Desarrollotecnicas Ipn

INSTITUTO POLITECNICO NACIONAL
ESCUELA SUPERIOR DE INGENIERIA MECANICA Y ELECTRICA
SECCIÓN DE ESTUDIOS DE POSGRADO E

INVESTIGACIÓN UNIDAD CULHUACÁN
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:
M. EN C. CRISTINA JUÁREZ LANDÍN
Director de tesis:
DR. VOLODYMYR PONOMARYOV
México D.F. JUNIO 2008

INSTITUTO POLITECNICO NACIONAL
SECRETARIA DE INVESTIGACI$N Y POSGRADO
4CTA DE R lStON DC 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°"
para examinar la tesis de grado titulada.

"DESARROLLO DE TO CNICAS DE RECONOCIMIENTO Y PROCESAMIEN7O UTILIZANDO
UN SISTEMA CAD PARA APLICACIONES EN MEDICINA Y OTRAS AREAS"
Presentada por e/ a/umno.

JuAREZ LANDIN CRISTINA
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
disposiciones reglamentarias vigentes.

LA COMISION REVISORA
Director de tes is
INSTITUTO POLITJCNICO NACIONAL
CARTA CESION DE DERECHOS
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
usuario debeiâ dar el agradecimiento correspondiente y citar la I ente del mismo.
M. en C. Cristina Juârez Landin

Nombrc t firma
TzÜtwxv|Å|xÇàÉá
Al Instituto Politécnico
Nacional Al Consejo Nacional de Ciencia y
Tecnología Al Dr. Volodymyr Ponomaryov
A los revisores de este
trabajo A la SEPI de ESIME
Culhuacan
A la Universidad Autónoma del Estado de
México Al C.U. Valle de Chalco y
PROMEP
Sinceramente, con gran aprecio para

todos. Gracias por el apoyo
TzÜtwxv|Å|xÇàÉá
brindado.
Wxw|vtàÉÜ|t
A Juan y
Carmen A Juan M.,
Elizabeth y Max
A Luis
Especialmente con gran amor, dedico esté trabajo para ellos.

Gracias por el apoyo brindado.
Contenido
CONTENIDO
CONTENIDO
RESUMEN..................................................................................................................................1
ABSTRACT................................................................................................................................3
CAPITULO 1......................................................................................................................................................4
1.1. INTRODUCCIÓN..............................................................................................................................4
1.2. DEFINICIÓN DEL PROBLEMA......................................................................................................8
1.3. OBJETIVO................................................................................................................................................9
1.4. METAS......................................................................................................................................................9
1.5. APORTACIONES..............................................................................................................................9
1.6. JUSTIFICACIÓN....................................................................................................................................10
1.7. ORGANIZACIÓN DE LA TESIS...................................................................................................11
CAPITULO 1.......................................................................................................................................11
CAPITULO 2.......................................................................................................................................11
CAPITULO 3.......................................................................................................................................12
CAPITULO 4.......................................................................................................................................12
CAPITULO 5.......................................................................................................................................13
CAPITULO 6.......................................................................................................................................13
ANEXO A. PUBLICACIONES............................................................................................13
ANEXO B. INDICES DE FIGURAS.........................................................................................14
ANEXO C. INDICES DE TABLAS............................................................................................14
1.8. REFERENCIAS DEL CAPÍTULO..................................................................................................14
CAPITULO 2....................................................................................................................................................16
2.1. MÉTODOS Y TÉCNICAS DE UN SISTEMA CAD.....................................................................16
2.1.1. ANÁLISIS DE IMAGEN........................................................................................16
2.1.2 PROCESAMIENTO DE IMAGEN.......................................................................................16
2.1.3. ENTENDIMIENTO DE IMAGEN..............................................................................17
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
2.2.3. ANÁLISIS DE CARACTERÍSTICAS...........................................................................20
2.2.4. SISTEMA DE CLASIFICACIÓN................................................................................22
2.2.5. EVALUACIÓN............................................................................................................22
2.3. ESTADO DEL ARTE........................................................................................................................22
2.3.1. DETECCIÓN COMPUTARIZADA DE MICROCALCIFICACIONES.....................22
2.3.2. MÉTODO PROPUESTO POR CHAN........................................................................23

2.3.2.1 TÉCNICA DE PREPROCESAMIENTO...........................................................................................23
2.3.2.2 SEGMENTACIÓN DE MICROCALCIFICACIÓN..........................................................................23
2.3.2.3. DETECCIÓN DE MASAS................................................................................................................24
2.3.2.4. PREPROCESAMIENTO..........................................................................................................................24
2.3.2.5. REFINAMIENTO DEL OBJETO............................................................................................................25
2.3.2.6. EXTRACCIÓN DE CARACTERÍSTICAS Y CLASIFICACIÓN....................................................25
2.3.3. MÉTODO PARA DETECTAR MICROCALCIFICACIONES.....................................25
2.3.4. ESQUEMA CAD PARA DETECTAR MICROCALCIFICACIONES.......................26
2.4. CONCLUSIONES.......................................................................................................................27
2.5. REFERENCIAS.................................................................................................................................28
CAPITULO 3..................................................................................................... 30
MODALIDADES DE IMAGEN.................................................................30
3.1. IMÁGENES SAR (BLANCO Y DESORDEN).........................................................................31
3.2. IMÁGENES DE ULTRASONIDO.............................................................................................31
3.2.1. GENERACIÓN Y DETECCIÓN DE ONDAS DE ULTRASONIDO.......................32
3.2.2. PRINCIPIOS FISICOS Y FISIOLOGICOS DEL ULTRASONIDO........................32

3.2.2.1. CONCEPTOS FUNDAMENTALES................................................................................................32
3.2.3. RESOLUCIÓN DE LOS SISTEMAS DE IMAGEN DE US........................................35
3.2.4. ARTEFACTOS EN LA IMAGEN DE US....................................................................36
3.2.5. APLICACIONES DE LA IMAGEN DE US.................................................................36
3.3. IMÁGENES DE MAMOGRAFÍA..............................................................................................37
3.3.1. PRINCIPALES PATOLOGÍAS MAMARIAS ASOCIADAS AL CÁNCER DE MAMA EN
CONTENIDO
ETAPAS TEMPRANAS
40
3.3.1.1. MICROCALCIFICACIONES.................................................................................................................40
3.3.1.2. MASAS CIRCUNSCRITAS...................................................................................................................42
3.3.1.3. MASAS ESTRELLADAS O ESPICULADAS.................................................................................43
3.3.2. BASE DE DATOS MIAS..............................................................................................44
3.3.3. INCIDENCIA Y MORTALIDAD POR CÁNCER DE MAMA.................................44
3.3.4. SISTEMAS DE DIAGNÓSTICO MAMOGRÁFICO ASISTIDO POR COMPUTADORAS . 47

3.3.4.1. SENSIBILIDAD Y ESPECIFICIDAD DE LOS CAD MAMOGRÁFICOS.........................................49
3.3.4.2. ESTUDIOS RETROSPECTIVOS Y PROSPECTIVOS DE LA EFECTIVIDAD DE LOS CAD
MAMOGRÁFICOS.................................................................................................................................................50
3.4. CONCLUSIONES.......................................................................................................................52
3.5. REFERENCIAS.................................................................................................................................53
CAPITULO 4..................................................................................................... 57
DESARROLLO E IMPLEMENTACIÓN DE ALGORITMOS PARA PROCESAMIENTO DE
IMÁGENES.....................................................................................57
4.1. ESQUEMAS DE PROCESAMIENTO PROPUESTOS.............................................................57
4.1.1. IMÁGENES SAR..........................................................................................................57

4.1.1.1. RESULTADOS EXPERIMENTALES DE IMÁGENES SAR: PRIMERA PARTE.............................59
4.1.1.2. RESULTADOS EXPERIMENTALES DE IMÁGENES SAR: SEGUNDA PARTE...........................60
4.1.1.3. RESULTADOS EXPERIMENTALES DE IMÁGENES SAR: TERCERA PARTE.............................62
4.1.2. IMÁGENES DE ULTRASONIDO...............................................................................66

4.1.2.1. RESULTADOS EXPERIMENTALES DE IMÁGENES DE US: PRIMERA PARTE.........................66
4.1.2.2. RESULTADOS EXPERIMENTALES DE IMÁGENES DE US: SEGUNDA PARTE........................70
4.1.3. IMÁGENES DE MAMOGRAFÍA................................................................................82

4.1.3.1. RESULTADOS EXPERIMENTALES DE IMÁGENES DE MG: PRIMERA PARTE...................82
4.1.3.2. RESULTADOS EXPERIMENTALES DE IMÁGENES DE MG: SEGUNDA PARTE..................84
4.1.3.3. RESULTADOS EXPERIMENTALES DE IMÁGENES DE MG: TERCERA PARTE...................86
4.3. CONCLUSIONES.......................................................................................................................88
4.4. REFERENCIAS.................................................................................................................................89
CAPITULO 5....................................................................................................................................................92
CONTENIDO
RECONOCIMIENTO CON WAVELETS BASADAS EN FA Y ANÁLISIS ROC.....92
5.1. RECONOCIMIENTO CON WAVELETS BASADAS EN FA......................................................92
5.1.1. FAMILIAS WAVELET BASADAS EN FUNCIONES ATOMICAS..............................93

5.1.1.1. APLICANDO WAF EN IMÁGENES DE ULTRASONIDO............................................................97
5.1.1.2. APLICANDO WAF EN IMÁGENES DE MAMOGRAFÍA............................................................98
5.1.2. RESULTADOS DE RECONOCIMIENTO EMPLEANDO WFA...............................100

5.1.2.1. PARA PATRONES DE MICROCALCIFICACIONES..................................................................100
5.1.2.1. PARA PATRONES DE MASAS CIRCUNSCRITAS....................................................................101
5.1.2.1. PARA PATRONES DE LESIONES ESTRELLADAS.........................................................................103
5.2. PROPIEDADES MATEMATICAS DE FUNCIONES WAVELETS..........................................105
5.2.1. RESPUESTA EN FRECUENCIA...............................................................................105
5.2.2. ORDEN DE APROXIMACIÓN.............................................................................105
5.2.3 LÍMITES DE RIESZ..................................................................................................................106
5.2.4. PROYECCIÓN COSENO..........................................................................................106
5.2.5. OBTENCION DE PROPIEDADES MATEMÁTICAS DE FAMILIAS DE FUNCIONES

WAVELETS
107
5.3. ANÁLISIS ROC.............................................................................................................................109
5.3.1. SENSIBILIDAD.........................................................................................................111
5.3.2. VALOR PREDICTIVO NEGATIVO (VPN)...............................................................111
5.3.3. ESPECIFICIDAD......................................................................................................111
5.3.4. VALOR PREDICTIVO POSITIVO (VPP).................................................................112
5.4. GRÁFICAS ROC............................................................................................................................112
5.4.1. MÉTODOS DE CÁLCULO DE LA CURVA ROC.....................................................113
5.5. RESULTADOS EXPERIMENTALES CON ROC.......................................................................115
5.6. CONCLUSIONES.....................................................................................................................117
5.7. REFERENCIAS...............................................................................................................................119
CAPITULO 6..................................................................................................................................................123
CONCLUSIONES GENERALES Y TRABAJOS FUTUROS.................................................123
6.1. CONCLUSIONES GENERALES.................................................................................................123
6.2. TRABAJOS FUTUROS........................................................................................................................125
CONTENIDO
ANEXO A..............................................................................................128
PUBLICACIONES.................................................................................128
A.1. PUBLICACIONES INTERNACIONALES:............................................................................128
A.2. CONGRESOS INTERNACIONALES:....................................................................................153
A.3 REGISTRO DE DERECHOS DE AUTOR DE PROGRAMAS.............................................154
ANEXO B.................................................................................................................................................158
INDICE DE FIGURAS..........................................................................................................158
ANEXO C..................................................................................................................................... 164
INDICE DE TABLAS............................................................................................................164
RESUMEN
RESUMEN
En la actualidad existen diversos tipos de métodos, algoritmos y equipos que
realizan aplicaciones de inteligencia artificial y visión por computadora, en una
gran cantidad de áreas, como pueden ser aéreas, espaciales, medicas, de educación,
satelitales, etc. Es importante considerar que el desarrollo de tecnología esta siendo
cada vez mas utilizado en las diversas áreas de la vida, y la medicina es un campo
en el que pueden desarrollarse una gran variedad de sistemas con aplicación a
varias disciplinas como es la detección de anomalías y padecimientos anormales,
hay exámenes que son analizados por especialistas para hacer este tipo de
detecciones; algunos ejemplos de ellos son mamografías y ultrasonidos.
Principalmente, en este trabajo se presenta una metodología basada en los sistemas
CAD (Computer Aided Diagnostic), que son sistemas asistidos por computadora
para la detección o diagnostico de objetos y padecimientos. Aquí se analizan tres
tipos de imágenes digitales: imágenes SAR (Sintetic Aperture Radar) de blanco y
desorden, ultrasonido y mamografía, siendo esta última, en la que más se
concentra este trabajo de investigación; porque presenta más características para
ser reconocidas.
Para diagnosticar un cáncer se realizan, entre otras pruebas, análisis de imagen,
como pueden ser radiografías, ecografías o resonancias magnéticas. Mediante estas
pruebas pueden detectarse zonas con alta sospecha tumoral, cuyo diagnóstico debe
confirmase normalmente mediante la realización de una biopsia. Este tipo de
imágenes, sin embargo, no son fáciles de interpretar, lo que provoca que el
profesional encargado de analizarlas, a pesar de su experiencia, no sea capaz de
detectar en ellas un porcentaje importante de tumores (conocidos como falsos
negativos).
1
Una forma de mejorar el diagnóstico y disminuir el número de falsos negativos
consiste, en utilizar sistemas de diagnóstico asistido por computadora. Un
sistema de CAD analiza la imagen médica y trata de detectar zonas sospechosas
y de contener alguna anomalía. Estas zonas son marcadas sobre la propia
imagen con un doble objetivo: llamar la atención del profesional hacia la zona
sospechosa y aportar información para el diagnóstico.
En esta tesis se presentan y evalúan diversas técnicas de visión por computadora y
reconocimiento de formas orientadas a la detección de tumores en imágenes
médicas, con el objetivo de diseñar sistemas de CAD que permitan un mejor
diagnóstico o detección. El trabajo se ha centrado en el análisis de tres propuestas,
la primera es la detección de blancos en imágenes SAR; la segunda es la ubicación
de objetos en imágenes de ultrasonido y la tercera el diagnóstico de cáncer de
mama a partir de imágenes de radiografía. Se han evaluado diversos métodos de
extracción de características basados en transformada Wavelet para cada una de
las propuestas. En la etapa de clasificación se ha utilizado clasificadores basado en
redes neuronales artificiales.

ABSTRACT
ABSTRACT
At the present time there exist diverse types of methods, algorithms and teams that
carry out applications of artificial intelligence and computer vision. In a great
quantity of areas, like they can be air, space, medical, education, etc., it is
important to consider that the technology development is being constantly, but
used in the diverse areas of the life, and in the medical field, it can be developed a
great variety of systems with application to several disciplines, like it is the
detection of anomalies and abnormal sufferings, where there are exams that are
analyzed by specialists to realize the detection of anomalies ; some examples of
them are mammography and ultrasound exams. Mainly, in this work, we present
a methodology based on CAD systems (Computer Aided Diagnostic) that they are
systems attended by computer for detection or diagnose of objects and sufferings.
Here three types of digital images are analyzed: SAR images (Synthetic Aperture
Radar) with targets and clutters, ultrasound and mammography, being this last
one, the center of present investigation; because it presents thecharacteristics to be
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
professional analyzing images, in spite of it experience, that could not be able to
detect in examining images an important percentage of tumors (false negative).
A possibility to improve the diagnosis and to diminish the number of false
negative consists of using diagnosis Computer Aided System. A CAD system
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.
Here, we present and evaluate diverse techniques of recognition in ways guided to
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
breast cancer diagnosis in mammography images. Diverse methods of
characteristic’s extraction have been evaluated based on Wavelet transform for
each one of the proposals. In the classification stage, it has been used classifiers
based on artificial neural networks.
4
Capitulo I
Introducción, Objetivo,
Metas, Aportaciones y
Justificación
CAPITULO 1. INTRODUCCION, OBJETIVO, METAS, APORTACIONES Y
JUSTIFICACIÓN
CAPITULO 1.
1.1. INTRODUCCIÓN
El desarrollo tecnológico de las últimas décadas ha dotado a la práctica médica de
novedosos y sofisticados medios diagnósticos que, sin dudas, han contribuido al
perfeccionamiento del trabajo médico.
Actualmente, las habilidades tradicionales del médico, basadas en el
interrogatorio, la recogida de la historia clínica, e incluso en el examen físico, para
detectar síntomas y signos o diagnosticar enfermedades, parecen ver reducida su
importancia a causa de la confianza que generan la tecnología y los nuevos
aparatos de diagnóstico.
El empleo de nuevos equipos en la asistencia médica, además de las tradicionales
preocupaciones en su aplicación (eficacia y costo/beneficio), entraña otros
problemas, como su elevado costo, el consentimiento voluntario a someterse a una
nueva tecnología y la relación medico paciente.
A menudo, la alta tecnología se importa de otra nación más desarrollada y se
utiliza sin tener en cuenta las características locales y en ocasiones no están
acompañadas por un uso justificado y por el desarrollo de un personal capacitado.
Como consecuencia de esto último se presentan dificultades de mantenimiento, los
resultados no son enteramente satisfactorios.
La mamografía actualmente es un método costoso‐efectivo para detectar

fácilmente el cáncer de seno. Un examen mamográfico generalmente contiene
cuatro imágenes, dos vistas de cada seno. Una es vista craneo caudal (CC), y otra
es vista medio lateral oblicua (MLO). La interpretación mamográfica puede ser
4
CAPITULO 1. INTRODUCCION, OBJETIVO, METAS, APORTACIONES Y
JUSTIFICACIÓN
considerada en dos procesos: Primero, un radiólogo revisa los mamogramas
para ver anormalidades. Y si existen anormalidades sospechosas, entonces un
grupo de trabajo estima si la anormalidad es maligna. El grupo de diagnostico
incluye exámenes adicionales de las vistas medio lateral (LM) y cranio caudad
extendida (XCC), en algunos casos ultrasonido del área sospechosa.
Los principales signos mamográficos del cáncer de seno son agrupaciones de
microcalcificaciones y masas. Las microcalcificaciones son depósitos de calcio en
el tejido del seno y tienen un tamaño que va de 0.05 mm a 0.5 mm de diámetro.
Algunas enfermedades benignas del seno también causan formación de
agrupaciones de microcalcificaciones y masas en el seno.
Debido a las características no especificas de las lesiones malignas, la

interpretación mamográfica es muy cambiante para los radiólogos [1]. Los errores
de detección puede se atribuida diversos factores como camuflaje de las lesiones
por solapamiento de tejidos. La detección asistida por computadora mejor
conocida como sistemas CAD por sus siglas en ingles (CAD‐ Computer‐aided
detection) es considerada como una aproximación prometedora que puede ser

usada en mamografía [2].
Algunas técnicas de visión por computadora se han desarrollado en varias áreas de
CAD para mamografía. Ejemplos de ese trabajo incluyen: detección de
microcalcificaciones [3], caracterización de microcalcificaciones [4], detección de
masas y caracterización de masas.
Las técnicas de Diagnóstico Asistido por Computadora o Computer‐Aided

Diagnosis (CAD) tratan de caracterizar y detectar patrones normales y anormales
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
regiones sospechosas de contener alguna anomalía (por ejemplo, un tumor) y
resaltarlas de algún modo sobre la propia imagen. Los objetivos de un sistema de
diagnóstico asistido por ordenador pueden resumirse en:
• Mejorar el rendimiento del experto responsable de interpretar la imagen
(normalmente el radiólogo), dirigiendo la atención del mismo hacia las zonas de la
imagen más sospechosas de contener alguna anomalía.

