Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DESARROLLO DE TÉCNICAS DE
RECONOCIMIENTO Y PROCESAMIENTO
UTILIZANDO UN SISTEMA CAD
PARA APLICACIONES EN MEDICINA
Y OTRAS ÁREAS
TESIS
Que para obtener el grado de:
DOCTOR EN CIENCIAS DE
COMUNICACIONES Y
ELECTRÓNICA
Presenta:
Director de tesis:
En la Ciudad de MCXICO. D. F. siendo las 11 ’00 horas del dia 18 del mes de
n o, del Z008 se reunieron los miamb os de la Comision Revisora de Tesis
designada
por e I Cold-•gio de PFOf@oyE•S de EstUdios de Posgra do €• In v e stiga c on de "E° “ '" E *’° Liz°"
Con ragiatro: A Al 4 0 4 0 8
aspirante at grado
de
DOCTORADO EN COMUNICACIONES Y ELE CTROHICA
De9pués de intercambiar opiniones los miembros de Comision manilestaron SU
D94C/QV DE -4 TH /S, eo vJrtud de que satisface requisitos senalados par las
Director de tes is
INSTITUTO POLITJCNICO NACIONAL
En la Ciudad de México el dia 10 del mes de lunin del año 2008 el (la) que suscribe
alumno (a) del Programa de Doctorado en Comunicaciones v Electr68ica con nñmem de
registro A04O408 adsctito a la SEPI-ESIME-CI ILHUACAN manifiesta que es actor (a)
inteleGtMl dg1 presente trabajo de Tesis bajo la direction del olod Pono o y
cede los detechos del trabajo intitulado “Desarrullo de fécniras de Reconoclmiento ›'
Poc ino i do S t CAD lcac e edcna Are at
Instituio Politécnico National pora su difusifin, can fmes académicos y de investigaci0n.
Los usuarios de lv informacifin no deben reproducir e1 contenido textual, gr5ficas o datos del
nabajo sin el permiso expreso del autor y/o ditectnr del trabajo. Este ptiede ser obienido
Al Instituto Politécnico
Culhuacan
PROMEP
A Juan y
Elizabeth y Max
A Luis
CONTENIDO
RESUMEN..................................................................................................................................1
ABSTRACT................................................................................................................................3
CAPITULO 1......................................................................................................................................................4
1.1. INTRODUCCIÓN..............................................................................................................................4
1.3. OBJETIVO................................................................................................................................................9
1.4. METAS......................................................................................................................................................9
1.5. APORTACIONES..............................................................................................................................9
1.6. JUSTIFICACIÓN....................................................................................................................................10
CAPITULO 1.......................................................................................................................................11
CAPITULO 2.......................................................................................................................................11
CAPITULO 3.......................................................................................................................................12
CAPITULO 4.......................................................................................................................................12
CAPITULO 5.......................................................................................................................................13
CAPITULO 6.......................................................................................................................................13
ANEXO A. PUBLICACIONES............................................................................................13
CAPITULO 2....................................................................................................................................................16
Desarrollo de Técnicas de Reconocimiento y Procesamiento utilizando un Sistema CAD para Aplicaciones en Medicina y otras Áreas
CONTENIDO
2.2. ARQUITECTURA DE UN SISTEMA CAD..................................................................................18
2.2.1. PREPROCESAMIENTO..................................................................................................19
2.2.2. SEGMENTACIÓN......................................................................................................20
2.2.5. EVALUACIÓN............................................................................................................22
2.3.2.4. PREPROCESAMIENTO..........................................................................................................................24
2.4. CONCLUSIONES.......................................................................................................................27
2.5. REFERENCIAS.................................................................................................................................28
CAPITULO 3..................................................................................................... 30
MODALIDADES DE IMAGEN.................................................................30
Desarrollo de Técnicas de Reconocimiento y Procesamiento utilizando un Sistema CAD para Aplicaciones en Medicina y otras Áreas
CONTENIDO
ETAPAS TEMPRANAS
40
3.3.1.1. MICROCALCIFICACIONES.................................................................................................................40
MAMOGRÁFICOS.................................................................................................................................................50
3.4. CONCLUSIONES.......................................................................................................................52
3.5. REFERENCIAS.................................................................................................................................53
CAPITULO 4..................................................................................................... 57
IMÁGENES.....................................................................................57
4.3. CONCLUSIONES.......................................................................................................................88
4.4. REFERENCIAS.................................................................................................................................89
CAPITULO 5....................................................................................................................................................92
Desarrollo de Técnicas de Reconocimiento y Procesamiento utilizando un Sistema CAD para Aplicaciones en Medicina y otras Áreas
CONTENIDO
RECONOCIMIENTO CON WAVELETS BASADAS EN FA Y ANÁLISIS ROC.....92
107
5.3.1. SENSIBILIDAD.........................................................................................................111
5.3.3. ESPECIFICIDAD......................................................................................................111
5.6. CONCLUSIONES.....................................................................................................................117
5.7. REFERENCIAS...............................................................................................................................119
CAPITULO 6..................................................................................................................................................123
Desarrollo de Técnicas de Reconocimiento y Procesamiento utilizando un Sistema CAD para Aplicaciones en Medicina y otras Áreas
CONTENIDO
ANEXO A..............................................................................................128
PUBLICACIONES.................................................................................128
ANEXO B.................................................................................................................................................158
INDICE DE FIGURAS..........................................................................................................158
INDICE DE TABLAS............................................................................................................164
Desarrollo de Técnicas de Reconocimiento y Procesamiento utilizando un Sistema CAD para Aplicaciones en Medicina y otras Áreas
RESUMEN
RESUMEN
gran cantidad de áreas, como pueden ser aéreas, espaciales, medicas, de educación,
cada vez mas utilizado en las diversas áreas de la vida, y la medicina es un campo
hay exámenes que son analizados por especialistas para hacer este tipo de
CAD (Computer Aided Diagnostic), que son sistemas asistidos por computadora
ser reconocidas.
pruebas pueden detectarse zonas con alta sospecha tumoral, cuyo diagnóstico debe
negativos).
1
Una forma de mejorar el diagnóstico y disminuir el número de falsos negativos
imagen con un doble objetivo: llamar la atención del profesional hacia la zona
ABSTRACT
At the present time there exist diverse types of methods, algorithms and teams that
quantity of areas, like they can be air, space, medical, education, etc., it is
used in the diverse areas of the life, and in the medical field, it can be developed a
detection of anomalies and abnormal sufferings, where there are exams that are
them are mammography and ultrasound exams. Mainly, in this work, we present
a methodology based on CAD systems (Computer Aided Diagnostic) that they are
Here three types of digital images are analyzed: SAR images (Synthetic Aperture
Radar) with targets and clutters, ultrasound and mammography, being this last
recognized.
