoma para ultrasonido en el capítulo 7. En la misma sección, los resultados de unas
pruebas con transformada discreta wavelet.
4
2. ULTRASONIDO
2.1. PRINCIPIOS BÁSICOS

Las ondas acústicas son un fenómeno físico por el cual perturbaciones mecánicas son
transmitidas a través de un medio, prácticamente sin transferencia de masa, y es
originado por diferencia de presión o tensión. Existe una relación importante entre las
propiedades del medio en que se transmite con las propiedades correspondientes de las
ondas sonoras que atraviesan a éste. Por esto mismo, no es posible la transmisión de este
fenómeno en vacío como lo hacen las ondas electromagnéticas.
Estas perturbaciones causan un aumento de la densidad relativa del medio en que se

transmiten, llamado compresión, y una disminución de la misma densidad relativa,
llamada rarefacción [7]. El lapso de tiempo entre dos compresiones (o rarefacciones)
simultáneas en un mismo punto es conocido como periodo (T) [50]:
En medios sólidos infinitos, las ondas acústicas pueden transmitirse de todas las maneras
posibles. Sin embargo, según las propiedades de la fuente que las genera y el entorno de
estudio, pueden ser clasificadas en tres grupos: onda plana, cilíndrica o esférica. Las
ondas planas viajan solo en una dirección, y pueden ser descriptas como secuencias
periódicas de extensión lateral infinita. Por otra parte, las ondas esféricas se transmiten
simétricamente en todas las direcciones alrededor de un punto. La onda cilíndrica, se
propaga en todas direcciones como la onda esférica, pero a través de una línea de
referencia. Para nuestro análisis, las ondas planas son las que mejor se aproximan al
comportamiento del frente de onda generado por los transductores de los ecógrafos.
La intensidad de la onda sonora es la energía que atraviesa una sección, medida en

watts/m2. Para onda plana, la intensidad es [11]:
(1)
Donde A es el desplazamiento máximo de amplitud de los átomos o moléculas con

respecto a su posición de equilibrio, Z es la impedancia acústica y es usada para
5
designar la frecuencia angular [7] y se relaciona con la frecuencia y con el periodo de la
onda mediante:
(2)
Una onda longitudinal crea un movimiento de compresión y expansión de las partículas

por donde se transmite. Estas partículas son desplazadas de la posición de equilibrio en
las que se encuentran, por una distancia ( ) a una velocidad de partícula ( ), relacionadas
por la siguiente fórmula:
(3)
Estas perturbaciones, pueden variar en el tiempo y espacio, y son designadas por la

ecuación:
(4)
Donde U puede designar cualquier propiedad física que caracterice la propagación de la

perturbación aplicada. Aplicando la fórmula a una única dirección, se puede escribir
como:
(5)
Cuando una onda es propagada a través de un medio en una dirección positiva, se puede
describir como:
(6)
Por el contrario, cuando la misma onda recorre el medio en dirección negativa:
(7)
Estas fórmulas, son soluciones particulares de la ecuación de onda en una dimensión:
6
(8)
Según lo mencionado anteriormente, las ondas sonoras longitudinales comprimen y

expanden el medio dibujando un movimiento sinusoidal (a frecuencias e impedancias en
los que funcionan los ecógrafos existe una diferencia de velocidad del sonido entre
compresión y rarefacción, pero no serán tenidas en cuenta en este trabajo), por lo que la
ecuación (8) puede ser escrita de una manera más conveniente como:
(9)
es el número de onda, y es requerido por dos razones:
 Cancelar el término exponencial
 Asegurar la periodicidad con una longitud de onda λ.
2.2. IMPEDANCIA
Cuando una onda atraviesa un material, se produce un gradiente de presiones que
ejercen tensiones y movimientos (a nivel molecular) en el medio en el que es aplicada.
Haciendo una analogía con la ley de Ohm para circuitos eléctricos, se puede considerar la
presión como un equivalente al voltaje, y la velocidad de partículas como la corriente
(Figura 1).
Figura 1 – La impedancia acústica is definida, en analogía con la impedancia eléctrica de la Ley de Ohm,
como el cociente entre la presión y la velocidad de la partícula [8].
Por lo tanto, la impedancia es una propiedad fundamental de la materia, y puede ser

definida para onda plana como:
7
(10)
Donde es la impedancia acústica en Rayls/s, es la densidad del material en g/cm2 y

es la velocidad del sonido cm/seg [7].
Cuando una onda plana simple se propaga a través de un medio ideal (con impedancia Z1)
e incide perpendicularmente en un segundo medio de impedancia diferente (Z2), parte de
la energía incidente es reflejada (en dirección opuesta a la onda incidente) y parte es
transmitida hacia el segundo medio. En la Figura 2 se puede apreciar la analogía eléctrica,
en modelo simplificado en una dirección, de una onda incidente en un medio de distinta
impedancia.
Figura 2 – Modelo de la onda en una dirección, incidiendo en una superficie de distinta impedancia [8].
Analizando el entorno de contacto de ambos medios, podemos desarrollar la siguiente

ecuación:
(11)
siendo el número de onda longitudinal en el medio 1 y el factor de reflexión del

acople de ambos medios. La presión en el entorno del borde será:
(12)
En el entorno de acople de ambos medios, la velocidad de la partícula (descripta como la

corriente en la analogía de la ley de ohm) transmitida será igual a la incidente menos la
reflejada, ya que ésta se encuentra en dirección contraria.
8
(13)
(14)
De las ecuaciones (12) y (14), podemos escribir:
(15)
(16)
Por lo tanto, el factor de transmisión ( ) será:
(17)
La porción de la energía reflejada (y por lo tanto, también la transmitida) depende de la

diferencia de impedancia de ambos medios.
Sin embargo, cuando un haz de ultrasonido atraviesa los tejidos del cuerpo humano, rara
vez cambia de medio en incidencia perpendicular. Al cambiar de medio, la onda sufre un
desvío de dirección, según el ángulo de incidencia y la diferencia de impedancia de ambos
medios (Figura 3). A esta distorsión se la conoce como refracción, y está determinada por
la ley de Snell:
(18)
Por lo tanto, el factor de reflexión y transmisión podrán escribirse de manera general:
(19)
9
(20)
Figura 3 – Ondas oblicuas en un acople de dos medios de distinta impedancia [8].
Esta reflexión especular solo se produce si la superficie es plana en un área mucho mayor
a la longitud de la onda de análisis. En la siguiente figura se pueden apreciar tres casos
simplificados de distintas relaciones entre frecuencia de la onda incidente y las
discontinuidades de la superficie [90], cuando la longitud de la onda es mucho mayor al
tamaño y profundidad de la rugosidad, cuando estas dimensiones son comparables y
cuando la longitud de onda es mucho menor a las discontinuidades de la superficie
incidente:
Figura 4 – Reflexiones producidas por superficies rugosas de distinta relación extensión de la parte plana y
la longitud de la onda acústica [90].
En la Figura 4 a) se observa una onda incidente cuya longitud de onda es mucho mayor a
las rugosidades de la superficie. En este caso, la onda reflejada mantendrá la dirección
especular como si no existieran desniveles en la superficie ya que el frente de onda es
mucho mayor a cualquier desnivel. Por el contrario, el sonido reflejado en una superficie
que no es uniforme produce una difusión en el frente de onda incidente, como se puede
10
apreciar en la Figura 4 b). En este caso, se asume una pared grande, pero la longitud y
profundidad de los desniveles son comparables con la longitud de la onda. Una onda
plana que incide en una superficie de estas características interactúa de manera tal que
las fases locales de las fuentes elementales (principio de Huygens) forman un campo
complejo del sonido reflejado. A este fenómeno se lo conoce como difusión dónde el
patrón de directividad de las ondas reflejadas depende la rugosidad de dicha superficie y
la dirección y la frecuencia de la onda incidente. Por último, en la Figura 4 c) se observa la
onda reflejada cuando la longitud de onda es mucho menor a 2 veces el área de
incidencia. La misma se refleja en dirección principalmente especular, a partir del eje
perpendicular al ángulo de la superficie.
Como se mencionó anteriormente, éstas son aproximaciones que permiten describir el

comportamiento principal de un frente de onda. Sin embargo, en los casos reales existe
una interacción de los tres patrones anteriormente mencionados.
La cantidad de información de la textura de la superficie donde la onda incide y el costo

computacional necesario para poder predecir la energía reflejada en cada dirección es
impracticable. Por eso, los modelos geométricos de difusión en general son estadísticos:
cuando la onda incidente encuentra una superficie de distinta impedancia, una porción de
su energía se transmite al siguiente medio, otra se refleja en dirección especular y el resto
se refleja en otras direcciones, las cuáles son aproximadas mediante alguna función de
distribución probabilística, como por ejemplo, la ley del coseno de Lambert [90] (Figura
5).
Figura 5 – Energía reflejada en forma especular y energía difusa, a partir de la incidencia de una onda en
una superficie rugosa [91]
11
Siendo la proporción de energía que se refleja en dirección no especular para frecuencia
estudiada y el coeficiente de la energía que es transmitida al medio 2 (no confundir con
el coeficiente de atenuación desarrollado en las próximas secciones). Por lo tanto, la
energía que se dispersa a partir de la rugosidad de los distintos tejidos no retorna al
transductor que emitió dicho pulso y no es utilizada para la generación de la imagen de
ese cristal piezoeléctrico.
2.3. VELOCIDAD DEL SONIDO

Se conoce como velocidad del sonido al tiempo que tarda una porción de la onda sonora
en recorrer una distancia específica, y puede ser descripta por la ecuación de Newton-
Laplace:
(21)
donde es presión y la densidad del medio donde la onda se propaga, estudiado en un

entorno isotrópico. Ludwin, en 1950 midió la velocidad del sonido a través de brazos,
piernas y músculos. La velocidad promedio de todas sus mediciones resultó 1540 ,
siendo el número que se utiliza hoy en día y con el cual se calibran los ecógrafos.
Sin embargo, la velocidad del sonido depende de la impedancia del medio en el que se
encuentra. Como el cuerpo es, en su mayoría, agua, las dispersiones de velocidad son
prácticamente despreciables en casi todos los órganos humanos. No obstante, se debe
considerar las grandes diferencias de impedancia entre los tejidos blandos y la capacidad
ósea o los pulmones. También, merece ser aclarado que la velocidad del sonido es
variable a distintas frecuencias. Como los ecógrafos emiten pulsos ultrasónicos en el
rango entre 1 y 15 MHz, la diferencia de frecuencia de sus armónicos es significativa, y
por lo tanto, diferencias de velocidades pueden alterar la forma de la onda reflejada.
Al igual que en óptica, la velocidad del sonido a cada frecuencia puede ser obtenida
mediante el análisis de la velocidad del frente de onda complejo (velocidad de grupo), y la
velocidad de cambio de fase de cada una de las frecuencias simples que componen dicho
frente (velocidad de fase).
12
(22)
(23)
donde es la velocidad de grupo, la velocidad de fase, la velocidad ángular y el

número de onda. La relación entre ambas velocidades está dada por:
(24)
Si significa que la dispersión es despreciable o no existe. En este caso, la

frecuencia angular y el número de onda están relacionados linealmente por:
(25)
Este es el caso de la velocidad del sonido para el rango de frecuencias audibles (20 a
20000 hz) en el aire [71]. Por el contrario, en medios con impedancia similar a la de los
tejidos del cuerpo humano y en el rango de frecuencias donde los ecógrafos trabajan
(pulsos dónde la fundamental se encuentra entre 1 y 15 MHz), estas diferencias pueden
ser significativas. Cuanto mayor es la , mayor es la diferencia de velocidad del
sonido. Por ejemplo, Levy et al. (2006) [53], midió esta dispersión en tejidos blandos para
un corazón de una vaca desde 0.63 ± 0.24 en 1.5 MHz a 0.27 ± 0.05
en 4.5 MHz y para el pecho de un pavo desde 1.3 ± 0.28 para
1.75 MHz a 0.73 ± 0.1 para 3.8 MHz.
2.4. ATENUACIÓN
Hasta aquí se trató al medio como perfectamente elástico, lo cual no siempre es cierto.
Esto implica asumir linealidad entre el estrés del medio (o presión) y la deformación
resultante. En un medio perfectamente elástico, la energía aplicada para conseguir un
13
cierto grado de deformación es igual a la energía que se libera cuando el sistema es
descargado.
La discrepancia entre la energía aplicada y la liberada por el sistema cuando este es

descargado se denomina histéresis (Figura 6). Cuando una onda se propaga en un medio,
esta se atenúa por las fuerzas de fricción que se oponen al movimiento de partículas en
un medio. La energía perdida del haz de ultrasonido es convertida en calor [50]
Figura 6 – (izq.) Relación entre presión y deformación de un medio elástico ideal. (der.) Relación entre
presión y deformación para un medio con histéresis. En el caso de las diferencias de presión que genera el
ultrasonido en el cuerpo humano, esta energía es transformada en calor [8].
El mecanismo involucrado en la absorción depende de tres factores: (1) la frecuencia con

que la onda es excitada, (2) la viscosidad del medio y (3) el “tiempo de relajación” del
medio.
Al incrementar la viscosidad, disminuye la libertad que tienen las partículas y aumenta la

fricción interna. Esta fricción convierte al haz acústico en calor.
El tiempo de relajación es el tiempo que le demora a una partícula volver a su posición

inicial después de ser sometida a un desplazamiento, y el mismo es constante para cada
material. Cuando una molécula con un corto tiempo de relajación es desplazada por una
compresión longitudinal, la misma tiene tiempo de volver a su posición inicial antes de
que el próximo frente de onda vuelva a comprimir la partícula. Por el contrario, una
molécula con un mayor tiempo de relajación puede que no llegue a retornar a su posición
inicial cuando el frente de onda incide nuevamente. En estos casos, la onda de
compresión se está moviendo en una dirección y la molécula en la dirección contraria, por
lo que la pérdida energética es mayor [7].
14
Como estas pérdidas dependen de la frecuencia del pulso, la amplitud de los distintos
componentes espectrales decae a distinta proporción. Por consiguiente, la absorción se
estudia en el dominio de la frecuencia.
Figura 7 – (izq) Modelo masa/resorte representando un medio perfectamente elástico. (der) Modelo de
sistema masa/resorte amortiguado, acorde a un medio viscoelástico.
En los ecógrafos, la imagen está generada a partir de los ecos de pulsos de ultrasonido,
por lo que es importante entender el efecto de la absorción en la forma de la onda. La
atenuación puede interpretarse como un sistema masa-resorte amortiguado. Agregando
el factor de atenuación a la ecuación de onda en una dirección expresada en Figura 7,
obtenemos:
(26)
Siendo el coeficiente de atenuación del medio para dicha frecuencia angular,

generalmente en nepers/cm y la distancia recorrida por la onda. La atenuación del
medio es expresada como:
(27)
2.5. CONCLUSIÓN PARCIAL

