Journal of Electronic Imaging 19 (2), 023002 (abril-junio de 2010)

Clasificación de tejido robusta para heridas reproducibles

evaluación en entornos de telemedicina

Hazem Wannous
Sylvie Treuillet
Universidad de Orleans
Instituto PRISME - Polytechnique Orléans
45067 Orleans cedex 2, Francia

Yves lucas
Universidad de Orleans
Instituto PRISME - IUT Bourges
63 avenue de Lattre 18020 Bourges
cedex, Francia Correo electrónico:
yves.lucas@bourges.univ-orleans.fr

Resumen. En entornos de telemedicina, una evaluación estandarizada y
reproducible de las heridas, utilizando una cámara digital simple de
manejo libre, es un requisito esencial. Sin embargo, para asegurar una
clasificación robusta del tejido, se debe prestar especial atención al
diseño completo de la cadena de procesamiento del color. Presentamos
los pasos clave que incluyen corrección de color, fusión de etiquetado
experto y clasificación basada en segmentación basada en máquinas de
vectores de soporte. La herramienta así desarrollada garantiza la
estabilidad en condiciones de iluminación, puntos de vista y cambios de
cámara, para lograr una clasificación precisa y sólida de los tejidos de la
piel. Las pruebas clínicas demuestran que una herramienta tan
avanzada, que forma parte de un sistema completo de evaluación de
heridas en 3-D y en color, mejora significativamente el seguimiento del
proceso de cicatrización. Alcanza una puntuación de superposición de
79,3 contra 69.
expertos. © 2010 SPIE e IS&T.DOI: 10.1117 / 1.3378149
3,4
todavía se basa en la inspección visual y las técnicas manuales para
describir la forma del perímetro, la superficie, la profundidad, etc. de la
herida. y la naturaleza biológica del porcentaje de tejidos de la piel de
cada clase, etapa de gravedad de la herida, grado de quemadura, etc. .
Las dimensiones y la forma de la herida se miden actualmente con una
regla ordinaria o, a veces, mediante bocetos en láminas con renglones
cruzados, inyección de suero o molduras de alginato. Si bien se han
desarrollado algunos prototipos para la captura de datos en 3D
mediante técnicas ópticas, son extremadamente costosos y complejos,
lo que los hace inadecuados para la atención hospitalaria de rutina.5-7
De manera similar, evaluar el tipo y la proporción de tejidos sigue siendo
muy empírico, ya que la evaluación se realiza visualmente y luego se
registra en una escala rojo-negro-amarillo que corresponde,
respectivamente, al color dominante de los diferentes tejidos que se

1 Evaluación visual de heridas
El seguimiento del proceso de cicatrización de la herida es una tarea tediosa para los
médicos y enfermeras, ya que es necesario evaluar periódicamente la herida. Todos
los tipos de heridas necesitan evaluación; no solo heridas crónicas sino también
úlceras, quemaduras, heridas traumáticas o quirúrgicas y lesiones dermatológicas.
Además, el cuidado de las heridas es caro, cuesta alrededor de 8 mil millones de
euros al año, ya que el proceso de curación puede durar varios meses y, con el
envejecimiento de la población, esto necesariamente aumentará en un 25% durante
los próximos 10 años. Dado que los costos de atención médica deben reducirse
drásticamente, existe una demanda creciente de que los pacientes sean atendidos
en el hogar y, por lo tanto, de que el monitoreo de heridas aproveche los entornos
de telemedicina. Los experimentos pioneros en esta área consistieron simplemente
en subir imágenes a un sitio web donde un médico podía ver los datos a su
conveniencia.1 En estudios más recientes, se ha agregado el procesamiento de
imágenes, pero solo proporciona una clasificación del estadio de la úlcera.2La
evaluación cuantitativa de heridas crónicas.
Documento 09074RR recibido el 7 de mayo de 2009; manuscrito revisado recibido Feb.
16 de 2010; aceptado para publicación Feb. 22 de 2010; publicado en línea Abr. 8,
2010.
1017-9909 / 2010/19 2 /023002/9/$25.00 © 2010 SPIE e IS&T.
encuentran en una herida: granulación , esfacelo y necrosis. La curación
es una cascada compleja de eventos celulares que operan para
reconstruir el tejido dañado y, dado que los diferentes tejidos pueden
superponerse y ser difíciles de distinguir, la evaluación de la herida no
es sencilla. La falta de datos cuantitativos afecta la coordinación del
personal sanitario y dificulta los estudios clínicos centrados en la
curación. Las cámaras digitales, aunque ahora están muy extendidas en
los centros clínicos, se utilizan solo para el registro ordinario de datos
del paciente y no para el procesamiento de imágenes, ya que el
seguimiento terapéutico de las heridas lo realizan enfermeras.
Varios estudios han abordado el problema de la evaluación digital de
heridas, pero estos intentos no han logrado proporcionar una herramienta
sólida para la clasificación automática de tejidos. Los resultados dependen
demasiado de las condiciones de captura de imágenes, la creación de bases
de datos de muestras, la selección de descriptores de región, el protocolo de
aprendizaje de clases de tejidos, etc., lo que impide que se obtengan
resultados reproducibles con la cadena de procesamiento de imágenes
completa. Varias características contribuyen a dificultar la clasificación
automática. La adquisición de imágenes de la herida requiere habilidad
técnica, especialmente en la habitación del paciente, donde la iluminación no
está controlada. A corta distancia, la profundidad de campo permanece
siempre limitada en el modo macro; la luz ambiental es insuficiente y puede
resultar fácilmente en imágenes borrosas. Además, el paciente rara vez puede
mantener una postura conveniente durante un

Revista de imágenes electrónicas 023002-1 Abril - Junio 2010 / Vol. 19 (2)

Descargado de: http://electronicimaging.spiedigitallibrary.org/ el 05/11/2015 Condiciones de uso: http://spiedl.org/terms