To diagnose a cancer there are carried out, among other tests, image (x‐rays,
echographics or magnetic resonances) analysis. By means of these tests it can be
detected areas with high suspects tumor presence, whose diagnosis usually
confirms by a biopsy. It is not easy to interpret this type of images that depends of
analyzes the medical image and it tries to detect suspicious areas and of containing
3
ABSTRACT
some anomaly. These areas are marked envelope the own image with an objective
double: to get the professionalʹs attention toward the suspicious area and to
contribute information for the diagnosis.
the detection of tumors in medical images, designing a CAD system that allows a
better diagnosis or detection. This work has been centered in the analysis of three
proposals, the first one is the detection of target in SAR images; the second
consists of the location of objects in ultrasound images, and the third one is the
each one of the proposals. In the classification stage, it has been used classifiers
4
Capitulo I
Introducción, Objetivo,
Metas, Aportaciones y
Justificación
CAPITULO 1. INTRODUCCION, OBJETIVO, METAS, APORTACIONES Y
JUSTIFICACIÓN
CAPITULO 1.
1.1. INTRODUCCIÓN
aparatos de diagnóstico.
4
CAPITULO 1. INTRODUCCION, OBJETIVO, METAS, APORTACIONES Y
JUSTIFICACIÓN
considerada en dos procesos: Primero, un radiólogo revisa los mamogramas
incluye exámenes adicionales de las vistas medio lateral (LM) y cranio caudad
conocida como sistemas CAD por sus siglas en ingles (CAD‐ Computer‐aided
5
dentro de la imagen, con el fin de mejorar la precisión y consistencia diagnóstica
obtenida por los expertos humanos. Básicamente, estos sistemas intentan detectar
formación.
En general, son cuatro los indicadores de eficacia de una prueba que sirven de
una prueba, o sea, corresponden al punto de vista “natural” del investigador que
una prueba en la práctica clínica. Mientras que los otros dos le permiten conocer
evaluado.
deberá finalmente ser valorada la utilidad para el manejo del paciente de cualquier
negativa a la terapia.
Las imágenes biomédicas son, por lo general, interpretadas y analizadas por los
especialistas médicos; pero es debido a la rutina y por tanto a los posibles errores
desarrollo de los algoritmos este trabajo se puede automatizar de tal manera que el
experto sólo tenga que interpretar a su juicio los resultados que se obtienen de esta
herramienta. Para que el contacto con dichos algoritmos sea más directo [5].
1.2. DEFINICIÓN DEL PROBLEMA
elaborar un diagnóstico a partir, entre otros tests, de una imagen médica que,
citar algunos ejemplos. Este tipo de imágenes, sin embargo, no son fáciles de
de estos dos parámetros lleva parejo el empeoramiento del otro (es fácil conseguir
indicio de que esta pueda existir, sin embargo ello provoca que baje la
especificidad).
imagen original, y por tanto los valores de sensibilidad y especificidad en este caso,
serán distintos a los que se lograrían sin el uso del sistema de CAD.
Por otro lado, los sistemas de CAD también son útiles como sistemas de
1.3. OBJETIVO
ultrasonido y otras.
1.4. METAS
2) Desarrollar una metodología de detección de patrones que pueda ser usada para
mamografía.
radar.
artificiales.
1.5. APORTACIONES
apertura sintética.
2. Contribuir con el desarrollar un método integral de detección y reconocimiento
atómicas).
propuesto.
1.6. JUSTIFICACIÓN
varía dependiendo del tiempo y estado del equipo y el medio impreso que se
utilice. Estos aspectos pueden ser opacados mediante un análisis automático de las
trabajo se propone una metodología diferente para cada tipo de imagen digital
analizada pero tienen algo en común, que es el tipo de clasificador y método de
sobre el tema a tratar del trabajo. El segundo, plantea algunos trabajos realizados
presenta los métodos y técnicas que han sido utilizadas en los experimentos
cuarto, presenta los experimentos realizados para cada tipo de imagen y los
este trabajo de tesis. Finalmente se presentan los anexos que son una parte
CAPITULO 1
problema, se plantea el objetivo, las metas a alcanzar y las justificaciones del tema
de tesis, así mismo se presenta una reseña del contenido de cada capítulo.
CAPITULO 2
En este se muestra una descripción del estado del ate del tema de tesis y se realiza
una introducción a los temas que servirán como base para el desarrollo del trabajo.
También se realiza una reseña del estado del arte de diversos trabajos de
CAPITULO 3
amplia los principales aspectos de las imágenes de mamografía (MG), así como las
CAPITULO 4
imagen experimentalmente.
CAPITULO 5
CAPITULO 6
desarrollo de este trabajo. Así como los trabajos a futuro que se pueden realizar
ANEXO A. PUBLICACIONES
[1] Costaridou, L., Medical image analysis methods, CRC Press, USA, 2005.
[2] Chan, H.P., Doi, K., Vyborny, C.J. et al.,”Improvement in radiologists detection
Techniques,” L. Costaridou, Ed. U.S.A: Taylor & Francis, CRC Press, 2005, pp. 137–
176.
Capitulo II
CAPITULO 2.
en tres grupos como se muestra en la figura 2.1. Estos grupos involucran los
siguientes procesos:
salida es una medida. Este grupo incluye procesos como detección automatizada y
16
2.1.3. ENTENDIMIENTO DE IMAGEN
Imagen de entrada
Operador
médicas, y sus localizaciones son marcadas para que puedan ser revisadas por un
clasificación que se utiliza para reducir los falsos positivos o caracterizar las
Imagen digital
Preproce samiento
Extracción de Ca
racterísticas ión)
(Selecc CAD de Diagnostico
Clasificación- Falsos
Reducción
Po sitivos
Extracción de Ca
racterísticas ión)
(Selecc
Esquema de Caracterización
Clasificación-Grado de malignidad
2.2.1. PREPROCESAMIENTO
2.2.2. SEGMENTACIÓN
la imagen original y las características de los objetos que tienen que ser
identificados.