• Aportar una segunda opinión sobre un diagnóstico determinado.
• Proporcionar sistemas de autoevaluación y reciclaje para radiólogos con
diversos grados de experiencia y de aprendizaje para residentes en periodo de
formación.
La sensibilidad y la especificidad son las medidas tradicionales y básicas del valor
diagnóstico de una prueba. Estas miden la discriminación diagnóstica de una
prueba con relación a un criterio de referencia, que se considera la verdad.
En general, son cuatro los indicadores de eficacia de una prueba que sirven de
elementos básicos para ayudar al médico a tomar la decisión más acertada:
• La Sensibilidad o medida de la probabilidad de que un paciente enfermo
tenga un resultado positivo.
• La Especificidad o medida de la probabilidad de que un paciente no
enfermo tenga un resultado negativo.
• El Valor Predictivo Positivo o medida de la probabilidad de que un
paciente con resultado positivo esté enfermo.
• El Valor Predictivo Negativo o medida de la probabilidad de que un
paciente con resultado negativo no esté enfermo.

Los dos primeros le permiten al médico conocer las características de operación de
una prueba, o sea, corresponden al punto de vista “natural” del investigador que
evalúa la prueba, pero requieren de ciertos cálculos para interpretar el resultado de
una prueba en la práctica clínica. Mientras que los otros dos le permiten conocer
con exactitud la cuantía de la incertidumbre al tener un resultado positivo o
negativo de un paciente en un determinado contexto clínico, o sea, representan las
proporciones de interés en la práctica, pero su valor es muy limitado porque
dependen de la proporción de enfermos en el grupo en el que la prueba se ha
evaluado.
La toma de decisiones clínicas es un proceso extremadamente complejo en el que
deberá finalmente ser valorada la utilidad para el manejo del paciente de cualquier
prueba diagnóstica. En este contexto, es imprescindible conocer detalladamente la
exactitud de las distintas pruebas diagnósticas, es decir, su capacidad para
clasificar correctamente a los pacientes en categorías o estados en relación con la
enfermedad (típicamente dos: estar o no estar enfermo, respuesta positiva o
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
de interpretación lo que lleva a menudo a resultados incorrectos. Gracias al
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
El objetivo de un sistema de CAD es servir de ayuda al experto humano para
mejorar su rendimiento diagnóstico. Habitualmente, el experto humano trata de
elaborar un diagnóstico a partir, entre otros tests, de una imagen médica que,
dependiendo de las circunstancias, puede ser una radiografía, ecografía,
resonancia magnética nuclear (RMN) o tomografía axial computerizada (TAC), por
citar algunos ejemplos. Este tipo de imágenes, sin embargo, no son fáciles de
interpretar. Aspectos como la escasa calidad de la imagen, ocultación de objetos,
lesiones de reducido tamaño, la falta de concentración o la subjetividad en la
interpretación, provoca que el experto humano encargado de analizar la imagen no
sea capaz de detectar en ellas un porcentaje importante de anomalías. Un modo
habitual de evaluar la precisión diagnóstica consiste en medir los valores de
sensibilidad y especificidad. La sensibilidad indica la capacidad que se posee para
detectar la enfermedad, mientras que la especificidad mide la capacidad de
detectar correctamente la ausencia de enfermedad. Normalmente la mejora de uno
de estos dos parámetros lleva parejo el empeoramiento del otro (es fácil conseguir
un aumento en la sensibilidad diagnosticando la enfermedad ante el más mínimo
indicio de que esta pueda existir, sin embargo ello provoca que baje la
especificidad).
Cuando se cuenta con la ayuda de un sistema de diagnóstico asistido por
computadora, la imagen médica original es transformada en una segunda imagen
en la que, mediante algún tipo de marcado, se resaltan las zonas sospechosas de
contener alguna anomalía. Si el experto humano trabaja con esta imagen
modificada, posiblemente elabore un diagnóstico distinto del que haría con la
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
autoevaluación y reciclaje o como herramienta de aprendizaje para médicos
residentes en periodo de formación.
1.3. OBJETIVO
Investigar y desarrollar una metodología de procesamiento digital de imágenes,
enfocada principalmente en el reconocimiento de patrones, especializada para
detección automática de objetos anormales en imágenes de mamografía,
ultrasonido y otras.
1.4. METAS
1) Investigar los patrones presentes en imágenes digitales como son de ultrasonido,
mamografía e imágenes de radar.
2) Desarrollar una metodología de detección de patrones que pueda ser usada para
identificar características específicas en imágenes de ultrasonido y
mamografía.
3) Presentar métodos para la detección de blanco y desorden en las imágenes de
radar.
4) Investigar, desarrollar e implementar un sistema CAD para el reconocimiento
automático en imágenes médicas y de radar utilizando redes neuronales
artificiales.
1.5. APORTACIONES
1. El desarrollo de una metodología de procesamiento de imágenes digitales, para
diferentes modalidades. No solo en el campo de imágenes médicas (ultrasonido
y mamografía) sino también otras áreas como es la de imágenes de radar de
apertura sintética.
2. Contribuir con el desarrollar un método integral de detección y reconocimiento
de objetos y anormalidades en diversas modalidades de imágenes.
3. Proponer para diferentes modalidades de imágenes médicas y de SAR, los
mejores parámetros para reconocimiento y detección como son el número de
nodos en la red neuronal, la familia de funciones Wavelets mas adecuada en su
reconocimiento (incluyendo las nuevas Wavelets basadas en funciones
atómicas).
4. La evaluación y comprobación del correcto funcionamiento del sistema CAD
(de detección y reconocimiento) propuesto, mediante las técnicas de análisis
ROC que permiten medir la eficacia y eficiencia del sistema.
5. La obtención de parámetros matemáticos de las diferentes funciones Wavelets
utilizadas, que permitan caracterizar su eficacia en el sistema de detección
propuesto.
1.6. JUSTIFICACIÓN
Existen factores que obstaculizan la labor de detección y diagnostico en las
imágenes. El diagnostico también se ve afectado por la fatiga visual, además de
que la forma y estructura de las lesiones es muy variable. La calidad de la imagen
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
imágenes. Pero es importante considerar que los procesos automáticos requieren
de especialización y mejoras en los algoritmos propuestos. Para lo cual en este
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
evaluación del comportamiento del clasificador.
1.7. ORGANIZACIÓN DE LA TESIS
El presente trabajo se desarrolla en seis capítulos, en el primero se plantea el
objetivo principal, las metas a seguir, justificación, aportaciones y una introducción
sobre el tema a tratar del trabajo. El segundo, plantea algunos trabajos realizados
de forma internacional por diversos investigadores sobre el tema. El tercero,
presenta los métodos y técnicas que han sido utilizadas en los experimentos
realizados, así como las que se consideran a utilizar en pruebas posteriores. El
cuarto, presenta los experimentos realizados para cada tipo de imagen y los
resultados obtenidos. El quinto, plantea la aplicación de transformada Wavelet
basada en funciones atómicas y los métodos de evaluación para sistemas de
detección y diagnostico. El sexto capítulo, presenta las conclusiones generales de
este trabajo de tesis. Finalmente se presentan los anexos que son una parte
complementaria importante y las publicaciones realizadas en congresos y revistas
internacionales derivadas de este trabajo de investigación.
CAPITULO 1
En este se presenta una introducción al tema de investigación, la definición del
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
investigación relacionados con este trabajo de tesis, que en su caso sirvieron de
referencia para esta investigación.
CAPITULO 3
Se realiza un profundo análisis de las diferentes modalidades de imágenes que se
utilizaron a lo largo del desarrollo de este trabajo de investigación. Primero se
muestra una descripción de las imágenes de blanco y desorden derivadas de un
sistema de radar de apertura sintética (SAR). Después se presentan los
fundamentos de las imágenes de Ultrasonido (US), desde el principio físico de su
obtención, características básicas, resolución y artefactos en los sistemas de US y
aplicaciones de esta modalidad de imagen. Finalmente se presentan de forma más
amplia los principales aspectos de las imágenes de mamografía (MG), así como las
características importantes a considerar dentro de esta modalidad de imágenes ya
que en esta se concentra la parte más sustancial de este trabajo de investigación.
CAPITULO 4
Este capitulo esta dedicado a la realización e implementación de un esquema de
compresión basado en Transformada Wavelet y Wavelet Paquets, para compresión
de imágenes médicas. También se muestran los resultados obtenidos y se
comparan para determinar los parámetros óptimos para cada modalidad de
imagen experimentalmente.
CAPITULO 5
En este capítulo se explica y se presentan las familias de Wavelets basadas en
funciones atómicas y se realiza su implementación en el esquema de compresión
propuesto, también se muestran los resultados obtenidos, comparando su
desempeño con el obtenido con las familias de Wavelets clásicas. Finalmente se
realiza una evaluación de las propiedades matemáticas de las diferentes familias
de funciones Wavelets implementadas con el fin de caracterizar y sustentar los
resultados obtenidos experimentalmente.
CAPITULO 6
En este capítulo se presentan las conclusiones generales que se obtuvieron después
del desarrollo de la tesis, analizando los resultados obtenidos a través del
desarrollo de este trabajo. Así como los trabajos a futuro que se pueden realizar
dentro de este mismo campo de investigación.
ANEXO A. PUBLICACIONES
En este apartado se presentan las principales publicaciones en revistas y congresos
internacionales desprendidas de este trabajo de investigación, así como el registro
de derechos de autor de los programas desarrollados, el cual se realizó a favor del
Instituto Politécnico Nacional.

ANEXO B. INDICES DE FIGURAS
Aquí se presenta un índice correspondiente a las figuras mostrados en este trabajo.
ANEXO C. INDICES DE TABLAS
Aquí se presenta un índice de todas las tablas presentadas en este trabajo.
1.8. REFERENCIAS DEL CAPÍTULO
[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
of clustered microcalcifications on mammograms: the potential of computer‐aided

diagnosis”, Acad. Radiol., 1990, 25, p. 1102.
[3] B. W. Fam, S. L. Olson, P. F. Winter, “Algorithm for the detection of fine
clustered calcifications on film mammograms,” Radiology, vol. 169, p. 333, 1988.
[4] W. Zhang, K. Doi, M. L: Giger, “Computerized detection of clustered
microcalcifications in digital mammograms usisg a shift‐invariant artificial neural

network,” Medical Physics, vol. 21, p.517, 1994.
[5] V. F. Ruiz, and S. J. Nasuto, “Biomedical‐Image Classification Methods and
Techniques,” L. Costaridou, Ed. U.S.A: Taylor & Francis, CRC Press, 2005, pp. 137–
176.
Capitulo II
Métodos y Técnicas de un Sistema CAD

CAPITULO 2. MÉTODOS Y TÉCNICAS DE UN SISTEMA
CAD
CAPITULO 2.
2.1. MÉTODOS Y TÉCNICAS DE UN SISTEMA CAD
Los métodos de procesamiento de imágenes y reconocimiento de patrones tienen
una variedad de aplicaciones, como es el caso de imágenes medicas y diagnostico
radiológico. El procesamiento de imágenes médicas ha sido un área de
investigación intensa en las últimas décadas con resultados importantes. Una
variedad de metodologías clásicas del procesamiento de señales y reconocimiento
de patrones han sido implementadas y probadas por diversas aplicaciones. Según
la imagen de salida de un sistema, varias aproximaciones pueden ser categorizadas
en tres grupos como se muestra en la figura 2.1. Estos grupos involucran los
siguientes procesos:
2.1.1. ANÁLISIS DE IMAGEN
Se conoce como un proceso en donde la entrada a un operador es una imagen y la
salida es una medida. Este grupo incluye procesos como detección automatizada y
diagnostico de enfermedades, áreas de órganos y segmentación de volumen,
medidas de tamaño y estimaciones de riesgo.
2.1.2 PROCESAMIENTO DE IMAGEN
Se conoce como un proceso en donde la entrada a un operador es una imagen y la
salida es otra imagen con contenido similar a la original pero diferente en
apariencia. Este grupo incluye procesos como mejoramiento de la imagen,
restauración, compresión, registro y reconstrucción.
16
2.1.3. ENTENDIMIENTO DE IMAGEN
También denominado en inglés como “image understanding” y es un proceso
en donde la entrada a un operador es una imagen y la salida es un nivel
diferente de descripción, como transformadas y mapeo de píxeles.
Dependiendo de la aplicación, el operador (ver figura 2.1) puede ser un algoritmo
de procesamiento de una señal, un algoritmo de reconocimiento de patrones, una
función para mejoramiento de contraste o reducción de ruido, una transformación,
una medida matemática o combinación de estas.
Imagen de entrada
Operador
Imagen de salida Medida de salida Datos transformados
Figura 2.1. Diagrama de bloques de los procesos en imágenes médicas.
La detección asistida por computadora (computer‐aided detection, CAD) y el
diagnostico asistido por computadora (computer‐aided diagnosis, CAD) se

considera que es un desarrollo o proceso mas completo y extenso para la solución
de un problema. La detección con CAD es una realidad clínica para encontrar
cáncer en imágenes de mamografía o del pulmón. Existen diferentes sistemas
comerciales para el análisis de mamografías digitales [1]. Sistemas similares

contienen algunos estados para análisis de imágenes de radiografía de
pulmones o tomografías computarizadas (TC).
La detección con CAD usualmente se refiere a los procesos donde áreas
sospechosas de enfermedades son automáticamente detectadas en imágenes
médicas, y sus localizaciones son marcadas para que puedan ser revisadas por un
observador o un futuro revisor. El diagnostico con CAD se diferencia del anterior,
en que, al tener la detección de las lesiones, estas son diferenciadas o clasificadas
en grupos de lesiones que pueden ser normales o anormales. En ambos sistemas
CAD (detección y diagnostico) se utilizan algoritmos para llevar a cabo la solución
de un problema según el tipo de imagen, considerando que se utiliza
tradicionalmente a imágenes medicas y resultado a obtener.
Un sistema CAD no proporciona un diagnostico médico mas bien el sistema
computarizado es desarrollado para detectar señales de alguna patología en
imágenes medicas utilizando extracción de características, que se relacionan con el
tipo de anormalidad o enfermedad. En resumen, un sistema CAD se define como
una combinación de técnicas de procesamiento de imágenes y métodos inteligentes
que pueden ser usados para mejorar el proceso de interpretación médica,
resultando un diagnostico mas eficiente.
Para el diseño y desarrollo de un sistema automatizado CAD, deben considerarse
varios problemas, incluyendo la calidad de las imágenes digitalizadas, la secuencia
de los pasos de procesamiento y la metodología de evaluación.
2.2. ARQUITECTURA DE UN SISTEMA CAD
En la literatura se propone para un sistema CAD técnicas de los campos como la
visión por computadora, procesamiento de imágenes e inteligencia artificial [2].

Los estados principales de un sistema CAD típico son: preprocesamiento,
segmentación, análisis de características (extracción, selección y validación) y
clasificación que se utiliza para reducir los falsos positivos o caracterizar las
anormalidades. En la figura 2.2 se muestran los estados que conforman un
esquema de detección, de caracterización y de diagnostico CAD.
Imagen digital
Preproce samiento
CAD de Detección Segmen tación
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
Figura 2.2. Arquitectura CAD.
A continuación se presenta una descripción de los métodos que pueden ser
empleados en cada unos de los estados de un sistema CAD:
2.2.1. PREPROCESAMIENTO
En este estado se pueden mejorar características o áreas de interés de una imagen.
El proceso de mejoramiento es una mejor descripción de los objetos de interés.
Varias metodologías convencionales se han aplicado, como técnicas de
procesamiento de imágenes, algoritmos basados en regiones y mejoramiento a

través de la transformación de la imagen original en otro espacio de características.
Algunos algoritmos fácilmente aplicados en este estado son mejoramiento del
contraste, modificación del histograma de la imagen y ecualización. Pero también
se utilizan técnicas de análisis multiresolución como es el mejoramiento por
Wavelet. Esté es un análisis multiescala de la imagen original proporcionando
varias subbandas, con la ventaja de estudiarlas independientemente. Cada
subbanda proporciona información basada en diferentes escalas que representa
información en altas o bajas frecuencias en imágenes separadas.
2.2.2. SEGMENTACIÓN
Aquí la imagen original es separada en partes, cada una tiene propiedades
similares. El fondo de la imagen, el área de tejido, el músculo y otras áreas pueden
ser separadas. En esté proceso se pueden identificar regiones que contienen
probables patologías. La complejidad de este proceso depende de la naturaleza de
la imagen original y las características de los objetos que tienen que ser
identificados.
2.2.3. ANÁLISIS DE CARACTERÍSTICAS
En este estado se pueden considerar una o las tres opciones para el análisis de
características, extracción, selección y validación. En el caso de las imágenes de
mamografía, varias candidatas a microcalcificaciones pueden ser extraídos del
conjunto de imágenes originales para reducir casos falsos positivos. Después de
que se obtuvieron patrones o regiones en el estado de segmentación, aquí son
reorganizados como casos normales o patológicos, para aumentar la eficiencia del
sistema de clasificación o detección. Otra opción para mejorar la eficiencia de un

esquema es calcular varias características de una imagen para describir
propiedades o características específicas de un objeto. Las características mas
descriptivas son procesadas por el sistema de clasificación para marcar una
caracterización inicial de las muestras segmentadas en el estado anterior.
Uno de los principales problemas en el reconocimiento de patrones, es encontrar
una manera óptima de representar la información original que describa cada uno
de los patrones. Este proceso trata de reducir la cantidad de información que
represente a cada uno de los patrones. Debe de cumplir las siguientes condiciones:
 Menor dimensión del vector de características
 Perder información que no sea muy importante

Algunos tipos de características son:
 Bordes y esquinas
 Segmentación (extracción de regiones) y Contornos
 Formas
 Texturas
La segmentación de imágenes considera los siguientes aspectos:
 Separación de los objetos del fondo.
 Operaciones morfológicas.
 Adelgazamiento de líneas.
 Conexión de estructuras lineales
Es posible catalogar las características en tres categorías:
 Tamaño, contraste y nivel de gris.
 Forma del objeto segmentado.
 Textura de la imagen.
2.2.4. SISTEMA DE CLASIFICACIÓN
La reducción de falsos positivos o la caracterización de lesiones son parte
individual o en conjunto de este estado. El diagnostico es un proceso medico
integral que esta definido como el “arte o hecho” de reconocer la presencia de una
enfermedad, de las señas o síntomas. Durante el proceso, especialmente en el caso
del diagnostico diferencial, es obvio que existen varios dilemas para el rechazo o
aceptación de la probable enfermedad. Debido a esto, un sistema de clasificación es
un estado esencial de un sistema CAD.
2.2.5. EVALUACIÓN
Para la evaluación de un sistema de clasificación es posible utilizar la metodología
ROC (receiver operating characteristic) que es la más apropiada en un sistema
CAD. El análisis ROC supera el problema de la selección fija de los parámetros de la
clasificación. Unay representación gráfica de todos los puntos correspondientes,
expresando cada par de tasas de “verdadero positivo” (True Positive, TP) y “falso
positivo” (False Positive, FP) dan el comportamiento global del sistema.
2.3. ESTADO DEL ARTE
2.3.1. DETECCIÓN COMPUTARIZADA DE MICROCALCIFICACIONES

Presentan métodos computarizados para la detección de microcalcificaciones han
sido desarrollados por varios investigadores. Chan et al.[3], diseño una técnica de
diferenciación de imágenes para detectar microcalcificaciones en mamogramas
digitales y para extraer características para distinguir microcalcificaciones
verdaderas y falsas; posteriormente propuso una metodología CAD para detectar

la microcalcificaciones [4]. Qian et al. [5], desarrollo un filtro de estructura de árbol
y Wavelet transform para mejorar la presencia de microcalcificaciones;
posteriormente propuso un sistema automatizado para mamografía [6]. Aunque
los detalles de los algoritmos para detección de microcalcificaciones son diferentes,
algunos de los pasos son esenciales. En el primer paso, la imagen es procesada
para mejorar la relación señal a ruido (SNR) de las microcalcificaciones. En el
segundo, microcalcificaciones candidatas son segmentadas del fondo de la
imagen. En el tercer paso se extraen características de las señales candidatas para
distinguir señales verdaderas de las señales falsas. En el último paso, un criterio es
aplicado a las señales que permanecen para buscar agrupaciones
microcalcificaciones.
2.3.2. MÉTODO PROPUESTO POR CHAN
2.3.2.1 TÉCNICA DE PREPROCESAMIENTO

Se suprime el fondo de la imagen de mamografía y se obtienen las
microcalcificaciones que son de varios tamaños. Se considera una técnica de
diferencia de imagen y un filtro mejora las señales de microcalcificaciones y otro
suaviza el ruido.
2.3.2.2 SEGMENTACIÓN DE MICROCALCIFICACIÓN

Después del mejoramiento del SNR, el fondo del nivel de gris del mamograma es
relativamente constante. Esto facilita la segmentación de la microcalcificaciones
individuales del fondo de la imagen. Utilizan umbrales que se adaptan para
obtener las señales. Las características de las señales extraídas son el tamaño,
contraste máximo, SNR y localización.