 Wannous, Treuillet y Lucas: clasificación tisular robusta para una evaluación de heridas reproducible...
instantánea. Después de la captura de la imagen, el área de la herida
debe extraerse de la imagen. Los primeros intentos de lograr esto
mediante el uso de medidas de color no tuvieron éxito por completo,
como se informa en la Ref.8, y han sido reemplazados por métodos
semiautomáticos9mediante el ajuste de spline de un conjunto de puntos
de límite o serpientes en un contorno cerrado especificado
manualmente.10La corrección de color a menudo se descuida ya que
todas las fotos se toman con la misma cámara e iluminación durante la
experimentación. Entonces será imposible procesar correctamente las
imágenes de otros centros asistenciales, a menos que las fotos de cada
centro se hayan tomado con cámaras digitales idénticas y ajustes
estandarizados.11A veces, se incluye una mancha blanca en el campo de
visión para estimar el balance de blancos.12
Ocasionalmente, se utiliza un patrón de color para mejorar la corrección
del color, lo que también brinda acceso al factor de escala para las
mediciones dimensionales.9,13Otro paso del preprocesamiento es la
compresión de imágenes, un requisito importante para la gestión de
datos.14El análisis de color necesario para la clasificación de tejidos sobre
la herida es una tarea difícil. Como la clasificación directa en los píxeles
con umbrales simples en componentes de color separados demostró ser
ineficaz debido a la variabilidad y no homogeneidad de los tejidos, se ha
buscado la continuidad espacial a través de un proceso de segmentación.
Por tanto, el proceso de clasificación es impulsado por el proceso de
segmentación.15,dieciséisDurante el siguiente paso, se debe crear una base
de datos de tejidos que cubra todos los grados, ubicaciones y estado de
cicatrización de las heridas. Esta tarea de registro depende
principalmente del personal sanitario, ya que las heridas solo son visibles
después de la limpieza durante el apósito. En muchos estudios, las
muestras de tejido se extrajeron manualmente pidiendo al médico que
seleccionara regiones cuadradas homogéneas de interés dentro de las
imágenes.17La clasificación completa requeriría que durante las pruebas
estas muestras se ubiquen automáticamente en la imagen sin a
priori conocimiento. El uso de fotografías en lugar de examinar al paciente tiene un
impacto en el desempeño de los expertos.18Cuando se consulta a varios expertos,
parece que la variabilidad interobservador es importante, superando la variabilidad
intraobservador.19
Para fines de clasificación, se han probado ampliamente varios descriptores de
región en muestras de tejido de heridas. Los histogramas de color son típicos de la
recopilación de datos estadísticos como tejido
descriptores,12,20pero se ha demostrado que los tejidos aún no pueden
clasificarse de forma robusta en una gran colección de imágenes. Los mejores
resultados se obtuvieron cuando la clasificación se limitó a dos tipos de tejido.
21 o multiplicando las clases de tejidos usando clases híbridas.22 Para mejorar
los resultados, finalmente se han agregado parámetros de textura.17,23
También se han abordado varias herramientas de clasificación y se ha
demostrado que las herramientas supervisadas superan a las demás.24,25 En
muchos
estudios,2,26,27 La evaluación del tipo de tejido no se logra
solo se proporciona el grado o la superficie de la herida o
solo se logra parcialmente.
El objetivo principal de este trabajo es desarrollar una herramienta fácil de usar para la
evaluación del tejido de la herida, para monitorear automáticamente el proceso de
cicatrización. Como solo se utiliza una cámara digital normal, el personal sanitario puede
implementar fácilmente la herramienta.28,29Una mejora significativa en comparación con
trabajos anteriores reside en el hecho de que todos los pasos de la cadena de
procesamiento de imágenes se han diseñado especialmente para proporcionar resultados
de clasificación reproducibles, independientemente de las condiciones de captura de
imágenes o la variabilidad del experto. Este es un requisito imprescindible para posibilitar la
práctica de la telemedicina cuando las imágenes proceden de diferentes centros
asistenciales o de pacientes en
Revista de imágenes electrónicas 023002-2
Descargado de: http://electronicimaging.spiedigitallibrary.org/ el 05/11/2015 Condiciones de uso: http://spiedl.org/terms
casa. Otros logros son la clasificación automática de todo tipo de
tejido de la herida con la precisión de un solo experto. Este artículo
presenta parte de una herramienta completa de evaluación de
heridas que se está diseñando actualmente. Combina el
procesamiento del color de la herida para clasificar los tejidos con
la reconstrucción métrica de la herida en 3D.30-32 A continuación,
nos enfocamos en los diferentes pasos de la cadena de
procesamiento de la imagen de la herida y destacamos las
contribuciones originales del método. La Sección 2 presenta el
diseño de la base de datos de muestras de tejido, incorporando
corrección colorimétrica y escalado con un patrón calibrado y la
extracción de muestras de tejido fusionando varias etiquetas de
médicos. La Sección 3 describe la selección y ajuste de algoritmos
adaptados para la segmentación automática de la imagen de la
herida. La Sección 4 detalla la selección de descriptores de color y
textura para las muestras de tejido, y el aprendizaje de un
clasificador SVM de máquina de vectores de soporte. En la sec. 5
presentamos los resultados de la clasificación, antes de concluir
con el trabajo actual y las perspectivas.
2 Extracción de muestras de tejido
2.1Creación de una base de datos de imágenes de heridas
Se creó una base de datos de imágenes de heridas crónicas con la ayuda del
personal clínico de varios hospitales para obtener un conjunto representativo de
imágenes para diferentes tipos de tejidos como entrada para la cadena de
procesamiento de imágenes de la herida Fig. 1 . A
El requisito preliminar era adquirir imágenes de heridas de buena
calidad que cubrieran todas las patologías. Una variedad de heridas
crónicas, úlceras por decúbito en el sacro y talón, úlceras en las
piernas, pies diabéticos, etc. se recopiló de diferentes servicios de
atención que incluyen gerontología, rehabilitación, diabetología y
dermatología. Se tomaron varios cientos de imágenes en color de 3
megapíxeles y 24 bits con diferentes cámaras digitales en
condiciones de iluminación incontrolada, siguiendo un protocolo
específico que incluía varios ángulos de visión para cada herida.
2.2Corrección de color
El color es la pista principal para la evaluación visual de los tejidos de la herida, pero el proceso de adquisición de
imágenes puede alterarlo fácilmente. Por tanto, la clasificación de tejidos fiable sólo será posible si se presta
especial atención a la constancia del color. Dos factores juegan un papel importante aquí. Primero, las
condiciones de iluminación en la habitación del paciente no están controladas e impiden monitorear la curación
de los tejidos a lo largo del tiempo. Incluso cuando se utiliza un fl ash, la influencia de la iluminación no se
elimina ya que el ángulo de la cámara es diferente en cada visita. Otro problema es que cada cámara produce
diferentes imágenes de la misma escena. La sensibilidad espectral es específica para cada sensor CCD o CMOS y
una cámara, como con cualquier sistema de imágenes digitales, incorpora un sistema de procesamiento de color
personalizado. Los ajustes también se realizan durante el disparo mediante el control automático del balance de
blancos. Por lo tanto, la corrección de color debe abordar dos tareas distintas: primero, obtener una respuesta
constante de la cámara digital mediante la identificación de las condiciones de iluminación, y segundo, calibrar la
respuesta de color de la cámara digital. Para lograr esto, se introdujo en el campo de visión un patrón de
corrector de color estándar de Macbeth, proporcionando también el factor de escala en las diferentes imágenes.
Calculamos la iluminación mediante el algoritmo de parche retinex-white antes de ajustar el balance de color. A
continuación, los parches de color permiten una transformación correcta del proporcionando también el factor
de escala en las diferentes imágenes. Calculamos la iluminación mediante el algoritmo de parche retinex-white
antes de ajustar el balance de color. A continuación, los parches de color permiten una transformación correcta
del proporcionando también el factor de escala en las diferentes imágenes. Calculamos la iluminación mediante
el algoritmo de parche retinex-white antes de ajustar el balance de color. A continuación, los parches de color
permiten una transformación correcta delRgb valores de salida
Abril - Junio 2010 / Vol. 19 (2)
 Wannous, Treuillet y Lucas: clasificación tisular robusta para una evaluación de heridas reproducible...