En este estado se pueden considerar una o las tres opciones para el análisis de
una manera óptima de representar la información original que describa cada uno
represente a cada uno de los patrones. Debe de cumplir las siguientes condiciones:
Formas
Texturas
Operaciones morfológicas.
Adelgazamiento de líneas.
Textura de la imagen.
2.2.4. SISTEMA DE CLASIFICACIÓN
integral que esta definido como el “arte o hecho” de reconocer la presencia de una
del diagnostico diferencial, es obvio que existen varios dilemas para el rechazo o
2.2.5. EVALUACIÓN
expresando cada par de tasas de “verdadero positivo” (True Positive, TP) y “falso
sido desarrollados por varios investigadores. Chan et al.[3], diseño una técnica de
microcalcificaciones.
suaviza el ruido.
obtener las señales. Las características de las señales extraídas son el tamaño,
pueden encubrir lesiones que no están tan remarcadas y pueden ser difícilmente
detectadas por los radiólogos. Hay varios tipos de masas y se describen por sus
Un esquema propuesto para la detección de masas por Chan et al. [3] se muestra en
detección.
Entrada de la Mamografía
Filtro de preprocesamiento
Refinamiento de objeto
Reducción de solapamientos
Análisis de textura
Objetos detectados
2.3.2.4. PREPROCESAMIENTO
Es un filtro adaptivo para mejorar las estructuras densas en una mamografía
digital. Debido a que las lesiones de masas tienen el borde indefinido, se utiliza un
método para mejorar el borde. El filtro suprime las regiones de bajo contraste,
secuencial hacia atrás” (SFS, sequential forward search). Finalmente aplican dos
Nakayama et al. [8] proponen un esquema CAD usando un banco de filtros para
2.4. CONCLUSIONES
imágenes médicas, así como los métodos y algoritmos que utilizan dependiendo
hemos retomado las ideas principales que manejan algunos de los autores, como es
Este análisis realizado es muy importante por que permite que el desarrollo de este
reciente en lo que al estado del arte se refiere. Con esto se busca que el trabajo
campo de investigación.
2.5. REFERENCIAS
[2] Costaridou, L., Medical image analysis methods, CRC Press, USA, 2005.
filters in digital mammography,” IEEE Trans. Med. Imag., vol. 13, no. 1, pp.
25– 36, Mar. 1994.
[6] W. Qian, L. P. Clarke, B. Zheng, M. Kallergi, and R. A. Clark, “Computer
assisted diagnosis for digital mammography,” IEEE Eng. Med. Biol. Mag., vol.
[7] J.C. Fu, S.K. Lee, S.T.C. Wong, J.Y. Yeh, A.H. Wang, H.K. Wu, “Image
[8] Ryohei Nakayama, Yoshikazu Uchiyama, Koji Yamamoto, Ryoji Watanabe, and
Modalidades de
Imagen
CAPITULO 3. MODALIDADES DE IMAGEN
CAPITULO 3.
MODALIDADES DE IMAGEN
las propiedades físicas susceptibles de formar una imagen han sido explotadas [1].
‐Anatómicas: Rayos‐X
Ultrasonido
Resonancia magnética
En este trabajo se utilizaron etapas de un sistema CAD para imágenes SAR (que
presenta una breve descripción de las imágenes que fueron consideradas para
30
3.1. IMÁGENES SAR (BLANCO Y DESORDEN)
la señal en varias direcciones, una porción de esta señal ʺecoʺ es captada por un
receptor, que puede ser la misma antena de transmisión, que se encarga de filtrar
la señal de un cierto ruido ʺclutter“ (desorden), amplificarla y procesarla para
obtener información del ʺblancoʺ [2]. La figura 3.1 muestra un ejemplo de esta
modalidad de imágenes.
El ultrasonido es un método que usa ondas de sonido para interactuar con el tejido
del tejido a las ondas de sonido. Un ultrasonido crea imágenes que permiten
Las ondas de ultrasonido pueden ser producidas en dos modos diferentes. Uno
clase de moléculas con una distribución diferente de cargas eléctricas es usada para
oscilar aplicando un campo eléctrico externo.
fenómeno de US [5]. Estos incluyen la física de las ondas sonoras, la frecuencia del
λ = V∙T (3.1)
1
f
T (3.2)
3.2.
T: Periodo λ: longitud de
Tiempo Distancia
este sistema el cristal piezo‐eléctrico genera una señal de US que es causado por un
lanzar otra señal de US [6]. La señal del tren de pulsos generado por el pulsor se
Tiempo
K
V (3.3)
El conocer la velocidad del sonido permite medir el tiempo de retrazo entre la
ZA. Esta característica depende de la densidad del medio y de la facilidad con que
ZA V (3.4)
los artefactos observados en las imágenes de US son causados por las propiedades
reflectivas del tejido que se analiza. Se produce un artefacto cuando dos superficies
reflectivas están muy cerca entre sí y hacen rebotar las ondas sonoras. En este caso
Las imágenes de ultrasonido a menudo son utilizadas para proveer un método útil
materno. Así mismo también se llega a utilizar el mismo método para determinar
el sexo del bebe. La mayor aplicación del efecto Doppler en US es el estudio del
flujo.
Algunos equipos de ultrasonido proveen imágenes de realidad virtual en una
pantalla para cirugías guiadas por video o imagen, como es el caso de los
alcance el tamaño palpable (mayor de 1 cm.) [8]. Las mujeres a las que se les
que las mujeres a las que se les diagnostica el cáncer por asistir a consulta al palpar
las más importantes son: los racimos de microcalcificaciones, las masas tumorales,
3.5). Las masas tumorales pueden ser bien definidas (circunscritas) o mal definidas
(espiculadas).
de mama temprano que puede ser descubierto en las mamografías antes de que la
Figura 3.5. (a) Masa circunscrita (b) masa espiculada (c) microcalcificaciones (d) distorsión
graso, graso glandular y denso glandular [10]. Cada uno de ellos tiene diferencias
(Fig. 3.6). Por ejemplo el tejido asociado a una masa tumoral no es fácilmente
diferenciable del tejido sano del parénquima mamario en mamas densas, mientras
Figura 3.6. (a) Mama grasa con masa tumoral circunscrita maligna (b) mama grasa
glandular con masa tumoral espiculada maligna (c) mama densa glandular con masa
lesiones que, de otro modo, podrían ser pasadas por alto [11].