Como fue desarrollado en este capítulo, el haz de ultrasonido es modificado por varios
fenómenos físicos que pueden alterar la velocidad del frente de onda como también
velocidad de fase, intensidad y dirección de cada porción del espectro. Esto sucede a
partir de las características propias de cada uno de los medios que la onda atraviesa,
modificando así la composición espectral del pulso. Los ecógrafos en modo B no poseen la
capacidad de interpretar estas diferencias, generando ruido sobre las imágenes.
15
16
3. ECÓGRAFOS
Los ecógrafos son herramientas para el diagnóstico médico, que generan una imagen de
los tejidos blandos del interior del cuerpo humano a partir de pulsos de ultrasonido. Esta
técnica no es invasiva ni riesgosa para la salud de las personas, ya que estamos inmersos
a diario a ondas acústicas de mayor intensidad que las producidas por estos equipos.
Incluso es segura para bebes en el vientre materno, siendo la modalidad de diagnóstico
médico por imágenes más utilizado en mujeres embarazadas.
Los beneficios de esta técnica son amplios en comparación con otras técnicas de
diagnóstico por imágenes. Los ecógrafos no son invasivos ni producen dolor alguno,
permiten la monitorización de los órganos internos en tiempo real y no utiliza radiación
ionizante. No requiere jaula de Faraday como los equipos de resonancia magnética, ni
salas plomadas como lo necesitan las salas de rayos x o tomografía. Tampoco necesitan
inyectar al paciente con material radioactivo como en los estudios de medicina nuclear.
Por el contrario, los componentes de los ecógrafos son sencillos, de relativo bajo costo,
haciendo de los ecógrafos equipos que se pueden encontrar en centros de salud a lo largo
de todo el mundo. Según Cote [17], quién realizó un estudio comparativo de la cantidad
de estudios entre algunas de las distintas técnicas de diagnóstico por imágenes. En la
Figura 8 se muestra un gráfico de cómo el ultrasonido es la técnica la cual mayor cantidad
de estudios de diagnóstico médico se realizaron en ese año, no solo en Estados Unidos,
sino también en todo el mundo. Con la excepción de los equipos de RX, la ecografía es la
modalidad de diagnóstico por imágenes más utilizada en el mundo entero.
Figura 8 – Número estimado de exámenes en todo el mundo y estados unidos en el año 2000 [17]
17
Los ecógrafos utilizan transductores piezoeléctricos para capturar las imágenes,
productos aplicados en una amplia gama de equipamientos. Estos transductores son
compactos, la mayoría del tamaño de una caja de fósforos, funcionando tanto de
emisores de la onda acústica como de receptores. Debido a la velocidad de los pulsos de
ultrasonido, estos equipos permiten una visualización en tiempo real.
A lo largo de los años, estos equipos se fueron complejizando en arreglos de

transductores, procesamiento de señales, mediciones y visualización. De esta manera se
obtienen representaciones y parámetros que permitan al médico obtener un diagnóstico
certero en un amplio espectro de problemas.
3.1. COMIENZO DE LOS ECÓGRAFOS

Robert Hooke (1635 – 1703), el científico inglés responsable de la teoría de la elasticidad
fue el primero en escribir acerca de la posibilidad de analizar el interior de un cuerpo, ya
sea animal, vegetal o mineral, a partir del sonido que éste produce. En 1700, el biólogo
Lazzaro Spallanzani intuye sobre la existencia de sonidos por encima del rango audible
viendo como los murciélagos cazaban a sus presas. Varios años más tarde, los hermanos
Pierre y Jacques Curie descubren el principio de “piezo-electricidad” de algunos
materiales, galardonando a este primero con el premio nobel en el año 1903. Un mes
después del hundimiento del Titanic, el científico británico L. F. Richardson (1913) patenta
un dispositivo para detectar icebergs por debajo del agua a partir de pulsos de sonido.
Esta técnica fue mejorada considerablemente durante la segunda guerra mundial para la
detección de submarinos a partir de pulsos electromagnéticos.
En 1945, F. Firestone desarrolló el primer sistema para detectar la localización de fisuras

en metales a partir del tiempo que demora el eco de un pulso emitido. La configuración
de visualización utilizada en este dispositivo se la conoce como “Modo A”. Rokoru Uchida,
en Japón, fue el primero en utilizar estos detectores en el cuerpo humano para
diagnóstico médico.
18
Figura 9 – Comparación de los modos de visualización A y B sobre la energía reflejada [37]
A lo largo de la década del 50’, a estos dispositivos se les fueron agregando una serie de
mejoras: se independizó el transductor del sistema de procesamiento/visualización de
manera tal de que pueda ser manipulado por el técnico, se le agregó un disparador de
pulsos periódicos, se desarrollaron distintos arreglos piezoeléctricos y se mejoró el
sistema de visualización del modo A (unidireccional) a un sistema que reconstruya en 2D.
Este sistema de representación, dibuja de arriba hacia abajo según los distintos retardos
temporales y hacia los lados según el cristal que reciba la información. Las distintas
tonalidades, que van del negro al blanco, corresponden a la intensidad del pulso recibido.
Esta forma de caracterizar el cuerpo humano se conoce como “Modo B”. Este es el modo
con el que los ecógrafos se hicieron mundialmente conocidos y sigue aún vigente en
muchos estudios. En la Figura 9 se puede observar cómo se ve un estudio en modo A (eje
de abscisas), en modo B (ambos ejes horizontales) a distintas intensidades (eje de
ordenadas).
Sin embargo, existen equipos modernos de ultrasonido que agregan procesamiento de

los pulsos recibidos para entregar mayor información para el diagnóstico médico. Estos
son:
 Modo M (modo movimiento): emite un tren de pulsos focalizados espacialmente,

y registra el tiempo que tarda cada porción de energía en volver. Al igual que el
modo B, en el eje vertical se puede observar los distintos tejidos a distintas
19
profundidades, pero el eje horizontal es una secuencia temporal. De esta manera,
se pueden observar los cambios de posición de los distintos órganos del cuerpo.
 Modo Doppler: Censa las variaciones de frecuencia al incidir con una superficie en
movimiento. De esta manera se puede medir y visualizar el flujo del torrente
sanguíneo. Existen diversos tipos de ecógrafos que miden el efecto Doppler:
Doppler color, Doppler continuo, Doppler de onda pulsada o modo dúplex.
 Modo Armónico: Similar al modo B, pero reconstruye la imagen a partir del

segundo armónico, y no con la fundamental como su predecesor. De esta manera,
minimiza las reverberaciones, mejora la relación señal ruido y la resolución axial y
longitudinal.
Sin embargo, en este trabajo nos encargaremos de estudiar solo imágenes obtenidas por
ecógrafos modo B, ya que es posible encontrarlos en casi todos los centros médicos
alrededor del mundo.
En 1980, Hundt y Trautenberg [35] realizaron uno de los primeros trabajos de

procesamiento de señales para mejorar las imágenes de los ecógrafos. Ellos estimaron la
función de dispersión de punto (PSF, analizada en la página 29) mediante las dispersiones
de los pulsos al analizar una serie de agujas. Con esa información, les fue posible
deconvolucionar la PSF de la señal recibida, mejorando la resolución lateral (los índices se
encuentran descriptos a partir de la página 50) de la imagen formada. Esta técnica
presenta una estabilidad para una variedad significativa de frecuencias.
En la Figura 10 se puede observar la evolución de los ecógrafos a lo largo del tiempo. La

imagen de la esquina superior izquierda (a) es de un SSD-1 [1] de la empresa Aloka (hoy
Hitachi) y es uno de los primeros ecógrafos con visualización en modo B. La superior
derecha (b) es un Combison 111s [49] de la empresa del Dr. Kretz. La serie Combison fue
de las primeras en conseguir la visualización en tiempo real y la capacidad de transductor
manual. Este modelo también contaba con una cámara de 35mm para documentar el
estudio. La imagen inferior izquierda (c) es un Sonos 4500 [12], de Agilent. Este modelo es
de la etapa de consolidación de los ecógrafos, donde los desarrollos tecnológicos de ese
periodo hicieron disminuir considerablemente el precio de los mismos, alcanzando el
consumo masivo a nivel mundial. La inferior derecha (d) corresponde a un ecógrafo
20
MyLab Alpha [62] de la marca Esaote, actualmente en producción. Hoy en día, la mayoría
de los equipos tienen el tamaño de una notebook con una base independiente diseñada
para comodidad del técnico.
Figura 10 – Ecógrafos a través del tiempo:
a) SSD-1, Aloka, 1960 [1]

b) Combison 111s, Kretztechnik, 1980 [49]
c) Sonos 4500, Agilent, 2000 [12]
d) MyLab Alpha, Esaote, 2015 [62]
21
3.2. CONFIGURACIÓN TÍPICA DE LOS ECÓGRAFOS
La configuración técnica de un ecógrafo se representa en el siguiente diagrama.
Figura 11 – Elementos básicos de un ecógrafo [85].
1. Transductor (Tr): Pieza fundamental de todo ecógrafo. Es el que emite y recibe el

pulso de ultrasonido. Existen distintos arreglos de piezoeléctricos de tamaños y
formas diferentes para cada tipo de estudio.
2. Oscilador: Controla el sincronismo entre los pulsos que emite y la visualización.
3. Generador de pulsos (Tx): Genera pulsos de frecuencia y amplitud definida por el

usuario, los cuáles son aplicados a los piezoeléctricos del transductor.
4. Receptor (Rx): Recibe las diferencias de voltaje de la energía reflejada.
5. Amplificador (Amp): Amplifica la señal para que pueda ser mostrada. También, los
ecógrafos tienen un sistema llamado ganancia de compensación temporal (Time Gain
Compensation - TGC). Este consiste en una serie de ganancias sincronizadas a distintos
retardos temporales, de manera tal que el técnico pueda controlar el contraste de las
imágenes y compensar la atenuación producida por la fricción del medio. Por ejemplo,
se puede aumentar el brillo en zonas profundas sin saturar el área superficial.
6. Visualización: Pantalla que puede ser de tubo de rayos catódicos o display led.
7. Almacenamiento1: Estos equipos, si bien funcionan en tiempo real, pueden capturar

imágenes y almacenarlas. El formato que utiliza para esto se denomina .DICOM, el
cual está estandarizado para todo tipo de imágenes médicas. También hay equipos
1
Solo en ecógrafos digitales
22
que pueden guardar los datos crudos (raw data), para poder aplicarle distintos filtros
a posteriori.
De todos los módulos que componen a los ecógrafos, la mayor diferencia reside en los
transductores. Estos dispositivos actúan como intermediarios entre los tejidos del cuerpo
y la imagen formada, generando pulsos acústicos a partir de estímulos eléctricos, y
transformando a diferencias de tensión la energía acústica recibida.
Los transductores están compuestos por arreglos piezoeléctricos pequeños puestos uno
al lado de los otros en un plano o en forma convexa. Cada uno de los módulos se
encuentra aislado entre sí, de manera tal de minimizar las interferencias con los
piezoeléctricos vecinos. Cuanto mayor es el número de cristales utilizado en el
transductor, mayor es la definición que estos poseen. Estos arreglos pueden ser
secuenciales (alrededor de 4 cm de superficie correspondiente con el ancho de la imagen
formada) o tener arreglos de fase (de mucha menor superficie y cantidad de cristales, con
retardos temporales variables entre los distintos elementos, de manera tal de enfocar el
haz de ultrasonido en distintas direcciones). Existen también arreglos en forma de anillo,
pero no serán analizados en este trabajo.
En la Figura 12 se puede apreciar como el mismo cristal funciona tanto como transmisor y
como receptor de ondas de ultrasonido.
Figura 12 – Un cristal piezoeléctrico puede operar como transmisor (figura superior) si se le es aplicada una
diferencia de tensión en sus caras opuestas, o como receptor transformando la presión recibida en voltaje
(imagen inferior) [85]
23
La Figura 13 muestra un diagrama esquemático de un transductor de ultrasonido. Un
transductor ultrasónico está hecho de varios cristales activos, un soporte y una placa de
desgaste. El soporte es un material muy denso, que sirve para absorber las vibraciones
irradiadas hacia la parte posterior del dispositivo.
Figura 13 – Esquema de transductor de ultrasonido [19]
A cada emisión y recepción de pulsos de ultrasonido necesarios para construir una

imagen se lo denomina “scan”. La imagen resultante en el módulo de visualización puede
ser el resultado de uno o varios scans promediados. En la Figura 14 a) se puede apreciar
una representación de un scan en modo A, a través de varios tejidos. En la parte b) se
observa los pulsos de ultrasonido recibidos, los mismos son atenuados según la distancia
de penetración dónde se encuentran los distintos tejidos. En el mismo gráfico se agrega la
función de TCG óptima para compensar las pérdidas por atenuación. En el gráfico c), la
visualización final de los pulsos obtenidos.
24
Figura 14 – Scan en modo A: (a) reflexiones por cambios de impedancias en el medio son detectadas en (b)
dónde se le aplica la ganancia temporal (TGC). Esto permite compensar las pérdidas, resultando en pulsos
de igual amplitud (c) a partir de iguales diferencias de impedancia en los tejidos [19].
25
4. LIMITACIONES Y RUIDOS
Como todo equipamiento, los ecógrafos no escapan de contar con ruidos, alinealidades y
limitaciones que no permiten la representación exacta de los tejidos del cuerpo.
Comparativamente, éste instrumental utilizado en modo B es el que menor relación señal
ruido posee entre los equipos de diagnóstico por imágenes actuales. Como el modo B
utiliza solo los niveles de los pulsos recibidos en cada cristal para representar la imagen,
cualquier modificación del pulso en intensidad, velocidad o dirección durante el recorrido
que estos realizan, genera una anomalía propia al método de captura.
4.1. PRINCIPIO DE SUPERPOSICIÓN

Como el ultrasonido es un fenómeno ondulatorio, la presión resultante podrá
determinarse como la suma en amplitud y fase de todos los componentes simples en un
punto y momento determinado. Por esto, las interferencias entre dos o más ondas
pueden ser constructivas, cuando la presión resultante es mayor a las individuales, o
destructivas, cuando se contrarrestan, pudiendo alcanzar la cancelación completa (Figura
15).
Figura 15 – Arriba: demostración de interferencia constructiva en agua (caso en 2D – izquierda) y en

cuerdas (cado 1D – centro). Para un mejor entendimiento, el caso en 1D es esquematizado en la figura de la
derecha. Abajo: demostración de interferencias destructivas [32].
En este caso, como los ecógrafos en modo B con transductores secuenciales funcionan
emitiendo pulsos en una única dirección por cristal, cada uno de los módulos se comporta
26
como las imágenes en 1D. La imagen en 2D puede ser entendida como una porción del
campo acústico generado por un arreglo de varios cristales.
El ecógrafo en modo B reconstruye la imagen a partir de la intensidad recibida en cada

uno de los cristales a lo largo del tiempo. Por esto mismo, todas las alinealidades en
dirección, amplitud o velocidad del sonido, podrán sumar en fase o cancelar parte de la
información utilizada por el equipo. A continuación, se detallan las causas que generan
este tipo de ruido, cuyos patrones son complejos debido a la gran cantidad de factores
involucrados.
4.2. ATENUACIÓN Y DISTANCIA FOCAL

En el capítulo 2 se desarrolló cómo la atenuación del haz de ultrasonido depende de tres
factores: la frecuencia del pulso emitido, la constante de viscosidad y el tiempo de
relajación del medio. La constante de atenuación es mayor a medida que la longitud de
onda del haz ultrasónico disminuye.
La intensidad del ultrasonido producido por el transductor varía longitudinalmente ya que

no es un haz perfecto de onda plana. La energía emitida por los transductores, focaliza a
una cierta distancia. La zona donde la onda es casi plana se denomina campo cercano (o
zona de Fresnel), mientras que el campo lejano (o zona de Fraunhofer) es el espacio
dónde la energía se empieza a dispersar (Figura 16). La longitud de la zona de Fresnel está
determinada por las ecuaciones (28) y (29 utilizando el diámetro del transductor o la
longitud de onda de ultrasonido.
Figura 16 – Longitud del campo cercano (zona de Fresnel) y campo lejano (zona de Fraunhofer) para un
transductor lineal [85]
27
(28)
(29)
Dónde es la longitud de la zona de fresnel en cm, es el radio esl transductor en cm y

λ es la longitud de la onda en cm. Esta zona es más larga cuanto más grande sea el
transductor o aumente la frecuencia, y más corta con un transductor pequeño o en
frecuencias más bajas. Archana [7] presenta la Tabla 01 donde compara la longitud de la
zona de Fresnel según el dímetro del transductor y la frecuencia. La longitud de la zona de
Fresnel es mayor a frecuencias más altas y aumenta significativamente con el diámetro
del transductor, como lo demuestra Wagner [93].
En la Figura 17 se muestra un gráfico que relaciona longitud de la onda (y frecuencia),

penetración y resolución del sistema. Como se puede observar, a menor frecuencia del
pulso de ultrasonido se obtendrá una mayor penetración, pero aumenta la dispersión de
la energía, resultando en una pérdida de resolución. Por el contrario, los transductores de
alta frecuencia poseen una mayor resolución, pero solo pueden ser utilizados para
exámenes superficiales.
Tabla 01 – Longitud de la zona de Fresnel respecto a la frecuencia y diámetro del transductor.
Longitud de la zona de Fresnel (en cm)