Higo. 2CIE Eab el color de la imagen cambia bajo diferentes fuentes de luz antes de la
corrección en la última fila y después de la corrección en la primera fila.

impacto significativo en los cambios de color y demuestra que la corrección

de color es esencial en un entorno de teleasistencia, que involucra a varios
centros de atención donde las condiciones prácticas difieren ampliamente.
Después de la corrección, la estabilidad colorimétrica alcanza el límite de
discernimiento para un observador humano. Para completar este
experimento de laboratorio, analizamos de manera similar los cambios de
color en las fotos tomadas durante el paso de la herida.
realiza un examen en el hospital; CIE Eabse redujo a
3,5 2,9. Estos valores más pequeños se explican por menos variados
condiciones de iluminación. También observamos que en la habitación
del paciente, diferentes puntos de vista pueden inducir diferencias de
color superiores a 8 unidades entre las vistas antes de la corrección.

2.3Etiquetado de imágenes multiexpert

La base de datos de imágenes de la herida recopilada se envió a un grupo de

médicos para etiquetarla de acuerdo con el código de color clásico utilizando
nuestra interfaz gráfica. Esta interfaz permite al usuario trazar límites cerrados con
Higo. 1Cadena de procesamiento de imágenes en color.
una tableta digitalizadora o un mouse y rellenarlos con etiquetas de colores. En esta
aplicación de imágenes médicas, proporciona los datos de entrada para construir la
referencia médica absoluta mediante la combinación de datos de expertos, ya que

en referencias expresadas en estándar Rgb un dispositivo- los trazados de los médicos son de forma libre. Se tomaron precauciones con

espacio de color independiente introducido por Hewlett-Packard respecto a las condiciones de iluminación y la calibración del color de las pantallas

utilizando un modelo polinomial adecuado. gráficas para garantizar una reproducción fiel durante

Se realizaron varias pruebas de laboratorio para medir con

precisión la influencia de las condiciones prácticas durante la toma
de imágenes en el hospital o en el domicilio del paciente en el caso
de la teleasistencia. Se evaluaron los cambios de color debidos a la
cámara digital utilizada, la iluminación ambiental y el ángulo entre
el eje óptico de la cámara y el patrón de color normal.
atado por computación CIE Eab distancia de color entre las imágenes de entrada y las
corregidas, ya que los espacios de color de percepción son más
apropiado antes del etiquetado del médico. Se compararon tres
cámaras digitales: una Leica D-Lux3 compacta, una Sony DSC-H5 puente
y una Canon EOS 350D re fl exible. Se consideraron seis fuentes de luz:
flash, tungsteno, sol directo, neón,
halógeno y luz diurna. Prácticamente, elCIE Eab color dis-
La tancia se promedia en los 24 parches del patrón de color.
Los resultados, también promediados en cinco ángulos de visión de 0 a 40 grados
con pasos de 10 grados, muestran cambios de color de aproximadamente
15 unidades en el CIE Eab escala en las imágenes de entrada, reducida a 5
unidades en las imágenes corregidas Figs. 2 y 3 . Esto con fi rma Higo. 3CIE Eab el color de la imagen cambia usando diferentes cámaras digitales antes de la
que tanto la fuente de luz como la cámara digital tienen un corrección en la fila trasera y después de la corrección en la primera fila.

Revista de imágenes electrónicas 023002-3 Abril - Junio 2010 / Vol. 19 (2)

Descargado de: http://electronicimaging.spiedigitallibrary.org/ el 05/11/2015 Condiciones de uso: http://spiedl.org/terms

 Wannous, Treuillet y Lucas: clasificación tisular robusta para una evaluación de heridas reproducible...

tabla 1 Sistemas operativos intraexpertos. Tabla 3 Ajuste de parámetros y sistemas operativos de cuatro segmentos no supervisados
métodos de tación.

Experto en SO%
Algoritmo Espacio Parámetro libre Ajuste final HUESO

Clase de tejido 1 2 3 4 Promedio CSC Rgb SD 25 64,6

Granulación 73,9 65,0 55,9 66,7 65,4 0,5

Mudar 77,4 73,8 55,3 71,4 69,5 EGBIS Rgb k 200 61,3

Necrosis 81,4 91,4 59,5 81,9 78,6 min 100

Promedio de expertos 77,6 76,7 56,9 73,3 71,2 r 8

Cambio medio L*a*b* h 6.5 72,6

las sesiones de etiquetado. Los médicos no habían visto previamente a
los pacientes correspondientes a las heridas para eliminar cualquier
influencia externa. El etiquetado de tejidos se llevó a cabo dos veces, con
un mes de diferencia, por cuatro médicos en 50 imágenes de heridas
para medir la precisión durante el etiquetado. Usamos la puntuación de
superposición normalizada OS, clásicamente usada para comparar una
segmentaciónS a una verdad fundamental GRAMO por SG / SG.
Esto se promedió sobre todas las muestras de tejido ponderadas
por sus áreas correspondientes. Como 0 OS 1, se puede expresar
como un porcentaje. La SG obtenida por el mismo etiquetado
clínico, con un mes de diferencia, se muestra en la Tabla1. Té
Las etiquetas de los diferentes médicos se fusionaron para obtener
una referencia médica única y confiable para la evaluación del
algoritmo. Se aplicó un criterio de voto mayoritario para etiquetar
cada píxel y solo se retuvieron los píxeles para los cuales el 75% o
más de las evaluaciones de heridas incluidas en una sola clase de
tejido. A continuación, se calcularon los SG entre los trazados
clínicos y esta tabla de referencia médica.2 .
Se pueden hacer varias observaciones. Primero, la SG entre los
médicos y la referencia sigue siendo moderada del 55 al 76% ya que las
etiquetas se basan en el diagnóstico subjetivo del médico, que puede no
estar familiarizado con la evaluación de heridas en una computadora,
sin un examen directo del paciente; además, cada médico no produce
etiquetas similares un mes después del 57 al 78%. Las puntuaciones
obtenidas para la clase de tejido de esfacelo son las más bajas, ya que
este tipo de tejido a menudo se mezcla con necrosis y porque la
granulación crece debajo de las áreas de esfacelo. Una cuestión muy
práctica de estos sistemas operativos inter e intraexpertos es
proporcionar un objetivo de rendimiento que se alcanzará mediante el
proceso de clasificación automática.
min 100
J-SEG L*u*v* metro 0,2 73,1
q 300
3 Segmentación de la herida
Seleccionamos cuatro algoritmos de segmentación avanzados no
supervisados que son eficientes en imágenes texturizadas para
proporcionar una delimitación automática de muestras de tejido y para
simplificar el siguiente paso de clasificación extrayendo atributos locales
más robustos y discriminantes en áreas de tejido que con la clasificación
directa de píxeles. fi cación: la estructura de color codificada33CSC, la
segmentación de imágenes eficiente basada en gráficos34EGBIS, el
cambio medio,35 y la segmentación de valor J J-SEG.36 Cada
de estos algoritmos está controlado por unos pocos ad hoc libre pa-
parámetros que deben ajustarse con precisión. En particular, el número
de regiones de salida es fundamental; La subsegmentación conduce a
clasificaciones erróneas de regiones que incluyen varias clases de
tejidos, mientras que la segmentación excesiva aumenta el tiempo de
procesamiento posterior y da como resultado errores de clasificación en
regiones diminutas donde no se pueden obtener descriptores confiables
y sólidos sin evidencia estadística. Como el tamaño de la herida puede
variar significativamente, el patrón de color colocado en el campo de
visión también captura el factor de escala de la imagen, un requisito
previo para extraer datos estadísticos de la imagen. Por tanto, los
parámetros libres se ajustaron para cada algoritmo por comparación
con la referencia médica. Se estableció un ajuste único y fijo para cada
algoritmo en toda la base de datos de imágenes.3 .