La mayoría de los sistemas CAD tienen tres etapas para la clasificación de masas
3.3.1.1. Microcalcificaciones
Como casi la mitad de los cánceres detectados por mamografías se corresponden
tejido normal circundante, que pueden aparecer como puntos solos o agrupados en
numéricamente inferiores a las malignas, (si están agrupadas, son menos de 5 por
grupo), son más opacas, se distribuyen en forma más difusa y son más
tienen una borde distintivo y su diámetro puede variar mucho dentro de un rango
de 2 a 20 mm, o incluso mayor (Fig. 3.8). Pueden ser difíciles de detectar porque,
tejido glandular. Se debe recordar que uno de los elementos más importantes en la
Estas masas tienden a ser ovales, circulares o lobuladas. Pueden estar bien
lesiones malignas.
Signos de Importancia Secundaria
de la mama.
- Tamaño: Si tiene mucha densidad y es radio opaco nos puede indicar el tipo
de cáncer.
densa con espículos lineales radiando en todas direcciones con un patrón irregular,
(Fig. 3.9). Este tipo de lesión tiene bordes poco definidos e irregulares. Las
Las estructuras radiadas son espículos que siguen dos patrones básicos:
cáncer.
maligna, las dos últimas consideradas como anormales. Además, los casos
resolución de 1024 x 1024 píxeles y con niveles de gris de ocho bits. También se
Las imágenes de esta base de datos tienen el formato PGM : Portable gray map.
Se propone utilizar esta base de datos para realizar todos los experimentos por
contener imágenes, tener la clasificación de las tres patologías que necesitamos
(microcalcificaciones, masas circunscritas y masas espiculadas) y de los tres
utilizadas actualmente.
De acuerdo con estadísticas del sector salud, los tumores malignos ocupan el
En 1990 el cáncer de mama contribuyó con dos mil 214 muertes, en 1995, con tres
mil fallecimientos, en 1999, tres mil 460, en el 2000 tres mil 750, mientras que en
el 2001 se reportaron más de tres mil ochocientos decesos, según datos del Instituto
La Secretaria de Salud notificó que la tasa de mortalidad por cáncer de mama del
2002 se ubicó en 15.24 por cada cien mil mujeres de 25 años y más, mientras que
el 2003 llegó a 15.38 por cada 100 mil mujeres de igual rango de edad.
por ciento con respecto a la última década. La tasa de mortalidad por esta
el país, y cada año mueren más de 35 de cada 100 mil mujeres mayores de 55 años
En el análisis según la edad, la Secretaría de Salud indica que existe una “fuerte
edad (65 por ciento del total) y que entre las mujeres jóvenes la incidencia es “muy
baja”.
anualmente mueren más de 2 mil 500, en una edad promedio de 50 a 55 años; las
estadísticas aumentan cada vez más. Por lo general, la afección inicia a los 45 años
de edad, lo cual implica un grave problema social y económico, sobre todo en los
casos donde la mujer aporta el único ingreso familiar. De acuerdo con la Secretaría
de Salud, la edad promedio a la que mueren las mujeres en México por cáncer
años, y las cifras indican que desde los 35 años se aprecia un aumento significativo
muertes cada año, así como tratamientos más caros y menores probabilidades de
recuperación.
A partir de todo lo antes expuesto puede concluirse que en México cada vez son
más las mujeres afectadas por el cáncer mamario y que la aparición de este ocurre
sociales. Por otra parte la mayor cantidad de los diagnósticos se sigue realizando
interpretar mamografías.
pueden permanecer escondidos por el tejido denso hasta que se palpe un nódulo.
Otros cánceres son difíciles de ver porque ellos se mezclan con el fondo del tejido
determinar porque pueden pasar meses o años antes de que el cáncer sea
métodos para hacer las lesiones más visibles en las mamografías. Mejoraron la
los CAD para ayudar a descubrir el cáncer de mama en una etapa más temprana.
junio de 1998.
Ocasionalmente dejan de notar un área que el radiólogo piensa puede ser un cáncer.
Por esta razón, los CAD actuales no son un instrumento diagnóstico aunque el
CAD para evaluar una mamografía pero es común que un ser humano
debería ser vuelto a examinar sin tener en cuenta si fue el CAD o el radiólogo
mamográficos
respetables en los Estados Unidos y Canadá perdían cánceres y que el CAD puede
posiblemente en hasta un 21 %.
[16]. Sin embargo, esto no ha tenido una amplia aceptación en los Estados Unidos,
1998 hasta el febrero de 1999) para familiarizarse con el equipo, el WDC comenzó
Winsberg considera que el CAD siempre debería ser usado según este
ventaja del CAD y luego utilizar el CAD y examinar los señalamientos. El tiempo
radiólogo debe tomar una decisión antes de apoyarse en el CAD y utilizar el CAD
radiólogo descubrió y el CAD perdió eran masas. Además, el CAD marcó todos los
centro ahora aplica la doble lectura (con 2 radiólogos) más el CAD, que
microcalcificaciones sutiles.
Estos sistemas de ayuda al diagnóstico reducen los costos por diagnóstico de cada
mejorar con el tiempo, y hasta ahora, el CAD parece tener una capacidad excelente
detectaron 8 cánceres más; de no haberse aplicado esta técnica éstos habrían sido
perdidos en ese año. Hasta ahora se recomienda que el CAD nunca debe ser usado
útil, confiable, y rentable para la detección temprana del cáncer de mama. El CAD,
3.4. CONCLUSIONES
concluir que su tratamiento tiene que ser más cuidadoso por tratarse de imágenes
médicos. Así mismo se pudo ver que este tipo de imágenes tienen un mayor grado
su misma naturaleza y por que son imágenes que contienen más información.
3.5. REFERENCIAS
[1] K. Najarian, R. Splinter, Biomedical Signal and Image Processing, Taylor &
http://www.med.umich.edu/1libr/aha/aha_ultrasnd_spa.htm
[5] Cristina Juarez Landin, Volodymyr Ponomaryov, Jose Luis Sanchez Ramirez,
“RECOGNITION OF ULTRASOUND IMAGES USING WAVELET
TRANSFORM AND ARTIFICIAL NEURAL NETWORKS”, International
Processing and Analysis for CAD Systems,” L. Costaridou, Ed. U.S.A: Taylor
& Francis, CRC Press, 2005, pp. 51–79.
Techniques,” L. Costaridou, Ed. U.S.A: Taylor & Francis, CRC Press, 2005, pp.
137–176.