Frecuencia Diámetro del transductor (en cm)
(en MHz) 0,5 1,0 1,5 2,0 2,5
1,0 0,37 1,60 3,40 6,50 10,00
1,5 0,58 2,40 5,10 9,70 15,00
2,0 0,79 3,20 6,80 13,00 20,00
2,5 1,01 4,00 8,50 16,00 25,00
5,0 2,01 8,10 17,00 32,00 50,00
7,5 2,97 11,90 25,00 48,00 75,00
28
Figura 17 – Longitud de la zona de Fresnel respecto a la frecuencia y diámetro del transductor [8]
Una incorrecta elección del transductor resultará en una baja definición de los bordes si
utilizamos frecuencias más bajas que las óptimas, o una pequeña relación señal ruido si la
atenuación en esa frecuencia es significativa respecto a la penetración requerida.
4.3. FUNCIÓN DE DISPERSIÓN DE PUNTO (PSF)

En el análisis de cualquier sistema físico, se pueden utilizar métodos de la teoría de las
comunicaciones para describir las características de un sistema midiendo las variaciones
que se obtienen a la salida a partir de introducir al sistema una señal conocida. Para que
este análisis sea válido, dicho sistema debe poseer las propiedades de linealidad y ser
invariante en el tiempo (sistema LTI).
En un sistema de imagen ideal, la energía que emana de una fuente puntual en el plano
objeto debería concentrarse solo en un punto del plano imagen. Sin embargo, en la
práctica, las imperfecciones ópticas resultan en un ensanchamiento de la energía
alrededor del punto imagen y, por lo tanto, una pérdida de definición en los bordes [73].
La función de dispersión de punto (point spread function – PSF) es la medida de este
desenfoque. Puesto en otras palabras, la PSF del sistema es la distribución intensidad
radiada de la imagen a partir de una apertura infinitamente pequeña [58].
En el caso del ultrasonido, la PSF es la energía que se dispersa alrededor de un único

pulso ideal. Esta energía puede ser irradiada en rotación simétrica a partir de la dirección
del pulso. Cuando esto sucede, el sistema se denomina isotrópico. Por el contrario, hay
sistemas anisotrópicos donde la energía que se dispersa no presenta un comportamiento
29
simétrico en todas las direcciones, como es el caso del transductor de ultrasonido de los
ecógrafos. En la Figura 18 se puede observar la resultante de un haz ideal en el plano del
objeto en el plano de la imagen, mediante un sistema isotrópico y uno anisotrópico [73].
En sistemas LTI, la resultante será la convolución de cada uno de los pulsos con la PSF del
sistema. Esta difracción tiene la forma de “gota” en el caso del pulso ultrasónico de los
ecógrafos [77].
Figura 18 – La función de dispersión de punto es la imagen formada de una fuente única puntual (flecha).
(a) pertenece a un sistema anisotrópico; (b) pertenece a un sistema isotrópico [73].
Sin embargo, muchos sistemas de imágenes no son lineales en todo el espacio. Por lo que
se puede descomponer el plano imagen en distintas porciones donde las diferencias no
sean significativas [73], como es el caso de los ecógrafos.
La información que recibe el transductor es considerada como el resultado de la

convolución entre la PSF del equipo de ultrasonido y la función reflectiva de los tejidos
[65]. Mientras que la resolución lateral depende principalmente de los cambios en la
respuesta al impulso espacial de la apertura del transductor [39], la resolución axial
resulta condicionada por la atenuación y diferencias de velocidad del sonido de grupo y
fase en los distintos medios que atraviesa [43]. En los equipos modernos, la PSF lateral
puede reducirse mediante técnicas de apodización (desarrollada en la siguiente sección)
sobre la apertura de los transductores, pero la variación de la PSF no es compensada a lo
largo de la dirección axial [64].
30
4.4. DIRECTIVIDAD Y APODIZACIÓN
Es necesario entender los patrones de directividad de los transductores para conocer las
limitaciones del diagnóstico médico a partir del ultrasonido. Los mismos consisten en
lóbulos principales y secundarios. La intensidad de radiación es principalmente en la
región frontal del transductor dónde el área de la función de dispersión de punto es la
que determina la resolución de los detalles. Sin embargo, también se generan lóbulos
laterales con regiones de cancelación entre ellos. Estos lóbulos pueden generar
información errónea dificultando la interpretación del especialista. En general, los
patrones de directividad son los mismos cuando el transductor es utilizado como emisor o
receptor [88].
Los ángulos hacia donde irradia energía mucho menor a la proyección normal, se suponen
despreciables y no serán estudiadas en este trabajo.
Figura 19 – Simulación del campo acústico generado por un transductor de 64 elementos a 5 MHz, inmerso
en agua. Los valores de presión están graficados en escala logarítmica. Arriba: el campo cuando .
Debajo: el campo cuando . Merecen ser notado los lóbulos laterales intensos de la imagen
inferior [8].
Para disminuir los lóbulos laterales, se apodizan los pulsos emitidos. Esta técnica consiste
en ajustar las amplitudes de cada uno de los cristales del transductor conforme a distintas
31
funciones. Las funciones más comunes utilizadas en a técnica de apodización son: Coseno,
Hamming, Hanning Gaussian, Blackman y Dolph-Chebycheff [34], [86], [48]. En la Figura
19 se muestra una simulación de cómo la técnica de apodización puede reducir los
lóbulos laterales. En la Figura 20 se puede ver una mejora de la resolución lateral debido a
la utilización de una ventana Hanning en los cristales de apertura. De la misma manera,
en la Figura 21 se puede observar dos imágenes de un fantoma de ultrasonido capturados
con un transductor convexo con: a) sin apodización (ventana rectangular) y b) con
apodización (ventana Hanning). La diferencia de la resolución lateral es significativamente
mejor en la figura de la derecha.
Figura 20 – Haz de ultrasonido en sección transversal (izq.) y perfil del haz (der.) para: (A) transductor con
amplitud constante en todos los cristales y (B) apodización con distribución Hamming [8].
32
Figura 21 – (A) Haz sin apodización (ventana rectangular) y su correspondiente imagen en un fantoma. (B)
Apodización Haning en el haz y la correspondiente imagen del fantoma [8].
4.5. SPECKLE
Las imágenes en modo B son contaminadas por ruido tipo speckle. Este ruido puede ser
definido como interferencias destructivas y constructivas de dos ecos que retornan al
transistor y su contribución depende de la fase relativa de ambos ecos. Este ruido
multiplicativo es generado por la convolución de la PSF con la función de reflectividad de
los tejidos. El speckle posee un patrón aleatorio [13] y es modificado por las diferencias
de comportamiento del haz entre zona de Fresnel y Fraunhofer, la atenuación que sufren
los pulsos entre la emisión y recepción los cuales varían con la frecuencia (corregidos por
el técnico de ecografía mediante TGC) y la directividad de la fuente (modificada por la
apodización del sistema). Sin embargo, los pequeños cambios en la velocidad del sonido
en los distintos medios y el foco lateral son los principales parámetros que afectan a las
imágenes de los ecógrafos [77].
El artefacto tipo speckle introduce pequeñas falsas estructuras, reduciendo el contraste

de las imágenes y enmascarando y desenfocando los verdaderos bordes de los tejidos
que están siendo investigados. Esto puede comprometer la efectividad del diagnóstico,
introduciendo un alto nivel de subjetividad en la interpretación de las imágenes.
33
Este ruido es más significativo en las zonas donde las diferencias de texturas están más
concentradas, es decir, en las áreas donde se produce mayor difusión acústica [74], [96].
El speckle es un ruido determinístico. Esto significa que dos señales o imágenes adquiridas
bajo exactamente las mismas circunstancias, van a obtener el mismo patrón de ruido
speckle, pero si al menos una variable es modificada, este ruido será diferente. Algunos
autores afirman que este tipo de ruido posee una distribución parecida a la Gamma [87],
o a una Fisher-Tippett [79] o a una Rayleigh [31], [84]. En la Figura 22 se puede observar
la distribución del histograma obtenido en una zona de impedancia homogénea.
Figura 22 – Histograma de ruido tipo speckle obtenido mediante el scan de un ecógrafo en un área de
impedancia homogénea.
A pesar de que el speckle es un proceso aleatorio, no es carente de información. La

distribución de este ruido, que generalmente depende de la microestructura del tejido,
puede ser útil para diferenciar entre distintas composiciones de los tejidos [7], [92].
El modelo del ruido speckle puede ser descripto por:
(30)
donde,
(31)
siendo la ecogenicidad del órgano estudiado, es decir la capacidad de los tejidos de

reflejar ondas acústicas, y son componentes aleatorios de tamaño microscópico. A se
conoce como la función de reflectividad de los tejidos, es la PSF y el ruido blanco
34
gaussiano del ecógrafo. es la imagen final generada por el ecógrafo, e son las
coordenadas de cada pixel. En la Figura 23 el modelo de ruido tipo speckle estudiado.
Figura 23 – Modelo del ruido speckle [77].
El speckle es el ruido que más afecta a las imágenes ultrasónicas, reduciendo

significativamente el contraste y dificultando la interpretación del especialista. Como se
puede apreciar en este capítulo, este ruido se genera a partir de interferencias
destructivas y constructivas de los pulsos que retornan al transductor. El pulso de
ultrasonido no es un haz perfecto dentro de los tejidos del cuerpo, sino que presenta
regiones donde focaliza, regiones donde se dispersa, lóbulos laterales corregidos en
mayor o menor medida resignando energía de los cristales de los bordes, distintas
velocidades de desplazamiento según la frecuencia que modifican la forma del pulso
recibido. Por lo tanto, las propiedades del speckle son consecuencia de numerosos
factores que dependen de la configuración del sistema y de las características de la
porción de los tejidos estudiados. El número de variables que intervienen en el resultado
de la imagen genera un tipo de ruido que no solo depende de los factores espectrales,
sino también está relacionado con la posición en el espacio que se analice.
35
5. HERRAMIENTAS DE PROCESAMIENTO
Con el advenimiento de la computación en los últimos 30 años, el procesamiento de
señales se estableció como una rama fundamental en los estudios académicos, abarcando
innumerables áreas. El diagnóstico médico se vale de estas herramientas para generar y/o
mejorar las imágenes obtenidas por los sensores de los equipos, ya sean detectores de
campo eléctrico en resonancia magnética, rayos gamma en tomografía por emisión de
positrones o ultrasonido en ecografía.
Los algoritmos que se desarrollan en este capítulo no solo son utilizados en la

reconstrucción de imágenes, sino también para comprimirlas, identificar patrones, cifrar
información, entre otras. Asimismo, estos métodos se pueden dividir en: análisis en el
espacio o en el dominio de alguna transformada, filtros lineales o no lineales [58],
métodos iterativos o de parámetros fijos, sin o con información particular de las
alinealidades que la generan (blind deconvolution o non-blind deconvoution,
respectivamente) [58]. También, los métodos objetivos de cuantificar la mejora pueden
ser con referencia completa (full-reference), referencia reducida (reduced-reference) o
métodos sin referencia (no-reference).
5.1. FILTROS EN EL ESPACIO

Los filtros en el espacio son los más antiguos, pero no menos importantes en los análisis
actuales. Éstos analizan los parámetros de cada pixel con su entorno, ya sea en pequeños
segmentos o en la imagen completa.
Filtro Gaussiano [20]: Los filtros Gaussianos son un método de reconstrucción lineal, los
cuáles consisten en convolucionar la señal con un operador de forma gaussiana en 2D. De
esta manera, los bordes de desenfocan, reduciendo los detalles y el ruido.
Filtro Gabor [33], [51]: En el dominio espacial, los filtros lineales Gabor en 2D son
funciones Gaussianas en el núcleo, moduladas por ondas sinusoidales planas. Los filtros
Gabor son copias de sí mismos, dilatados y rotados mediante la función:
36
(32)
donde representa la longitud de onda del factor sinusoidal, es el ángulo formado

entre la normal y las franjas paralelas de la función Gabor, es el offset de fase, es la
varianza de la envolvente del filtro Gaussiano y es la relación de magnitud espacial,
siendo lo que le da soporte a la función Gabor. En la Figura 24 el espectro de este filtro.
Figura 24 – Espectro del filtro Gabor [33]
Filtro mediana: Esta es una técnica de filtrado digital no lineal, utilizado para remover
ruido de las imágenes. Este filtro necesita un pre-procesamiento para mejorar los
resultados (por ejemplo, detección de bordes). Los valores de cada pixel son
reemplazados por la mediana de los pixeles cercanos.
Filtro homomorfico: Es una técnica no lineal muy utilizada para corregir imágenes con
iluminación no uniforme. Estos filtros se caracterizan por aplicar logaritmo a la imagen
para transformar el ruido multiplicativo en aditivo, se convoluciona con un filtro pasa alto
y luego se reconstruye nuevamente la imagen (Figura 25).
También, es común transformar mediante Fourier antes utilizar estos filtros, para luego
reconstruir la imagen.
Figura 25 – Algoritmo de filtro homomorfico [61].
37
5.2. FILTROS EN TRANSFORMADAS
Muchos métodos de análisis y reconstrucción se realizan aplicando una transformada que
cambia el dominio de la señal. De esta manera se pueden exponer distintas propiedades
de la señal para ser filtradas por distintos algoritmos que permitan amplificar o
amortiguar dichas propiedades. Entre ellos, algunos métodos transforman al dominio de
la frecuencia (transformada del seno, coseno, Fourier o Fourier ventaneada entre otras) o
análisis multi resolución wavelets [26][59], phaselets [28][29], y curvelets [14][15][81]
entre otras).
Las transformadas en el dominio de la frecuencia son útiles para estudios estacionarios,

los cuáles todas las frecuencias tienen una coherencia infinita en el tiempo/espacio. Por
esto, el análisis en Fourier no es adecuado para el estudio de patrones locales o
compactos. La transformada de Fourier ventaneada es una herramienta más adecuada
para el análisis de imágenes con patrones estacionarios, ya que presenta información
sectorizada [82]. Sin embargo, esta transformada es completamente redundante, es
decir, realiza la mismo, sub-muestreando para cada frecuencia. Para el análisis efectivo de
una señal con eventos transitorios en un corto tiempo se necesita aplicar ventanas
temporales de corta duración a toda la señal, resultando en un aumento significativo del
costo computacional. El principio de incertidumbre entre tiempo y frecuencia de la
transformada de Fourier puede ser representada por una caja de Heisenberg, donde el
ancho de la caja corresponde a la información en el tiempo y la altura a la frecuencia,
como lo muestra la Figura 26.
Figura 26 – Cajas de Heisenberg de dos átomos y .
38
Al aumentar la cantidad de muestras en tiempo utilizadas para realizar la transformada,
se pierde información temporal, pero aumenta la resolución del espectro, y viceversa. Por
otro lado, las transformadas wavelets y sus variantes (x-lets) son mucho más flexibles
para el análisis de patrones aleatorios y eventos transitorios [2], por lo tanto, se adaptan
mejor a la reconstrucción de imágenes. En la Figura 27 se puede observar un diagrama en
cajas de Heisenberg de dos wavelet de distinta escala. Los distintos niveles de la
transformada wavelet se generan a partir de un único filtro a distintas escalas, el cuál es
denominado wavelet madre. Cuando se analiza la señal con filtro de mayor cantidad de
muestras obtiene una mejor definición en el espectro. Por el contrario, la resolución
temporal es mayor con wavelet madres de menor duración, pero pierde capacidad de
análisis en frecuencia.
Figura 27 – Cajas de Heisenberg de dos wavelet. En las escalas más finas, más cajas de Heisenberg se
pueden colocar lado a lado porque hay una mejor resolución de tiempo .
La transformada wavelet representa las imágenes como una serie de aproximaciones