Para evaluar la eficiencia de la segmentación en nuestra base de datos de

Tabla 2 OS entre clínicos y médicos de referencia. heridas, la comparamos con la referencia médica construida sobre los trazados de
los médicos. Primero, asignamos a cada región sin etiquetar la clase de tejido
representada principalmente en el área correspondiente de la referencia médica. En
Experto en SO%
segundo lugar, la concordancia entre el etiquetado asignado y la referencia médica
se midió mediante el sistema operativo introducido en la Sec. 2 Fig.4 . Los SG
Clase de tejido 1 2 3 4 Promedio promediados en 50 imágenes corregidas de diversas patologías de heridas se
presentan en la última columna de la Tabla3. Los SG altos confirman que la
Granulación 73,2 72,7 39,3 71,0 64,1
segmentación es un valioso paso previo al procesamiento antes de la clasificación

Mudar 58,9 76,0 42,8 70,8 62,1 para una delimitación automática de las áreas de tejido.

Necrosis 79,3 77,1 82,6 85,6 81,2

Podemos ver que el algoritmo de segmentación más adecuado para el
Promedio de expertos 70,5 75,3 54,9 75,8 69,1
procesamiento de imágenes de heridas es el sistema operativo promedio J-SEG de
73,1% seguido del cambio medio. Una validación final

Revista de imágenes electrónicas 023002-4 Abril - Junio 2010 / Vol. 19 (2)

Descargado de: http://electronicimaging.spiedigitallibrary.org/ el 05/11/2015 Condiciones de uso: http://spiedl.org/terms

 Wannous, Treuillet y Lucas: clasificación tisular robusta para una evaluación de heridas reproducible...

Cuadro 4 Descriptores de color y textura.

Descriptor Símbolo Espacio Tamaño Tiempo s

Histograma h-RGB 3-D Rgb 64 0,6

Histograma h-LAB 3-D Laboratorio 218 1,56

Histograma h-HSV 2-D HS 256 1,99

Histograma h-rg 2-D rg 256 1,60

Media dominante MCD-DCD Laboratorio / RGB 8 0,41

Dolor lumbar h-LBP GL 256 5.3

Dolor lumbar h-LBP GL 59 1,5

Matriz de co-ocurrencia GLCM Rgb 15 0,48

Higo. 4Evaluación del algoritmo de segmentación: una imagen original y Filtro de gabor Cajero automático Rgb 15 1,6
referencia médica b, resultados de segmentación yc etiquetas
correspondientes. Anisotropía de contraste ESO GL 2 0,23

de esta selección tendrá lugar después de la clasificación automática en

la Sec. 4, al comparar las tasas de clasificación obtenidas por cada
estrategia de segmentación. El poder del algoritmo J-SEG reside en la
separación del proceso de segmentación en dos etapas de
procesamiento independientes: cuantificación del color ajustada porq 0q
600 y seg-
Mentación controlada por metro 0metro1.
Como los SO entre el rastreo manual del médico y las regiones
presegmentadas son bastante relevantes, se diseñó una segunda
interfaz para permitir a los médicos etiquetar directamente las regiones
presegmentadas de forma automática Fig. 5 . Esta interfaz es mucho
menos exigente para los expertos, ya que solo se requieren simples clics
del mouse en las regiones. Sobre la misma base que en la Sec. 2, se
desarrolló una referencia médica práctica fusionando los resultados del
etiquetado de varios expertos. Se seleccionó un total de 850 regiones
tisulares significativas entre 1200 muestras dentro de la base de datos.
Las muestras seleccionadas presentan los tipos habituales de tejidos:
48% de granulación, 38% de esfacelos y 14% de necrosis en promedio,
en relación con el número de muestras, con al menos un 75% de
acuerdo entre los expertos.
4 Clasificación de tejidos
4.1Generación de vectores de características
Nos centramos en los descriptores de color y textura ya aplicados
en los sistemas de imágenes dermatológicas, especialmente para
tejidos de heridas y úlceras. El color es probablemente la señal de
imagen más dominante, como lo demuestra la evaluación visual de
descriptores que tenemos extraídos son el descriptor de color medio
MCD, los descriptores de color dominantes adaptados localmente
DCD basados en el algoritmo de agrupación de colores iterativos
Mean Shift,35 e histogramas de color 2-D y 3-D17,20,37 probado
en diferentes espacios de color y tamaños. La textura también es
una pista relevante para la descripción del tejido si se calcula en un
vecindario debidamente escalado a la estructura local. Si bien las
investigaciones clínicas indican que es menos relevante que el
color, proporciona datos complementarios. Varios descriptores de
textura conocidos de colorRgb componentes de oro
La imagen de nivel de gris GL se extrajo de las regiones de tejido de
la herida. Estos descriptores son características basadas en Gabor
GAB calculadas en cinco escalas, histogramas de LBP de patrón
binario local,37Características de la matriz de co-ocurrencia de nivel
de grises de Haralick38GLCM, y la tabla CA de anisotropía y
contraste de textura normalizada 4 . El tiempo de cálculo
representa una imagen de 512 384 procesada por una CPU
Pentium 4 de 3,4 GHz de PC. Puede variar ligeramente, según la
cantidad de regiones y el tamaño real de la herida dentro de la
imagen. Para proporcionar una evaluación y una eficiencia más
consistentes de la cadena de procesamiento de imágenes, el
desempeño de estos descriptores también se evaluó directamente
en la salida del clasificador, ver Sec. 5.3.
4.2Diseño de clasificación SVM
Inicialmente diseñadas para la clasificación binaria después del aprendizaje

curación rojo / amarillo / negro durante las visitas clínicas. El color
Higo. 5Interfaz gráfica para etiquetado manual experto.
supervisado, las máquinas de vectores de soporte SVM también se utilizan para
problemas multiclase a través de estrategias uno contra todos y uno contra uno.39La
separación de clases no lineal en un espacio de baja dimensión puede resultar en
una separación inteligente en un espacio de mayor dimensión, utilizando una
función de kernel adecuada. El punto clave del diseño del clasificador SVM sigue
siendo la elección de la función del kernel, principalmente porque ningún kernel
universal se ajustará a todas las aplicaciones, dependiendo de la base de datos de
imágenes y los descriptores de entrada.40El clasificador SVM seleccionado aquí es un
algoritmo de margen suave llamado C-SVM disponible en línea en http://
www.csie.ntu.edu/ucjlin/libsvm. Ha sido probado calculando la característica
operativa del receptor ROC