[9] B. Jähne, Practical Handbook on Image Processing for Scientific and Technical
[11] Lazslo Tabar, Cáncer de Mama. Arte y ciencia de detección temprana por
Ac.uk/services/MIAS/MIASmini.html
Desarrollo de Esquemas e
Implementación de Algoritmos para
Procesamiento de Imágenes
CAPITULO 4. DESARROLLO DE ESQUEMAS E IMPLEMENTACIÓN DE ALGORITMOS
PARA
PROCESAMIENTO DE IMÁGENES
CAPITULO 4.
DESARROLLO E IMPLEMENTACIÓN DE
IMÁGENES
orden en que fueron realizados para cada una de las imágenes propuestas.
57
Imagen de Blanco Imagen de Blanco Imagen de Blanco Imagen de Blanco
presentaron a la red por pares, es decir dos imágenes de blanco y dos de desorden.
En la figura 4.4 se presentan los resultados de reconocimiento para las tres pruebas
100
98
96
% de Reconocimiento
94
92
90 1er. Prueba
88 2a. Prueba 3er. Prueba
86
84
82
80
1030507090
Nodos en la capa oculta
neuronal. Las tablas 4.2 y 4.3 presentan los resultados de reconocimiento por
100
95
90
85
% Reconocimiento
80 NR 0.05
75 NR 0.01
70 NR 0.15
65 NR 0.2
60 NR 0.25
55
50
1030507090110130150
Nodos en la Capa Oculta
Figura 4.5. Porcentaje total de reconocimiento para la red entrenada sin ruido.
4.1.1.3. RESULTADOS EXPERIMENTALES DE IMÁGENES SAR:
TERCERA PARTE
En una tercera etapa se considero el entrenamiento de la red neuronal con un nivel
de ruido de 0.05. Las tablas 4.4 y 4.5 presentan los resultados de reconocimiento
% Reconocimiento
80 NR 0.05
75 NR 0.1
70 NR 0.15
65 NR 0.2
60 NR 0.25
55
50
1030507090110130150
Nodos en la Capa Oculta
Figura 4.6. Porcentaje total de reconocimiento para la red entrenada con ruido.
Imagen de Des orden Imagen de Des orden Imagen de Desorden Imagen de Des orden
TW RNA
RNA
FASE
FASE DEDE
ENTRENAMIENTO
TRENAMIENTO
EN
Sin Ruido
Sin Ruido
Imagen de Blanco Imagen de Blanco Imagen de Blanco Imagen de Blanco
Con Ruido
BLANCO DESORDEN
RECONOCIMIENTO
RUIDO (SyP) FASE DE
BLANCO
0:0.05:0.25 PRUEBA DESORDEN
Para observar las diferencias se realizó el proceso descrito para las imágenes SAR,
con un nivel de ruido, como en el esquema anterior. Para observar las diferencias,
respectivamente.
85
80
% de reconocimiento
75
TW Y RNA
RNA
70
65
60
0.05 0.1 0.15 0.2 0.25
55 Nivel de ruido
100
95
% de reconocimiento
90
TW Y RNA
RNA
85
80
75
65
100
% de reconocimiento
90
80 TW Y RNA
RNA
70
60
50
0.05 0.1 0.15 0.2 0.25
Nivel de ruido
98
% de reconocimiento
96
TW Y RNA
RNA
94
92
90
de entrenamiento, como afectan los niveles de ruido con que fueron contaminadas
ultrasonido y mamografía.
considerar son:
los experimentos.
90
Porcentaje de Clasificación 80
Caso 1:RNA
70 Caso 2:TWN1-RNA
Caso 3:TWN2-RNA
60
50
40
utilizaron 80 nodos en la capa oculta de la red neuronal, para los tres casos.
100
90
Porcentaje de Clasificación
80
Caso 1:RNA
70 Caso 2:TWN1-RNA
Caso 3:TWN2-RNA
60
50
40
20
utilizaron 100 nodos en la capa oculta de la red neuronal, para los tres casos.
100
90
Porcentaje de Clasificación
80
Caso 1:RNA
Caso 2:TWN1-RNA
70 Caso 3:TWN2-RNA
60
50
40
0 0.01 0.02 0.03
30 Varianza del Ruido
20
de ruido, para cada número de nodos en la capa oculta (60, 80, 100, 120 y 140).
modificada con menor cantidad de información y por lo tanto solo se aplican los
Symlets (1, 2 y 4)
Coiflets (1, 2 y 4)
Wavelet de Haar [5]. La figura 4.18 presenta las funciones Wavelet Daubechies
Figura 4.18. Wavelets Daubechies: (a) db2, (b) db4, (c) db8 y (d) db16.
En las figuras 4.19 a 4.22 se presentan los coeficientes de los filtros de Daubechies,
La figuras 4.23, 4.24 y 4.25 muestran los resultados de clasificación con las
Wavelets Daubechies considerando una red neuronal con 60, 80 y 100 nodos en la
Porcentaje de Clasificación
90
70
60
50
100
90
Porcentaje de Clasificación
70
60
50
20
Figura 4.24. Resultados de clasificación con Daubechies y 80 nodos en la C.O.
100
Porcentaje de Clasificación
90
70
60
50
20
Figura 4.25. Resultados de clasificación con Daubechies y 100 nodos en la C.O.
4.1.2.2.3. WAVELETS SYMLETS
Las Symlets son Wavelets casi simétricas propuestas por Daubechies como
modificación a la familia db. Las propiedades de las dos familias de Wavelets son
similares [6]. La figura 4.26 presenta las funciones Wavelet Symlets que se
Figura 4.26. Wavelets Symlets: (a) Sym1, (b) Sym2 y (c) Sym4.
En las figuras 4.27 a 4.29 se presentan los coeficientes de los filtros de Symlets,
La figura 4.28 y 4.29 muestran los coeficientes de los filtros para la Sym2 y Sym4,
respectivamente.
Figura 4.28. Coeficientes de los filtros para la Sym2.
La figuras 4.30, 4.31 y 4.32 muestran los resultados de clasificación con las
Wavelets Symlets considerando una red neuronal con 60, 80 y 100 nodos en la
100
Porcentaje de Clasificación
90
80 SYM1 SYM2
SYM4
70
60
50
Figura 4.30.