2.3.2.3. DETECCIÓN DE MASAS
Los mamogramas contienen regiones de tejido denso, adiposo y fibroso, algunos
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
características de los bordes, circunscritas, indefinidas y estrelladas.
Un esquema propuesto para la detección de masas por Chan et al. [3] se muestra en
la figura 2.3. Este esquema combina técnicas de mejoramiento adaptivo con
regiones de objetos locales y clasificación de características para la segmentación y
detección.
Entrada de la Mamografía
Filtro de preprocesamiento
Refinamiento de objeto
Regla de reducción Falsos

positivos
Reducción de solapamientos
Análisis de textura
Objetos detectados
Figura 2.3. Esquema de la detección de masas.
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,
enfatiza el contraste en las regiones medias y ligeramente suprime las regiones de

alto contraste. El mejoramiento de las regiones de bajo y medio contraste acentúa
sutilmente las estructuras que contienen mas masas.
2.3.2.5. REFINAMIENTO DEL OBJETO

Este estado es necesario antes de la extracción morfológica y características de
textura para distinguir masas verdaderas y estructuras del seno normales.
2.3.2.6. EXTRACCIÓN DE CARACTERÍSTICAS Y CLASIFICACIÓN

En este estado se calculan siete características morfológicas con un umbral y un
clasificador lineal para remover estructuras normales detectadas. La clasificación
es basada en las características de textura, cinco características globales y cinco
locales, basadas en la matriz de dependencia espacial de niveles de gris son usadas
como entradas al clasificador lineal.
2.3.3. MÉTODO PARA DETECTAR MICROCALCIFICACIONES
Fu et al. [7] proponen un método de dos estados para detectar microcalcificaciones,
en el primer estado se identificar microcalcificaciones sospechosas y en segundo se
extraen características de textura de las microcalcificaciones sospechosas, utilizan
un algoritmo para seleccionar estas características, conocido como “búsqueda
secuencial hacia atrás” (SFS, sequential forward search). Finalmente aplican dos
tipos de clasificadores “Red Neuronal de regresión general” (GRNN, general
regression neural network) y “Maquina de Soporte Vectorial” (SVM, support
vector machina) evaluando su desempeño con curvas ROC. En la figura 2.4, se
ilustra el proceso que utilizaron.

Figura 2.4. Diagrama del sistema propuesto por Fu.
2.3.4. ESQUEMA CAD PARA DETECTAR MICROCALCIFICACIONES
Nakayama et al. [8] proponen un esquema CAD usando un banco de filtros para
detectar microcalcificaciones, en la figura 2.5 se presenta el esquema que
proponen, el cual consiste en cinco etapas: en la primera utilizan filtros pasabajas y
pasaltas por medio de la transformada discreta Wavelet (TDW); en la segunda

seleccionan regiones de interés (ROIs), de la cual forman matrices de 115x115 que
corresponde a una área de 5x5 mm de la imagen original; en la tercera obtienen
ocho características de las ROIs que les permite hacer una primera identificación
de ROIs que son probablemente microcalcificación y las que no lo son; en la cuarta
etapa realizan una clasificación de tres tipos de ROIs utilizando una función
basada en el teorema de Bayes; y finalmente utilizan el análisis FROC (free‐
response receiver operating characteristic) para evaluar la discriminación realizada
en la clasificación de los tres tipos de ROIs.

Figura 2.5. Esquema CAD.
2.4. CONCLUSIONES
En este capitulo se analizaron algunos trabajos que se han realizado sobre
imágenes médicas, así como los métodos y algoritmos que utilizan dependiendo
de el tipo de imagen a analizar y la naturaleza y características de los objetos o
patrones a detectar. Cabe señalar que para el caso de imágenes de mamografía
hemos retomado las ideas principales que manejan algunos de los autores, como es
considerar una etapa de extracción de características, diversos clasificadores y
aplicar un método de evaluación de clasificadores.
Este análisis realizado es muy importante por que permite que el desarrollo de este
trabajo de tesis sea en un entorno totalmente actualizado, considerando lo más
reciente en lo que al estado del arte se refiere. Con esto se busca que el trabajo
realizado produzca nuevos métodos y algoritmos, que mejoren o actualicen este
campo de investigación.
2.5. REFERENCIAS
[1] Feig, S. A., Clinical evaluation of computer‐aided detection in breast cancer

screening, Semin. Breast Dis., 5, 223, 2002.
[2] Costaridou, L., Medical image analysis methods, CRC Press, USA, 2005.
[3] H. P. Chan, K. Doi, C. J. Vyborny, K. L. Lam, and R. A. Schmidt, “Computer‐
aided detection of microcalcifications in mammograms: Methodology and

preliminary clinical study,” Invest. Radiol., vol. 23, pp. 664–671, 1988.
[4] H. P. Chan, K. Doi, C. J. Vyborny, R. A. Schmidt, C. E. Metz, K. L.Lam, T.
Ogura, Y. Z. Wu, and H. MacMahon, “Improvement in radiologists detection of
clustered microcalcifications on mammograms The potential of computer‐aided
diagnosis,” Invest. Radiol., vol. 25, pp. 1102–1110, 1990.
[5] W. Qian, L. P. Clarke, M. Kallergi, and R. A. Clark, “Tree‐structured nonlinear
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.
14, no. 5, pp. 561–569, Sep.‐Oct. 1995.
[7] J.C. Fu, S.K. Lee, S.T.C. Wong, J.Y. Yeh, A.H. Wang, H.K. Wu, “Image
segmentation feature selection and pattern classification for mammographic
microcalcifications”, Computerized Medical Imaging and Graphics 29,
ELSEVIER, 2005, pp. 419–429.
[8] Ryohei Nakayama, Yoshikazu Uchiyama, Koji Yamamoto, Ryoji Watanabe, and
Kiyoshi Namba, “Computer‐Aided Diagnosis Scheme Using a Filter Bank for
Detection of Microcalcification Clusters in Mammograms”, IEEE

TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 53, NO. 2,
FEBRUARY 2006, pp. 273‐283.

Capitulo III
Modalidades de
Imagen
CAPITULO 3. MODALIDADES DE IMAGEN
CAPITULO 3.
MODALIDADES DE IMAGEN
Las imágenes médicas son obtenidas de la interacción física de diferentes tipos de
energía con el tejido biológico. La banda de energía aprovechable es aquella que es
parcialmente absorbida por los tejidos en proporción diferente. Actualmente, todas
las propiedades físicas susceptibles de formar una imagen han sido explotadas [1].
Las modalidades de imágenes se clasifican de la forma siguiente:
‐Anatómicas: Rayos‐X
Ultrasonido
Resonancia magnética
‐Funcionales: Medicina nuclear
Tomografía por emisión de positrones
Resonancia magnética funcional
En este trabajo se utilizaron etapas de un sistema CAD para imágenes SAR (que
son en blanco y negro) imágenes de ultrasonido e imágenes de mamografía (en
escala de gris), para comparar resultados, considerando que la mayoría de las
imágenes médicas están en un rango de valores similares. A continuación se
presenta una breve descripción de las imágenes que fueron consideradas para
desarrollar los métodos y algoritmos de procesamiento digital.
30
3.1. IMÁGENES SAR (BLANCO Y DESORDEN)
El principio de funcionamiento de un radar es la transmisión de una determinada
señal de Radiofrecuencia que incide en un objeto llamado ʺblancoʺ, el cual refleja
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.
Imagen de Blanco Imagen de Blanco Imagen de Blanco Imagen de Blanco
Imagen de Desorden Imagen de Desorden Imagen de Desorden Imagen de Desorden
Figura 3.1. Imágenes de blanco y desorden de un radar de apertura sintética.
3.2. IMÁGENES DE ULTRASONIDO
El ultrasonido es un método que usa ondas de sonido para interactuar con el tejido
y se representa como una fuente de energía para formar la imagen. La interacción
del ultrasonido en esta manera determina características específicas de la respuesta
del tejido a las ondas de sonido. Un ultrasonido crea imágenes que permiten
examinar diversos órganos del cuerpo. La máquina de ultrasonido envía ondas

sonoras de alta frecuencia que reflejan estructuras corporales para crear una
imagen. En esta prueba no hay exposición a la radiación ionizante [3].
3.2.1. GENERACIÓN Y DETECCIÓN DE ONDAS DE ULTRASONIDO
Las ondas de ultrasonido pueden ser producidas en dos modos diferentes. Uno
de los mecanismos que puede ser usado para la generación de ultrasonido es
magnetostructivo. Un material magnético puede usarse para cambiar la onda bajo
la influencia de un campo magnético externo. La segunda, es el mecanismo mas
usado para generar ultrasonido y es usando materiales piezo‐eléctricos [4]. Una
clase de moléculas con una distribución diferente de cargas eléctricas es usada para
oscilar aplicando un campo eléctrico externo.
3.2.2. PRINCIPIOS FISICOS Y FISIOLOGICOS DEL ULTRASONIDO
Con el propósito de entender mejor la formación y propagación de las ondas
sonoras, primero se revisarán algunos conceptos físicos fundamentales del
fenómeno de US [5]. Estos incluyen la física de las ondas sonoras, la frecuencia del
sonido, los contenidos de frecuencias de la señal de US emitida y detectada, así
como la impedancia o resistencia acústica. Así como de la formulación matemática
de la propagación y penetración acústica. Conocer estos conceptos y sus
formulaciones matemáticas es esencial para comprender e implementar los
métodos de procesamiento de estas imágenes.
3.2.2.1. CONCEPTOS FUNDAMENTALES

En teoría de ondas el periodo T de una onda describe el tiempo entre dos
repeticiones consecutivas de un mismo patrón en el dominio del tiempo. La
longitud de onda de la onda sonora describe la repetición espacial de esta

secuencia de patrones. La longitud de onda λ esta relacionada con el periodo de
acuerdo a la ecuación (3.1).
λ = V∙T (3.1)
Donde V es la velocidad del sonido. La frecuencia f, describe cuantas veces por
segundo se repite un patrón de la onda de sonido, esta se relaciona estrechamente
con el periodo de acuerdo con la ecuación (3.2).
1
f
T (3.2)
Los conceptos de longitud de onda, frecuencia y periodo, se ilustran en la figura
3.2.
T: Periodo λ: longitud de
Tiempo Distancia
Figura 3.2. (a) Muestra el periodo en el dominio del tiempo y
(b) la longitud de onda en el dominio espacial.

Generalmente el US genera una discriminación entre fuente y efecto, y proporciona
un mecanismo que brinda características adicionales desde la señal detectada. En
este sistema el cristal piezo‐eléctrico genera una señal de US que es causado por un
impulso eléctrico desde la fuente de poder, llamada pulsor. El pulsor puede

entonces esperar hasta que todos los ecos de la señal de US son captados antes de
lanzar otra señal de US [6]. La señal del tren de pulsos generado por el pulsor se
puede apreciar en la figura 3.3.
Periodo de repetición de pulso
Tiempo
Figura 3.3. Tren de pulsos de ultrasonido.
La velocidad de propagación del sonido V se relaciona con el modulo de
elasticidad del material de propagación K y la respectiva densidad del medio de
propagación ρ de acuerdo ala ecuación 3.3.
K
V (3.3)

El conocer la velocidad del sonido permite medir el tiempo de retrazo entre la
transmisión y el recepción de las ondas de US. El retrazo entre el tren de pulsos
emitido y recibido se conoce como tiempo de vuelo.
Otro importante concepto en US es la impedancia acústica. Que es el factor que
limita la velocidad de propagación de una onda acústica expresado por la variable
ZA. Esta característica depende de la densidad del medio y de la facilidad con que
el sonido se puede mover de un punto a otro. La impedancia acústica está dada
por la densidad del medio y la velocidad de propagación del sonido como se
muestra en la ecuación 3.4.
ZA   V (3.4)
La impedancia acústica es un parámetro muy importante por que sirve para
determinar la formulación matemática de la propagación de onda.
3.2.3. RESOLUCIÓN DE LOS SISTEMAS DE IMAGEN DE US
Se pueden distinguir dos diferentes tipos de resolución dependiendo de la

dirección del escaneo [7]. La resolución axial es el nivel de distinción entre las
capas subsecuentes en la dirección de propagación del sonido‐ Resolución lateral
es la discriminación entre dos puntos resultante del movimiento de la señal del

transductor perpendicular a la propagación de la onda sonora.
3.2.4. ARTEFACTOS EN LA IMAGEN DE US
Al utilizar imágenes de US para diagnóstico, tres son las limitaciones en la
exactitud de las imágenes producidas usando la técnica de ultrasonido. Algunos de
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 reverberaciones sonoras de algunas de las ondas sonoras pueden transmitirse a
través de la interfase próxima y el eco puede alcanzar al transductor.
Consecuentemente aparecen estructuras que aparecen en la imagen a intervalos
regulares presentes en el tejido que no necesariamente todas son reales, ya que
algunas pueden ser generadas por este fenómeno.
3.2.5. APLICACIONES DE LA IMAGEN DE US
Las imágenes de ultrasonido a menudo son utilizadas para proveer un método útil
en cirugía invasiva y no invasiva. Una de las aplicaciones más conocidas de las
imágenes de US es el monitoreo del desarrollo de los bebes dentro del vientre
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
corazón humano y enfermedades de la arteria carótida, en que la imagen y
corrimiento de frecuencia son combinados para producir imágenes de la arteria y
ventrículo lumen. El corrimiento de frecuencia de los datos es usado para generar
imágenes de color en código, mostrando en colores las diferentes direcciones 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
procedimientos de cirugía lamparoscópica.
3.3. IMÁGENES DE MAMOGRAFÍA
En esencia la mamografía es el estudio diagnóstico que se realiza en las mamas,
mediante examen radiológico y permite obtener imágenes de su estructura interna,
con el objetivo de detectar anomalías y diferenciar entre las enfermedades
benignas (no cancerosas) y malignas (cancerosas). Es una representación
bidimensional del grado de atenuación de los rayos X cuando pasan a través de un
objeto tridimensional (la mama), donde toda la información en profundidad se
pierde. Los resultados quedan registrados en una placa fotográfica que el
radiólogo puede usar para buscar anomalías, (Fig. 3.4).
El estudio mamográfico debe ser bilateral y comprende tres proyecciones
primarias: oblicua, lateral y cráneo‐caudal. Con este procedimiento es posible

detectar el cáncer en la etapa preclínica, o sea, dos o tres años antes de que el tumor
alcance el tamaño palpable (mayor de 1 cm.) [8]. Las mujeres a las que se les
diagnostica el cáncer de mama por mamografía viven un promedio de 8 años más
que las mujeres a las que se les diagnostica el cáncer por asistir a consulta al palpar
algo en sus senos. La exactitud de los exámenes mamográficos leídos por
radiólogos especializados es de alrededor del 90 %.

Figura 3.4. Anatomía mamaria y su representación mamográfica.
Entre varios tipos de anormalidades mamarias que son visibles en la mamografía
las más importantes son: los racimos de microcalcificaciones, las masas tumorales,
la deformación de la arquitectura de la mama, y la asimetría entre mamas [9], (Fig.
3.5). Las masas tumorales pueden ser bien definidas (circunscritas) o mal definidas
(espiculadas).
Las masas y las microcalcificaciones arracimadas a menudo caracterizan el cáncer
de mama temprano que puede ser descubierto en las mamografías antes de que la
mujer o el médico puedan palparlos, aunque es difícil distinguir un hallazgo
asociado a un diagnóstico benigno de uno asociado a uno maligno.
(a) (b) (c) (d) (e)
Figura 3.5. (a) Masa circunscrita (b) masa espiculada (c) microcalcificaciones (d) distorsión
arquitectural y (e) densidad asimétrica.