(pasa bajos) y detalles (pasa altos) por separado, de la mitad de longitud de los vectores
originales. Los coeficientes de aproximación son subdivididos nuevamente en
aproximación y detalle, de manera tal de poder reconstruir la imagen a partir de los
coeficientes de aproximación del nivel más alto y todo el árbol de coeficientes detalle
(Figura 28).
Igual que los métodos de filtrado en el espacio, pueden dividirse en lineales y no lineales.
39
Figura 28 – Algoritmo rápido asociado a la transformada wavelet. (Arriba) Análisis de la señal mediante
filtros en cascada ( y ) seguidos por una reducción de muestras a la mitad. (Debajo) Transformada inversa
progresiva completando con ceros y filtrando con los filtros inversos y .
Filtro Wiener [89]: Es un método de filtro lineal que puede ser aplicado a los coeficientes
wavelet de una señal. Este filtro funciona bien para ruido aditivo. Algunos autores han
utilizado este método en serie con filtrado mediante umbrales en transformada wavelet
para reconstruir imágenes de los ecógrafos [44][67].
Umbrales [21], [22]: Es un método no lineal, el cual se aplica a los coeficientes para la
reconstrucción [22]. Las funciones para comparar los umbrales pueden ser duras o
blandas [21]. Los umbrales duros [80] son funciones discontinuas las cuáles se establece
un valor límite, donde los coeficientes cuyo valor absoluto sean menores que el
establecido son modificados por 0, mientras que los mayores se mantienen iguales. Los
umbrales blandos [95], establecen el mismo criterio para los valores menores al umbral,
pero comprime los coeficientes mayores por el valor del umbral. En la Figura 29] una
representación de las funciones de filtros duros, blandos y Wiener. Existen otros tipos de
funciones utilizadas como umbral para eliminar ruido de señales, pero no serán
analizadas en este trabajo.
40
(33)
(34)
Figura 29 – Tipos de filtros en transformada wavelet. A la izquierda umbral duro, en el centro umbral blando
y a la derecha filtro Wiener [94]
La elección del tipo de umbral depende de qué se entienda como mejora. Los umbrales
duros logran una mejor reducción de ruido, introduciendo algunas distorsiones
importantes. Por el contrario, los umbrales suaves poseen una curva continua y no son
tan invasivos a la señal, pero no logran mejoras tan significativas de relación señal/ruido
[45]. En la Figura 30 un ejemplo de una reconstrucción de una señal con ruido mediante la
transformada wavelet con madre Haar extraída de la aplicación Wavelab850.
Figura 30 – Imagen reconstruida mediante la aplicación de un umbral duro a los coeficientes wavelets
obtenidos. (a) Imagen con ruido. (b) Imagen reconstruida mediante VisuShrink. (c) Coeficientes wavelets
obtenidos mediante madre Haar. (d) Coeficientes wavelet luego del filtrado [94].
41
5.3. TRANSFORMADA DISCRETA WAVELET (DWT)
La transformada discreta wavelet (DWT) realiza una descomposición piramidal en
espacio-frecuencia la cuál es útil para analizar y reconstruir las imágenes de los ecógrafos.
Los senos y cosenos son bien representados por la transformada de Fourier. Sin embargo,
los pulsos de corta duración contienen coeficientes que decaen lentamente. Para análisis
de transitorios, las transformadas wavelets describen mejor estos fenómenos [83]. La
transformada discreta de wavelet descompone la señal como lo muestra la Figura 31.
Para poder explicar mejor esta transformada es preferible adquirir los conceptos de la
transformada wavelet continua (CWT), ya que estas transformadas se basan en dilatar y
trasladar una función única (llamada wavelet madre, Figura 32) y el concepto de
dilatación no está definido para señales discretas, resultando en una estructura más
compleja para comprender el fenómeno [60].
Figura 31 – Descomposición de señal en 1D mediante DWT. El eje horizontal representa el tiempo, el

vertical los distintos componentes del espectro [57].
La CWT, en una dirección, es un método para analizar las señales mediante la dilatación y
translación de una única función . La definición de Morlet-Grossmann [30] de una
función real , el espacio de todas las funciones cuadráticas integrables es:
(35)
con , y donde son los coeficientes wavelet de la

función , es la wavelet madre utilizada y es el complejo conjugado,
es el parámetro de escala y es el parámetro de posición.
42
La wavelet madre elegida debe poseer energía 0, es decir:
(36)
Figura 32 – Ejemplos de Wavelets madre [94].
La CWT posee las siguientes propiedades:
1. Linealidad
2. Covarianza por translación
3. Covarianza por dilatación
4. Verifica la ecuación de Plancherel-Parceval
La transformada discreta de wavelet se consigue discretizando la wavelet madre continua

y corrigiendo los cambios abruptos de niveles considerando el teorema de Shanon-
Nyquist para evitar aliasing en el análisis.
La transformada wavelet descompone una señal en coeficientes de aproximación

(aplicando un pasa bajos) y de detalle (aplicando un pasa altos). Luego, decima (realiza un
muestreo de la mitad de muestras) los coeficientes obtenidos, descomponiendo los
coeficientes de aproximación nuevamente en coeficientes de aproximación y detalle de
un nivel más alto. De esta manera, al final del análisis se obtendrán coeficientes de
aproximación del último nivel de análisis y una serie de coeficientes de detalle por nivel
43
de descomposición, de cantidad de muestras (dónde son la cantidad de
muestras de la señal original y es el nivel de descomposición). En el procesamiento de
imágenes se realizan filtrados en dirección horizontal (filtro LH), vertical (filtro HL) y
diagonal (filtro HH). En la Figura 33 se presenta una descomposición en DWT, arriba de
forma esquemática y debajo utilizando una imagen real.
Figura 33 – (a) Descomposición de imagen mediante DWT. LL3 corresponde a los coeficientes de
aproximación de nivel 3. (b) Imagen de Lena descompuesta mediante DWT en 2 niveles [78].
44
A pesar de las mejoras que posee la transformada discreta de wavelets para el análisis de
imágenes obtenidas por ultrasonido, esta transformada presenta dos desventajas [57]:
 Carencia de invariancia al desplazamiento: pequeños cambios en la señal

analizada puede resultar en variaciones significativas de energía en los
coeficientes a distintos niveles.
 Pobre selección direccional: no presenta una correcta caracterización de

componentes en distintos ángulos.
5.4. OTRAS TRANSFORMADAS WAVELETS

Para una mejor caracterización de las señales, distintos algoritmos de transformadas
wavelet fueron desarrollados, entre ellos:
 Transformadas Daubechies wavelets simétricas (SDW) [54][55]: Las transformadas

wavelet complejas de Daubechies pueden hacerse simétricas. Esta propiedad de
los filtros facilita el análisis de las condiciones de borde de los objetos. La SDW
mantiene la fase lineal, lo que permite mantener la forma del objeto durante la
reconstrucción. A diferencia de la transformada discreta wavelet, las
transformadas complejas no son sensibles al desplazamiento. En la Figura 34] se
pueden observar dos impulsos con una muestra de corrimiento (en a y b), y las
magnitudes de los coeficientes wavelets aplicando pasa alto mediante una
transformada DWT (en (b) y (c) con db4) y SDW (en (e) y (f) con SDW6). Esta figura
indica como la naturaleza de la magnitud y la energía de los coeficientes
complejos wavelet se mantienen prácticamente invariantes a la misma señal con
un corrimiento de posición.
45
Figura 34 – (a) Señal original, (b) Señal desplazada una muestra, (c y d) magnitud de los coeficientes wavelet
de las señales a y b analizados con un pasa altos mediante DWT db4, (e y f) magnitud de los coeficientes
wavelet de las señales a y b analizados con un pasa altos mediante SDW6 [46].
 Onditas complejas de doble árbol (DT-CWT) [47][66][75]: una variante de la

transformada discreta wavelet desarrollada por Kingsbury [66], la cual genera
coeficientes complejos utilizando un doble árbol de filtros wavelet para obtener la
parte real e imaginaria de la señal (Figura 35). Esto introduce una redundancia
limitada de para señales de dimensiones que permite a la transformada
prácticamente carecer de sensibilidad al desplazamiento (Figura 36) y filtros
selectivos en dirección (propiedades que la DWT carece).
46
Figura 35 – Árbol de descomposición de la DT CWT Dos árboles de filtros reales, a y b, los cuales producen la
parte real y la imaginaria de los coeficientes complejos [66].
Figura 36 – Coeficientes wavelet y función escala de niveles 1 a 4 generados a partir de 16 funciones escalón
desplazadas. A la izquierda analizado mediante DT CWT y a la derecha el equivalente con DWT [66].
La DWT en 2-D produce tres imágenes a partir de filtros pasa bandas en cada nivel,
correspondiente a pasa bajos/pasa altos, pasa altos/pasa altos y pasa altos/pasa
bajos. La DT-CWT genera tres sub-imágenes por cada uno de los dos filtros
utilizados, dos pasa bajos/pasa altos, dos pasa altos/pasa altos y dos pasa
altos/pasa bajos, brindando seis imágenes de en cada nivel de análisis. Los mismos
47
están orientados en ángulos de ±15°, ±45° y ±75°. En la Figura 37 se puede
observar una respuesta al impulso analizado con DT-CWT en cada uno de los
ángulos, descompuesto en parte real e imaginaria y su correspondiente análisis
mediante DWT. Debido a la variedad formas de los tejidos que posee el cuerpo
humano, la capacidad de analizar las señales en distintas direcciones de la DT-CWT
presenta una ventaja importante para la reconstrucción de imágenes obtenidas
por ultrasonido.
Figura 37 – Respuesta al impulso de señales en 2D en nivel 4. Arriba las 6 bandas en ángulos de -75° a 75°
de la CWT y abajo el equivalente para DWT [66].
 Phaselet [28][29]: Esta transformada, propuesta por Gopinaph, propone una

ampliación a la DT CWT, aumentando la cantidad de árboles de descomposición
(por lo tanto, la redundancia y el costo computacional) para lograr disminuir al
mínimo los cambios por desplazamiento (Figura 38).
48
Figura 38 – Invariancia al desplazamiento de la transformada Phaselet. El gráfico de barras muestra el error
cuadrático medio normalizado como función de la redundancia de n para cada escala j sugiriendo que como
n incrementa, la transformada Phaselet se convierte cada vez más invariante al desplazamiento [28].
 Curvelet [23][41][56][81]: Diseñada por Candes and Donoho 1999 para detectar
singularidades a lo largo de curvas, de manera mucho más eficiente que la
transformada discreta de wavelet (Figura 39). Esta transformada se adapta mejor
a las imágenes obtenidas por los ecógrafos, ya que los órganos y tejidos del cuerpo
no poseen líneas rectas [56].
Figura 39 – Representación de singularidades a lo largo de una curva utilizando curvelet (izq.) y wavlet (der.)
[23]
Para la implementación de la conversión de las coordenadas cartesianas a polares,

se utiliza una grilla pseudo-polar, en la cual la variable pseudo-radial está
determinada por cuadrados en vez de círculos, llamado cuadrados concéntricos o
grilla rectopolar, según los distintos autores [41] (Figura 40).
49
Figura 40 – Ilustración de una grilla polar en el dominio de la frecuencia para una imagen de n x n (n=8). En
la figura se puede apreciar las líneas radiales uniendo los puntos simétricos de los bordes de los cuadrados
[41].
5.5. ÍNDICES
En los últimos años, se están realizando muchas investigaciones para desarrollar un índice
objetivo que se correlacione con la calidad de la imagen percibida. Para asegurar una
mejora efectiva, se utilizó por muchos años el descriptor subjetivo Mean Opinion Score
(MOS) que cuantifica los resultados a partir de la percepción visual de especialistas. Sin
embargo, este método es lento y costoso para investigaciones prácticas.
A pesar de ser los más estudiados, los métodos con referencia son difíciles de lograr
mediante ecografía ya que es necesaria una imagen sin ruido para ser comparada. Las
métricas relación pico de señal ruido (PSNR) y el error cuadrático medio (MSE) son las
más utilizadas en la actualidad. Ambas están definidas como:
(37)
(38)
50
siendo y la cantidad pixeles fila y columna de la imagen, la imagen de referencia,
la imagen a analizar y el valor máximo que puede tomar cada pixel (si la imagen es
de 8 bits, ). Como estos descriptores comparan la señal pixel a
pixel, un desfasaje de posición o un cambio en el brillo entre dos imágenes iguales, podría
significar en valores desfavorables de este índice, y no reflejar la similitud de ambas
figuras.
Existen también muchos otros índices que comparan las imágenes estructuralmente.
Entre ellos se encuentre el índice de similitud de estructuras (SSIM), utilizado en muchas
investigaciones recientes [67], [5], [31] el cuál compara la luminiscencia, el contraste y la
estructura de las imágenes por separado y las promedia (Figura 41). Sin embargo, de la
comparación entre SSIM y PSNR realizada por Zhou Wang & Bovik [97], se determinó una
alta correlación entre ambos descriptores para imágenes blanco y negro.
Figura 41 – Esquema de análisis SSIM [4]
Como se definió anteriormente en el capítulo 4.5, la función de reflectividad de los tejidos

está estadísticamente relacionado con una distribución de ruido tipo Fisher-Tippet,
Rayleigh o Gamma. Las limitaciones del ancho de banda del transductor crean un
aumento de la PSF, disminuyendo la resolución espacial. La resolución lateral (RL) y la
resolución axial (RA) son los números de pixeles dónde la intensidad reflejada por un
objetivo infinitesimal es mayor a 0,5 (-6 dB) cuantificado hacia los lados o en penetración,
respectivamente.
51
En las imágenes ecográficas, el rango dinámico es pequeño comparado con la capacidad
de distinguir diferencias de tonalidades de la vista humana [72]. La sensibilidad al
contraste de las imágenes es considerada como una función de la frecuencia espacial, y
por lo tanto, puede ser cuantificada delimitando áreas de análisis controladas [42]. La
ganancia de contraste (CG) es un descriptor que no utiliza referencia externa, sino que
compara entre distintas porciones de la misma imagen (referencia reducida), y es definida
como:
(39)
Para que este descriptor tenga sentido, la ganancia de contraste deberá ser aplicada a
entornos de impedancia homogénea.
52
6. MÉTODO PRESENTADO
En los capítulos anteriores se desarrollan las variables que intervienen en la captura de la
imagen a través de un pulso de ultrasonido y las alinealidades que este presenta. Los
factores que deforman el haz de ultrasonido dependen de la frecuencia, ubicación axial,
longitud de penetración, textura y tamaño de los órganos internos del cuerpo humano.
Por esto mismo, se propone un método flexible que no solo analice la información
espacial de la imagen resultante del ecógrafo, sino también los componentes espectrales
de la misma.
Merece ser aclarado que a lo largo de los procesamientos internos entre el momento de
la transducción del pulso recibido de ultrasonido y la generación de la imagen, se pierde
información que podría resultar útil para disminuir el speckle. Sin embargo, estos equipos
poseen un sistema cerrado el cuál no permite acceder a los datos crudos (raw data), de
manera de procesarlos y volver a generar la imagen (ya sea en el ecógrafo o en un visor
externo).
Con este trabajo se intenta generar una herramienta de estudio del conjunto “ecógrafo +
configuración + transductor + entorno de análisis”, de manera de obtener un filtro inverso
que consiga reducir el speckle de las imágenes, sin perder definición en los bordes.
6.1. ESTADO DEL ARTE