20 Resultados de clasificación con Symlets y 60 nodos en la C.O.
100
Porcentaje de Clasificación
90
80 SYM1
70 SYM2 SYM4
60
50
40
0 0.01 0.02 0.03
30 Varianza del Ruido
20
100
Porcentaje de Clasificación
90
80 SYM1 SYM2
70 SYM4
60
50
40
30 0 0.01 0.02 0.03
Varianza del Ruido
20
momentos igual a cero [7]. Las dos funciones soportan una longitud de 6N‐1. La
figura 4.33 presenta las funciones Wavelet Coiflets que se aplicaron a las imágenes
de US.
(a) (b) (c)
Figura 4.33. Wavelets Coiflets: (a) Coif1, (b) Coif2 y (c) Coif4.
En las figuras 4.34 a 4.36 se presentan los coeficientes de los filtros de Coiflets,
La figuras 4.37, 4.38 y 4.39 muestran los resultados de clasificación con las
Wavelets Coiflets considerando una red neuronal con 60, 80 y 100 nodos en la
100
90
Porcentaje de Clasificación
80
70
60
50 COIF1
40 COIF2 COIF4
30
20
100
90
Porcentaje de Clasificación
80
70
COIF1
60
COIF2 COIF4
50
40
30
20
Porcentaje de Clasificación
80
70
60
COIF1 COIF2
50
COIF4
40
30
20
solo una para los dos procesos como las otras familias [8]. La figura 4.40 presenta
Figura 4.40. Wavelets Biortogonales: (a) Bior1.1, (b) Bior2.2 y (c) Bior4.4.
En las figuras 4.41 a 4.43 se presentan los coeficientes de los filtros de las
La figuras 4.44, 4.45 y 4.46 muestran los resultados de clasificación con las
Wavelets Biortogonales considerando una red neuronal con 60, 80 y 100 nodos en
100
90
Porcentaje de Clasificación
80
BIOR1.1
BIOR2.2 BIOR4.4
70
60
50
40
0 0.01 0.02 0.03
Varianza del Ruido
30
20
Figura 4.44. Resultados de clasificación con Biortogonales y 60 nodos en la C.O.
100
Porcentaje de Clasificación
90
80 BIOR1.1 BIOR2.2
70 BIOR4.4
60
50
40
30 0 0.01 0.02 0.03
Varianza del Ruido
20
100
90
Porcentaje de Clasificación
80
70
BIOR1.1 BIOR2.2
BIOR4.4
60
50
40
30
20
100
Porcentaje de Clasificación
98
92
90
88
60 80 100 120140
86 No. de Nodos en la Capa Oculta
84
Figura 4.47. Comparación de resultados con diferentes nodos en la C.O.
4.1.3. IMÁGENES DE MAMOGRAFÍA
En la figura 4.48 se observa una imagen original de la BDM, que para ejemplo
microcalcificaciones.
En esta etapa se obtuvo cierto márgenes de error, que afectaron en la localización
0
0 0.1 0.2 0.3 0.4 0. 0.6 0.7 0.8 0.9 1
5
"Range" Image 8
"Range" Histogram
6
0
0 0.1 0. 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
2
Original Figure 8
Original Histogram
6
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
"Range" Histogram
"Range" Image
8
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Una vez, que se formo la base de datos con los patrones de microcalcificaciones
prueba.
100
Porcentaje de Clasificación
98
96
94 Entrenamiento
Prueba
92
90
88
86
4080120160200240280
84 No. de Nodos en la Capa Oculta
estrelladas.
prueba.
100
% de Clasificación 90
80 MCalc MCircuns
LEstre
70
60
50
optó por obtener mas información de los patrones. En la tabla 4.6 se presentan los
de reconocimiento. El número de errores fue menor para las redes entrenadas con
niveles de ruido.
numero de nodos es menor (60), mientras que las otras Wavelet no (db, coif, bior).
Con 80 nodos las Wavelets db, coif y bior, mejoran sus resultados
considerablemente. A partir de 100 nodos las Wavelets db, sym y coif dan
4.4. REFERENCIAS
[2] O. Rioul & M. Vetterli, Wavelets and Signal Processing, IEEE Signal
[3] Cristina Juarez Landin, Volodymyr Ponomaryov, Jose Luis Sanchez Ramirez,
Eléctrica (CIE 2002)”, CINVESTAV IPN, México D.F. Septiembre del 2002.
1990.
[6] S. Mallat, A Wavelet tour of Signal Processing San Diego, CA. USA.
CAPITULO 5.
EN FA Y ANÁLISIS ROC
Coiflets y Biortogonales.
específica se pueden tener mejores resultados con alguna familia Wavelet clásica
determinada.
Dado el mejor resultado que han tenido las nuevas familias de Wavelets basadas
médicas, etc. lleve acabo la implementación de las familias WFA que presentaron
médicas, de acuerdo a la tesis doctoral de José Luis Sánchez Ramírez. Esto debido
92
A continuación se presenta una introducción a estas nuevas familias de Wavelets y
reconocimiento.
En las pruebas realizadas previamente se encontró que los mejores resultados para
recientemente muy utilizadas en diversos campos como son filtrado por ventanas
basadas en la Función Atómica (FA) up(t) de orden 1 a 5. La figura 5.2 muestra las
Las figuras 5.10, 5.11 y 5.12 presentan los resultados en cuanto al porcentaje de
Wavelets Daubechies, contra las WFA up(t), WFA fup2(t) y WFA eup(t)
respectivamente, para 40, 80, 120, 160, 200, 240 y 280 nodos en la capa oculta de la
red neuronal.
Para Microcalcificaciones
100
Reconocimiento (%)
95
85
80
75 40 80120160200240280
Numero de Nodos en Capa Oculta
70
100
Reconocimiento (%)
95
80
75 40 80120160200240280
Numero de Nodos en Capa Oculta
70
Para Microcalcificaciones
100
Reconocimiento (%)
95
85
80
75 40 80120160200240280
Numero de Nodos en Capa Oculta
70
Las figuras 5.13, 5.14 y 5.15 presentan los resultados en cuanto al porcentaje de
reconocimiento para los patrones de Masas Circunscritas en Mamografía con las
Wavelets Daubechies, contra las WFA up(t), WFA fup2(t) y WFA eup(t)
respectiva‐‐
mente, para 40, 80, 120, 160, 200, 240 y 280 nodos en la capa oculta de la red
neuronal.