También es importante señalar que existen tres grandes tipos de tejido mamario:
graso, graso glandular y denso glandular [10]. Cada uno de ellos tiene diferencias
importantes en cuanto a la visibilidad de las anomalías en la imagen mamográfica,
(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
que es claramente observable en mamas grasas.
(a) (b) (c)
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
tumoral espiculada benigna.
La mamografía es actualmente el método más sensible para detectar el cáncer
mamario en etapas tempranas. Sin embargo, muchos hallazgos sospechosos en
mamografías están asociados a lesiones benignas. Los signos más comunes de
malignidad en mamografías son las masas (espiculadas o circunscritas) y las
microcalcificaciones. El índice de biopsias con resultados benignos, asociadas a
mamografías con masas tumorales sospechosas no palpables, es de
aproximadamente del 70 % al 80 %. Es razonable, entonces, tratar de disminuir el
índice de biopsias innecesarias para reducir la ansiedad de los pacientes y los

gastos. Para ello existen los CADs Mamográficos que, además, pueden detectar
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
tumorales. Primero, la masa es segmentada del tejido de fondo, después, se extraen
las características relevantes de la masa y el tejido circundante para lograr su
clasificación y, finalmente, se aplica un clasificador para determinar, apoyándose
en las características extraídas, si se está en presencia de una masa tumoral o no.
3.3.1. PRINCIPALES PATOLOGÍAS MAMARIAS ASOCIADAS AL
CÁNCER DE MAMA EN ETAPAS TEMPRANAS
Las principales patologías mamarias asociadas al cáncer de mama detectado
tempranamente son las microcalcificaciones, las masas circunscritas y las masas
espiculadas. A continuación explicamos escuetamente cuales son las características
principales de cada una:
3.3.1.1. Microcalcificaciones
Como casi la mitad de los cánceres detectados por mamografías se corresponden
con microcalcificaciones agrupadas, estas lesiones son consideradas uno de los
signos mamográficos del cáncer de mama en etapas tempranas, (Fig. 3.7). El 20 %
de ellas representan lesiones malignas.
Figura 3.7. Microcalcificaciones benignas en tejido graso.

Son pequeñísimos depósitos de calcio relativamente brillantes comparados con el
tejido normal circundante, que pueden aparecer como puntos solos o agrupados en
racimos, y típicamente miden entre 0.1 mm y 1 mm de tamaño, y tienen un
significado clínico particular cuando están en racimos de cinco o más en un área de
1 cm2. La exactitud del diagnóstico depende de la visibilidad de las
microcalcificaciones, pero son difíciles de detectar y segmentar debido a la gran
variabilidad en su tamaño y forma y a que la textura de fondo de las mamografías
son típicamente variables (no homogéneas).
Usualmente, la forma y agrupamiento de las microcalcificaciones ayudan al

radiólogo para elaborar un juicio sobre la probabilidad de la presencia de cáncer.
Las calcificaciones malignas se caracterizan por ser numerosas (usualmente más de
5), agrupadas, pequeñas (menores a 0.5 mm de diámetro), con forma de punto,
poco opacas y su tamaño, forma y densidad pueden variar. Las calcificaciones
benignas generalmente son grandes (1‐4 mm de diámetro), más redondeadas, y
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
homogéneas en tamaño y forma.
Sin embargo, la caracterización de las lesiones benignas y malignas representa un
problema muy complejo, aun para un radiólogo experimentado, debido al
pequeño tamaño de las microcalcificaciones. Asimismo, hay muchos casos en los
cuales la estructura de las microcalcificaciones malignas no difiere demasiado de
las benignas. Estos problemas conducen a la no observación de casos malignos o,
lo que es más usual, a la realización de biopsias innecesarias. Solo el 17% de las
biopsias requeridas por la presencia de calcificaciones son positivas.

3.3.1.2. Masas circunscritas
Las lesiones bien definidas o también llamadas masas circunscritas por lo general
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,
debido a la proyección mamográfica, pueden estar parcialmente cubiertas por
tejido glandular. Se debe recordar que uno de los elementos más importantes en la
clasificación de una masa tumoral es su forma, si es redondeada tiene una alta
probabilidad de asociarse con una patología benigna, mientras que si es espiculada
tiende a ser maligna.
Figura 3.8 Ampliación de masa tumoral circunscrita maligna en tejido graso.
Estas masas tienden a ser ovales, circulares o lobuladas. Pueden estar bien
perfiladas o pobremente perfiladas y ser únicas o múltiples.
Signos de Importancia Primaria
- Halo o Cápsula: Bordeado por un anillo radioluscente o un segmento de él.
Caracteriza a lesiones benignas. La cápsula es una línea delgada, curva y
radio opaca que identifica a una lesión grasa.
- Densidad: Radioluscente, radioluscente y radio opaca combinadas y de baja
densidad identifica lesiones benignas. Alta densidad radio opaca identifica
lesiones malignas.
Signos de Importancia Secundaria
- Forma: Un tumor sólido (fibroadenoma, carcinoma) se ubica en cualquier
lugar y dirección de la mama, y no está alineado con la estructura trabecular
de la mama. Mientras que las lesiones benignas, si son elongadas,
generalmente están la dirección del pezón y siguen la estructura trabecular
de la mama.
- Tamaño: Si tiene mucha densidad y es radio opaco nos puede indicar el tipo
de cáncer.
3.3.1.3. Masas estrelladas o espiculadas

Las lesiones espiculadas tienen forma de estrella, o sea, tienen una masa central
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
lesiones espiculadas son signos altamente sospechosos de cáncer mamario. Este
tipo de lesión es de difícil lectura ya que se confunden fácilmente con el tejido
mamario sano y, además, presenta un bajo contraste con el parénquima mamario.
El 92 % de estos tumores se asocian con un carcinoma invasivo.
Figura 3.9. Masa tumoral espiculada maligna en tejido graso glandular.
Las estructuras radiadas son espículos que siguen dos patrones básicos:
- Líneas finas, densas y dentadas de tamaños variables identifican más un
cáncer.
- Líneas finas de menor densidad pueden corresponder a otras patologías.

3.3.2. BASE DE DATOS MIAS
Es una de las más utilizadas actualmente y fue recabada por la Sociedad de
Análisis de Imágenes Mamográficas (MIAS) de Londres, Inglaterra [12]. Contiene
322 imágenes previamente clasificadas en tres categorías: normal, benigna y
maligna, las dos últimas consideradas como anormales. Además, los casos
anormales son subdivididos en seis categorías: a) masas circunscritas, b) masas
espiculadas, c) microcalcificaciones, d) masas mal definidas, e) deformación
arquitectural y f) asimetría. Todas las imágenes están digitalizadas en una
resolución de 1024 x 1024 píxeles y con niveles de gris de ocho bits. También se
incluyen las coordenadas (x, y) correspondientes al centro de la anomalía, el radio
aproximado de un círculo que la encierra, el tipo de tejido mamario (graso, graso‐
glandular, denso) y el tipo de tumor si existe (benigno o maligno). Los diagnósticos

incluidos están verificados por biopsias.
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
diferentes tipos de tejido(graso, graso‐glandular y denso) y ser una de las más
utilizadas actualmente.
3.3.3. INCIDENCIA Y MORTALIDAD POR CÁNCER DE MAMA
La incidencia del cáncer de mama es de 25 por 100,000 personas y aparece con
una frecuencia francamente superior en el sexo femenino (99 % de los
afectados son mujeres). Se observa mundialmente una tendencia ascendente en

su incidencia.
30 % de los quistes mamarios son malignos. Afecta a 70 de cada 1,000 mujeres y
30 de ellas morirán por esa causa. La incidencia se ha duplicado en los últimos 20
años y siguen aumentando en un 3% anual. La mortalidad es del 10 % en el primer
año de sobrevida y del 80 % en el 5to. Año [13].
Este tipo de cáncer es un problema de salud mundial: es el más frecuente
específico de la mujer, es la segunda causa de mortalidad por cáncer de este sexo
(después del de pulmón), siendo la principal causa de muerte en el rango de edad
de los 40 a los 44 años. En los Estados Unidos de Norteamérica mueren
anualmente aproximadamente 45,000 mujeres por esta causa.
De acuerdo con estadísticas del sector salud, los tumores malignos ocupan el
segundo lugar de mortalidad entre la población mexicana.
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
Nacional de Estadística, Geografía e Informática (INEGI).
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.
Más de 23 millones de mujeres mexicanas, entre los 25 y 60 años de edad, están en
riesgo de contraer cáncer de mama y en el 2000 se presentó un incremento de 58
por ciento con respecto a la última década. La tasa de mortalidad por esta
enfermedad subió 14.7 %.

En resumen, se conoce que cada día mueren 10 mexicanas por cáncer de mama en
el país, y cada año mueren más de 35 de cada 100 mil mujeres mayores de 55 años
de edad, víctimas de este padecimiento. Además, las estadísticas del INEGI
demuestran que la cantidad proporcional va en aumento, por eso es urgente
reforzar y difundir los métodos de prevención y detección oportuna.
En el análisis según la edad, la Secretaría de Salud indica que existe una “fuerte
incidencia” de muertes por cáncer mamario entre las mujeres de 40 a 64 años de
edad (65 por ciento del total) y que entre las mujeres jóvenes la incidencia es “muy
baja”.
En México, diariamente 25 mujeres son diagnosticadas con este tipo de cáncer y
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
mamario se estima en 57 años.
La cantidad de casos nuevos de cáncer de mama reportada cada año siempre
aumenta. En 1999, 41.3% de los mismos se presentó en mujeres menores de 50
años, y las cifras indican que desde los 35 años se aprecia un aumento significativo
en la incidencia. Adicionalmente, en el mismo año de referencia fueron detectados
37 varones con cáncer de mama.

Es importante destacar que en el año 2002, en México, el 80 % de los casos de
cáncer de mama se diagnosticaron en una etapa avanzada y únicamente entre el 5
y 10 % fueron realizados en estadios tempranos; hecho que provoca cientos de
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
cada día en edades más tempranas generando mayores problemas económicos y
sociales. Por otra parte la mayor cantidad de los diagnósticos se sigue realizando
en estadios tardíos, aumentando así el costo del tratamiento y disminuyendo las
expectativas de vida. Por último también se observa que la incidencia es superior
en los estados de mayor desarrollo, tendencia que concuerda con el
comportamiento mundial. De todo esto se desprende que la incidencia y
mortalidad por cáncer mamario no solamente está en aumento, sino que
mantendrá su comportamiento mientras no se tomen las medidas pertinentes.
3.3.4. SISTEMAS DE DIAGNÓSTICO MAMOGRÁFICO
ASISTIDO POR COMPUTADORAS
El poder de la mamografía está comprobado, sin embargo, algunos cánceres
mamarios no son descubiertos debido a que el cáncer no aparece en la imagen o
porque aparece tan sutilmente que no es fácil de reconocer. La dificultad de
detectar cáncer observando visualmente una mamografía se debe a varios
elementos, particularmente, el no tener en cuenta microcalcificaciones.

Por esto es necesario mejorar la calidad de las imágenes y los medios para
interpretar mamografías.
Algunos cánceres de mama simplemente no son vistos en las mamografías y
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
fibroglandular y no son vistos en la proyección. Ocasionalmente, los cánceres no
son detectados por distracción momentánea o falta de atención del radiólogo.
Los motivos de la detección de falsos negativos en mamografías son difíciles de
determinar porque pueden pasar meses o años antes de que el cáncer sea
descubierto, tiempo en el que puede haber progresado a un estado más avanzado.
Lamentablemente, las mamografías negativas no garantizan la ausencia de cáncer.
Por consiguiente, hace años los investigadores comenzaron a desarrollar mejores
métodos para hacer las lesiones más visibles en las mamografías. Mejoraron la
película y la tecnología de pantalla, se instauraron estándares de calidad, y la
radiología de mama se hizo cada vez más especializada, permitiendo a algunos
radiólogos concentrarse principalmente en esa área. Sin embargo, los falsos
negativos en la mamografía todavía estaban demasiado altos, entonces surgieron
los CAD para ayudar a descubrir el cáncer de mama en una etapa más temprana.
La Administración de Drogas y Alimentos estadounidense (FDA) aprobó el primer
sistema de CAD como ayuda al radiólogo en la proyección de la mamografía en el
junio de 1998.
Como puede observarse la detección asistida por computadora para la mamografía
es un tema nuevo y que evoluciona en el reino de la radiología de mama. A pesar

de sus mejores esfuerzos, los radiólogos saben que algunos cánceres de mama son
ignorados en la evaluación de las mamografías. Entonces el aspecto médico/legal
relacionado con cánceres no detectados en las mamografías se convirtió en una
cuestión apremiante tanto para radiólogos como para abogados.
3.3.4.1. Sensibilidad y especificidad de los CAD mamográficos
Los CAD mamográficos actuales no son 100% sensibles (Fig. 3.10).
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
término diagnóstico automatizado le ha sido adjudicado erróneamente [14].
También puede ocurrir lo contrario, o sea, que es el radiólogo es quien no ha
notado alguna anomalía señalada acertadamente por el CAD. El algoritmo
computacional puede ser capaz de detectar hallazgos que el ojo humano
desafortunadamente todavía no puede percibir en la proyección mamográfica.
Además de que un radiólogo experimentado puede no necesitar la ayuda de un
CAD para evaluar una mamografía pero es común que un ser humano
(radiólogo o no) se enfoque en un área de la mamografía que aparentemente
resulta de interés y no le preste la atención debida al resto.
Una vez que el punto cuestionable es descubierto, el radiólogo analiza,
diagnostica, y hace la determinación final en cuanto a si un área merece ser tenida
en consideración para la evaluación adicional. Si una densidad, masa, área de
deformación arquitectónica, o acumulación de calcio es inquietante, el paciente
debería ser vuelto a examinar sin tener en cuenta si fue el CAD o el radiólogo
quien detectó la anomalía.

Figura 3.10. El CAD no marcó la densidad que aparece en la imagen cráneo‐caudal de la
mama izquierda, aunque esta sugiere cáncer a los radiólogos.
3.3.4.2. Estudios retrospectivos y prospectivos de la efectividad de los CAD
mamográficos
En el año 2000, Burhenne condujo un importante estudio retrospectivo de los
cánceres perdidos en mamografías y las ventajas potenciales del CAD [15]. Su
investigación demostró claramente que los buenos radiólogos de los centros
respetables en los Estados Unidos y Canadá perdían cánceres y que el CAD puede
aumentar considerablemente la detección temprana del cáncer de mama,
posiblemente en hasta un 21 %.
La doble lectura de mamografías puede aumentar la detección de cáncer de mama
[16]. Sin embargo, esto no ha tenido una amplia aceptación en los Estados Unidos,
posiblemente porque es poco práctico en muchos centros de imagenología de
mama. Los radiólogos en el Centro Médico de Mama y Diagnóstico Femenino
(WDC) en Plano, Texas, quisieron incorporar la doble lectura, pero no tenían
radiólogos suficientes en el equipo para hacer esto usando métodos tradicionales.
Poco después de que el CAD se hizo comercialmente disponible, el WDC compró
una unidad (en aproximadamente 200,000 dólares) e intentó verificar la utilidad

clínica del CAD y los beneficios de los gastos en curso así como los de
mantenimiento y mejoras. Después de un período de entrenamiento (noviembre de
1998 hasta el febrero de 1999) para familiarizarse con el equipo, el WDC comenzó
a coleccionar datos en 12,680 proyecciones consecutivas mamográficas.
Winsberg considera que el CAD siempre debería ser usado según este
procedimiento [17]. Es decir, el radiólogo primero debe leer la mamografía sin la
ventaja del CAD y luego utilizar el CAD y examinar los señalamientos. El tiempo
de lectura adicional por mamografía es sólo unos segundos en promedio, y este
método impide al radiólogo usar el CAD como un instrumento diagnóstico. El
radiólogo debe tomar una decisión antes de apoyarse en el CAD y utilizar el CAD
sólo para iniciar, nunca anular, una revisión al paciente.
En este estudio de WDC, 7 de los 8 cánceres que el CAD identificó y el radiólogo
perdió estuvieron relacionados con microcalcificaciones, y los 9 cánceres que el
radiólogo descubrió y el CAD perdió eran masas. Además, el CAD marcó todos los
cánceres relacionados con microcalcificaciones. Cuando estos resultados se
analizaron junto con los de Burhenne el WDC modificó su práctica clínica. El
centro ahora aplica la doble lectura (con 2 radiólogos) más el CAD, que
proporciona la lectura triple con eficacia. El primer radiólogo se enfoca solamente
en la detección de masas, y el segundo radiólogo usa el CAD para descubrir
microcalcificaciones sutiles.
Estos sistemas de ayuda al diagnóstico reducen los costos por diagnóstico de cada
cáncer y también disminuyen la exposición médica legal de los radiólogos
ayudándolos a descubrir los cánceres un año o más antes de lo que lo hubieran
hecho sin su ayuda.

El CAD marca la mayor parte de cánceres de mama y parece funcionar tan bien
como el radiólogo en su capacidad de descubrir el cáncer de mama. Aunque el
algoritmo de detección de masas parezca tener algunas limitaciones, esto debería
mejorar con el tiempo, y hasta ahora, el CAD parece tener una capacidad excelente
de marcar microcalcificaciones malignas en al menos una vista.
En el estudio de WDC, el CAD marcó 40 de 49 cánceres, y el radiólogo marcó 41
de 49 cánceres. Sin embargo, cuando se combinaron ambos resultados, se
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
solo. Lo que es importante es cuánto mejor el radiólogo puede funcionar cuando
usa el CAD. En la experiencia de WDC, el CAD ha resultado ser un instrumento
útil, confiable, y rentable para la detección temprana del cáncer de mama. El CAD,
en sí mismo, puede resultar ser el avance tecnológico más significativo en la
detección del cáncer de mama en etapas tempranas en los últimos 25 años.
Actualmente, podríamos afirmar que la única arma eficaz es un rápido diagnóstico
mediante mamografías, reduciéndose el número de casos fatales hasta en un 30%.
3.4. CONCLUSIONES
En este capitulo se presentaron las diferentes modalidades de imágenes que serán
utilizadas a lo largo de este trabajo de investigación. Lo cual es de mucha utilidad
para tener un conocimiento previo de la naturaleza de cada tipo de imagen que se
utilizará. Ya que esto permitirá poder realizar un tratamiento adecuado de cada
modalidad de imagen. En base a este análisis pudimos determinar que las
primeras pruebas fueran sobre la modalidad de imágenes de SAR (blanco y

desorden), ya que al estudiar su naturaleza se determino que son las más sencillas
de tratar y procesar por ser imágenes de blanco y negro o binarias.
Al estudiar la naturaleza de las imágenes de ultrasonido y mamografía podemos
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
de complejidad en su tratamiento y procesamiento que las imágenes de SAR, por
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 &
Francis, U.S.A. 2006.
[2] Essam A., Detección de blancos en imágenes SAR utilizando algoritmos
genéticos, Image and Vision Computing, 2003.
[3] R. González, R. Woods, Digital Image processing, Addison‐Wesley,

Massachusetts, second edition USA, 2002.
[4] Universidad de Michigan,
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
Workshop on Computational Advances in Multi‐Sensor Adaptive Processing,
Puerto Vallarta, MEXICO, 2005, pp.173‐176.

[6] C. Byrne, C. R. Smart, C. R. Cherk, “Survival advantage differences by age:
Evaluation of the extended follow‐up of the breast cancer detection

demonstration project,” Cancer, vol. 74, p 301, 1994.
[7] A. N. Papadopoulos, M. E. Plissiti, and D. I. Fotiadis, “Medical‐Image
Processing and Analysis for CAD Systems,” L. Costaridou, Ed. U.S.A: Taylor
& Francis, CRC Press, 2005, pp. 51–79.
[8] V. F. Ruiz, and S. J. Nasuto, “Biomedical‐Image Classification Methods and
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
Applications, second Ed., CRC Press 2004, pp. 475‐485.
[10] Nucl Med 1991;32(8):11N‐23N. El diagnóstico médico: Historia y teoría.