Revista de imágenes electrónicas 023002-5 Abril - Junio 2010 / Vol. 19 (2)

Descargado de: http://electronicimaging.spiedigitallibrary.org/ el 05/11/2015 Condiciones de uso: http://spiedl.org/terms

 Wannous, Treuillet y Lucas: clasificación tisular robusta para una evaluación de heridas reproducible...

Cuadro 5 Poder predictivo de varios descriptores de color y textura.

Característica Descriptor Se% Sp% Sr% Oa%

Color h-RGB 58 87 72 80

h-LAB 66 87 76 82

h-HSV 62 87 75 81

h-rgb 57 86 72 80

MCD-DCD 67 89 78 84

Textura h-LBP 30 78 54 66

m-LBP 29 77 53 66
Higo. 6Curvas ROC obtenidas por cuatro granos diferentes.
GLCM 54 82 68 72

47 81 64 71
curvas para varios núcleos clásicos: lineal, polinomial,
Cajero automático

función básica radial RBF y perceptrón Fig. 6 . Después de la ESO 32 79 55 68

selección de un kernel en particular, sus parámetros deben ser
ajustados. En el caso del kernel de perceptrón finalmente seleccionado, Col. + Tex. MCD-DCD + GLCM 77 92 84 88
solo hay un parámetro libre; controla la penalización de un error de
clasificación y se ha ajustado mediante una técnica de búsqueda de
líneas.
Durante la etapa de aprendizaje del clasificador, cada conjunto de muestras se
dividió por igual en subconjunto de entrenamiento y de prueba, luego se aplicaron ción a cada clase de tejido contando las regiones bien
varias iteraciones a través de un k-doblar en cruz clasificadas y mal clasificadas. En el segundo, tomamos en
validación con k =5 para seleccionar aleatoriamente el conjunto de cuenta la superficie de cada región de tejido clasificada para
entrenamiento antes de promediar los resultados. Cada vector de calcular el porcentaje total de áreas bien clasificadas sobre las
características se probó con diferentes configuraciones de los imágenes completas de la herida.
parámetros del clasificador durante un proceso hacia atrás y hacia
adelante. Para evaluar la calidad de un método de diagnóstico, es
común que los médicos calculen medidas predictivas como la 5.1Clasificación de tejidos específicos
sensibilidad Se, la Sp específica, la tasa de éxito Sr y la precisión El experimento reportado aquí se realizó en toda la base de datos.
general Oa, que son estimadores confiables de desempeño.41Esto Se volvieron a aplicar diez iteraciones para seleccionar
nos permitió comparar el poder de discriminación de los aleatoriamente el conjunto de entrenamiento y se promediaron los
descriptores de entrada Tabla 5 . resultados finales. Para evaluar el grado de concordancia entre dos
Las múltiples pruebas muestran que los mejores resultados se juicios, el coeficiente estadístico kappa se usa ampliamente en el
obtienen finalmente combinando 23 atributos, incluido MCD-DCD campo médico, evitando puntuaciones altas no significativas
como descriptor de color y GLCM como descriptor de textura como cuando se vota al azar.42Los resultados de la tabla 7 demostrar el
entrada del clasi fi cador C-SVM implementado con un parámetro Eficiencia del clasificador frente a expertos individuales en
de kernel de perceptrón. C =100. Para evaluar el desempeño del comparación con la referencia médica. Además, produce
enfoque SVM de manera más completa, también lo comparamos puntuaciones altas en las regiones necróticas, que son críticas en
con otras estrategias, con los mismos descriptores como entrada. las decisiones médicas, ya que puede ser necesario un tratamiento
Seleccionamos otros métodos supervisados clásicos, comoK-NN K clínico inmediato e invasivo si se detectan tales regiones. Se obtuvo
vecino más cercano y borrosoK-NN y un coeficiente kappa promedio de 0,81, lo que se considera una
k-Medios como uno sin supervisión. Como antes, dividimos el mismo concordancia bastante buena.
conjunto de datos al azar en conjuntos de entrenamiento y de prueba
para programar la tabla del clasificador.6 .
Podemos ver que el aprendizaje no supervisado es ineficaz para
Tabla 6 Comparación de desempeño para varios clasificadores.
clasificar las muestras de tejido en cuatro clases diferentes,
mientras que el enfoque supervisado parece ser bastante relevante
para este tipo de problemas y gracias a su capacidad de Clasificar Se% Sp% Sr% Oa%
generalización, el poder discriminador de SVM es inigualable.
K-NN 63 86 75 80

5 Resultados experimentales
Difuso K-NN 66 87 77 81
A Validar esta herramienta de clasificación aplicada a la evaluación de
heridas crónicas, las puntuaciones estadísticas globales no son k-Medio 39 77 58 68
suficientes. Para acercarse a las mediciones clínicas, en las siguientes
SVM 77 92 84 88
subsecciones se describen dos series de pruebas. En el primero,
examinamos por separado el desempeño del clasificador en relación

Revista de imágenes electrónicas 023002-6 Abril - Junio 2010 / Vol. 19 (2)

Descargado de: http://electronicimaging.spiedigitallibrary.org/ el 05/11/2015 Condiciones de uso: http://spiedl.org/terms

 Wannous, Treuillet y Lucas: clasificación tisular robusta para una evaluación de heridas reproducible...

Cuadro 7 Coeficiente Kappa para la clasificación de muestras de tejido.