100
Reconocimiento (%)
95
85
80
75 40 80120160200240280
Numero de Nodos en Capa Oculta
70
100
Reconocimiento (%)
95
90 W Daubechies WFAfup2(t)
up(t)
85
80
75 40 80120160200240280
Numero de Nodos en Capa Oculta
70
100
Reconocimiento (%)
95
85
80
75 40 80120160200240280
Numero de Nodos en Capa Oculta
70
Las figuras 5.16, 5.17 y 5.18 presentan los resultados en cuanto al porcentaje de
Wavelets Daubechies, contra las WFA up(t), WFA fup2(t) y WFA eup(t)
respectivamente, para 40, 80, 120, 160, 200, 240 y 280 nodos en la capa oculta de
la red neuronal.
80
Reconocimiento (%)
75
65
60
55 40 80120160200240280
Numero de Nodos en Capa Oculta
50
80
Reconocimiento (%)
75
70 W Daubechies
WFAfup2(t)
up(t)
65
60
55 40 80120160200240280
Numero de Nodos en Capa Oculta
50
80
Reconocimiento (%)
75
65
60
55 40 80120160200240280
Numero de Nodos en Capa Oculta
50
Para todas las familias Wavelet (tanto clásicas como basadas en funciones
experimentales.
transferencia H(z) y esta propiedad juega un papel crucial en la teoría Wavelet [5].
Esto implica que las funciones escala reproducen todos los polinomios de
(x)
dada por ( k (x k ) 1 ).
Los límites superior e inferior B < 1 y A > 0 del filtro de autocorrelación de (x)
en (5.1).
A inf
cl2
c (x k ) 2
k k L
y B sup
c (x k ) 2
k k L
(5.1)
c2 cl2 c2
l l
La existencia de los límites de Riesz asegura que las funciones de base subyacentes
escala [7].
a f L2
cos inf
f Va f 1 a (sup
) a~ ( ) (5.2)
~ L2 [0,2 ]
biortogonal ~
será esencialmente tan bueno como el óptimo (proyector ortogonal
a
La figura 5.19 presenta la respuesta en frecuencia para los filtros Coiflets 8 (línea
Frequency
Respuesta enresponse
Frecuencia Frequency
Respuesta enresponse
Frecuencia
0 0
) )
Decibeles (dB)
Decibeles (dB)
B B
d
( d
(
s -100 s -100
e
l e
l
e
b -200 e
b
ci ci -200
-300
0 100 200 300 400 500 -300
0 100 200 300 400 500
Frequency
Frecuencia (Hz)
(Hz) Frequency
Frecuencia (Hz)
(Hz)
(a) (b)
(línea punteada) y Symlet 8 (línea espacio línea), (a) filtro pasa‐bajas, (b) filtro pasa‐altas.
Frequency
Respuesta enresponse
Frecuencia Frequency
Respuesta enresponse
Frecuencia
0 0
) )
Decibeles (dB)
BDecibeles (dB) B
d
( d
( -100
s -100 s
e
l e
l
e
b -200 e
b -200
ci ci
-300
0 100 200 300 400 500 -300
0 100 200 300 400 500
Frequency
Frecuencia (Hz)
(Hz) Frequency
Frecuencia (Hz)
(a) (b)
Figura 5.20. Respuesta en frecuencia de filtros WFA up(t) (línea continua), fup2(t) (línea
punteada) y eup(t) (línea espacio línea), (a) filtro pasa‐bajas, (b) filtro pasa‐altas.
Proyección
Coseno
0.98485 0.98584 0.98879 0.98781 0.99176 0.99472 0.99769
Límites Riesz 0.787 0.802 0.815 0.830 0.833 0.849 0.880 0.896 0.792 0.806 0.713 0.726 0.641 0.653
Inferior y
Superior 1.259 1.281 1.265 1.288 1.267 1.290 1.273 1.295 1.514 1.542 1.802 1.834 2.145 2.183
la vez la Wavelet Daubechies 8 tiene un valor de 0.02242 (mas del 15% en valor
RMS), la Wavelet Coiflets 8 da un valor de 0.03030 (mas del 18% en valor RMS).
que deben ser clasificados y la habilidad de lectores de la imagen, para las curvas
Cuando se considera los resultados de una prueba particular, por ejemplo, en dos
figura 5.21.
5.21. Distribución de valores en ROC.
Las gráficas ROC son una técnica útil para organizar los clasificadores y visualizar
los sanos, o mejor que indique si un paciente esta enfermo o sano, y cómo será su
Las curvas ROC aportan notables ventajas frente al error de clasificación, por lo
habitual que, a partir del resultado de cierta prueba, se deba emitir un diagnóstico
5.3.1. SENSIBILIDAD
el definido como positivo respecto a la condición que estudia la prueba, razón por
puede ver como la capacidad de un método de reconocer a los enfermos como tales
5.3.3. ESPECIFICIDAD
falsos positivos, es decir, que siempre que el resultado fuera positivo el paciente
buen clasificador mantiene una tasa alta de Verdaderos Positivos (True Positives,
TP) y una tasa baja de Falsos Positivos (False Positives, FP); el mal clasificador
mantiene una tasa baja de Verdaderos Positivos y una tasa alta de Falsos Positivos.
ROC típica, en la cual si un clasificador esta por arriba de la curva es mejor, que si
TP TP TP
0 FP 1 0 FP 1 0 FP 1
TP
0 FP 1
representar todos los pares (FFP, FVP), es decir todos los pares de (1‐
especificidad,
sensibilidad) para todos los posibles valores de corte que se puedan considerar con
la muestra particular de que dispongamos.
Existen otros métodos no paramétricos aplicables a datos continuos que permiten
ven los parámetros como variables aleatorias con una distribución a priori
ANALISIS ROC
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
TP
0.10
0.00
0.00
FP
5.24. Curva ROC del clasificador de imágenes SAR con 10 nodos en la capa oculta.
ANALISIS ROC
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
TP
0.10
0.00
0.00
FP
5.25. Curva ROC del clasificador de imágenes SAR con 50 nodos en la capa oculta.
Las figuras 5.26, 5.27, 5.28, 5.29 y 5.30 muestran la evaluación de los clasificadores