Pedro Laín Entralgo. Ed. Salvat. Barcelona 1982. Wagner HN. Annual Meeting.
[11] Lazslo Tabar, Cáncer de Mama. Arte y ciencia de detección temprana por
Mamografía, Journal, 2006.
[12] A. N. Papadopoulos, M. E. Plissiti, and D. I. Fotiadis, “Medical‐Image

Processing and Analysis for CAD Systems,” L. Costaridou, Ed. U.S.A: Taylor &
Francis, CRC Press, 2005, pp. 51–79.
[13] Mammographic Image Analysis Society (MIAS), MiniMammography
Database; disponible: http://www.wiau.man.
Ac.uk/services/MIAS/MIASmini.html
[14] Organización Mundial de la Salud (OMS), Nota descriptiva No. 297,
disponible en: http://www.who.int/mediacentre/factsheets/fs297/es
[15] H. P. Chan, K. Doi, C.j. Vyborny, “Improvement in radiologists detection of
clustered microcalcifications, on mammograms: the potential of computer‐

aided diagnosis,” Acad. Radiol ,vol. 25, p. 1102, 1990.
[16] Linda J. Warren Burhenne, Susan A. Wood, Carl J. DʹOrsi, Stephen A. Feig,
Daniel B. Kopans, Kathryn F. OʹShaughnessy, Edward A. Sickles, Laszlo

Tabar, Carl J. Vyborny, and Ronald A. Castellino, “Potential Contribution of
Computer‐aided Detection to the Sensitivity of Screening Mammography”,
Radiology, 2000; 215, pp. 554‐562.

[17] Winsberg F, Elkin M, Macy J, Bordaz V, Weymouth W. Detection of
radiographic abnormalities in mammograms by means of optical scanning and
computer analysis. Radiology 1967; 89:211‐215.

Capitulo IV
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
ALGORITMOS PARA PROCESAMIENTO DE
IMÁGENES
Este capítulo se presenta la realización e implementación de un esquema
utilizando Transformada Wavelet, para reconocimiento de imágenes médicas.
Como se observó en el capítulo tres, el tipo de imágenes seleccionadas para
experimentación y probar los algoritmos propuestos, fueron el ultrasonido y
mamografía porque son un tipo de imágenes muy utilizadas para análisis de
diferentes órganos del cuerpo humano. También se consideraron, imágenes de
prueba SAR de blanco y desorden, que permitieron comprobar resultados en
etapas iniciales. Por lo tanto los resultados experimentales se presentaran en el
orden en que fueron realizados para cada una de las imágenes propuestas.
4.1. ESQUEMAS DE PROCESAMIENTO PROPUESTOS
4.1.1. IMÁGENES SAR
Se desarrolló un esquema de reconocimiento [1] considerando las imágenes
completas de blanco y desorden que se muestran en la figura 4.1. Y el esquema
general de su funcionamiento se muestra en la figura 4.2.
57
Figura 4.1. Imágenes SAR de blanco y desorden.
RNA FASE DEFASE

ENTRENAMIENTO
DE
RNA
IImagen dde
d ee BBl
B llanc
ccooImagen
o dde
d ee BBl
B lla
aannnc
cco
ooIIImagen dde
d ee BBl
B llanc
ccooImagen
o dde
d ee BBl
B lla
aannnc
cco
oo
I magen de Desorden Imagen de Desorden Imagen de Desorden Imagen de Desorden

ENTRENAMIENTO
88 IMAG FASE DE PRUEBA RECONOCIMIENTO

RUIDO (SyP) 0:0.05:0.5
BLANCO DESORDEN
RECONOCIMIENTO
RUIDO (SyP) FASE DE
88 IMAG PRUEBA BLANCO
0:0.05:0.5 DESORDEN

Figura 4.2. Esquema de procesamiento de imágenes SAR.
Figura 4.3. Imágenes SAR de blanco y desorden contaminadas por ruido.
4.1.1.1. RESULTADOS EXPERIMENTALES DE IMÁGENES SAR:

PRIMERA PARTE
En una primera etapa se realizaron tres pruebas que se diferenciaron en el orden
de entrenamiento de la red neuronal, la primera consistió en introducir primero las
imágenes de blanco y posteriormente las imágenes de desorden. En la segunda, se
presentaron a la red por pares, es decir dos imágenes de blanco y dos de desorden.
Y en la tercera, fue de forma alternada entre imagen de blanco y de desorden. En la
tabla 4.1 se presentan los resultados en cuanto al número de iteraciones,
considerando la variación de nodos en la capa oculta.

Tabla 4.1. Número de iteraciones.
No. de Iteraciones (epochs)
Nodos en la
Capa Oculta 1er. Ent. 2do. Ent. 3er. Ent.
10 91 89 90
30 52 52 53
50 43 44 42
70 38 38 37
90 35 36 35
En la figura 4.4 se presentan los resultados de reconocimiento para las tres pruebas
realizadas con este tipo de imágenes.
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
Figura 4.4. Imágenes SAR de blanco y desorden contaminadas por ruido.

SEGUNDA PARTE
En una segunda etapa se optó por la forma de entrenamiento de la primera prueba,
además de considerar diferentes números de nodos en la capa oculta y se
realizaron diversas comparaciones para observar el comportamiento de la red
neuronal. Las tablas 4.2 y 4.3 presentan los resultados de reconocimiento por
separado para imágenes de blanco e imágenes de desorden, respectivamente.

Tabla 4.2. Porcentaje de reconocimiento de imágenes de blanco.
Nodos en la Nivel de Ruido
Capa Oculta 0.05 0.1 0.15 0.2 0.25
10 72.5 50 45 30 25
30 82.5 80 65 62.5 85
50 95 87.5 70 77.5 72.5
70 95 85 77.5 67.5 62.5
90 100 90 72.5 67.5 62.5
110 100 80 70 57.5 55
130 100 95 77.5 60 57.5
150 90 85 57.5 65 47.5
Tabla 4.3. Porcentaje de reconocimiento de imágenes de desorden.

Capa Oculta 0.05 0.1 0.15 0.2 0.25
10 92.5 97.5 85 87.5 87.5
30 95 72.5 72.5 75 75
50 97.5 82.5 75 82.5 65
70 100 92.5 87.5 80 90
90 97.5 92.5 90 90 90
110 100 97.5 95 95 95
130 100 95 100 97.5 97.5
150 100 100 100 100 95
En la figura 4.5 se presenta el porcentaje total para este tipo de imágenes,
considerando que la red se entreno sin ruido.
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.
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
por separado para imágenes de blanco e imágenes de desorden, respectivamente.
Tabla 4.4. Porcentaje de reconocimiento de imágenes de blanco.

Capa Oculta 0.05 0.1 0.15 0.2 0.25
10 25 25 25 2.5 0
30 100 97.5 90 85 65
50 100 100 100 100 100
70 100 100 100 100 100
90 100 100 100 97.5 97.5
110 100 100 100 97.5 100
130 100 100 100 100 92.5
150 100 100 100 97.5 95

Capa Oculta 0.05 0.1 0.15 0.2 0.25
10 100 100 100 100 100
30 100 100 100 100 100
50 100 100 85 77.5 77.5
70 100 100 100 95 77.5
90 100 100 100 100 100
110 100 100 100 100 100
130 100 100 100 100 100
150 100 100 100 100 100
En la figura 4.6 se presenta el porcentaje total para este tipo de imágenes,
considerando que la red se entreno con ruido.

100
95
90
85
% 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.
En una cuarta etapa, se considero una fase previa en el esquema de
reconocimiento, como se muestra en la figura 4.7, que consiste en aplicar la
operación de descomposición a las imágenes con la Transformada Wavelet [2].
Imagen de Blanc o Imagen de Blanco Imagen de Blanc o Imagen de Blanc o
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
Con Ruido
RUIDO (SyP) 0:0.05:0.25 FASE DE PRUEBA RECONOCIMIENTO
BLANCO DESORDEN

Con Ruido
RECONOCIMIENTO
RUIDO (SyP) FASE DE
BLANCO
0:0.05:0.25 PRUEBA DESORDEN
Figura 4.7. Esquema de procesamiento de imágenes SAR con TW.
En la figura 4.8 se presentan las imágenes de blanco y desorden después de aplicar
la TW, considerando el filtro de Daubechies.

Blanco 1 Blanco 2 Blanco 3 Blanco 4
Desorden 1 Desorden 2 Desorden 3 Desorden 4
Figura 4.8. Imágenes SAR después de aplicar TW.
Para observar las diferencias se realizó el proceso descrito para las imágenes SAR,
considerando la fase de aplicar TW. Se presentan los resultados comparando los
dos procesos y considerando un número de nodos menor (10) y otro intermedio
(50). En las figuras 4.9 y 4.10 se presentan los resultados de reconocimiento
comparando los dos esquemas de procesamiento y considerando un
entrenamiento sin ruido en las imágenes de blanco y desorden, con 10 y 50 nodos
en la capa oculta de la red neuronal, respectivamente. Las figuras 4.11 y 4.12
muestran los resultados de reconocimiento cuando la red neuronal es entrenada
con un nivel de ruido, como en el esquema anterior. Para observar las diferencias,
se consideraron resultados con 10 y 50 nodos en la capa oculta de la red neuronal,
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
Figura 4.9. Porcentaje total de reconocimiento con 10 nodos en la capa oculta.
100
95
% de reconocimiento
90
TW Y RNA
RNA
85
80
75
0.05 0.1 0.15 0.2 0.25

70 Nivel de ruido
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

100
98
% de reconocimiento
96
TW Y RNA
RNA
94
92
90
0.05 0.1 0.15 0.2 0.25

88 Nivel de ruido
Una vez que se experimentó y se determinaron algunos parámetros, como la forma
de entrenamiento, como afectan los niveles de ruido con que fueron contaminadas
las imágenes y el porcentaje de reconocimiento, en comparación de estos
parámetros. Se procedió a experimentar con imágenes médicas, que contienen
información similar a las imágenes de blanco y desorden, como es el caso del
ultrasonido y mamografía.
4.1.2. IMÁGENES DE ULTRASONIDO
4.1.2.1. RESULTADOS EXPERIMENTALES DE IMÁGENES DE US:

PRIMERA PARTE
En una primera etapa se realizaron pruebas considerando el segundo esquema de
procesamiento para las imágenes anteriores, se plantearon otros parámetros para
realizar la implementación con imágenes de ultrasonido [3]. Los aspectos a
considerar son:
1. Se obtuvieron imágenes aplicando la Transformada Wavelet db1 con un
nivel de descomposición, para aplicar el reconocimiento.

2. Se obtuvieron imágenes aplicando la transformada Wavelet db1 con dos
nivel de descomposición, para aplicar el reconocimiento.
3. Comparación de resultados obtenidos con imágenes de ultrasonido:
aplicando RNA y TW‐RNA con 1 y 2 nivel de descomposición.
La figura 4.13 presenta ocho imágenes de ultrasonido que fueron consideradas en
los experimentos.
Ultrasonido 1 Ultrasonido 2 Ultrasonido 3 Ultrasonido 4
Figura 4.13. Imágenes de ultrasonido.
La figura 4.14 presenta las ocho imágenes de ultrasonido anteriores, cuando se
aplica un nivel de descomposición con la TW.

Figura 4.14. Imágenes de ultrasonido después de aplicar TW en un nivel de

descomposición.
Para observar el comportamiento de resultados utilizando el esquema de
procesamiento para imágenes de ultrasonido, se obtuvieron los porcentajes de
reconocimiento considerando tres casos, el primero con las imágenes de US
originales, el segundo con imágenes de US aplicándoles un nivel de
descomposición y el tercero aplicando 2 niveles de descomposición con TW. La
figura 4.15 presenta el porcentaje de clasificación promedio cuando se utilizaron
60 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
30 0 0.01 0.02 0.03

Varianza del Ruido
20
Figura 4.15. Porcentaje de clasificación promedio, con 60 nodos en la C.O.
La figura 4.16 presenta el porcentaje de clasificación promedio cuando se
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
0 0.01 0.02 0.03

30
Varianza del Ruido
20
La figura 4.17 presenta el porcentaje de clasificación promedio cuando se
utilizaron 100 nodos en la capa oculta de la red neuronal, para los tres casos.
100
90
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
4.1.2.2. RESULTADOS EXPERIMENTALES DE IMÁGENES DE US:

SEGUNDA PARTE
En una segunda etapa y basados en los resultados previos, se realizaron pruebas
aplicando diferentes tipos de Wavelets con un nivel de descomposición y se
obtuvieron el número de errores y el porcentaje de reconocimiento en cada nivel
de ruido, para cada número de nodos en la capa oculta (60, 80, 100, 120 y 140).
4.1.2.2.1. WAVELETS APLICADAS A US

Las Wavelets han sido aplicadas a una diversidad de aplicaciones, en las que cabe
resaltar compresión de imágenes [4], aquí se consideran como extracción de
características en donde, a partir de la imagen original se obtiene una versión
modificada con menor cantidad de información y por lo tanto solo se aplican los
filtros de descomposición de la Wavelet.
Las Wavelets aplicadas son:
 Daubechies (2, 4, 8 y 16)
 Symlets (1, 2 y 4)
 Coiflets (1, 2 y 4)
 Biortogonales (1.1, 2.2 y 4.4)

4.1.2.2.2. WAVELETS DAUBECHIES
El nombre de las Wavelets de la familia Daubechies se escribe dbN, donde N es el
orden y db corresponde al apellido de la Wavelet. La Wavelet db1, es igual a la
Wavelet de Haar [5]. La figura 4.18 presenta las funciones Wavelet Daubechies
que se aplicaron a las imágenes de US.
(a) (b) (c) (d)
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,
tanto para el filtro pasa‐bajas como el filtro pasa‐altas de descomposición. La figura
4.19 muestra los coeficientes de los filtros para la db2.
Figura 4.19. Coeficientes de los filtros para la db2.
La figura 4.20 muestra los coeficientes de los filtros para la db4.

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
capa oculta, respectivamente.

100
90
DB2 DB4 DB8

80 DB16
70
60
50
0 0.01 0.02 0.03

40
Varianza del Ruido
Figura 4.23. Resultados de clasificación con Daubechies y 60 nodos en la C.O.
100
90
80 DB2 DB4 DB8

DB16
70
60
50
40 0 0.01 0.02 0.03

Varianza del Ruido
30
20
100
90
80 DB2 DB4 DB8

DB16
70
60
50
40 0 0.01 0.02 0.03

Varianza del Ruido
30
20
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
aplicaron a las imágenes de US.
(a) (b) (c)
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,
tanto para el filtro pasa‐bajas como el filtro pasa‐altas de descomposición. La figura
4.27 muestra los coeficientes de los filtros para la Sym1.
Figura 4.27. Coeficientes de los filtros para la Sym1.
La figura 4.28 y 4.29 muestran los coeficientes de los filtros para la Sym2 y Sym4,
respectivamente.
Wavelets Symlets considerando una red neuronal con 60, 80 y 100 nodos en la
100
90
80 SYM1 SYM2
SYM4
70
60
50
0 0.01 0.02 0.03

40
Varianza del Ruido
30
Figura 4.30.
20 Resultados de clasificación con Symlets y 60 nodos en la C.O.
100
90
80 SYM1
70 SYM2 SYM4
60
50
40
0 0.01 0.02 0.03
30 Varianza del Ruido
20
Figura 4.31. Resultados de clasificación con Symlets y 80 nodos en la C.O.
100
90
80 SYM1 SYM2
70 SYM4
60
50
40
30 0 0.01 0.02 0.03
Varianza del Ruido
20
Figura 4.32. Resultados de clasificación con Symlets y 100 nodos en la C.O.
4.1.2.2.4. WAVELETS COIFLETS

Estas Wavelets fueron construidas por I. Daubechies y R. Coifman. Estas funciones
Wavelets tienen 2N momentos igual a cero y la función escalar tiene 2N‐1
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,
tanto para el filtro pasa‐bajas como el filtro pasa‐altas de descomposición para

Coif1, Coif2 y Coif4, respectivamente.
Figura 4.34. Coeficientes de los filtros para la Coif1.

Wavelets Coiflets considerando una red neuronal con 60, 80 y 100 nodos en la
100
90
80
70
60
50 COIF1
40 COIF2 COIF4
30
20
0 0.01 0.02 0.03

Varianza del Ruido
Figura 4.37. Resultados de clasificación con Coiflets y 60 nodos en la C.O.
100
90
80
70
COIF1
60
COIF2 COIF4
50
40
30
20
0 0.01 0.02 0.03

Varianza del Ruido

100
90
80
70
60
COIF1 COIF2
50
COIF4
40
30
20
0 0.01 0.02 0.03

Varianza del Ruido
4.1.2.2.5. WAVELETS BIORTOGONALES

Esta familia de Wavelets tiene la propiedad de poseer fase lineal, que es necesaria
para la reconstrucción de señales e imágenes. Estas utilizan dos Wavelets
diferentes, una para descomposición y otra para reconstrucción en lugar de usar
solo una para los dos procesos como las otras familias [8]. La figura 4.40 presenta
las funciones Wavelet Biortogonales que se aplicaron a las imágenes de US.
(a) (b) (c)
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
Wavelets Biortogonales, tanto para el filtro pasa‐bajas como el filtro pasa‐altas de

descomposición para Bior1.1, Bior2.2 y Bior4.4, respectivamente.
Figura 4.41. Coeficientes de los filtros para la Bior1.1.
Wavelets Biortogonales considerando una red neuronal con 60, 80 y 100 nodos en
la capa oculta, respectivamente.
100
90
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
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
80
70
BIOR1.1 BIOR2.2
BIOR4.4
60
50
40
30
20
0 0.01 0.02 0.03

Varianza del Ruido
La figuras 4.47 presenta la comparación del desempeño de las Wavelets utilizadas
en la clasificación de imágenes de US, variando el número de nodos en capa oculta.
100
98
96 Wavelet DB Wavelet SYM Wavelet COIF

Wavelet BIOR
94
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
4.1.3.1. RESULTADOS EXPERIMENTALES DE IMÁGENES DE MG:

PRIMERA PARTE
En una primera etapa se realizaron pruebas considerando el segundo esquema de
procesamiento para las imágenes anteriores, y se consideró un grupo de imágenes
del la base de datos MIAS (BDM), que contenían microcalcificaciones [9]. Se
aplicaron Wavelet Daubechies a las imágenes de mamografía [10]. A continuación
se describe el proceso realizado.
En la figura 4.48 se observa una imagen original de la BDM, que para ejemplo
práctico se seleccionó, para distinguir visualmente características de la imagen.
Figura 4.48. Imagen original de MG.
Se obtuvo el negativo de la imagen y se realizo la descomposición con la db4. En
la figura 4.49 se puede observar el resultado, considerando la imagen anterior.