Expertos

Clase de tejido 1 2 3 4 SVM

Granulación 0,87 0,74 0,68 0,82 0,80

Mudar 0,75 0,78 0,54 0,80 0,79

Necrosis 0,65 0,87 0,44 0,79 0,85

Promedio 0,75 0,79 0,55 0,80 0,81

5.2Evaluación global de imágenes de heridas

En las pruebas anteriores, el rendimiento de la clasificación se
examinó globalmente para cada tipo de tejido. No se tuvo en Higo. 7Tres ejemplos de evaluación automática de heridas en comparación
cuenta ni la herida de la que provenía la muestra ni el área de con la referencia médica: imagen original de la a a la c, clasificación
superficie de cada tejido en la herida. Sin embargo, en automática de la d a la f y la referencia médica de la g a la i.

aplicaciones clínicas, la clasificación errónea de un área

pequeña no tiene el mismo impacto que la de una gran. Por lo
tanto, es importante medir la calidad de la evaluación
directamente en varias heridas, con la tabla de puntuaciones
ponderadas por áreas8 .
Después de promediar el colegio de expertos, parece que el
clasificador se desempeña mejor que un solo experto. Esto es
posible porque el paso de aprendizaje se basa en una referencia
establecida por varios expertos y, por lo tanto, se basa en pruebas
más sólidas. Figura7 muestra los resultados de clasificación
obtenidos en diferentes imágenes de heridas. Se pueden hacer
varias observaciones. En primer lugar, el poder de separación de
las clases de tejidos es constante en varios lugares y patologías
dolor por presión del sacro, úlcera en la pierna, herida en el tobillo.
En segundo lugar, no se ve afectado por los tonos de piel de los
diferentes pacientes o las condiciones de iluminación encontradas.
Además, el clasificador no se confunde con las reflexiones sobre las
regiones de granulación húmedas.
5.3 Influencia del preprocesamiento en la clasificación
Es Es interesante verificar que los ajustes adoptados de los
algoritmos y el ajuste de los parámetros sí optimizan la salida del
clasi fi cador. En la siguiente subsección, evaluamos la influencia de
dos opciones principales de preprocesamiento en los resultados de
la clasificación final: la corrección de color y el algoritmo de
segmentación. Comparamos los resultados de la clasificación para
cada tipo de tejido, con y sin corrección de color.
tabla de pasos 9 . Está claro que la contribución de la corrección de
color es significativa. Su efecto es particularmente notable en los
tejidos de esfacelo y necrosis, que son muy sensibles a los cambios
de color. Como podemos ver en la Fig.8, el control automático del
balance de blancos de la cámara no compensa correctamente el
cambio de color introducido por la iluminación ambiental y el fondo
de color. Los resultados de la segmentación mejoran claramente
cuando se elimina este cambio de color.
Para seleccionar el algoritmo de segmentación más eficiente,
calculamos en la Sec. 3 un SO virtual después de asignar a cada
región segmentada la clase de tejido representada principalmente
en el área correspondiente de la referencia médica, debido a la falta
de clasificación automática. Una SG alta fue una indicación valiosa
para ayudar a seleccionar un método de segmentación en
particular, pero siguió siendo difícil elegir entre métodos con
puntuaciones similares. La influencia real del paso de
segmentación puede medirse directamente en la salida del
clasificador. Demuestra que el algoritmo J-SEG es de hecho la mejor
opción en estas imágenes de heridas, seguido de la tabla de
desplazamiento medio10 .
En un nivel inferior, el ajuste de los parámetros del algoritmo de
segmentación también puede tener un impacto significativo en el
rendimiento del clasificador, en particular, el tamaño medio de las
regiones segmentadas. Fig. 9 . Esto se controla en el

Cuadro 9 SO en porcentaje sin y con corrección de color.

Tabla 8 OS promediados de expertos y clasi fi cadores en porcentaje de com-
comparado con la referencia médica.
Clase de tejido Corrección No. Corrección

Clase de tejido Expertos Algoritmo Granulación 85 85

Granulación 64,1 85 Mudar 52 70

Mudar 62,1 70 Necrosis 50 83

Necrosis 81,1 83 Piel saludable 84 92

Promedio 69,1 79,3 Promedio 67 83

Revista de imágenes electrónicas 023002-7 Abril - Junio 2010 / Vol. 19 (2)

Descargado de: http://electronicimaging.spiedigitallibrary.org/ el 05/11/2015 Condiciones de uso: http://spiedl.org/terms

 Wannous, Treuillet y Lucas: clasificación tisular robusta para una evaluación de heridas reproducible...

Higo. 8Imagen de la herida segmentada por el algoritmo J-SEG a antes y b

después de la corrección de color. Color solo en línea.