A continuación, una compilación de investigaciones las cuáles fueron de base para este
estudio:
En 2005, Khare [44] presentó un trabajo en el que aplica umbrales a los coeficientes de la
transformada Daubechies wavelet compleja en serie con filtros Wiener (método
ForWaRD modificado para SWT) sobre imágenes obtenidas mediante tomografía
computada, con ruido tipo speckle agregado y luego desenfocada. Para determinar el
nivel de umbral de la parte real e imaginaria, estima la varianza del ruido. Luego, compara
el método propuesto con el algoritmo ForWaRD tradicional y filtro Wiener, mediante
PSNR. Luego, Michailovich y Tannenbaum [64] realizaron estudios in vivo e in silico de un
algoritmo que incluye una etapa de ecualización previa, una transformada homomorfica y
una etapa de filtrado. Las etapas de filtrado de este estudio corresponden a la
53
transformada wavelet discreta con filtro homomorfico (homomorphic wavelet
despeckling – HWDS), reconstrucción de speckle por variación total (total variation
despeckling – TVDS) y reconstrucción de speckle por difusión anisotrópica (anisotropic
diffusion despeckling – ADDS) mediante el método tradicional y dentro del algoritmo que
proponen los autores. Los estudios in silico se realizaron con una imagen generada a
partir de la PSF medida de la reflexión de un cable sumergido en agua y la adición de
ruido gaussiano. Se analizaron los tres filtros, con y sin la etapa de ecualización previa,
resultando en una mejora cuando esta ecualización es realizada, para todos los casos.
En 2007, Michailovich y Tannenbaum [65], buscan reducir el speckle de las imágenes de

los ecógrafos con un enfoque distinto al trabajo presentado en 2006 [64]. En este caso,
presentan un método de deconvolución ciega basado en la obtención del filtro inverso,
cuyos parámetros son calculados mediante un algoritmo híbrido de dos métodos
conocidos: primero se obtiene información parcial de la función de dispersión de punto,
utilizando transformada wavelet. Luego, esa información se utiliza para restringir
explícitamente la forma espectral del filtro inverso. Ese mismo año, James Ng et. al [68],
utilizaron un método iterativo de valores esperados–maximizados (estimation-
maximization – EM) que alterna entre filtros Wiener con onditas complejas de doble árbol
(DT-CWT) para la reducción del ruido speckle. Realizaron pruebas agregando ruido blanco
complejo a una imagen, para luego ser convolucionada con la PSF simulada mediante
software (Field II). También midieron la efectividad de su método utilizando fantomas de
quistes de distintas impedancias.
Shin [77], presenta un algoritmo el cual no es variante en la dimensión lateral, pero sí lo

es en el sentido axial. Este método estima la PSF mediante seis parámetros que ésta
depende. Estos parámetros son: el ancho, alto y distancia entre cristales del transductor,
el radio elevacional y la dependencia lateral a distintas distancias de penetración del foco
y la respuesta al impulso del sistema. Este algoritmo descompone en DT-CWT y consigue
los valores de umbral óptimos mediante un método iterativo de valores esperados –
maximizados (EM).
En 2009, Khare [46], mejora sus resultados obtenidos en 2005 [44], aplicando un
algoritmo de detección de bordes previo a la transformada wavelet compleja. De esta
54
manera, solo aplica umbrales blandos a las áreas sin gradientes significativos. Por el
contrario, Mahmoud [58], utiliza imágenes de ecógrafos y le agrega distintos niveles de
ruido, calcula la mejora mediante PSNR y mide el tiempo que demora cada algoritmo.
Presenta las distintas reconstrucciones mediante técnicas en el dominio del espacio o
utilizando transformadas conocidas. Ese mismo año, Sudha [84] presentan un método
adaptativo de umbrales aplicados a la DWT, estimando la variancia local del ruido.
En 2014, Bama y Selvati [9] presentan un método de reconstrucción en la que

descomponen la imagen mediante curvelet, y filtran los coeficientes se aproximación y
detalle mediante distintas técnicas.
6.2. TRABAJO PROPUESTO

Muchas veces, es difícil interpretar las imágenes clínicas obtenidas por ultrasonido debido
al desenfoque y la cantidad de speckle que estas presentan. Como se analizó
anteriormente, se pueden mejorar las imágenes estimando la función de dispersión de
punto y convolucionando con el filtro inverso. Sin embargo, es difícil obtener dicho filtro
inverso en estudios reales debido a que no se pueden conocer de antemano las
propiedades de los tejidos del cuerpo. Los pulsos de ultrasonido son modificados por
variaciones locales en la velocidad del sonido y atenuación de los tejidos, deformándolos.
Siendo variados los algoritmos que se utilizan para la reconstrucción de imágenes

médicas obtenidas por ultrasonido, es pertinente generar una base para poder repetir las
investigaciones realizadas por otros autores y poder comparar los métodos propuestos de
una manera repetitiva.
Se preparó una aplicación sobre el entorno Matlab (2016b) para cuantificar la mejora de
los algoritmos de reconstrucción de imágenes a partir del ruido inherente a los ecógrafos.
En esta plataforma, se pueden aplicar distintos valores de umbrales de a pasos de manera
tal de obtener un filtro óptimo sin que sea obligatorio estimar la PSF.
La plataforma desarrollada en este trabajo utiliza las transformadas del software

Wavelab850 [94] de Donoho, Maleki y Shahram, dónde compilan códigos de los métodos
que estos investigadores y otros autores proponen.
55
Al momento de finalización de esta investigación, el código solo cuenta con la
transformada discreta wavelet hasta el tercer nivel, con umbrales duros y blandos y las
ondas madre por defecto de Matlab. La métrica utilizada se puede alternar entre PSNR,
CG, RL y RA calculada en cuatro entornos definidos por el usuario. Para evitar diferencia
de posición entre la señal de referencia y reconstruida, se realiza una correlación entre
ellas de manera de encontrar la zona de mayor similitud entre ambas señales.
Finalmente, una serie de gráficos son presentados combinando los descriptores con las
imágenes reconstruidas, pudiendo alternar tipo y valores de umbrales, tipo de
transformada y ondas madre, niveles y dirección de descomposición wavelet. De esta
manera, identificar los valores óptimos de reconstrucción para los entornos analizados.
Perreault y Auclair-Fortier (2009) [70], presentan un método para simular un modelo de

speckle generado en ecógrafos modo B. Sin embargo, como fue descripto en los capítulos
anteriores, muchas son las fuentes que modifican el haz de ultrasonido, aumentando o
disminuyendo el speckle. Por esto, se recomienda evitar los métodos que generan su
señal a reconstruir a partir de agregar ruido a una imagen obtenida previamente, la cuál
es utilizada como referencia. Existen en el mercado fantomas para ultrasonido, que
permiten capturar la imagen con ruido y generar una imagen de referencia a partir de los
parámetros que entrega el fabricante de este dispositivo. Estos fantomas son objetos
especialmente diseñados mediante cambios de impedancias conocidas de distintas
formas. De esta manera, se puede ajustar y calibrar los parámetros del ecógrafo
capturando imágenes de las distintas zonas del fantoma y comparando con la referencia
que brinda el fabricante.
6.3. PLATAFORMA DESARROLLADA

La entrada de datos al algoritmo propuesto es realizada a través de una interfaz gráfica, la
cual permite ajustar los parámetros del estudio. Esta plataforma fue desarrollada para
que los técnicos e ingenieros desarrolladores de ecógrafos y sondas puedan probar sus
sistemas antes de calibrar sus filtros óptimos. A pesar de ser una herramienta que la
deberían utilizar solamente especialistas, se intentó desarrollar una interfaz sencilla y
compacta para que se puedan comparar los distintos algoritmos de reconstrucción y
56
parámetros. De esta manera, poder configurarlos dentro del ecógrafo y brindarle al
usuario una serie de variables acotadas, pero validados por el fabricante, para disminuir o
no el ruido de sus imágenes.
En esta primera versión del programa, se tiene la opción de trasformar mediante

transformada discreta wavelet, transformada Daubechies wavelet simétricas, onditas
complejas de doble árbol, phaselet y curvelet. Sin embargo, por el momento solo la DWT
está funcionando correctamente. Al seleccionar la transformada discreta de wavelet, el
programa deja elegir entre todas las wavelets madre por defecto del programa Matlab
2016b, quienes son:
 Haar (haar)
 Familia de Daubechies (db1… db10)
 Familia de Symlets (sym2… sym8)
 Familia de Coiflets (coif1… coif5)
 Familia de BiorSplines (bior1.1… bior6.8)
 Familia de ReveresBior (rbior1.1… rbior6.8)
 Meyer (meyr)
 DMeyer (dmeyr)
 Familia de Gaussiana (gaus2… gaus8)
 Mexican_hat (mexh)
 Morlet (morl)
 Familia de Complex Gaussian (cgau1… cgau5)
 Familia de Shannon (shan1-1.5… shan2-3)
 Familia de Frequency B-Spline (fbsp1-1-1.5… fbsp2-1-0.1)
 Familia de Complex Morlet (cmor1-1.5… cmor1-0.1)
Los índices seleccionados fueron elegidos a partir del estudio del estado del arte,
intentando cuantificar factores ortogonales entre sí.
57
Los índices establecidos para analizar la imagen reconstruida son:
 PSNR
 CG (entre puntos 1 con 2, 2 con 3, 3 con 4 y 4 con 1)
 RL
 RA
La plataforma consta de cuatro pantallas de comunicación con el usuario. Las primeras

tres son de ingreso de información, y la última de visualización de resultados. La misma
puede descargarse de:
https://github.com/martinbaggio/reconstruccion_imagenes_medicas_ultrasonido
A continuación, se muestran las interfaces de la aplicación desarrollada, listando cada uno

de los usos de los botones, listas, celdas y gráficos que estas interfaces presentan y los
diagramas de flujo de procesamiento de las mismas (Figura 42 a Figura 51).
Figura 42 – Pantalla 01 de la aplicación desarrollada
1. Pantalla 01 – Elección de imagen y wavelet madre (Figura 42)
1.1. Botón Im_ecógrafo: Se despliega un menú dónde se puede navegar por el

explorador para encontrar la imagen del ecógrafo a analizar. La imagen debe
ser cuadrada de cantidad de pixeles en potencia de 2 de un número entero, y
58
guardada en formato bmp (Windows bitmap) donde cada pixel es un número
que va de 0 (negro) a 255 (blanco). Si el archivo no se encuentra en escala de
grises, lo transforma a éste y cambia de clase de dato de doble precisión con
punto flotante.
1.2. Botón im_referencia: De igual manera que la carga de im_ecógrafo, aquí se

carga la imagen a utilizar de referencia. Las características de formato deben
ser iguales a las descriptas en el punto 1.
1.3. Lista 01 - Tipo de transformada: Menú desplegable con las transformadas DWT,
SWT, DT-CWT, Phaselet y Curvelet.
1.4. Lista 02 - Familia wavelets: Aquí la lista de familia de wavelets madres por
defecto del software donde se desarrolló la aplicación. Haciendo click sobre
cada una de estas, se despliega en la lista de wavelet madre todas las
variaciones de la ondita seleccionada
1.5. Lista 03 - Selección de wavelet madre: Aquí la lista de las wavelet madres de la
familia seleccionada en Lista 02.
1.6. Lista 04 - Wavelet seleccionadas: Aquí las wavelet con las que se va a
descomponer la imagen del ecógrafo a reconstruir.
1.7. Botones agregar/borrar: Mediante estos botones se pueden insertar o quitar

las wavelet madre seleccionadas para el análisis.
1.8. Botón continuar: Al presionar este botón, pasaremos a la siguiente etapa de la

interfaz gráfica. Sin embargo, si faltara cargar información al programa o esta
fuera errónea, éste no continuará y carteles indicadores del problema son
mostrados. Si los parámetros son correctos, realiza 20 descomposiciones y
reconstrucciones wavelet de nivel 3 con la primera ondita madre de la fila para
estimar un tiempo promedio de trabajo según el ordenador en el que se esté
utilizando.
59
Figura 43 – Diagrama de flujo de la pantalla 01 de la aplicación desarrollada
60
2. Pantalla 02 – Elección de umbrales a aplicar (Figura 44)
2.1. Grupo de análisis de coeficientes: En la esquina superior izquierda, un conjunto

de parámetros para visualizar en una ventana emergente (Figura 45) los niveles
máximos de coeficientes wavelets obtenidos en cada nivel.
2.2. Lista 05 – Selección de wavelet para analizar: una lista desplegable de los filtros
elegidos para descomponer la señal, para un análisis previo antes de configurar
los valores de umbrales.
2.3. Botones Coef. Nivel 1, 2 y 3: Al presionar cada uno de estos botones emerge
una nueva figura (Figura 45) con los gráficos del valor absoluto máximo de
coeficientes para cada dirección (horizontal, vertical y diagonal) con la wavelet
elegida en la Lista 05. Con esta información, el usuario puede determinar los
valores máximos en los que tiene sentido aplicar los umbrales para filtrar.
2.4. Grupo Nivel 1, 2 y 3: Tres grupos de parámetros que modifican los valores y la
cantidad de umbrales que se aplicarán a los coeficientes.
2.5. Celda umbral mínimo: Aquí se ingresa el valor de umbral mínimo para cada uno
de los tres niveles de descomposición.
61
2.6. Celda umbral máximo: Aquí se ingresa el valor de umbral máximo para cada
uno de los tres niveles de descomposición.
2.7. Celda pasos: Aquí se ingresa la cantidad de umbrales intermedios que se le va a

aplicar a los coeficientes wavelet. Notar que, si la cantidad de pasos es 0, se
utiliza solo el valor del umbral mínimo.
2.8. Leyenda El tiempo aproximado de an lisis es… minutos: Con la estimación

realizada en el punto 1.8 de esta lista, se calcula el tiempo según la cantidad de
reconstrucciones que se deben realizar. Este número resulta de:
(40)
donde el escalar 2 contempla la reconstrucción con los tipos de umbral duro y

blando, es el tiempo que tardó en hacer las 20 descomposiciones y
reconstrucciones, , y son la cantidad de pasos seleccionados para cada
nivel de descomposición, y la cantidad de wavelet madres seleccionadas.
Por la cantidad de combinaciones de umbrales que realiza el algoritmo, es
conveniente estimar este indicador, no solo por el tiempo de procesamiento
sino también por la cantidad de información generada.
Figura 45 – Pantalla emergente del análisis de coeficientes de la aplicación desarrollada
62
63
3. Pantalla 03 – Elección de entornos para calcular índices (Figura 47)
3.1. Botón seleccione cuatro regiones: Al hacer click sobre este botón, una nueva
ventana emerge con la imagen en tamaño original (Figura 48), para poder
seleccionar los cuatro centros donde se analizarán cada uno de los índices.
3.2. Grupo zonas de análisis: Por defecto, analiza un cuadrado simétrico de centros
±1/4 del tamaño total de la imagen, desde el centro de ésta en dirección axial y
lateral. Sin embargo, esta información se actualiza luego de utilizar el comando
3.1, o se puede ajustar manualmente para conseguir una repetitividad en los
análisis. Este grupo consta de 8 celdas, las cuales pertenecen a los valores del
centro de cada una de las áreas de análisis sobre el eje X e Y, en pixeles.
3.3. Cant. pixeles: Por defecto se analiza un cuadrado de 40x40 pixeles, pero esto se
puede modificar para entornos de distintos tamaños, siempre y cuando queden
dentro de los límites de la imagen.
3.4. Botón analizar: Al presionar este botón, comienza el procesamiento de la señal.