Aproximaciones Detallles Horiizontales
Imagen originall invertida

Detalles Verticalles Detalllles Diiagonalles
Figura 4.49. Negativo de la imagen y descomposición Wavelet.
Posteriormente, a la imagen correspondiente a las aproximaciones (frecuencias
bajas) se realizo un análisis de valores mediante su histograma, para estimar el
umbral necesario para separar entre el contenido general de la imagen y la
presencia de microcalcificaciones. La figura 4.50 presenta el resultado de este
proceso, que se consideró como imagen filtrada.
Figura 4.50. Imagen Filtrada.
Aplicando un algoritmo de segmentación basado en un filtro de rango se obtuvo
regiones de la imagen filtrada y se estimo la región que contenía
microcalcificaciones.
En esta etapa se obtuvo cierto márgenes de error, que afectaron en la localización
de microcalcificaciones, debido a esto se propuso el análisis para patrones de este
tipo en la segunda etapa.

SEGUNDA PARTE
Como se menciono previamente, aquí se obtuvieron los patrones correspondientes
a las microcalcificaciones presente en las imágenes de BDM, siguiendo un proceso
como en la primera etapa. El propósito consistió en formar una subbase de datos
de los patrones a analizar y observar el desempeño de los clasificadores. La figura
4.51 muestra en forma resumida el proceso realizado con la imagen de MG
anterior, pero ahora considerando un patrón de microcalcificación.

Original Histogram
Original Figure
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
Figura 4.51. Patrón de microcalcificación y filtrado con su respectivo histograma .
La figura 4.52 el resultado del algoritmo de segmentación aplicado a la imagen de
rango (filtrada) de un patrón de microcalcificación. Los valores de umbral para este
patrón fueron v1=0.2 y v2=0.75.
Figura 4.52. Regiones de un patrón de microcalcificación segmentado.

Las figuras 4.53 y 4.54 presentan el caso de otro patrón de microcalcificación. Los
valores de umbral para este patrón fueron v1=0.2 y v2=0.6.
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
Figura 4.53. Patrón de microcalcificación y filtrado con su respectivo histograma .
Figura 4.54. Regiones de un patrón de microcalcificación segmentado.
Una vez, que se formo la base de datos con los patrones de microcalcificaciones
que están segmentados, se implemento un clasificador basado en red neuronal
para identificar estos patrones. La figura 4.55 presenta los resultados de
clasificación de los patrones de microcalcificación, en las fases de entrenamiento y
prueba.
100
98
96
94 Entrenamiento
Prueba
92
90
88
86
4080120160200240280
84 No. de Nodos en la Capa Oculta
Figura 4.55. Porcentaje de clasificación de los patrones de microcalcificaciones .

TERCERA PARTE
Para el análisis de otro tipo de patrones como son las masas circunscritas y
estrelladas también se conformo una base de datos a partir de las lesiones
identificadas en las imágenes originales de la BDM. Las figuras 4.56 y 4.57
presentan 10 imágenes de los respectivos patrones de masas circunscritas y
estrelladas.
Figura 4.56. Patrones de masas circunscritas.
Figura 4.57. Patrones de masas estrelladas.

La figura 4.58 presenta los resultados de clasificación de los patrones de imágenes
de MG, microcalcificaciones, masas circunscritas y estrelladas, en la fase de
prueba.
100
% de Clasificación 90
80 MCalc MCircuns
LEstre
70
60
50
40 4080 120 160 200 240 280

No. de Nodos en la CO
Figura 4.58. Porcentaje de clasificación de los patrones de MG.
Como se pudo observar los resultados de clasificación de los patrones de imágenes
de MG, son bajos para los patrones de masas circunscritas y estrelladas a
diferencia de las microcalcificaciones; por lo tanto para este tipo de patrones se
optó por obtener mas información de los patrones. En la tabla 4.6 se presentan los
valores característicos que se calcularon para los patrones de MG ya que permitió
analizar la estadística de las imágenes que se estaban considerando.

MEDIDA DE
COEFICIENTE DE DESVIACIÓN ASIMETRIA
PATRÓN CORRELACION MEDIA ESTANDAR (SKEW) ENERGÍA ENTROPIA
MICROCALCIFICACIONES
058-01 0.3526 161.64 8.4115 2.2891 0.0531 4.5379
058-02 0.552 160.22 9.4234 1.0802 0.0494 4.7877
008-01 0.9352 157.14 36.1967 0.2868 0.0156 6.3089
MASAS CIRCUNSCRITAS
005-01 0.9958 132.73 32.5389 -0.6099 0.0113 6.7088
005-02 0.9683 151.2 15.0014 -0.2939 0.02 5.7979
010-01 0.945 176.19 12.8205 0.3586 0.0238 5.5152
MASAS ESTRELLADAS
145-01 0.9731 176.76 19.0903 -0.1729 0.0158 6.1636
175-01 0.97 156.96 15.8182 0.3995 0.02 5.7965
190-01 0.9468 83.952 7.5637 1.6588 0.0611 4.4836
4.3. CONCLUSIONES
Se observo que el orden en que se introducen las imágenes a la red no afecta
considerablemente el número de iteraciones (epochs). La red neuronal tuvo un
desempeño por arriba del 85% de reconocimiento de imágenes SAR (blanco y
desorden). Se observo que cuando se aumenta el número de nodos en la capa
oculta disminuye el número de epochs de entrenamiento. En promedio, el número
de errores es mucho menor que el porcentaje de reconocimiento.
Se observo que al entrenar la red con ruido proporciona mejores resultados en el
reconocimiento. La red neuronal entrenada considerando un nivel de ruido tiene
mejor desempeño de reconocimiento de imágenes SAR (blanco y desorden).
Se observo que cuando se aumenta el número de nodos en la capa oculta
disminuye el número de epochs de entrenamiento y a su vez mejora el porcentaje
de reconocimiento. El número de errores fue menor para las redes entrenadas con
niveles de ruido.
Se observo que el manejo de imágenes médicas, en este caso de ultrasonido no es
similar a cualquier imagen, ya que se deben considerar características que apoyen
el reconocimiento por la RNA.
La red neuronal proporcionó buenos resultados cuando la varianza fue menor a
0.03. Para la cada tipo de imágenes biomédicas se deben considerar distintos
métodos para realizar algún tipo de reconocimiento, clasificación o detección.
El 1er. esquema de reconocimiento (RNA) proporcionó buenos resultados cuando
la varianza fue menor a 0.03. El 2o. esquema mejora los resultados de
reconocimiento en un 30% para algunos casos, en comparación con el esquema 1.

Se observó que la Wavelet Symlets proporciona buenos resultados cuando el
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
resultados de más del 90% de reconocimiento de las imágenes de ultrasonido.
Se detectaron la mayoría de los puntos que representan microcalcificaciones en las
imágenes de MG y variando el número de nodos en la capa oculta de la RNA y se
obtuvieron mejores resultados de clasificación con 90 nodos. El proceso de
segmentación permitió una mejor identificación de calcificaciones. El umbral
aplicado para segmentación fue basado a la información de cada imagen.
4.4. REFERENCIAS
[1] V.I.Ponomaryov. C.Juarez and J‐L‐Sanchez “Recognition of Targets and Clutter
Radar Images Using Neural Networks”, «Зарубежная Радиоэлектроника‐
Успехи Современной Радиоэлектроники»‐ Foreign Radioelectronics.
Successes of modern radioelectronics. Moscow, ISSN 0373‐2428 pp. 55‐61, 2005,

N9.
[2] O. Rioul & M. Vetterli, Wavelets and Signal Processing, IEEE Signal
Processing Magazine, October 1991, pp.14‐38.
[3] Cristina Juarez Landin, Volodymyr Ponomaryov, Jose Luis Sanchez Ramirez,
“RECOGNITION OF ULTRASOUND IMAGES USING WAVELET
TRANSFORM AND ARTIFICIAL NEURAL NETWORKS”, International
Workshop on Computational Advances in Multi‐Sensor Adaptive Processing,

Puerto Vallarta, MEXICO, 2005, pp.173‐176.
[4] J. L. Sánchez, V. Ponomaryov, L. Badillo, C. Juárez, L. Igartua, “Compresión
Utilizando Wavelets y DCT de señales de EEG”, 8ª Conferencia de Ingeniería
Eléctrica (CIE 2002)”, CINVESTAV IPN, México D.F. Septiembre del 2002.
[5] Daubechies, The Wavelet transform, time‐frequency localization and signal

analysis, IEEE Transactions on Information Theory, vol. 36, Nº 5, September
1990.
[6] S. Mallat, A Wavelet tour of Signal Processing San Diego, CA. USA.
Academic Press 1998.
[7] Daubechies, Orthonormal bases of compactly supported Wavelets,
Communications on Pure and Applied Mathematics, vol. XLI 909‐996, Inc.

1988.
[8] Goswami, J.C., Chan, A.K. Fundamental of Wavelets, Wiley & Sons, N.Y. USA
1999, pp. 214‐218.
[9] Mammographic Image Analysis Society (MIAS), MiniMammography Database;
disponible: http://www.wiau.man. Ac.uk/services/MIAS/MIASmini.html
[10] Cristina Juarez‐Landin and Volodymyr Ponomaryov “Classification of

Microcalcifications using Wavelet Transform and neural Networks” GESTS
Intern. Trans on Computer Sciences and Engineering, ISSN 1738‐6438, V.39,
No.1, pp.112‐120, 2007 South Korea, Indexada por Scopus y INSPEC.

Capitulo V
Reconocimiento con Wavelets basadas

en FA y Análisis ROC
CAPITULO 5. RECONOCIMIENTO CON WAVELETS BASADAS EN FA Y ANÁLISIS
ROC
CAPITULO 5.
RECONOCIMIENTO CON WAVELETS BASADAS
EN FA Y ANÁLISIS ROC
5.1. RECONOCIMIENTO CON WAVELETS BASADAS EN FA
En el capítulo anterior se presentaron los resultados que se obtuvieron en el
sistema de reconocimiento al implementar una etapa de descomposición con
transformada Wavelet, en esta etapa se realizaron y presentaron pruebas con
diferentes familias de funciones Wavelets clásicas como son Daubechies, Symlets,
Coiflets y Biortogonales.
Como lo muestran los resultados, al agregar una etapa de descomposición Wavelet
en el esquema de reconocimiento se tiene un mejor desempeño en el sistema de
reconocimiento en general (con las diferentes familias clásicas de Wavelets
implementadas), pero también se ha visto que para una modalidad de imágenes
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
en funciones atómicas (WFA), en diferentes campos de investigación como son la
compresión de pulso de radar, filtrado por ventanas, compresión de imágenes
médicas, etc. lleve acabo la implementación de las familias WFA que presentaron
mejores resultados que las familias Wavelet clásicas, en compresión de imágenes
médicas, de acuerdo a la tesis doctoral de José Luis Sánchez Ramírez. Esto debido
a que tanto en compresión como en reconocimiento, se pueden tener mejores
resultados al conservar más datos importantes de la imagen original.
92
A continuación se presenta una introducción a estas nuevas familias de Wavelets y
posteriormente los resultados obtenidos al implementarlas en nuestro sistema de
reconocimiento.
5.1.1. FAMILIAS WAVELET BASADAS EN FUNCIONES ATOMICAS
En las pruebas realizadas previamente se encontró que los mejores resultados para
imágenes de ultrasonido (US) se obtuvieron con la Wavelet Symlet y para
imágenes de mamografía (MG) con la Wavelet Daubechies [1].
Basados en estos resultados, se realizo una evaluación para comparar el
desempeño de tres familias Wavelet basadas en Funciones Atómicas (WFA) con
estas Wavelets clásicas que presentaron mejor desempeño.
Se utilizaron las Wavelets de Kravchenko–Rvachev [2] ψ(t) basadas en las

funciones atómicas up(t), fup2(t) y eup(t). Estas nuevas Wavelets pueden presentar
un mejor desempeño en el reconocimiento de este tipo de imágenes debido a su
especial naturaleza y al estar basadas en funciones atómicas que han sido
recientemente muy utilizadas en diversos campos como son filtrado por ventanas
o en compresión de pulso de radar.
En la figura 5.1 se muestran las Wavelets complejas de Kravchenko–Rvachev
basadas en la Función Atómica (FA) up(t) de orden 1 a 5. La figura 5.2 muestra las
Wavelets complejas de Kravchenko–Rvachev basadas en la Función Atómica (FA)
fup2(t) también de orden 1 a 5. Finalmente la figura 5.3 muestran las Wavelets
complejas de Kravchenko–Rvachev basadas en la Función Atómica eup(t)
igualmente de orden 1 a 5. Todas con su respectiva transformada de Fourier.

Figura 5.1. Lado izquierdo Wavelets de Kravchenko–Rvachev basadas en la Función
Atómica up(t) de orden 1 a 5, lado derecho su respectiva transformada de Fourier.

Atómica fup2(t) de orden 1 a 5, lado derecho su respectiva transformada de Fourier.

Atómica eup(t) de orden 1 a 5, lado derecho su respectiva transformada de Fourier.

5.1.1.1. APLICANDO WAF EN IMÁGENES DE ULTRASONIDO
En la figura 5.4 se puede apreciar la diferencia al aplicar la Wavelet Symlet y la
Wavelet basada en FA up(t) a la misma imagen de Ultrasonido (US).
Aproximación A1 Detalle Horizontal H1 Aproximación A1 Detalle Horizontal H1
Detalle Vertical V1 Detalle Diagonal D1 Detalle Vertical V1 Detalle Diagonal D1
Descomposición de 1 nivel Descomposición de 1 nivel
Figura 5.4. Descomposición de 1 nivel de una imagen de US, a la izquierda usando la

Wavelet Symlets y a la derecha usando la Wavelet basada en FA up(t).
Wavelet basada en FA fup2(t) a la misma imagen de Ultrasonido (US).

Wavelet Symlets y a la derecha usando la Wavelet basada en FA fup2(t).
Wavelet basada en FA eup(t) a la misma imagen de Ultrasonido (US).

Wavelet Symlets y a la derecha usando la Wavelet basada en FA eup(t).
5.1.1.2. APLICANDO WAF EN IMÁGENES DE MAMOGRAFÍA
En la figura 5.7 se puede apreciar la diferencia al aplicar la Wavelet Daubechies y
la Wavelet basada en FA up(t) a la misma imagen de Mamografía (MG).
Figura 5.7. Descomposición de 1 nivel de una imagen de MG, a la izquierda usando la

Wavelet Daubechies y a la derecha usando la Wavelet basada en FA up(t).
la Wavelet basada en FA fup2(t) a la misma imagen de Mamografía (MG).

Wavelet Daubechies y a la derecha usando la Wavelet basada en FA fup2(t).
la Wavelet basada en FA eup(t) a la misma imagen de Mamografía (MG).

Wavelet Daubechies y a la derecha usando la Wavelet basada en FA eup(t).
5.1.2. RESULTADOS DE RECONOCIMIENTO EMPLEANDO WFA
Se realizaron numerosos experimentos de simulación para comparar el desempeño
de los algoritmos de reconocimiento usando diferentes funciones Wavelets
(clásicas y basadas en FAs). Se presentan los resultados aplicando la familia
Daubechies que proporcionó mejor desempeño para reconocimiento de patrones
en imágenes de MG comparada con las tres familias de Wavelets basadas en FAs.
En el proceso igual que en caso anterior se utilizó solo un nivel de descomposición
[3] tomando solamente la subbanda LL de coeficientes de aproximación.
5.1.2.1. PARA PATRONES DE MICROCALCIFICACIONES
Las figuras 5.10, 5.11 y 5.12 presentan los resultados en cuanto al porcentaje de
reconocimiento para los patrones de Microcalcificaciones en Mamografía con las
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
90 W Daubechies WFA up(t)
85
80
75 40 80120160200240280
Numero de Nodos en Capa Oculta
70
Figura 5.10. Comparación de los porcentajes de reconocimiento obtenidos con Wavelet
Daubechies y WFA up(t), para patrones de Microcalcificaciones.

100
Reconocimiento (%)
95
90 W Daubechies WFA fup2(t)

up(t)
85
80
75 40 80120160200240280
70
Daubechies y WFA fup2(t), para patrones de Microcalcificaciones.
100
Reconocimiento (%)
95
90 W Daubechies WFA eup(t)
85
80
75 40 80120160200240280
70
Daubechies y WFA eup(t), para patrones de Microcalcificaciones.
5.1.2.1. PARA PATRONES DE MASAS CIRCUNSCRITAS
reconocimiento para los patrones de Masas Circunscritas en Mamografía con las
respectiva‐‐
mente, para 40, 80, 120, 160, 200, 240 y 280 nodos en la capa oculta de la red
neuronal.
Para Masas Circunscritas
100
Reconocimiento (%)
95
85
80
75 40 80120160200240280
70
Daubechies y WFA up(t), para patrones de Masas Circunscritas.
100
Reconocimiento (%)
95
90 W Daubechies WFAfup2(t)
up(t)
85
80
75 40 80120160200240280
70
Daubechies y WFA fup2(t), para patrones de Masas Circunscritas.

100
Reconocimiento (%)
95
85
80
75 40 80120160200240280
70
Daubechies y WFA eup(t), para patrones de Masas Circunscritas.
5.1.2.1. PARA PATRONES DE LESIONES ESTRELLADAS
reconocimiento para los patrones de Lesiones Estrelladas en Mamografía con las
respectivamente, para 40, 80, 120, 160, 200, 240 y 280 nodos en la capa oculta de
la red neuronal.
Para Lesiones Estrelladas
80
Reconocimiento (%)
75
65
60
55 40 80120160200240280
50
Daubechies y WFA up(t), para patrones de Lesiones Estrelladas.

80
Reconocimiento (%)
75
70 W Daubechies
WFAfup2(t)
up(t)
65
60
55 40 80120160200240280
50
Daubechies y WFA fup2(t), para patrones de Lesiones Estrelladas.
80
Reconocimiento (%)
75
65
60
55 40 80120160200240280
50
Daubechies y WFA eup(t), para patrones de Lesiones Estrelladas.
Estos resultados confirman la superioridad de las familias de Wavelets basadas en
Funciones Atómicas para reconocimiento de este tipo de patrones, especialmente
la basada en la FA eup(t). También se realizo una evaluación de las propiedades
matemáticas de las diferentes Wavelets utilizadas en reconocimiento para
sustentar los resultados experimentales [4].