Algoritmo J-SEG ajustando los dos parámetros libres metro Higo. 9Ajuste del nivel de segmentación: una sobresegmentación, b
y q ver Sec. 3. Comparamos el desempeño del clasificador segmentación intermedia yc subsegmentación.
obtenido con diferentes niveles de segmentación y observamos
que la sensibilidad Se aumenta de 66.2 a 80.6m =0,4 años
q =400 cuando el número de regiones aumenta de 350 a 1000 y
El patrón de color limitado a los tonos de la herida debería permitir una
desciende ligeramente a 78,2 cuando el número de regiones llega a
corrección de color más nítida con el mismo número de manchas. La
1500. Las medidas estadísticas necesarias para calcular los descriptores
ampliación de la base de datos de heridas actual también está en curso
de tejidos no son relevantes en regiones diminutas. Es preferible una
para mejorar la caracterización de tejidos y la educación del personal
ligera segmentación excesiva porque en nuestra estrategia de
clínico. En términos prácticos, un sitio web ya está listo para que el
segmentación impulsada por la clasificación, la subsegmentación
personal clínico cargue imágenes de heridas. Otra mejora es posible
conduce inevitablemente a la clasificación errónea de grandes áreas.
gracias a la reconstrucción tridimensional de la herida que logramos al
Descubrimos experimentalmente que un umbral de aproximadamente
combinar imágenes de varios puntos de vista de la cámara. Esta
50 pixeles 1 cm2 de tejido es un buen compromiso.
herramienta avanzada para la evaluación de heridas nos permite
calcular las áreas de tejido reales mapeando los resultados de la
6 Conclusión
clasificación de tejidos en las superficies tridimensionales de la herida.
ParaEl desarrollo de la evaluación remota de heridas en entornos de telemedicina,
se diseñó un sistema basado en el procesamiento de imágenes para reemplazar el
Expresiones de gratitud
examen visual por parte de los médicos con la clasificación automática de tejidos. El
diseño del sistema permite resultados reproducibles y estandarizados requeridos Este programa de investigación cuenta con el apoyo del Fondo
para tal práctica. En primer lugar, se prestó especial atención a garantizar la Social Europeo y de la Delegación Francesa de Investigación y
independencia de las condiciones prácticas de adquisición de imágenes, como el Tecnología.
tipo de cámara digital, la iluminación y el punto de vista. Esto se logró mediante la
corrección de color en las imágenes de entrada y la segmentación de imágenes sin
Referencias
supervisión, combinando el análisis de color y textura. En segundo lugar, la
1. J. Lowery, J. Hamill, E. Wilkins y E. Clements, "Descripción técnica de un
evaluación automática alcanza el nivel de confianza de un experto humano. Esto se
sistema de telemedicina basado en la web para la evaluación de heridas",
obtuvo mediante la combinación de varios resultados de expertos durante el paso Adv. Cuidado de heridas de la piel15 4, 165-169 2002.
de aprendizaje y mediante la elección de descriptores de tejido que lo dictaminan 2. D. Kosmopoulos y F. Tzevelekou, “Diagnóstico automatizado de lesiones por úlceras por
presión para sistemas de telemedicina”, IEEE Eng. Medicina. Biol. revista
como entrada para el clasi fi cador de SVM. Mediante medidas directas a la salida del
26 5, 18-22 2007.
clasificador de tejidos, demostramos que las opciones anteriores son relevantes y 3. P. Unger, C. Fife y D. Weir, "Capturando la esencia de la evaluación de
permiten una mejora global del rendimiento del sistema. Se obtiene una SG de heridas", Clínica de heridas de hoy. 2 2, 38-42 2008.
4. M. Romanelli, G. Gaggio, M. Coluccia, F. Rizzello y A. Piaggesi, "avances
79,3% entre los tejidos clasificados y la referencia médica, que se compara tecnológicos en las mediciones del lecho de la herida",Heridas
favorablemente con la puntuación media de 69,1% obtenida por un solo clínico. Aquí 14 2, 58-66 2002.
5. TA Krouskop, R. Baker y MS Wilson, "Un sistema de medición de heridas
se pueden mencionar varias perspectivas de este trabajo. Primero, una especi fi
sin contacto", J. Rehabil. Res. Dev.39 3, 337–345 2002.
6. A. Malian, A. Azizi y FA Van Den Heuvel, "Medphos: un nuevo sistema
fotogramétrico para la medición médica", En t. Arco. Pho-
togramm. Sensores remotos.35, 929–933 2004.
7. M. Callieri, P. Cignoni, M. Coluccia, G. Gaggio, P. Pingi, M. Romanelli y R.
Scopigno, "Derma: seguimiento de la evolución de las lesiones cutáneas
con un sistema 3-D", en Proc. 8º Int. Taller de Visión, Modelado y
Visualización,páginas. 167-174, Munich 2003.
8. B. Jones y P. Plassmann, "Un instrumento para medir las dimensiones de
Tabla 10 SO en porcentaje para los cuatro métodos de segmentación. las heridas en la piel", IEEE Trans. Biomed. Eng.42 5, 464–470
1995.
9. H. Oduncu, A. Hoppe, M. Clark, RJ Williams y KG Harding, "Análisis de imágenes de
Clase de tejido J-SEG Cambio medio CSC EGBIS heridas en la piel mediante el procesamiento digital de imágenes en color: una
comunicación preliminar", En t. J. Low. Extrem. Heridas3 3,
151-156 2004.
Granulación 85 77 61 26 10. P. Plassmann y T. Jones, "Modelos de contorno activos mejorados con
aplicación a la medición de úlceras en las piernas", J. Electron. Imagen
Mudar 70 75 69 59 12 2, 317-326 2003.
11. J. Molnar, W. Lew, D. Rapp, E. Gordon, D. Voignier, S. Rushing y
Necrosis 83 72 24 34 W. Willner, "Uso de fotografía digital cuantitativa estandarizada en un
estudio multicéntrico basado en la web", Eplastia 9 4, 20–45 2009.
12. P. Plassmann y T. Jones, "Mavis: un instrumento no invasivo para medir el
Piel saludable 92 86 70 66 área y el volumen de las heridas", Medicina. Eng. Phys.20, 332–338
Julio de 1998.
Promedio 83 77 60 46 13. YV Haeghen, JM Naeyaert, I. Lemahieu y W. Philips, "Un sistema de
imágenes con adquisición de imágenes en color calibradas para uso en
dermatología", IEEE Trans. Medicina. Imagen19 7, 722-730 2000.

Revista de imágenes electrónicas 023002-8 Abril - Junio 2010 / Vol. 19 (2)

Descargado de: http://electronicimaging.spiedigitallibrary.org/ el 05/11/2015 Condiciones de uso: http://spiedl.org/terms

 Wannous, Treuillet y Lucas: clasificación tisular robusta para una evaluación de heridas reproducible...