Si los valores establecidos no están dentro de los límites de la imagen, carteles
de advertencia son mostrados y el programa no continuará hasta no ser
corregidos.
64
3.5. Imagen en miniatura 01: Se muestra una imagen en miniatura de la captura del
ecógrafo con los entornos a analizar mediante cuadrados de colores. El color
rojo pertenece al entorno de análisis 1, el azul al 2, el magenta al 3 y el verde al
entrono 4. De esta manera, el usuario puede verificar que éstos sean los
entornos dónde se quieran utilizar los descriptores configurados.
Figura 48 – Ventana emergente para seleccionar automáticamente áreas de medición de la aplicación

desarrollada
65
66
4. Pantalla 04 – Muestra de los resultados (Figura 50)
4.1. Lista 06 – Selección de wavelet madre: Lista de wavelet madre elegida en la

lista 04 de la primera pantalla. El filtro seleccionado determina la visualización
de los resultados.
4.2. Lista 07 – Descriptor seleccionado: Lista desplegable de los tipos de

descriptores con los que se cuantifica la reconstrucción.
4.3. Botones de acción de nivel 1, 2 y 3: Seleccionar los distintos niveles para

modificar los parámetros que se quieran visualizar.
4.4. Botones de acción de coeficientes horizontales, verticales y diagonales:

Seleccionar las distintas direcciones de los coeficientes para modificar los
parámetros que se quieran visualizar.
4.5. Exportar imagen: Genera una nueva figura con la imagen reconstruida según los
parámetros definidos, dónde la izquierda se encuentra toda la información
necesaria para volver a repetir este estudio.
4.6. Exportar gráfico: Gráfico de los valores obtenidos del índice, nivel y dirección
del coeficiente seleccionados actualmente. A la izquierda, la información
necesaria para obtener nuevamente el mismo resultado.
67
4.7. Barra lateral: Navega sobre los distintos umbrales aplicados del nivel y dirección
seleccionado.
4.8. Imagen miniatura 02: Imagen obtenida luego de aplicarle los filtros
seleccionados en la transformada elegida. Se mantienen los entornos de
colores donde se le aplicaron cada uno de los índices.
4.9. Resultado de los descriptores: Debajo de la imagen en miniatura 02 se

encuentran los valores del índice seleccionado para la configuración elegida.
4.10. Gráfico de valores: Gráfico de los valores de los índices seleccionados. Con una
línea, los valores del nivel y dirección seleccionado. Con círculo, el umbral
actual elegido. Con + los valores obtenidos luego de aplicar distintos umbrales a
los coeficientes horizontales. Con x los valores obtenidos luego de aplicar
distintos umbrales a los coeficientes verticales. Con * los valores obtenidos
luego de aplicar distintos umbrales a los coeficientes diagonales. En gris, los
valores resultantes luego de filtrar con todas las combinaciones elegidas sobre
los distintos niveles, en los umbrales de la dirección actualmente seleccionada.
En el caso de PSNR, los valores que muestra es la distancia entre el valor de la
imagen sin procesamiento y la imagen actual. De esta manera, se puede
apreciar mejor los pequeños cambios obtenidos luego del filtrado.
68
69
7. RECONSTRUCCIÓN DE IMÁGENES
7.1. CONFIGURACIÓN UTILIZADA

Para poder cuantificar las mejoras obtenidas por esta plataforma, se capturó una imagen
de un fantoma Gammex 403 GS LE [27]. Esta captura fue registrada mediante un ecógrafo
Esaote MyLabTM 25 [25] con un transductor lineal LA523 [24] del mismo fabricante, con la
siguiente configuración (Figura 52):
 Ecógrafo: Esaote MyLabTM 25
 Transductor: Esaote LA523 (transductor lineal, frecuencia variable de 4 a 13 MHz,

192 piezoeléctricos, apodizado con ventana Hanning)
 Frecuencia: 10 MHz
 Distancia de penetración (P): 81mm
 Rango dinámico / Definición / Densidad (PRC): 9/1/1
 Persistencia (PRS): 4
 PST (post-procesamiento): 0
 Ganancia: 74%
 Fantoma: Gammex 403 GS LE (fantoma de precisión multipropósito cuya velocidad

del sonido es 1540 m/s ± 10 a 22°c, 0.5 dB/cm/MHz de atenuación)
La imagen usada como referencia (Figura 54) se generó a partir de representar,

vectorialmente, la hoja técnica del fabricante (Figura 53). Debido a que el fondo
presentaba diferencia de colores según la penetración del pulso debido a la atenuación
propia del medio y el posterior ajuste de la TCG, se decidió dividir la imagen en 10 franjas
en sentido axial, y obtener el color promedio de cada una. Estos valores fueron replicados
en la imagen de referencia, aplicándole un filtro gaussiano en ese sentido para suavizar
los cambios de intensidad. El color de cada uno de los quistes que posee el fantoma
fueron obtenidos individualmente, calculando la media del entorno dónde estos se
reflejan. Los objetivos infinitesimales poseen color blanco (255) ya que su diferencia de
impedancia con el fondo es máxima.
70
Figura 52 – Ecógrafo Esaote MyLabTM 25 y fantoma para ultrasonido Gammex 403 GS LE utilizados para
capturar las imágenes a procesar (gentileza de Tecnoimagen Argentina).
Figura 53 – Gamex 403 GSLE. Extracto de la hoja técnica del fabricante utilizada para generar la imagen de
referencia. Los números del eje vertical representan la distancia de penetración desde el área donde apoya
el transductor, en centímetros.
71
Figura 54 – Representación del fantoma a partir de la hoja técnica del fabricante con los nombres de cada
uno de los tipos de objetivos.
El sistema guarda las imágenes en el estándar .DICOM. Este es un formato, tanto para
almacenamiento como para transmisión de imágenes médicas con información relevante
del paciente y la configuración utilizada para la captura. En la Figura 55 se muestran las
dos imágenes .DICOM del fantoma utilizado para esta prueba.
Figura 55 – Imágenes .DICOM en el programa Esaote MyLab. En las mismas se pueden ver las capturas del
fantoma, con metadata de la configuración utilizada y fecha del estudio. A la izquierda la captura 1, a la
derecha la captura 2
7.2. PRUEBA CON LA CAPTURA 1

En esta sección se analiza una prueba de la plataforma de reconstrucción diseñada con la
captura 1. En la Figura 56 se puede observar un recorte de 512x512 pixeles de la captura
72
1 obtenida con la configuración previamente descripta y su equivalente imagen de
referencia.
Figura 56 – A la izquierda, la captura 1 recortada en un cuadrado de 512 x 512 pixeles. A la derecha, la

porción análoga dibujada a partir de la especificación técnica del fabricante del fantoma.
En este caso, se utilizó la transformada discreta wavelet, de la familia de las Daubechies

(db1, db2, db3, db7, db8 y db9). Debido al costo computacional y tiempo, se analizó un
nivel por vez. Como en esta imagen se capturó principalmente los objetivos
infinitesimales, se utilizaron los entornos donde éstos se encuentran, como lo muestra la
Figura 57 en:
 Entorno 1 (rojo): x=170px y=170px
 Entorno 2 (azul): x=235px y=225px
 Entorno 3 (magenta): x=170px y=400px
 Entorno 4 (verde): x=350px y=170px
Se eligió un entorno de 20 pixeles para este caso.
73
Figura 57 – Captura 1 con los entornos de análisis
En las Figura 59 y Figura 61 se puede apreciar la mejora de relación señal ruido máxima
alcanzada en el primer nivel, para coeficientes horizontales. Estos valores se lograron
analizando la señal mediante un filtro ‘db7’ y aplicando umbrales blandos y duros,
respectivamente. En las Figura 58 y Figura 60 los gráficos de PSNR en función de los
distintos valores de umbrales aplicados. El análisis presentado es solo para el filtrado de
coeficientes en nivel 1, ya que se éste era el más representativo para el estudio en
cuestión.
Figura 58 – Gráfico de la mejora de relación señal ruido con distintos umbrales blandos aplicados a una
transformada discreta wavelet ‘db7’.
74
Figura 59 – Imagen filtrada de mayor relación señal ruido obtenida al aplicar umbrales blandos a una
Figura 60 –Gráfico de la mejora de relación señal ruido con distintos umbrales duros aplicados a una
75
Figura 61 – Imagen filtrada de mayor relación señal ruido obtenida al aplicar umbrales duros a una
Los niveles de mejora relación señal ruido en cada uno de los cuatro entornos de 20
pixeles analizados, no superan los 0,45 dB para nivel 1 con la wavelet madre ‘db7’. La
mejora de relación señal ruido en el entorno 1 (rojo) alcanza su máximo valor cuando se
aplica umbral duro de 0.4 para coeficientes horizontales, 0.05 para coeficientes verticales
y 0.05 para coeficientes diagonales. Sin embargo, en el entorno 3 (magenta) se percibe
una mejora máxima de este índice cuando se aplica umbral duro de 0.25 para coeficientes
horizontales, 0.05 para coeficientes verticales y 0.05 para coeficientes diagonales, y luego
decrece. En los otros dos entornos (azul y verde) el valor del descriptor PSNR posee un
gradiente positivo hasta estabilizarse. Este análisis es similar cuando se aplican umbrales
blandos a la misma imagen y configuración descripta anteriormente.
Al realizar el estudio de la resolución lateral (RL) y resolución axial (RA) de los mismos
objetos infinitesimales de la imagen anterior, se obtienen los gráficos expuestos en las
Figura 65. En ellos se puede observar que la resolución lateral presenta índices
desfavorables comparados con los obtenidos en resolución axial, para todos los casos.
Esto ocurre por el propio método de captura que utilizan los ecógrafos, analizado en el
capítulo III. La función de dispersión de punto se ensancha en los laterales debido a la
difusión que se produce cuando la onda de ultrasonido incide en una superficie de
76
distinta impedancia que el medio en el que se transmite, de dimensiones similares a
media longitud de onda ( para 10MHz). También, la distancia entre
cristales piezoeléctricos del transductor es la resolución lateral máxima que el sistema
puede alcanzar (Capítulo 3.2). La resolución axial depende de una diferencia de velocidad
del sonido en los distintos medios, mucho menos significativa en estos casos.
Figura 62 – Resultados de la resolución lateral con umbrales blandos analizados con una wavelet discreta
‘db7’ sobre la captura 1.
Figura 63 – Resultados de la resolución lateral con umbrales duros analizados con una wavelet discreta
77
Figura 64 – Resultados de la resolución axial con umbrales blandos analizados con una wavelet discreta
Figura 65 – Resultados de la resolución axial con umbrales duros analizados con una wavelet discreta ‘db7’
sobre la captura 1.
Los gráficos de las Figura 62 a 65 muestran los cambios conseguidos al aplicar distintos
umbrales a los coeficientes horizontales, con umbrales duros y blandos en 0.05 de los
coeficientes verticales y diagonales (obtenidos a partir de la mejora máxima en el índice
PSNR).
La resolución lateral para los objetivos infinitesimales más cercanos al transductor

(entorno 1 y 4) son de 8 pixeles sin ninguna transformada, mientras que el ubicado en el
centro (entorno 2) y el más alejado (entorno 3) son de 10 pixeles. Aplicando umbrales
blandos, la RL mejora en 0.1 y 0.15 consiguiendo una reducción de tres pixeles para el
78
entorno 2 y dos pixeles para el entorno 1. Los entornos 3 y 4 se mantienen sin
modificación. Con umbrales mayores, este índice comienza a decrecer, significando un
desenfoque de los bordes. Analizando la imagen obtenida a partir del filtrado con
umbrales duros, se obtiene una mejora de dos pixeles en el entorno 1 y de un pixel en el
entorno 2 en 0.15. En 0.2 se reducen tres pixeles de la RL en el entorno 2, un pixel en el
entorno 1, pero aumenta 1 pixel el entorno 3.
Los valores iniciales de la resolución axial son de 3 pixeles para los entornos 1, 3 y 4. Este
mismo índice es de 4 pixeles para el entorno 2. Sin importar el umbral que se le aplique
(en los valores discretos aplicados en este estudio de 0.05 entre 0 y 0.5), ya sea duro o
blando, este índice no presentó mejora alguna. Los valores comienzan a desmejorar en
0.1.
En la Figura 66 los recortes de la captura 1 analizados anteriormente, arriba sin

procesamiento alguno y abajo luego de haber sido filtrado con los parámetros que mejor
relación señal ruido se obtuvieron. Como se puede observar, se logra reducir el speckle en
todas las capturas. Sin embargo, se desenfocan los bordes y se reduce la intensidad del
objeto infinitesimal.
Figura 66 – Recortes de los entornos 1, 2, 3 y 4. Arriba: sin procesar. Abajo: luego de ser filtrados con
umbrales blandos en 0.4 para coeficientes horizontales, 0.05 para coeficientes verticales y 0.05 para
coeficientes diagonales transformado mediante una wavelet discreta ‘db7’.
A partir de este estudio se puede concluir que la imagen del ecógrafo se forma de manera
compleja donde intervienen distintos parámetros como distancia al transductor, tamaño
de los objetivos a estudiar, diferencia de velocidad del sonido en el medio y distancia
entre transductores. Se puede apreciar que los mismos objetos infinitesimales presentan
distintas características debido a la posición que estos tienen respecto al transductor que
los captura. Así mismo, los mismos filtros no consiguen efectos similares en todos estos
objetivos, lo cual afianza la hipótesis de este trabajo de que no se puede garantizar que
79
exista un filtro ideal que funcione para todos los casos. También es importante señalar
que la relación señal ruido no es un parámetro contundente al momento de poder
afirmar si un determinado proceso logra mejorar la calidad de la imagen.
7.3. PRUEBA CON LA CAPTURA 2

En esta sección se analiza una prueba de la plataforma de reconstrucción diseñada con la
captura 2. En la Figura 67 se puede observar un recorte de 512x512 pixeles de la captura
2 obtenida con la configuración previamente descripta y su equivalente imagen de
referencia.
Figura 67 – A la izquierda la captura 2 recortada en un cuadrado de 512 x 512 pixeles. A la derecha, la

porción análoga dibujada a partir de la especificación técnica del fabricante del fantoma.
En este caso, también se utilizó la transformada discreta de wavelet, de la familia de las

Daubechies (db1, db2, db3, db7, db8 y db9). Como en esta imagen se capturó el conjunto
de quistes de distinta impedancia se utilizaron los entornos donde éstos se encuentran,
como lo muestra la Figura 68 en:
 Entorno 1 (rojo): x=170px y=170px
 Entorno 2 (azul): x=235px y=225px
 Entorno 3 (magenta): x=170px y=400px
 Entorno 4 (verde): x=350px y=170px
80
Se eligió un entorno de 20 pixeles para este caso.
Figura 68 – Captura 2 con los entornos de análisis
En las Figura 70 y Figura 72 se puede apreciar la mejora de relación señal ruido obtenida
de filtrar, con umbrales duros y blandos, los coeficientes horizontales de nivel 1 cuando es
utilizada la wavelet madre ‘db7’ para transformar. En las Figura 69 y Figura 71 los gráficos
de PSNR en función de los distintos valores de umbrales aplicados.
Figura 69 – Gráfico de la mejora de relación señal ruido con distintos umbrales blandos aplicados a una
81
Figura 70 – Imagen filtrada de mayor relación señal ruido obtenida al aplicar umbrales blandos a una
Figura 71 – Gráfico de la mejora de relación señal ruido con distintos umbrales duros aplicados a una
82
Figura 72 – Imagen filtrada de mayor relación señal ruido obtenida al aplicar umbrales duros a una
Los niveles de mejora relación señal ruido en cada uno de los cuatro entornos de 40
pixeles analizados, no superan los 2,72 dB para nivel 1 con la wavelet madre ‘db7’. La
mejora de relación señal ruido en todos los entornos va en aumento hasta estabilizarse
en su valor máximo. Esto sucede cuando se reducen a cero todos los coeficientes
(horizontales, verticales y diagonales). Debido a que los umbrales blandos también
modifican los valores por encima del umbral aplicado, el gradiente positivo de la PSNR es
más significativo en los valores entre 0 y 0.15, comparado con la reconstrucción aplicando
umbrales duros, cuya mejora es más paulatina. Los entornos donde mayor relación
señal/ruido se logra corresponden a los entornos de ruido de fondo. A su vez, ambas
áreas se encuentran a menor profundidad de penetración del haz de ultrasonido.
83
Figura 73 – Resultados de la ganancia de contraste con umbrales blandos analizados con una wavelet
discreta ‘db7’ sobre la captura 2.
Figura 74 – Resultados de la ganancia de contraste con umbrales duros analizados con una wavelet discreta
Como la ganancia de contraste se realiza comparando dos áreas de análisis, los valores
descriptos por la línea roja pertenecen a la comparación entre entorno 1 y 2, la línea azul
a los entornos 2 y 3, la línea magenta al 3 y 4 y la verde al 4 y 1. Los valores mayores que 1
pertenecen a aumentos del contraste inicial. Por esto, se espera que los valores de los
entornos 1 y 4 (línea verde) se vuelvan más parecidos, ya que ambos pertenecen al fondo
y se encuentran a la misma distancia de penetración, solo desplazados en sentido lateral.
Por consiguiente, se espera que aumente los valores de este índice en los otros entornos,
ya que pertenecen a áreas de distinta impedancia.
84
Como se puede apreciar en las Figura 73 y Figura 74, los valores obtenidos con umbrales
mayores al que se estabilizan, son similares con umbrales duros o blandos. El gráfico de
umbrales duros presenta un pico mayor a 1 en el análisis de ganancia de contraste entre
el entrono 4 y 1, con el valor de 0.1, el cual se entiende como un deterioro de la imagen.
Sin embargo, a valores de umbrales mayores, este fenómeno disminuye. Analizando las
curvas donde valores mayores a 1 significan que el filtro aplicado brinda una mejora a la
imagen (azul y magenta), el contraste aumenta entre los entornos 2 y 3 y entre los
entornos 3 y 4, para todos los valores de umbrales blandos y para los valores de umbrales
duros mayores a 0.1. Sin importar el filtro aplicado, la ganancia de contraste entre los
entornos 1 y 2 decrece hasta estabilizarse en valores que se entienden como un deterioro
de la imagen.
En la Figura 75 los recortes de la captura 2 analizados anteriormente, arriba sin