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
TP
0.1
0
5.26. Curva ROC del clasificador de microcalcificaciones con 20 nodos en la capa oculta.
ANALISIS ROC
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
TP
0.1
0
5.27. Curva ROC del clasificador de microcalcificaciones con 40 nodos en la capa oculta.
ANALISIS ROC
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
TP
0.1
0
5.28. Curva ROC del clasificador de microcalcificaciones con 60 nodos en la capa oculta.
ANALISIS ROC
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
TP
0.1
0
5.29. Curva ROC del clasificador de microcalcificaciones con 80 nodos en la capa oculta.
ANALISIS ROC
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
TP
0.1
0
5.30. Curva ROC del clasificador de microcalcificaciones con 100 nodos en la capa oculta.
5.6. CONCLUSIONES
mamografía. Se observo que para las tres clases patrones usados en las pruebas, las
de reconocimiento en todos los casos para las tres clases diferentes de patrones
Se observó en el análisis realizado que los filtros Daubechies y Symlets son más
selectivos que los filtros Coiflets y Biortogonales. También se observó que los
filtros de las familias Wavelets basadas en FAs tienen una respuesta en frecuencia
aún más selectiva que los filtros de familias clásicas, dentro de estos los filtros
definida. Para el orden de aproximación se pudo observar que todos los filtros
utilizados tienen el mismo orden, esto deriva principalmente en dos cosas, sus
reconocimiento y la otra es que la convergencia del error será del mismo orden
La existencia de los límites de Riesz demostró que los coeficientes de los filtros de
coseno mostró que las familias Wavelets basadas en FAs son muy próximas a las
óptimas, esto implica que son casi ortogonales y “más independientes” lo cual
y reconstrucción.
Wavelets basadas en FAs deben tener mejor desempeño que las funciones
basadas en FAs debido a que permiten mejorar en todos los casos los porcentajes
de reconocimiento.
Se implemento el análisis ROC para la evaluación del desempeño del sistema de
5.7. REFERENCIAS
decomposition, IEEE Trans. Pattern Anal. Mach. Intell., 1989vol. 11, no. 7, pp.
674–693.
South Korea.
[6] Y. Meyer, Ondelettes, Hermann, Paris, France, 1990.
[7] G. Strang and T.Q. Nguyen, Wavelets and Filter Banks, Wellesley‐Cambridge
Press, Cambridge MA, 1996.
[8] Unser M. and Aldroubi A. A general sampling theory for nonideal acquisition
devices, IEEE Trans. Signal Process., 1994, vol. 42, no. 11, pp. 2915–2925.
Their Use in Radiology”, Radiology, Statistical Concepts Series, 2003; 229, pp.
3–8.
differences between ROC curves meassured from correlated data”. In: Proc. of
operating characteristic (ROC) curveî. Radiology, Vol. 143, pp. 29‐36, 1982.
research. Disponible:
<http://splweb.bwh.harvard.edu:8000/pages/ppl/zou/roc.html>.
Capitulo VI
Conclusiones Generales y
Trabajos Futuros
CAPITULO 6 CONCLUSIONES GENERALES Y TRABAJOS
FUTUROS
CAPITULO 6.
CONCLUSIONES GENERALES Y TRABAJOS FUTUROS
los métodos son apropiados para toda la gama de imágenes que existen. Por esta
tipos de imágenes y que a su vez puedan ser aceptados por la comunidad médica,
diagnóstico.
para la naturaleza de este tipo de imagen. Esto demostró que los métodos y
123
no médicas que tengan una naturaleza semejante, únicamente realizando el
adecuado procesamiento.
respectivamente.
200 de acuerdo a los resultados obtenidos, para los tres tipos de patrones en
realizados fue el tamaño de los filtros Wavelet utilizados, que fue de 8 coeficientes.
sistema ya que los filtros implementados de WFA son del mismo número de
eficacia del sistema para realizar el correcto reconocimiento de los patrones, tanto
sistema CAD propuesto con otras modalidades de imágenes médicas como pueden
médicas.
Publicaciones
ANEXO A:
“PUBLICACIONES”
ANEXO A. PUBLICACIONES
ANEXO A.
PUBLICACIONES
128
ANEXO A. PUBLICACIONES
142
ANEXO A. PUBLICACIONES
145
A.2. CONGRESOS INTERNACIONALES:
80‐214‐3612‐1.
A.3 REGISTRO DE DERECHOS DE AUTOR DE PROGRAMAS:
Autor.
Anexo B
ANEXO
Índice de Figuras
A
NEXO
B:
A:
ANEXO B. INDICE DE FIGURAS
ANEXO B.
INDICE DE FIGURAS
Figura 3.5. (a) Masa circunscrita (b) masa espiculada (c) microcalcificaciones (d) distorsión
Figura 3.6. (a) Mama grasa con masa tumoral circunscrita maligna (b) mama grasa
glandular con masa tumoral espiculada maligna (c) mama densa glandular con masa
158
Figura 4.5. Porcentaje total de reconocimiento para la red entrenada sin ruido..................61
Figura 4.6. Porcentaje total de reconocimiento para la red entrenada con ruido.................63
descomposición..............................................................................................................68
Figura 4.18. Wavelets Daubechies: (a) db2, (b) db4, (c) db8 y (d) db16.............................71
Figura 4.26. Wavelets Symlets: (a) Sym1, (b) Sym2 y (c) Sym4..............................................74
Figura 4.33. Wavelets Coiflets: (a) Coif1, (b) Coif2 y (c) Coif4...............................................77
Figura 4.40. Wavelets Biortogonales: (a) Bior1.1, (b) Bior2.2 y (c) Bior4.4............................79
Figura 5.20. Respuesta en frecuencia de filtros WFA up(t) (línea continua), fup2(t) (línea
punteada) y eup(t) (línea espacio línea), (a) filtro pasa‐bajas, (b) filtro pasa‐altas........108
5.24. Curva ROC del clasificador de imágenes SAR con 10 nodos en la capa oculta.......115
5.25. Curva ROC del clasificador de imágenes SAR con 50 nodos en la capa oculta.......115
5.26. Curva ROC del clasificador de microcalcificaciones con 20 nodos en la capa oculta.
................................................................................................................................................. 116
5.27. Curva ROC del clasificador de microcalcificaciones con 40 nodos en la capa oculta.
................................................................................................................................................. 116
5.28. Curva ROC del clasificador de microcalcificaciones con 60 nodos en la capa oculta.
................................................................................................................................................. 116
5.29. Curva ROC del clasificador de microcalcificaciones con 80 nodos en la capa oculta.
................................................................................................................................................. 117
5.30. Curva ROC del clasificador de microcalcificaciones con 100 nodos en la capa oculta.
................................................................................................................................................................ 117
Anexo C
ANEXO
Índice de Tablas
A
NEXO
B:
A:
ANEXO C. INDICE DE TABLAS
ANEXO C.
INDICE DE TABLAS
164