5.2. PROPIEDADES MATEMATICAS DE FUNCIONES WAVELETS
Para todas las familias Wavelet (tanto clásicas como basadas en funciones
atómicas) utilizadas en el sistema propuesto de reconocimiento se obtuvieron las
siguientes propiedades, con el propósito de justificar los resultados
experimentales.
5.2.1. RESPUESTA EN FRECUENCIA
Esta propiedad permite determinar el comportamiento de los filtros de análisis y
síntesis esta se representa en forma gráfica y en esta se pueden apreciar las
diferencias que hay en las diferentes familias Wavelet usadas.
5.2.2. ORDEN DE APROXIMACIÓN
Este corresponde al numero L de factores (1 + z ) que divide la función de

‐1
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)
grado menor o igual a n = L ‐ 1; en particular, esto satisface a la unidad de partición
dada por ( k  (x  k )  1 ).
El orden de aproximación L también corresponde con la tasa de disminución del

error de proyección [6].
El siguiente punto concierne a la estabilidad de la representación Wavelet y de este
fundamento de bases multi‐resolución. La propiedad matemática crucial es

trasladar las funciones escala y la forma de Wavelet a una base Riesz [7].
5.2.3 LÍMITES DE RIESZ
Los límites superior e inferior B < 1 y A > 0 del filtro de autocorrelación de  (x)
son los límites de Riesz de

 (x) ; dados por: A2  inf [0,2  ] a () y
B 2  sup[0,2  ]a () . Que equivalentemente, satisfacen las ecuaciones mostradas
en (5.1).
A  inf
cl2
 c  (x  k ) 2
k k L
y B  sup
 c  (x  k ) 2
k k L
(5.1)
c2 cl2 c2
l l
La existencia de los límites de Riesz asegura que las funciones de base subyacentes
están en L2 y que son linealmente independientes (en el espacio l2 ). La base de la
propiedad de Riesz expresa la equivalencia entre la norma L2 de las funciones
extendidas y la norma l2 de los coeficientes Wavelet o en la base de la función de
escala [7].
5.2.4. PROYECCIÓN COSENO
El ángulo de proyección  entre los subespacios de análisis y síntesis Va ~

y V a esta
definida como se muestra en ecuación (5.2) [8].
a f L2
cos  inf
f Va f 1 a (sup
)  a~ ( ) (5.2)
~ L2  [0,2 ]
El ángulo de proyección  entre los subespacio de análisis y síntesis debe ser de 90
grados idealmente en espacios ortogonales. En otras palabras, el proyector
biortogonal ~
 será esencialmente tan bueno como el óptimo (proyector ortogonal
a
sobre el mismo espacio) mientras el

esté más cerca de uno.
cos
5.2.5. OBTENCION DE PROPIEDADES MATEMÁTICAS DE
FAMILIAS DE FUNCIONES WAVELETS
A continuación se presentan las propiedades matemáticas de las diferentes
funciones Wavelets utilizadas en el esquema de reconocimiento propuesto. El
calculo de estas propiedades se realizo sobre los filtros de 8 coeficientes de cada
una de las familias Wavelet usadas (clásicas y de funciones atómicas).
La figura 5.19 presenta la respuesta en frecuencia para los filtros Coiflets 8 (línea
continua), Daubechies 8 (línea punteada) y Symlet 8 (línea espacio línea).
La figura 5.20 presenta la respuesta en frecuencia para las Wavelets de
Kravchenko–Rvachev basadas en FAs up(t) (línea continua), fup2(t) (línea
punteada) y eup(t) (línea espacio línea).
Frequency
Respuesta enresponse
Frecuencia Frequency
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)
Figura 5.19. Respuesta en frecuencia de filtros Coiflets 8 (línea continua), Daubechies 8
(línea punteada) y Symlet 8 (línea espacio línea), (a) filtro pasa‐bajas, (b) filtro pasa‐altas.
Frequency
Frecuencia Frequency
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.
Finalmente, la Tabla 5.1 presenta las propiedades matemáticas de las diferentes
Wavelets usadas en el sistema de reconocimiento propuesto.
Tabla 5.1. Propiedades matemáticas de diferentes funciones Wavelet.
Datos matemáticos para diferentes filtros Wavelet.

Tipo Coiflets 8 Biortogonal 4.4 Daubechies 8 Symlet 8 WAF up(t) WAF fup 2 (t) WAF eup(t)
Desc. Rec. Desc. Rec. Desc. Rec. Desc. Rec. Desc. Rec. Desc. Rec. Desc. Rec.
Orden de
aproximación
4 4 4 4 4 4 4
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
Es conocido que en la teoría aleatoria la propiedad de aproximación, de la
estimación de una variable aleatoria está dada en un error relativo

  2(1  r) ,
donde r es el coeficiente de correlación que en este caso es igual a la proyección
coseno. Para los cálculos de este error muestran que la Wavelet basada en FA
eup(t)
puede producir una varianza relativa del error de 0.00462 (6.8% en valor RMS) y a
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).
Así, la Wavelet basada en FA eup(t) da aproximadamente tres veces menos error
en valor RMS que la Wavelet Coiflets 8.
5.3. ANÁLISIS ROC
Como se vio en los capítulos previos el análisis ROC (Receiver Operating
Characteristic) es una parte integral muy importante de un sistema CAD [9]. La
metodología de ROC se desarrolló inicialmente para la detección en radar, después
se extendió a otros campos [10]. Posteriormente se propuso el análisis ROC en
diagnostico médico por medio de imágenes.
La exactitud de decisión en imágenes médicas depende en la dificultad de los casos
que deben ser clasificados y la habilidad de lectores de la imagen, para las curvas
ROC también dependen de estos factores. El análisis de ROC proporciona una
descripción completa del comportamiento del observador, actualmente que otras
las metodologías de evaluación disponibles, y en principio puede aplicarse a
cualquier clasificación de dos estados.
Cuando se considera los resultados de una prueba particular, por ejemplo, en dos
poblaciones, una población con enfermedad, otra población sin la enfermedad,
raramente se observará una separación perfecta entre los dos grupos. La
distribución de los resultados de la prueba se solapará, como se muestra en la
figura 5.21.
5.21. Distribución de valores en ROC.
Las gráficas ROC son una técnica útil para organizar los clasificadores y visualizar
su comportamiento. Normalmente se usan en las decisiones medicas y en años
recientes se han adoptado cada vez mas en maquinas de aprendizaje y minería de
datos [11]. El objetivo de este análisis es configurar un modelo (computacional,
estadístico, conceptual, etc.) que distinga totalmente a los pacientes enfermos de
los sanos, o mejor que indique si un paciente esta enfermo o sano, y cómo será su
evolución. Generalmente, la exactitud diagnóstica se expresa como sensibilidad y
especificidad diagnósticas. Cuando se utiliza una prueba dicotómica (una cuyos
resultados se puedan interpretar directamente como positivos o negativos). El
método ROC [12] se basa en las definiciones que se muestran a continuación
considerando la tabla 5.2.
Las curvas ROC aportan notables ventajas frente al error de clasificación, por lo
que su uso está ampliamente extendido en problemas de clasificación binarios. Un
caso particular son las aplicaciones médicas [13]. En dichas aplicaciones es
habitual que, a partir del resultado de cierta prueba, se deba emitir un diagnóstico
que será, de forma genérica “paciente sano” o “paciente enfermo”.

Tabla 5.2. Tabulación y nomenclatura de estudios diagnósticos.
Enfermos Sanos
Prueba Positiva a c a+c
Verdaderos Positivos Falsos Positivos Total de Positivos
Prueba Negativa b d b+d
Falsos Negativos Verdaderos Negativos Total de Negativos
a+b c+d a+b+c+d
Total de enfermos Total de sanos Total de casos
5.3.1. SENSIBILIDAD
Es la probabilidad de clasificar correctamente a un individuo cuyo estado real sea
el definido como positivo respecto a la condición que estudia la prueba, razón por
la que también es denominada fracción de verdaderos positivos (FVP). También se
puede ver como la capacidad de un método de reconocer a los enfermos como tales
(estudio positivo frente a la enfermedad), de evitar diagnósticos falsos negativos.
Su representación se observa en la ecuación 5.3.
sensibilidad  Verdaderos (5.3.)

Positivos Falsos Negativos  Verdaderos (enfermos o a
Positivos b)
5.3.2. VALOR PREDICTIVO NEGATIVO (VPN)
Porcentaje de pacientes que estarán sanos cuando la prueba es negativa. Depende
en gran medida de la sensibilidad. La ecuación 5.4 representa este valor.
Valor Predictivo Negativo Verdaderos (5.4.)

 Negativos
Verdaderos Negativos  Falsos Negativos (Total de Negativos o bd)
5.3.3. ESPECIFICIDAD
Es la probabilidad de clasificar correctamente a un individuo cuyo estado real sea

el definido como negativo. También se puede ver como la capacidad de reconocer
a los sanos como tales. Un método con especificidad ideal es aquel que no tiene
falsos positivos, es decir, que siempre que el resultado fuera positivo el paciente
estaría enfermo (estudio negativo frente a la salud). Es sinónimo de fracción de
verdaderos negativos (FVN). La ecuación 5.5 representa esta medida.
Verdaderos Negativos (5.5.)

Especificidad 
Verdaderos Negativos  Falsos (sano ocd)
Positivos s
5.3.4. VALOR PREDICTIVO POSITIVO (VPP)
Porcentaje de enfermos cuando la prueba es positiva. Está relacionado con la
especificidad, dado que ambos dependen del porcentaje de falsos positivos. La
ecuación 5.6 representa la forma de calcular este valor.
Valor Predictivo Positivo  VerdaderosPositivos (5.6.)

VerdaderosPositivos  Falsos Positivos (Total de Positivos o a  b)
5.4. GRÁFICAS ROC
Se pueden presentar clasificadores “buenos o malos” en el espacio ROC [14], el
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.
En la realidad un clasificador de dos estados se representa por una línea recta en
las coordenadas (0,0) a (1,1), el cual también es considerado como un mal
clasificador. En la figura 5.22 se muestran las gráficas ROC que representan un
buen clasificador y un mal clasificador. En la figura 5.23 se presenta una curva
ROC típica, en la cual si un clasificador esta por arriba de la curva es mejor, que si
esta por debajo.

1 1 1
TP TP TP
0 FP 1 0 FP 1 0 FP 1
5.22. Clasificadores ROC: buen clasificador (izquierda), mal clasificador (centro)
y clasificador real (derecha).
TP
0 FP 1
5.23. Curva ROC típica.
5.4.1. MÉTODOS DE CÁLCULO DE LA CURVA ROC
Un primer grupo de métodos para construir la curva ROC lo constituyen los

llamados métodos no paramétricos. Se caracterizan por no hacer ninguna
suposición sobre la distribución de los resultados de la prueba diagnóstica [15]. Un
ejemplo de estos métodos es el que suele conocerse como empírico, que consiste en
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
obtener curvas ROC suavizadas, en contraposición con la forma dentada de la
curva obtenida por el método empírico [16]. La idea es básicamente obtener
estimaciones no paramétricas suavizadas de las funciones de densidad de las dos
distribuciones de resultados de la prueba empleando generalmente estimadores de
tipo núcleo [17].
Los métodos paramétricos se basan en postular un determinado tipo de
distribución para la variable de decisión en las dos poblaciones que se trata de
distinguir. El modelo más frecuentemente utilizado es el binormal, que supone la
normalidad de las variables tanto en la población sana como en la enferma, pero
existen muchos otros modelos posibles que surgen al considerar distintas
distribuciones, similares a la normal como la logística (modelo bilogístico) o no,
como la exponencial negativa [18]. En los métodos paramétricos el problema se
reduce a estimar, a partir del conjunto de entrenamiento, los parámetros de la
distribución, supuestamente conocida, que siguen las muestras de cada clase. En
reconocimiento de formas se utilizan habitualmente dos métodos de estimación de
los parámetros basados en distintos criterios de bondad de la estimación:
estimación por máxima verosimilitud y estimación bayesiana. El primero de ellos
ve los parámetros como cantidades cuyos valores son desconocidos. La mejor
estimación en este caso es la que maximiza la probabilidad de obtener las muestras
observadas en el conjunto de entrenamiento. Los métodos bayesianos, por contra,
ven los parámetros como variables aleatorias con una distribución a priori
conocida. La observación de las muestras de entrenamiento van modificando los
valores de los parámetros iniciales.

5.5. RESULTADOS EXPERIMENTALES CON ROC
De los resultados previos de clasificación en imágenes SAR e imágenes de MG se

realizo el análisis ROC, considerando una estimación no paramétrica obteniendo
las parejas de 1‐especificidad y sensibilidad. Las figuras 5.24 y 5.25 muestran la
evaluación de los clasificadores de imágenes de blanco y desorden, cuando se

consideraron 10 y 50 nodos en la capa oculta, respectivamente.
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
0.20 0.40 0.60 0.80 1.00
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
0.20 0.40 0.60 0.80 1.00
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
de patrones de microcalcificaciones utilizando TW, cuando se consideraron 20, 40,
60, 80 y 100 nodos en la capa oculta, respectivamente.

ANALISIS ROC
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
TP
0.1
0
00.10.20.30.4 0.5 0.60.70.80.91

FP
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
00.10.20.30.4 0.5 0.60.70.80.91

FP
ANALISIS ROC
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
TP
0.1
0
00.10.20.30.4 0.5 0.60.70.80.91

FP
ANALISIS ROC
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
TP
0.1
0
00.10.20.30.4 0.5 0.60.70.80.91

FP
ANALISIS ROC
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
TP
0.1
0
00.10.20.30.4 0.5 0.60.70.80.91

FP
5.6. CONCLUSIONES
Se realizaron diversas pruebas experimentales para comparar las diferentes
funciones Wavelets (clásicas y basadas en FAs) para determinar cuales con
mejores para reconocimiento en tres clases de patrones en imágenes de
mamografía. Se observo que para las tres clases patrones usados en las pruebas, las
familias Wavelets basadas en FAs presentaron mayor porcentaje de
reconocimiento, con relación a sus equivalentes funciones Wavelets clásicas.

La utilización de la Wavelet basada en FA eup(t) permitió mejorar los porcentajes
de reconocimiento en todos los casos para las tres clases diferentes de patrones
(microcalcificaciones, masas circunscritas y lesiones estrelladas).
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
Wavelet basados en la FA eup(t), presentaron una respuesta en frecuencia mejor
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
filtros tienen el mismo número de coeficientes y por consiguiente esto implica la
misma complejidad computacional cuando se implementan en el sistema de
reconocimiento y la otra es que la convergencia del error será del mismo orden
para todos los filtros.
La existencia de los límites de Riesz demostró que los coeficientes de los filtros de
análisis y síntesis son linealmente independientes. La obtención de la proyección
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
asegura que los errores se presentan escasamente en el proceso de descomposición
y reconstrucción.
Con el análisis de las propiedades matemáticas se apreció que las funciones
Wavelets basadas en FAs deben tener mejor desempeño que las funciones
Wavelets clásicas. Por lo cual, se recomienda el uso de las familias Wavelets
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
clasificación de imágenes de mamografía. Los resultados del análisis ROC en
microcalcificaciones muestran que el clasificador tiene mejor desempeño para 80 y
100 nodos en la capa oculta. Se corroboraron resultados con la Wavelet
Daubechies‐8 se obtuvieron las mejores tasas de clasificación con otros métodos
investigados. Se corroboraron resultados con la Wavelet Daubechies‐4 se

obtuvieron las mejores tasas de clasificación con el clasificador de RNA.
5.7. REFERENCIAS
[1] Semmlow J.L. Biosignal and Biomedical Image Processing: MATLAB‐Based

Applications. Marcel Dekker, 2004.
[2] Gulyaev Yu. V, Kravchenko V. F., Pustovoit V. I. A New Class of WA‐
Systems of Kravchenko–Rvachev Functions Doklady Mathematics, 2007, Vol.

75, No. 2, pp. 325–332.
[3] Mallat S. A theory for multiresolution signal decomposition: The wavelet
decomposition, IEEE Trans. Pattern Anal. Mach. Intell., 1989vol. 11, no. 7, pp.
674–693.
[4] Ponomaryov V. I., Sanchez‐Ramirez J. L., and Juarez‐Landin C. Evaluation and

Optimization of the Standard JPEG2000 for Compression of Ultrasound
Images, Telecommunications and Radio Engineering, 2006. V.65, No.11,
pp.1005‐1017, Begell House Edit. USA.
[5] Sanchez J. L. and Ponomaryov V. Wavelet Compression Applying Different

Threshold Types for Ultrasound and Mammography Images GESTS Intern.
Trans on Computer Sciences and Engineering, 2007. V.39, No.1, pp.15‐24,
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.
[9] W. M. YIP, S. Y. PANG, W. S. YIM, C. S. KWOK, “ROC curve analysis of
lesion detectability on phantoms: comparison of digital spot mammography
with conventional spot mammography”, The British Journal of Radiology, 74,
2001, pp. 621–628.
[10] Nancy A. Obuchowski, “Receiver Operating Characteristic Curves and
Their Use in Radiology”, Radiology, Statistical Concepts Series, 2003; 229, pp.
3–8.
[11] Carsten Stephan, Sebastian Wesseling, Tania Schink, Klaus Jung,
“Comparison of Eight Computer Programs for Receiver‐Operating

Characteristic Analysis”, Clinical Chemistry 49:3, 2003, pp. 433–439.
[12] C. Metz. “Evaluation of digital mammography by roc analysis”. Excerpta
Medica, Vol. 1119, pp. 61‐68, 1996.
[13] Ryohei Nakayama, Yoshikazu Uchiyama, Koji Yamamoto, Ryoji Watanabe,
and Kiyoshi Namba, “Computer‐Aided Diagnosis Scheme Using a Filter Bank
for Detection of Microcalcification Clusters in Mammograms”, IEEE

TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 53, NO. 2,
FEBRUARY 2006, pp. 273‐283.

[14] C. Metz, P.Wang, et al. “A new approach for testing the signicance of
differences between ROC curves meassured from correlated data”. In: Proc. of
the Information Processing in Medical Imaging, pp. 432‐445, 1984.
[15] J. Swets. “ROC analysis applied to the evaluation of medical imaging
techniques”. Invest. Radiol., Vol. 14, No. 2, pp. 109‐121, 1979.