procesamiento alguno, abajo luego de haber sido filtrado Como se puede observar, se
logran reducir la intensidad del speckle en todas las capturas.
Figura 75 – Recortes de los entornos 1, 2, 3 y 4. Arriba: sin procesar. Abajo: luego de ser filtrados con
umbrales blandos en 0.4 para coeficientes horizontales, 0.05 para coeficientes verticales y 0.05 para
coeficientes diagonales transformado mediante una wavelet discreta ‘db7’.
A partir de este estudio se puede concluir que la PSNR de todas las imágenes mejoró a
medida que se iban reduciendo a 0 los coeficientes de nivel 1. Esto significa que se puede
aplicar filtros sobre transformada wavelets más radicales en zonas donde no se presentan
cambios de textura de los órganos internos. Sin embargo, la ganancia de contraste y la
relación señal ruido no parecen estar correlacionadas entre sí. Como la ganancia de
85
contraste es un descriptor que no necesita referencia, podría ser útil para analizar
imágenes de tejidos u órganos reales capturados por ecógrafos.
86
8. CONCLUSIONES
La cantidad de factores que determinan la formación de ruido tipo speckle en los
ecógrafos tipo B complejiza la estimación de los patrones de este ruido. Por ello, durante
muchos años se vienen desarrollando una amplia gama de algoritmos los cuáles intentan
disminuir este ruido sin desenfocar los bordes de los tejidos en el plano imagen, de
manera de poder ampliar la utilidad médica de estos equipos. Como los métodos
utilizados para comparar los distintos filtros de los investigadores difieren los unos de los
otros, en este trabajo se desarrolló un método y plataforma para comparar los distintos
algoritmos que utilizan la transformada wavelet.
Se puede observar que los ecógrafos, utilizados en modo B, tienen aplicación en un

número significativo de estudios. Para ello se utilizan distintos arreglos de transductores,
configuraciones y procesamientos que modifican las características del ruido que se
genera, y como resultado, los algoritmos de reconstrucción propuestos no logran el
mismo rendimiento cuando se utilizan en distintas imágenes. Por ello, la aplicación fue
desarrollada para utilizar la captura de un fantoma conocido, con el ruido real obtenido
de la configuración elegida del ecógrafo y poder compararlo contra la referencia brindada
por el fabricante.
Se eligió incorporar los métodos de reconstrucción que utilizan transformada wavelet con
mayor respaldo académico en los últimos tiempos: DWT, SWT, DT-CWT, Phaselet y
Curvelet, así poder ajustar los parámetros óptimos para cada configuración y compararlos
entre sí. Para cuantificar la mejora, se puede alternar entre PSNR, CG, RL y RA aplicada a
entornos definidos, ya que, como se pudo analizar anteriormente. Dado que las
características del speckle no son homogéneas en toda la imagen, el usuario podrá elegir
cuál se ajusta mejor al área que se desea observar, sin mayor costo computacional.
La plataforma desarrollada cumple el objetivo propuesto de ser una herramienta versátil

para poder cuantificar de manera sistemática los filtros de distintos autores. También, al
utilizar un fantoma de patrón conocido, se pueden utilizar descriptores full-reference
como PSNR.
87
Analizando las pruebas realizadas, se concluye que la PSNR no es un descriptor
contundente a la hora de analizar las mejoras de este tipo de imágenes.
8.1. DISCUSIONES
Continuar trabajando en nuevos filtros a partir de imágenes médicas ya exportadas por el
ecógrafo no parece ser una manera muy eficiente para aumentar la utilidad de estos
equipos sin el aval de los desarrolladores de los equipos. Como los ecógrafos modernos
son un módulo cerrado, el usuario debería exportar la imagen en .DICOM y procesarla en
algún módulo externo. Así mismo, la imagen final es el resultado de procesos internos
que reducen la cantidad de información obtenida por los transductores.
De la manera que se planteó la plataforma desarrollada se hace muy lento el análisis

cuando se estudian varios niveles a la vez. La cantidad de información que genera
aumenta de manera significativa al agregar más valores de umbrales. Para reducir la
cantidad de combinaciones, se recomienda analizar los distintos umbrales aplicados de un
nivel por vez.
Los gráficos de análisis de coeficientes para los distintos niveles en la parte superior de la
pantalla 2, los realiza en el total de la imagen. Sería importante alternar el orden de la
pantalla 2 y 3, de manera que los coeficientes máximos que aparecen en los gráficos sean
sólo los de los entornos de estudio. De esta manera, ajustar los umbrales según estos
valores máximos.
En esta plataforma se pueden establecer valores de umbrales diferentes para cada nivel
de descomposición, pero los mismos se aplican a los coeficientes horizontales, verticales y
diagonales, generando todas las combinaciones posibles. Esto requiere un costo
computacional muchas veces innecesario. Por ejemplo, en la imagen 1 analizada en el
capítulo VII, el valor máximo de los coeficientes horizontales resultante del análisis de
nivel 1 con ‘db7’ se encuentra cercano a 0,4, mientras que para coeficientes verticales y
diagonales ese valor se encontraba en 0,05. Por consiguiente, todas las combinaciones de
umbrales verticales y diagonales de 0,05 o mayores a este valor no tendrán cambios en el
área de análisis.
88
Muchos trabajos combinan métodos sobre wavelet con filtros Wiener (denominado
ForWaRD). Esto es una práctica común en este tipo de reconstrucciones, mejorando aún
más la disminución del ruido. Sería importante adicionar un módulo extra para probar
estos filtros en serie.
En la captura de las imágenes de los fantomas se utilizaron valores de TGC ajustados por
el técnico. De esta manera, se aprovecha el rango dinámico completo en la etapa de
construcción de la imagen digital. Sin embargo, utilizar esta amplificación variable en
tiempo dificulta la tarea de establecer los colores de fondo de la imagen de la
especificación técnica del fantoma para utilizar como referencia. El valor de atenuación
del fantoma de 0.5 dB/cm/MHz se hubiera podido establecer sobre el color del fondo con
dispersiones aún menores a las que fueron desarrolladas en este trabajo.
8.2. TRABAJOS A FUTURO

Continuar desarrollando la aplicación, estableciendo más y nuevos filtros, optimizar los
algoritmos de reconstrucción, mejorar los puntos analizados en las discusiones y agregar
nuevos descriptores.
Adquirir un ecógrafo de código abierto, como Usimagtool del Laboratorio de Procesado

de Imagen de la Universidad de Valladolid [16] o PLUS [52], para poder agregar módulos a
la etapa de procesamiento y no limitarse a procesar solo la imagen final. Estos programas,
con sus respectivos dispositivos, intentan completar la brecha que existe entre los
desarrolladores de algoritmos y los ecógrafos comerciales, brindando la capacidad de
analizar los distintos filtros de reducción de ruido, agregar nuevos parámetros
significativos para la construcción de la imagen y/o modificar los modos de visualización
establecidos.
Crear un módulo de procesamiento genérico que pueda ser insertado entre el

transductor y el ecógrafo, filtrando el ruido tipo speckle. De esta manera, darle mayor
utilidad a los ecógrafos sin la necesidad de una inversión importante.
89
Proponer nuevos descriptores para analizar las imágenes como: la dispersión del speckle
en zonas homogéneas, comparar la intensidad máxima de un punto infinitesimal pre y
post reconstrucción, entre otras.
Establecer un método validado para la prueba y comparación de algoritmos de

reconstrucción.
90
9. BIBLIOGRAFÍA
[1] A short History of the development of Ultrasound in Obstetrics and Gynecology. Extraído el 2 de
Noviembre de 2016. http://www.ob-ultrasound.net/ssd1_l.html
[2] Abbate, A., Koay, J., Frankel, J., Schroeder, S., & Das, P. (1997). Signal detection and noise
suppression using a wavelet transform signal processor: application to ultrasonic flaw detection.
IEEE Transactions On Ultrasonics, Ferroelectrics And Frequency Control, 44(1), 14-26.
[3] AIUM Task Group Report-Part II: Digital Methods (Stage 1) Methods for measuring performance
of pulse-echo ultrasound equipment, American Institute of Ultrasound in Medicine, Laurel, MD;
1995.
[4] Al-Najjar, Y. & Chen Soong, D. "Comparison of Image Quality Assessment: PSNR, HVS, SSIM,
UIQI". International Journal of Scientific & Engineering Research, Volume 3, Issue 8, August-2012
[5] Alessandrini, M., De Marchi, L., & Speciale, N. (2008). Recursive Least Squares adaptive filters for
ultrasonic signal deconvolution. 2008 IEEE International Symposium On Circuits And Systems.
[6] Anil A. Patil, J. Singhai, (2010), Image Denoising Using Curvelet Transform: An Approach For Edge
Preservation, Journal of Scientific & Industrial Research, Vol. 69, pp. 34-38.
[7] Archana, M. (2001). Development of a Routine Objective Quality Control Program for Diagnostic
Ultrasound (Ph. D). University of Florida.
[8] Azhari, H. (2010). Basics of biomedical ultrasound for engineers (1st ed.). Hoboken, N.J.: Wiley.
[9] Bama, S. & Selvathi, D. (2014). Despeckling of medical ultrasound kidney images in the curvelet
domain using diffusion filtering and MAP estimation. Signal Processing, 103, 230-241.
[10] Bentley, P., & McDonnell, J. (1994). Wavelet transforms: An introduction, Electronics and
Communication Engineering Journal 6, 175–186.
[11] Blauert, J. & Xiang, N. (2008). Acoustics for engineers (1st ed.). Berlin: Springer.
[12] BMS Ultraschall - Sonos 4500. Extraído el 2 de Noviembre de 2016. http://bms-

ultraschall.de/index.php?sonos4500,101
[13] Burckhardt, C. (1978). Speckle in ultrasound B-mode scans. IEEE Transactions On Sonics And
Ultrasonics, 25(1), 1-6.
[14] Candès, E., & Donoho, D., (2002). Recovering edges in ill-posed inverse problems: Optimality of
curvelet frames, Annals of Statistics 30, 784–842.
[15] Candès, E., Demanet, L., Donoho, D., and Ying, L., (2006), Fast discrete curvelet transforms,
Multiscale Modeling and Simulation 5(3), 861–899
[16] Cárdenes-almeida, R., Tristán-vega, A., Vegas-sánchez-ferrero, G., Aja-fernández, S., García-pérez,
V., & Muñoz-moreno, E. et al. (2007). UsimagTool: An Open source Freeware Software for
Ultrasound Imaging and Elastography. Proceedings Of The Enterface’07 Workshop On
Multimodal Interfaces, Istanbul, Turkey.
[17] Cote, Daniel. (2001). Personal Communication.
91
[18] Cox, T. & D'Antonio, P. (2009). Acoustic absorbers and diffusers (1st ed.). London: Taylor &
Francis.
[19] Curry, T. S., Dowdey, J. E., Murry, R. C., & Christensen, E. E. (1990). Christensen's physics of
diagnostic radiology. Philadelphia: Lea & Febiger.
[20] Dave Hale, Recursive gaussian filters, CWP-546, 2006.
[21] Donoho, D. (1995). De-noising by soft-thresholding. IEEE Transactions On Information Theory,

41(3), 613-627.
[22] Donoho, D. & Johntone, J. (1994). Ideal spatial adaptation by wavelet shrinkage. Biometrika,
81(3), 425-455.
[23] Elhabiby, M. (2012). Second Generation Curvelet Transforms Vs Wavelet transforms and Canny
Edge Detector for Edge Detection from WorldView-2 data. International Journal Of Computer
Science & Engineering Survey, 3(4), 1-13.
[24] Esaote LA523. Extraído el 15 de Febrero de 2017.

http://www.medicalexpo.es/prod/esaote/product-68409-428205.html
[25] Esaote MyLab 25. Extraído el 15 de Febrero de 2017. http://www.esaote.com/es-

AR/ultrasonidos/sistemas-de-ultrasonidos/p/mylab-25-gold/
[26] F hr, H. (2005). Abstract harmonic analysis of continuous wavelet transforms (1st ed.). New York:
Springer.
[27] A User’s Guide. GAMMEX RMI 403GS Precison Multi-purpose Grey Scale Test Instrument.
Gammex RMI, Middleton, WI, 1996. Extraído el 07 de Septiembre de 2017. http://www.mkj-
lab.pl/files/Foldery/Gammex/403_gsle_usermanual.pdf
[28] Gopinath, A. (2003). The phaselet transform - an integral redundancy nearly shift-invariant
wavelet transform- IEEE Trans. on Signal Proc. 2003, 51, 1792-1805.
[29] Gopinath, R. (2005). Phaselets of framelets. IEEE Transactions On Signal Processing, 53(5), 1794-
1806.
[30] Grossman, R., Krueger, J., Yourish, D., Granelli-Piperno, A., Murphy, D., & May, L. et al. (1989).
Interleukin 6 is expressed in high levels in psoriatic skin and stimulates proliferation of cultured
human keratinocytes. Proceedings Of The National Academy Of Sciences, 86(16), 6367-6371.
[31] Guo, Y., Wang, Y., & Hou, T. (2011). Speckle filtering of ultrasonic images using a modified non
local-based algorithm. Biomedical Signal Processing And Control, 6(2), 129-138.
[32] Haber-Schaim, Dodge, Gardner, and Shore, (1991). PSSC Physics, 7th edition, Kendall/Hunt
Publishing Company
[33] Hammal, Z. (2014). Log-Normal and Log-Gabor descriptors for expressive events detection and
facial features segmentation. Information Sciences, 288, 462-480.
[34] Harris, F. J. (1978).On the use of windows for harmonic analysis with the discrete Fourier
transform. Proc.IEEE 66.
92
[35] Hundt, E. & Trautenberg, E. (1980). Digital Processing of Ultrasonic Data by Deconvolution. IEEE
Transactions On Sonics And Ultrasonics, 27(5), 249-252.
[36] Image quality of photografic cameras. Extraído el 8 de Agosto de 2016.

https://carlesmitja.net/2011/02/06/image-quality-of-photographic-cameras/
[37] Imaging skills for Echocardio. Extraído el 8 de Agosto de 2017.

http://echocardiographyskills.com/
[38] Imaging Technology News. Extraído el 2 de Febrero de 2017.

https://www.itnonline.com/article/advancements-ultrasound
[39] J. Jensen, “A model for the propagation and scattering of ultrasound in tissue,” J. Acoust. Soc.
Amer., vol. 89, pp. 182–191, Jan. 1991.
[40] Jaspreet kaur & Rajneet kaur (2013). "Speckle Noise Reduction in Ultrasound Images Using
Wavelets: A Review", International Journal of Advanced Research in Computer Science and
Software Engineering, Volume 3, Issue 3, March 2013 ISSN: 2277 128X
[41] Jean-Luc Starck, Candes, E., & Donoho, D. (2002). The curvelet transform for image denoising.
IEEE Transactions On Image Processing, 11(6), 670-684.
[42] Jinshan Tang, Peli, E., & Acton, S. (2003). Image enhancement using a contrast measure in the
compressed domain. IEEE Signal Processing Letters, 10(10), 289-292.
[43] K. A. Wear, “The effects of frequency-dependent attenuation and dispersion on sound speed
measurements: Application in human trabecular bone,” IEEE Trans. Ultrason., Ferroelect., Freq.
Contr., vol. 47, pp. 265–273, Jan.
[44] Khare, A. & Tiwary, U. (2005). A New Method for Deblurring and Denoising of Medical Images
using Complex Wavelet Transform. 2005 IEEE Engineering In Medicine And Biology 27Th Annual
Conference.
[45] Khare, A. & Tiwary, U. (2005). Soft-thresholding fot Denoising of Medical Images - A
Multiresolution Approach. International Journal Of Wavelets, Multiresolution And Information
Processing, 03(04), 477-496.
[46] Khare, A., Khare, M., Jeong, Y., Kim, H., & Jeon, M. (2010). Despeckling of medical ultrasound
images using Daubechies complex wavelet transform. Signal Processing, 90(2), 428-439.
[47] Kingsbury, N. (2001). Complex Wavelets for Shift Invariant Analysis and Filtering of Signals.
Applied And Computational Harmonic Analysis, 10(3), 234-253.
[48] Kino, G. S. (1987). Acoustic Waves: Devices, Imaging, and Analog Signal Processing. Prentice-Hall,
Englewood Cliffs, NJ.
[49] Kretz Museum Tour - The History of Ultrasound. Extraído el 2 de Noviembre de 2016.
http://www.obgyn.net/articles/kretz-museum-tour-history-ultrasound-1
[50] Kuttruff, H. (2007). Acoustics (1st ed.). London: Taylor & Francis.
[51] L. Chen, G. Lu and D. Zhang, ''Effects of different gabor filter parameters on image retrieval by
texture'', In Proc. of IEEE 10th International Conference on Multi-Media Modelling (MMM2004),
93
pp. 273-278, Brisbane, Australia, International Conference on Multi-Media Modelling
(MMM2004),Jan. 2004.pp. 273-278, Brisbane, Australia, Jan. 2004.
[52] Lasso, A., Heffter, T., Rankin, A., Pinter, C., Ungi, T., & Fichtinger, G. (2014). PLUS: open-source
toolkit for ultrasound-guided intervention systems. IEEE Transactions on Bio-Medical
Engineering, 61(10), 2527–2537.
[53] Levy, Y., Agnon, Y., & Azhari, H. (2006). Measurement of speed of sound dispersion in soft tissues
using a double frequency continuous wave method. Ultrasound In Medicine & Biology, 32(7),
1065-1071.
[54] Lina, J. (1997). "Image Processing with Complex Daubechies Wavelets" Journal Of Mathematical
Imaging And Vision, 7(3), 211-223.
[55] Lina, J. & Mayrand, M. (1995). Complex Daubechies Wavelets. Applied And Computational
Harmonic Analysis, 2(3), 219-229.
[56] Ma, J. & Plonka, G. (2010). The Curvelet Transform. IEEE Signal Processing Magazine, 27(2), 118-
133.
[57] Madisetti, V. & Williams, D. (1998). The digital signal processing handbook (1st ed.). Boca Raton,
Fla.: CRC Press.
[58] Mahmoud, A., El Rabaie, S., Taha, T., Zahran, O., El-Samie, F., & Al-Nauimy, W. (2012).
Comparative study between different denoising filters for speckle noise reduction in ultrasonic b-
mode images. 2012 8Th International Computer Engineering Conference (ICENCO).
[59] Mallat, S. (2008). A Wavelet Tour of Signal Processing, The Sparse Way, 3rd ed., Academic, San
Diego, CA.
[60] Mallat, S. Peyré, G. (2009). A wavelet tour of signal processing (1st ed.). Amsterdam:
Elsevier/Academic Press.
[61] Matlab – Hommomorphic filtering. Extraído el 7 de julio de 2016.

http://blogs.mathworks.com/steve/2013/06/25/homomorphic-filtering-part-1/
[62] Medical Imaging Innovations - Esaote MyLab Alpha. Extraído el 2 de Noviembre de 2016.
http://www.medicalii.com/portfolio-item/esaote-mylab-alpha/
[63] Michailovich, O. & Adam, D. (2005). A novel approach to the 2-D blind deconvolution problem in
medical ultrasound. IEEE Transactions On Medical Imaging, 24(1), 86-104.
[64] Michailovich, O. & Tannenbaum, A. (2006). Despeckling of medical ultrasound images. IEEE
Transactions On Ultrasonics, Ferroelectrics And Frequency Control, 53(1), 64-78.
[65] Michailovich, O. & Tannenbaum, A. (2007). Blind Deconvolution of Medical Ultrasound Images: A
Parametric Inverse Filtering Approach. IEEE Transactions On Image Processing, 16(12), 3005-
3019.
[66] N. Kingsbury, "The dual-tree complex wavelet transform: A new efficient tool for image
restoration and enhancement," 9th European Signal Processing Conference (EUSIPCO 1998),
Rhodes, 1998, pp. 1-4.
94
[67] Naimi, H., Adamou-Mitiche, A., & Mitiche, L. (2015). Medical image denoising using dual tree
complex thresholding wavelet transform and Wiener filter. Journal Of King Saud University -
Computer And Information Sciences, 27(1), 40-45.
[68] Ng, J., Prager, R., Kingsbury, N., Treece, G., & Gee, A. (2007). Wavelet restoration of medical
pulse-echo ultrasound images in an EM framework. IEEE Transactions On Ultrasonics,
Ferroelectrics And Frequency Control, 54(3), 550-568.
[69] Otto, C. (2013). Textbook of clinical echocardiography (1st ed.). Philadelphia, PA:
Elsevier/Saunders.
[70] Perreault, C. & Auclair-Fortier, M. (2007). Speckle Simulation Based on B-Mode Echographic
Image Acquisition Model. Fourth Canadian Conference On Computer And Robot Vision (CRV '07).
[71] Physic of music. Extraído el 4 de marzo de 2015.

http://www.phy.mtu.edu/~suits/SpeedofSound.html
[72] Reinhard, E., Stark, M., Shirley, P., & Ferwerda, J. (2002). Photographic tone reproduction for
digital images. Proceedings Of The 29Th Annual Conference On Computer Graphics And
Interactive Techniques - SIGGRAPH '02.
[73] Rossmann, K. (1969). Point Spread-Function, Line Spread-Function, and Modulation Transfer
Function. Radiology, 93(2), 257-272.
[74] Sanchez J. R. & Oelze M. L. (2009). An ultrasonic imaging speckle suppression and contrast
enhancement technique by means of frequency compounding and coded excitation. IEEE Trans.
Ultrason. Ferroelectr., Freq. Control, vol. 56, no. 7.
[75] Selesnick, I., Baraniuk, R., & Kingsbury, N. (2005). The dual-tree complex wavelet transform. IEEE
Signal Processing Magazine, 22(6), 123-151.
[76] Shams, R., Rabbani, H., & Gazor, S. (2014). A comparison of x-lets in denoising cDNA microarray
images. 2014 IEEE International Conference On Acoustics, Speech And Signal Processing (ICASSP).
[77] Shin, H., Prager, R., Ng, J., Gomersall, H., Kingsbury, N., Treece, G., & Gee, A. (2009). Sensitivity to
point-spread function parameters in medical ultrasound image deconvolution. Ultrasonics, 49(3),
344-357.
[78] Singh, R. & Khare, A. (2013). Multiscale Medical Image Fusion in Wavelet Domain. The Scientific
World Journal, 2013, 1-10.
[79] Slabaughetal G. (2006). “Ultrasound speciﬁc segmentation via decorrelation and statistical
region-based active contours. CVPR’06,vol.1, pp.45–53.
[80] Starck, J.-L., Bijaoui, A., Lopez, B., and Perrier, C.: 1994, Image reconstruction by the wavelet
transform applied to aperture synthesis, Astronomy and Astrophysics 283, 349–360.
[81] Starck, J.-L., Candès, E. & Donoho, D., (2002). The curvelet transform for image denoising, IEEE
Transactions on Image Processing 11(6), 131–141.
[82] Starck, J., Murtagh, F., & Fadili, J. (2010). Sparse image and signal processing (1st ed.). Cambridge:
Cambridge University Press.
95
[83] Strang, G. (1989). Wavelets and Dilation Equations: A Brief Introduction. SIAM Review, 31(4),
614-627.
[84] Sudha, S., Suresh, G., & Sukanesh, R. (2009). Speckle Noise Reduction in Ultrasound Images by
Wavelet Thresholding based on Weighted Variance. International Journal Of Computer Theory
And Engineering, 7-12.
[85] Szabo, T. (2004). Diagnostic ultrasound imaging (1st ed.). Amsterdam: Elsevier Academic Press.
[86] Szabo, T. L. (1978). A generalized Fourier transform diffraction theory for parabolically
anisotropic media. J.Acoust.Soc.Am. 63,28–34.
[87] Taoetal Z. (2006). Evaluation of four probability distribution models for speckle in clinical cardiac
ultrasound images. IEEETMI, vol.25, no. 11, pp.1483–1491.
[88] Umchid, S. (2009). Directivity Pattern Measurement of Ultrasound Transducers. International

Journal of Applied Biomedical Engineering, 2(1), 39-43.
[89] Vaseghi, S. (2008). Advanced digital signal processing and noise reduction (1st ed.). New York:
John Wiley & Sons.
[90] Vorl nder, M. (2008). Auralization (1st ed.). Berlin: Springer.
[91] Vorländer, M. & Mommertz, E.(2000). Definition and Measurement of Random-incidence

Scattering Coefficients, Applied Acoustics 60(2), 187-199.
[92] Wagner R. F., Smith S.W., Sandrik J.M. & Lopez H. (1983). Statistics of speckle in ultrasound B-
scans. IEEE Trans. Sonics Ultrason., vol.30, pp.156–163.
[93] Wagner, R., Insana, M., & Smith, S. (1988). Fundamental correlation lengths of coherent speckle
in medical ultrasonic images. IEEE Transactions On Ultrasonics, Ferroelectrics And Frequency
Control, 35(1), 34-44.
[94] WaveLab850. Extraído el 14 de Noviembre de 2015. http://statweb.stanford.edu/~wavelab/
[95] Weaver, J. B., Yansun, X., Healy, D. M., and Cromwell, L. D.: 1991, Filtering noise from images
with wavelet transforms, Magnetic Resonance in Medicine 21(2), 288–295.
[96] Yue Y., Croitoru M., Bidani A., Zwischenberger J. B. & Clark J. W. (2006). Nonlinear multiscale
wavelet diffusion for speckle suppression and edge enhancement in ultrasound images. IEEE
Trans. Med. Imag., 25(3):297– 311.
[97] Zhou Wang, & Bovik, A. (2002). A universal image quality index. IEEE Signal Processing Letters,
9(3), 81-84.
96

Ingenieria de Sonido Reconstruccion de Imagenes

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ingenieria de Sonido Reconstruccion de Imagenes

Cargado por

Copyright:

Formatos disponibles

INGENIERÍA DE SONIDO

Reconstrucción de imágenes médicas obtenidas

Autor: Martín Gastón Baggio

(†) Tesis para optar al título de Ingeniero de Sonido

A la Universidad Nacional de Tres de Febrero su personal, profesores y directivos. Gracias

Gracias a Dalmacio Justo, por interesarse en mi formación y ayudarme en todo lo

Gracias Caro por tu energía,

y a mi abuela Julieta, que es mi luz.

En este trabajo, se propone un método consistente que implica obtener la imagen

Se realizaron pruebas sobre imágenes obtenidas a partir de la captura un fantoma

Palabras clave: “Ecógrafos”; “Filtros de reducción de ruido”; “Speckle”; “Wavelet”; “Software”

Test on images from a Gamex 403 GS LE obtained by an Esaote MyLabTM 25 were

Keywords: “Ultrasound imaging; “De-noising”; “Speckle”; “Wavelet”; “Software”

Indice de figuras .................................................................................................................. viii

Indice de abreviaturas y acrónimos ..................................................................................... xv

2.2. Impedancia ......................................................................................................................... 7

2.3. Velocidad del sonido ........................................................................................................ 12

2.4. Atenuación ....................................................................................................................... 13

2.5. Conclusión parcial ............................................................................................................ 15

3.2. Configuración típica de los ecógrafos .............................................................................. 22

4. Limitaciones y ruidos .................................................................................................... 26

4.2. Atenuación y distancia focal ............................................................................................ 27

4.3. Función de dispersión de punto (PSF) .............................................................................. 29

4.4. Directividad y apodización ............................................................................................... 31

4.5. Speckle ............................................................................................................................. 33

5. Herramientas de procesamiento ................................................................................. 36

5.2. Filtros en transformadas .................................................................................................. 38

5.3. Transformada discreta wavelet (DWT) ............................................................................ 42

5.4. Otras transformadas wavelets ......................................................................................... 45

6. Método presentado ..................................................................................................... 53

6.2. Trabajo propuesto ............................................................................................................ 55

6.3. Plataforma desarrollada ................................................................................................... 56

7. Reconstrucción de imágenes ....................................................................................... 70

7.2. Prueba con la captura 1 ................................................................................................... 72

7.3. Prueba con la captura 2 ................................................................................................... 80

8.2. Trabajos a futuro .............................................................................................................. 89

Figura 2 – Modelo de la onda en una dirección, incidiendo en una superficie de distinta

Figura 4 – Reflexiones producidas por superficies rugosas de distinta relación extensión de

Figura 5 – Energía reflejada en forma especular y energía difusa, a partir de la incidencia

Figura 7 – (izq) Modelo masa/resorte representando un medio perfectamente elástico.

Figura 8 – Número estimado de exámenes en todo el mundo y estados unidos en el año

Figura 9 – Comparación de los modos de visualización A y B sobre la energía reflejada [37]

Figura 10 – Ecógrafos a través del tiempo: ......................................................................... 21

Figura 11 – Elementos básicos de un ecógrafo [85]. ........................................................... 22

Figura 12 – Un cristal piezoeléctrico puede operar como transmisor (figura superior) si se

Figura 13 – Esquema de transductor de ultrasonido [19] ................................................... 24

Figura 15 – Arriba: demostración de interferencia constructiva en agua (caso en 2D –

Figura 17 – Longitud de la zona de Fresnel respecto a la frecuencia y diámetro del

Figura 18 – La función de dispersión de punto es la imagen formada de una fuente única

Figura 19 – Simulación del campo acústico generado por un transductor de 64 elementos

Figura 21 – (A) Haz sin apodización (ventana rectangular) y su correspondiente imagen en

Figura 22 – Histograma de ruido tipo speckle obtenido mediante el scan de un ecógrafo

Figura 24 – Espectro del filtro Gabor [33] ........................................................................... 37

Figura 25 – Algoritmo de filtro homomorfico [61]. ............................................................. 37

Figura 26 – Cajas de Heisenberg de dos átomos y . .................................. 38

Figura 28 – Algoritmo rápido asociado a la transformada wavelet. (Arriba) Análisis de la

Figura 29 – Tipos de filtros en transformada wavelet. A la izquierda umbral duro, en el

Figura 30 – Imagen reconstruida mediante la aplicación de un umbral duro a los

Figura 31 – Descomposición de señal en 1D mediante DWT. El eje horizontal representa el

Figura 32 – Ejemplos de Wavelets madre [94]. ................................................................... 43

Figura 33 – (a) Descomposición de imagen mediante DWT. LL3 corresponde a los

Figura 35 – Árbol de descomposición de la DT CWT Dos árboles de filtros reales, a y b, los

Figura 36 – Coeficientes wavelet y función escala de niveles 1 a 4 generados a partir de 16