[16] J. Hanley and B. McNeil. “The meaning and use of the area under receiver
operating characteristic (ROC) curveî. Radiology, Vol. 143, pp. 29‐36, 1982.
[17] Tom Fawcett , “An introduction to ROC analysis”, Pattern Recognition
Letters, Elsevier, 27 (2006) 861–874.
[18] Zou, K.H., 2002. Receiver operating characteristic (ROC) literature
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
6.1. CONCLUSIONES GENERALES
Como se observó a lo largo de este trabajo, existen imágenes médicas, como la
mamografía y ultrasonido que son muy útiles en la detección temprana de algunos
padecimientos, pero para mejorar su utilidad en el diagnóstico es necesario el
desarrollo de métodos y técnicas especializadas para realizar el análisis de dichas
imágenes. Aunque uno de los principales problemas a enfrentar es que no todos
los métodos son apropiados para toda la gama de imágenes que existen. Por esta
razón en este trabajo se desarrollaron métodos que permitan el análisis de diversos
tipos de imágenes y que a su vez puedan ser aceptados por la comunidad médica,
no solo en cuanto a su utilidad y calidad, sino para evitar posibles fallos en el
diagnóstico.
También se pudo demostrar la eficacia del sistema propuesto para detección en

otro tipo de imágenes como son las de radar de apertura sintética SAR. Con los
métodos propuestos se pudieron detectar eficientemente los blancos en esta
modalidad de imágenes, únicamente adecuando la etapa de pre‐procesamiento
para la naturaleza de este tipo de imagen. Esto demostró que los métodos y
algoritmos desarrollados podrían ser utilizados para reconocimiento en otras
modalidades de imágenes médicas (rayos x, tomografía, etc), e incluso en imágenes
123
no médicas que tengan una naturaleza semejante, únicamente realizando el
adecuado procesamiento.
En cuanto a las dos modalidades de imágenes médicas utilizadas (ultrasonido y
mamografía) se pudo determinar para cada una, que familia de funciones
Wavelets clásicas (Daubechies, Symlets, Coiflets y Biortogonales) es la que
permite obtener los más altos porcentajes de reconocimiento.
También como resultado de esta investigación se pudieron determinar otros
importantes parámetros de la red neuronal como son el número de nodos en la
capa oculta y el factor de convergencia, que permitieron tener un mejor porcentaje
de reconocimiento y mejor acercamiento al nivel de error deseado
respectivamente.
El número óptimo de nodos en la capa oculta de la red neuronal utilizada fueron
200 de acuerdo a los resultados obtenidos, para los tres tipos de patrones en
imágenes de mamografía (microcalcificaciones, masas circunscritas y lesiones
estrelladas). Otro parámetro que se pudo determinar en base a los experimentos
realizados fue el tamaño de los filtros Wavelet utilizados, que fue de 8 coeficientes.
Con la implementación en el sistema de reconocimiento de las familias de
Wavelets basadas en funciones atómicas, se pudieron mejorar sustancialmente los
porcentajes de reconocimiento, sin necesidad de aumentar la complejidad del
sistema ya que los filtros implementados de WFA son del mismo número de
coeficientes que los utilizados con las familias clásicas.
Las propiedades matemáticas calculadas de todos los filtros utilizados en la etapa
de descomposición de los patrones, justifican el mejor funcionamiento de las
familias de WFA con respecto a las familias Wavelet clásicas, especialmente de la

WFA eup(x) que fue la que presento mejores porcentajes de reconocimiento en
todos los casos.
La evaluación mediante análisis ROC del sistema CAD propuesto demuestra la
eficacia del sistema para realizar el correcto reconocimiento de los patrones, tanto
de entrenamiento como de prueba.
La metodología CAD, como se pudo apreciar es importante en el procesamiento de
imágenes médicas, principalmente, por que permite realizar paso a paso un
análisis amplio de las imágenes o patrones.
6.2. TRABAJOS FUTUROS
Un trabajo futuro que se desprende de esta investigación sería el implementar el
sistema CAD propuesto con otras modalidades de imágenes médicas como pueden
ser tomografía o rayos x, adecuando la etapa de preprocesamiento para el correcto
funcionamiento con estas diferentes modalidades. Incluso el sistema propuesto
podría tener aplicación con otras modalidades de imágenes no necesariamente
médicas.
Otro interesante trabajo futuro podría ser la combinación u obtención de otras
Wavelets basadas en funciones atómicas. Así como la implementación del esquema
de reconocimiento propuesto en algún sistema para realizar el reconocimiento de
los patrones en tiempo real, como puede ser en un equipo médico.

Anexo A
Publicaciones
ANEXO A:
“PUBLICACIONES”
ANEXO A.
PUBLICACIONES
A.1. PUBLICACIONES INTERNACIONALES:
 V.I.Ponomaryov, C. Juarez and J‐L‐Sanchez, “Recognition of Targets and
Clutter Radar Images Using Neural Networks”, «Зарубежная
Радиоэлектроника‐ Успехи Современной Радиоэлектроники»‐ Foreign
Radioelectronics Successes of Modern Radioelectronics, Moscow, ISSN 0373‐
2428 pp. 55‐61, 2005, N9.
 Cristina Juarez‐Landin and Volodymyr Ponomaryov, “Classification of

Microcalcifications using Wavelet Transform and neural Networks” GESTS
Intern. Trans on Computer Sciences and Engineering, ISSN 1738‐6438,
V.39, No.1, pp.112‐120, 2007 South Korea, Indexada por Scopus y

INSPEC.
 Cristina Juarez, Maria Elena Castillo, and Volodymyr Ponomaryov
ʺClassification of masses in mammography images using wavelet transform
and neural networksʺ, Proc. of 6th International Kharkov Symposium on

Physics and Engineering of Microwaves, Millimeter, and Submillimeter
Waves (MSMW’07), pp.956‐958, 2007. Indizada por IEEE.
128
142
145
A.2. CONGRESOS INTERNACIONALES:
 Cristina Juarez Landin, José Luis Sánchez Ramírez, Volodymyr
Ponomaryov, “Implementation of Artificial Neural Networks for

recognition of target and clutter images“, Proc. of 2d Int. Conference on
Electrical and Electronics Engineering (ICEEE), pp. 64‐67, México,

Indizada por IEEE.
 Cristina Juarez‐Landin, J. Luis Sanchez‐Ramirez, Volodymyr Ponomaryov,

“Recognition of medical images using wavelet transform and artificial
neural networks”, Proceedings of the 3 International Workshop on

Mathematical Modeling of the Physical Processes in Inhomogeneous Media.
pp. 53‐55, Guanajuato, México, 2005, 24‐25 of October.
 Cristina Juarez‐Landin, Volodymyr Ponomaryov, Jose L. Sanchez‐Ramirez,
“Recognition of ultrasound images using wavelet transform and artificial

neural networks”, Proceedings of the IEEE International Workshop on
Computational Advances in Multi‐Sensor Adaptive Processing. pp. 173‐

176, Puerto Vallarta, México, 2005, Indizada por IEEE.
 Cristina Juarez‐Landin, Volodymyr Ponomaryov, Jose Luis Sanchez‐
Ramirez, Luis Nino‐de‐Rivera, “Patterns Analysis In Mammography
Images Using A Wavelet Transform and Neural Networks”, 19‐TH Biennial
International Eurasip Conference Biosignal. Czech Republic, 2008, ISBN 978‐
80‐214‐3612‐1.
A.3 REGISTRO DE DERECHOS DE AUTOR DE PROGRAMAS:
Juarez Landin Cristina, Ponomaryov Volodymyr, “Algoritmos de

reconocimiento de imágenes médicas implementando redes neuronales
artificiales y ondoletas” Programas de computación. Derecho de Autor. No.
03‐2006‐053111533500‐01, 13/06/2006. Instituto Nacional del Derecho de
Autor.
Anexo B
ANEXO
Índice de Figuras
A
NEXO
B:
A:
ANEXO B. INDICE DE FIGURAS
ANEXO B.
INDICE DE FIGURAS
Figura 2.1. Diagrama de bloques de los procesos en imágenes médicas.............................17
Figura 2.2. Arquitectura CAD..............................................................................................19
Figura 2.3. Esquema de la detección de masas.....................................................................24
Figura 2.4. Diagrama del sistema propuesto por Fu......................................................26
Figura 2.5. Esquema CAD....................................................................................................27
Figura 3.1. Imágenes de blanco y desorden de un radar de apertura sintética.....................31
Figura 3.2. (a) Muestra el periodo en el dominio del tiempo y............................................33
(b) la longitud de onda en el dominio espacial.....................................................................33
Figura 3.3. Tren de pulsos de ultrasonido.............................................................................34
Figura 3.4. Anatomía mamaria y su representación mamográfica.......................................38
Figura 3.5. (a) Masa circunscrita (b) masa espiculada (c) microcalcificaciones (d) distorsión
arquitectural y (e) densidad asimétrica..............................................................................38
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
tumoral espiculada benigna............................................................................................39
Figura 3.7. Microcalcificaciones benignas en tejido graso.......................................................40
Figura 3.8 Ampliación de masa tumoral circunscrita maligna en tejido graso....................42
Figura 3.9. Masa tumoral espiculada maligna en tejido graso glandular.............................43
Figura 3.10. El CAD no marcó la densidad que aparece en la imagen cráneo‐caudal de la

mama izquierda, aunque esta sugiere cáncer a los radiólogos.......................................50
Figura 4.1. Imágenes SAR de blanco y desorden.................................................................58
Figura 4.2. Esquema de procesamiento de imágenes SAR..................................................58
Figura 4.3. Imágenes SAR de blanco y desorden contaminadas por ruido..........................59
Figura 4.4. Imágenes SAR de blanco y desorden contaminadas por ruido..........................60
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
Figura 4.7. Esquema de procesamiento de imágenes SAR con TW....................................63
Figura 4.8. Imágenes SAR después de aplicar TW..............................................................64
Figura 4.9. Porcentaje total de reconocimiento con 10 nodos en la capa oculta..................65
Figura 4.10. Porcentaje total de reconocimiento con 50 nodos en la capa oculta................65
Figura 4.13. Imágenes de ultrasonido...................................................................................67
Figura 4.14. Imágenes de ultrasonido después de aplicar TW en un nivel de
descomposición..............................................................................................................68
Figura 4.15. Porcentaje de clasificación promedio, con 60 nodos en la C.O...........................69
Figura 4.16. Porcentaje de clasificación promedio, con 80 nodos en la C.O...........................69
Figura 4.17. Porcentaje de clasificación promedio, con 100 nodos en la C.O.........................70
Figura 4.18. Wavelets Daubechies: (a) db2, (b) db4, (c) db8 y (d) db16.............................71
Figura 4.19. Coeficientes de los filtros para la db2...................................................................71
Figura 4.22. Coeficientes de los filtros para la db16............................................................72
Figura 4.23. Resultados de clasificación con Daubechies y 60 nodos en la C.O.....................73
Figura 4.24. Resultados de clasificación con Daubechies y 80 nodos en la C.O.....................73
Figura 4.25. Resultados de clasificación con Daubechies y 100 nodos en la C.O...................73
Figura 4.26. Wavelets Symlets: (a) Sym1, (b) Sym2 y (c) Sym4..............................................74
Figura 4.27. Coeficientes de los filtros para la Sym1...........................................................74
Figura 4.30. Resultados de clasificación con Symlets y 60 nodos en la C.O...........................75

Figura 4.33. Wavelets Coiflets: (a) Coif1, (b) Coif2 y (c) Coif4...............................................77
Figura 4.34. Coeficientes de los filtros para la Coif1...........................................................77
Figura 4.37. Resultados de clasificación con Coiflets y 60 nodos en la C.O.............................78
Figura 4.38. Resultados de clasificación con Coiflets y 80 nodos en la C.O.............................78
Figura 4.39. Resultados de clasificación con Coiflets y 100 nodos en la C.O...........................79
Figura 4.40. Wavelets Biortogonales: (a) Bior1.1, (b) Bior2.2 y (c) Bior4.4............................79
Figura 4.41. Coeficientes de los filtros para la Bior1.1........................................................80
Figura 4.44. Resultados de clasificación con Biortogonales y 60 nodos en la C.O.............80
Figura 4.45. Resultados de clasificación con Biortogonales y 80 nodos en la C.O.............81
Figura 4.46. Resultados de clasificación con Biortogonales y 100 nodos en la C.O...........81
Figura 4.47. Comparación de resultados con diferentes nodos en la C.O...........................81
Figura 4.48. Imagen original de MG....................................................................................82
Figura 4.49. Negativo de la imagen y descomposición Wavelet.........................................83
Figura 4.50. Imagen Filtrada................................................................................................83
Figura 4.51. Patrón de microcalcificación y filtrado con su respectivo histograma............84
Figura 4.52. Regiones de un patrón de microcalcificación segmentado..............................84
Figura 4.53. Patrón de microcalcificación y filtrado con su respectivo histograma............85
Figura 4.54. Regiones de un patrón de microcalcificación segmentado..............................85
Figura 4.55. Porcentaje de clasificación de los patrones de microcalcificaciones.....................85
Figura 4.56. Patrones de masas circunscritas.......................................................................86
Figura 4.57. Patrones de masas estrelladas..........................................................................86
Figura 4.58. Porcentaje de clasificación de los patrones de MG................................................87

Atómica up(t) de orden 1 a 5, lado derecho su respectiva transformada de Fourier.. .94
Atómica fup2(t) de orden 1 a 5, lado derecho su respectiva transformada de Fourier. 95
Atómica eup(t) de orden 1 a 5, lado derecho su respectiva transformada de Fourier.....96
Wavelet Symlets y a la derecha usando la Wavelet basada en FA up(t)..............97
Wavelet Symlets y a la derecha usando la Wavelet basada en FA fup2(t)............97
Wavelet Symlets y a la derecha usando la Wavelet basada en FA eup(t).............98
Wavelet Daubechies y a la derecha usando la Wavelet basada en FA up(t)..........98
Wavelet Daubechies y a la derecha usando la Wavelet basada en FA fup2(t)........99
Wavelet Daubechies y a la derecha usando la Wavelet basada en FA eup(t).........99
Daubechies y WFA up(t), para patrones de Microcalcificaciones...................................100
Daubechies y WFA fup2(t), para patrones de Microcalcificaciones................................101
Daubechies y WFA eup(t), para patrones de Microcalcificaciones.................................101
Daubechies y WFA up(t), para patrones de Masas Circunscritas..............................102
Daubechies y WFA fup2(t), para patrones de Masas Circunscritas...........................102

Daubechies y WFA eup(t), para patrones de Masas Circunscritas............................103
Daubechies y WFA up(t), para patrones de Lesiones Estrelladas..............................103
Daubechies y WFA fup2(t), para patrones de Lesiones Estrelladas...........................104
Daubechies y WFA eup(t), para patrones de Lesiones Estrelladas............................104

Figura 5.19. Respuesta en frecuencia de filtros Coiflets 8 (línea continua), Daubechies 8
(línea punteada) y Symlet 8 (línea espacio línea), (a) filtro pasa‐bajas, (b) filtro pasa‐
altas....................................................................................................................................107
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
5.21. Distribución de valores en ROC.................................................................................110
5.22. Clasificadores ROC: buen clasificador (izquierda), mal clasificador (centro) y
clasificador real (derecha)............................................................................................113
5.23. Curva ROC típica........................................................................................................113
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
................................................................................................................................................. 116
................................................................................................................................................. 116
................................................................................................................................................. 116
................................................................................................................................................. 117
................................................................................................................................................................ 117
Anexo C
ANEXO
Índice de Tablas
A
NEXO
B:
A:
ANEXO C. INDICE DE TABLAS
ANEXO C.
INDICE DE TABLAS
Tabla 4.1. Número de iteraciones.........................................................................................60
Tabla 4.2. Porcentaje de reconocimiento de imágenes de blanco........................................61
Tabla 4.3. Porcentaje de reconocimiento de imágenes de desorden....................................61
Tabla 4.4. Porcentaje de reconocimiento de imágenes de blanco........................................62
Tabla 5.1. Propiedades matemáticas de diferentes funciones Wavelet..............................108
Tabla 5.2. Tabulación y nomenclatura de estudios diagnósticos.......................................111
164

Desarrollotecnicas Ipn

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

Desarrollotecnicas Ipn

Cargado por

Copyright:

Formatos disponibles

INSTITUTO POLITECNICO NACIONAL

ESCUELA SUPERIOR DE INGENIERIA MECANICA Y ELECTRICA

SECCIÓN DE ESTUDIOS DE POSGRADO E

M. EN C. CRISTINA JUÁREZ LANDÍN

DR. VOLODYMYR PONOMARYOV

México D.F. JUNIO 2008

4CTA DE R lStON DC TESIS

para examinar la tesis de grado titulada.

Presentada por e/ a/umno.

disposiciones reglamentarias vigentes.

CARTA CESION DE DERECHOS

usuario debeiâ dar el agradecimiento correspondiente y citar la I ente del mismo.

M. en C. Cristina Juârez Landin

Nacional Al Consejo Nacional de Ciencia y

Tecnología Al Dr. Volodymyr Ponomaryov

A los revisores de este

trabajo A la SEPI de ESIME

A la Universidad Autónoma del Estado de

México Al C.U. Valle de Chalco y

Sinceramente, con gran aprecio para

Carmen A Juan M.,

Especialmente con gran amor, dedico esté trabajo para ellos.

1.2. DEFINICIÓN DEL PROBLEMA......................................................................................................8

1.7. ORGANIZACIÓN DE LA TESIS...................................................................................................11

ANEXO B. INDICES DE FIGURAS.........................................................................................14

ANEXO C. INDICES DE TABLAS............................................................................................14

1.8. REFERENCIAS DEL CAPÍTULO..................................................................................................14

2.1. MÉTODOS Y TÉCNICAS DE UN SISTEMA CAD.....................................................................16

2.1.1. ANÁLISIS DE IMAGEN........................................................................................16

2.1.2 PROCESAMIENTO DE IMAGEN.......................................................................................16

2.1.3. ENTENDIMIENTO DE IMAGEN..............................................................................17

2.2.3. ANÁLISIS DE CARACTERÍSTICAS...........................................................................20

2.2.4. SISTEMA DE CLASIFICACIÓN................................................................................22

2.3. ESTADO DEL ARTE........................................................................................................................22

2.3.1. DETECCIÓN COMPUTARIZADA DE MICROCALCIFICACIONES.....................22

2.3.2. MÉTODO PROPUESTO POR CHAN........................................................................23

2.3.2.2 SEGMENTACIÓN DE MICROCALCIFICACIÓN..........................................................................23

2.3.2.3. DETECCIÓN DE MASAS................................................................................................................24

2.3.2.5. REFINAMIENTO DEL OBJETO............................................................................................................25

2.3.2.6. EXTRACCIÓN DE CARACTERÍSTICAS Y CLASIFICACIÓN....................................................25

2.3.3. MÉTODO PARA DETECTAR MICROCALCIFICACIONES.....................................25

2.3.4. ESQUEMA CAD PARA DETECTAR MICROCALCIFICACIONES.......................26

3.1. IMÁGENES SAR (BLANCO Y DESORDEN).........................................................................31

3.2. IMÁGENES DE ULTRASONIDO.............................................................................................31

3.2.1. GENERACIÓN Y DETECCIÓN DE ONDAS DE ULTRASONIDO.......................32

3.2.2. PRINCIPIOS FISICOS Y FISIOLOGICOS DEL ULTRASONIDO........................32

3.2.3. RESOLUCIÓN DE LOS SISTEMAS DE IMAGEN DE US........................................35

3.2.4. ARTEFACTOS EN LA IMAGEN DE US....................................................................36

3.2.5. APLICACIONES DE LA IMAGEN DE US.................................................................36

3.3. IMÁGENES DE MAMOGRAFÍA..............................................................................................37

3.3.1. PRINCIPALES PATOLOGÍAS MAMARIAS ASOCIADAS AL CÁNCER DE MAMA EN

3.3.1.2. MASAS CIRCUNSCRITAS...................................................................................................................42

3.3.1.3. MASAS ESTRELLADAS O ESPICULADAS.................................................................................43

3.3.2. BASE DE DATOS MIAS..............................................................................................44

3.3.3. INCIDENCIA Y MORTALIDAD POR CÁNCER DE MAMA.................................44

3.3.4. SISTEMAS DE DIAGNÓSTICO MAMOGRÁFICO ASISTIDO POR COMPUTADORAS . 47

3.3.4.2. ESTUDIOS RETROSPECTIVOS Y PROSPECTIVOS DE LA EFECTIVIDAD DE LOS CAD

DESARROLLO E IMPLEMENTACIÓN DE ALGORITMOS PARA PROCESAMIENTO DE

4.1. ESQUEMAS DE PROCESAMIENTO PROPUESTOS.............................................................57

4.1.1. IMÁGENES SAR..........................................................................................................57

4.1.1.2. RESULTADOS EXPERIMENTALES DE IMÁGENES SAR: SEGUNDA PARTE...........................60

4.1.1.3. RESULTADOS EXPERIMENTALES DE IMÁGENES SAR: TERCERA PARTE.............................62

4.1.2. IMÁGENES DE ULTRASONIDO...............................................................................66