14. C. Serrano, A. Begona, R. Rangaraj y LM Roa, "Compresión sin pérdidas 38. RM Haralick, K. Shanmugam e I. Dinstein, "Características de textura para
basada en segmentación de imágenes de quemaduras", J. Electron. Soy- la clasificación de imágenes", IEEE Trans. Syst. Hombre Cybern.3 6, 610–
envejecimiento 10 3, 720-726 2001. 621 1973.
15. M. Celebi, Y. Aslandogan y P. Bergstresser, "Detección de bordes sin supervisión 39. C.-W. Hsu y C.-J. Lin, "Una comparación de métodos para máquinas de vectores de
de imágenes de lesiones cutáneas", en Proc. En t. Conf. en Tecnología de la soporte de clases múltiples",IEEE Trans. Neural Netw.13 2, 415–425
Información: Codificación y Computación (ITCC05),Vuelo. 2, págs. 123-128, IEEE 2002.
Computer Society, Washington, DC 2005. 40. O. Chapelle, V. Vapnik, O. Bousquet y S. Mukherjee, "Choosing kernel
16. M. Celebi, H. Kingravi, H. Iyatomi, Y. Aslandogan, W. Stoecker, R. Moss, J. parameters for support vector machines", Mach. Aprender.46,
Malters, J. Grichnik, A. Marghoob, H. Rabinovitz y S. Menzies, “Detección 131–160 2001.
de fronteras en imágenes de dermatoscopia utilizando la combinación 41. AJ Alberg, JW Park, BW Hager, MV Brock y M. Diener-West, "El uso de la
de regiones estadísticas ", Skin Res. Technol.14 3, 347–353 2008. 'precisión general' para evaluar la validez de las pruebas de detección o
17. M. Galushka, H. Zheng, D. Patterson y L. Bradley, "Clasificación de tejidos basada de diagnóstico", J. Gen. Intern Med.19, 460–465
en casos para controlar la cicatrización de úlceras en las piernas", en Proc. 18 2004.
IEEE Symp. en sistemas médicos basados en computadora,páginas. 353–358 42. J. Landis y G. Koch, "La medición de la concordancia del observador para
2005. datos categóricos", Biometría 33, 159-174 1977.
18. T. De fl oor y L. Schoonhoven, "Confiabilidad entre evaluadores del sistema de
clasificación de úlceras por presión epuap mediante fotografías", J. Clin. Nurs.
Hazem Wannous recibió su título de posgrado
13, 952–959 2004.
19. D. Beeckman, L. Schoonhoven, J. Fletcher, K. Furtado, L. Gunningberg, H. de la DEA en visión para aplicaciones robóticas de
Heyman, C. Lindholm, L. Paquay, J. Verdu y T. De fl oor, “Epuap classi fi la Universidad de Clermont-Ferrand, Francia, en
cation sistema para úlceras por presión: estudio europeo de fiabilidad ”. 2003, su maestría en procesamiento de imágenes
J. Adv. Nurs.60 6, 682–691 2007. e inteligencia artificial de la Universidad de
20. P. Berris, “Adquisición de imágenes de heridas en la piel y medición de la tasa de Bourgogne, Francia, en 2005, y obtuvo su
cicatrización y el estado de las heridas mediante el procesamiento de imágenes en doctorado en procesamiento de imágenes en la
color”, tesis doctoral, Universidad de Reading, Reino Unido 2000.
Universidad de Orleans, Francia, en 2008. Luego
21. A. Pérez, A. Gonzaga y J. Alves, “Segmentación y análisis de imágenes en
pasó un año como profesor asistente bajo
color de úlceras en las piernas”, en Proc. En t. Taller de Imagen Médica y
Realidad Aumentada,páginas. 262–266, IEEE Computer Society, contrato con la Ecole Polytechnique, Universidad
Washington, DC 2001. de Or-
22. H. Zheng, L. Bradley, D. Patterson, M. Galushka y J. Winder, "Nuevo protocolo se inclina. Actualmente es investigador asociado en el Laboratorio IMS de la
para la clasificación del tejido de la úlcera de la pierna a partir de imágenes en Universidad de Burdeos. Sus intereses de investigación incluyen el aprendizaje
color", en Proc. 26 ° Int. Anual. Conf. de la Sociedad de Ingeniería en Medicina automático, el reconocimiento de patrones tanto en imágenes como en videos, y la
y Biología del IEEE,Vuelo. 1, págs. 1389-1392 2004. visión geométrica.
23. OG Cula, KJ Dana, FP Murphy y BK Rao, "Modelado de texturas de la piel",
En t. J. Comput. Tornillo.62 1-2, 97-119 2005.
24. B. Belem, “Evaluación de heridas no invasivas mediante análisis de imágenes”, Sylvie Treuillet recibió su maestría en
tesis doctoral, Universidad de Glamorgan, Gales 2004. electrónica de la Universidad de Clermont-
25. H. Mesa, L. Morente y F. Veredas, “Reconocimiento de tejidos para la Ferrand en 1988. Durante dos años, estuvo en
evaluación de úlceras por presión”, en Actas de ECIFMBE, S.-V. Berlín, Ed., una empresa privada en Montpellier
Vuelo. 22, págs. 1524-1527 2008. desarrollando métodos de procesamiento de
26. H. Sanada, T. Moriguchi, Y. Miyachi, T. Ohura, T. Nakajo, K. Tokunaga, M.
imágenes y reconocimiento de patrones en
Fukui, JM Sugaa y A. Kitagawa, “Confiabilidad y validez del DISEÑO, una
herramienta que clasi fi es la gravedad de las úlceras por presión y citogenética automática. Luego se unió al
supervisa la curación ", J. Cuidado de heridas 13 1, 13-18 de 2004. laboratorio de investigación LASMEA y recibió su
27. G. Hansen, E. Sparrow, J. Kokate, K. Leland y P. Iaizzo, "Evaluación del estado de la herida doctorado en visión por computadora en 1993 de
mediante procesamiento de imágenes en color", IEEE Trans. Medicina. la Universidad de Clermont-Ferrand. Desde
Imagen dieciséis 1, 78–86 1997. 1994, ha sido profesora asistente en
28. H. Wannous, S. Treuillet e Y. Lucas, "Clasificación de tejido supervisada a partir de ciencias de la computación e ingeniería electrónica en la Ecole Poly- técnica de
imágenes en color para una herramienta completa de evaluación de heridas", en
la Universidad de Orleans, Francia. Ahora miembro del Instituto PRISME, sus
Proc. 29th Ann. En t. Conf. de la Sociedad de Ingeniería en Medicina y
intereses de investigación incluyen el procesamiento de imágenes en color y
Biología del IEEE,páginas. 6031–6034 2007.
29. H. Wannous, Y. Lucas y S. Treuillet, "Clasificador de SVM eficiente basado en características de
la visión por computadora para el modelado 3-D, el reconocimiento de
región de color y textura para imágenes de tejido de la herida", en Medical Imaging 2008: objetos y el seguimiento para aplicaciones biomédicas o industriales. Ha
Diagnóstico asistido por computadora, ML Giger supervisado alrededor de quince tesis de maestría o tesis doctorales y ha
y N. Karssemeijer, Eds., Proc. SPIE6915, 69152T 2008. publicado más de 50 artículos.
30. H. Wannous, Y. Lucas, S. Treuillet y B. Albouy, "Fusión de clasificación de tejido de
múltiples vistas basada en el modelo 3-D de la herida", Lect. Notas
Computación. Sci., 5259, 924–935, 2008. Yves lucas recibió su maestría en matemáticas
31. H. Wannous, Y. Lucas, S. Treuillet y B. Albouy, “Una herramienta completa de discretas de la Universidad de Lyon 1, Francia, en
evaluación de heridas en 3-D para una clasificación y medición de tejidos 1988 y su título de posgrado de la DEA en
precisa”, en Proc. IEEE Int. Conf. sobre procesamiento de imágenes (ICIP), ciencias de la computación y control automático
págs. 2928–2931 2008. del Instituto Nacional de Ciencias Aplicadas en
32. B. Albouy, Y. Lucas y S. Treuillet, "Modelado 3-D a partir de imágenes en color no Lyon, Francia, en 1989. Luego se centró en la
calibradas para una herramienta completa de evaluación de heridas", en Conf. campo de la programación de sistemas de visión
Proc. IEEE Eng. Medicina. Biol. Soc.Vuelo. 2007, páginas. 3323–3326 2007.
basados en CAD y recibió su doctorado de INSA
33. L. Priese y V. Rehrmann, "Segmentación rápida y robusta de escenas de
color natural", en Proc. Conf. Asiática sobre Visión por Computador, Lect. Lyon, Francia, en
Notas de cálculo. Sci.1351, 598–606 1998. 1993. Posteriormente se unió a la Universidad de
34. P. Felzenszwalb y D. Huttenlocher, "Segmentación eficiente de imágenes Orleans, Francia, donde fue colocado en
basada en gráficos", En t. J. Comput. Tornillo.59 2, 167–181 2004. a cargo del grupo de visión en el laboratorio de Visión y Robótica, que se
35. D. Comaniciu y P. Meer, "Cambio medio: un enfoque sólido hacia el análisis del espacio centra en la reconstrucción de objetos en 3-D y la segmentación de imágenes
de características", IEEE Trans. Patrón Anal. Mach. Intell. en color. En 2008 se incorporó al Instituto PRISME de la Universidad de
24 5, 603-619 2002. Orleans, donde actualmente forma parte del grupo de investigación Imagen y
36. Y. Deng y BS Manjunath, "Segmentación no supervisada de regiones de
Señales para Sistemas. Es autor de más de 40 artículos de actas de congresos
textura de color en imágenes y videos", IEEE Trans. Patrón Anal. Mach.
Intell.23 8, 800–810 2001. y revistas internacionales. Su investigación en
37. M. Kolesnik y A. Fexa, "Histogramas de color multidimensionales para la Los intereses incluyen aplicaciones robóticas de aprendizaje y puesta a punto,
segmentación de heridas en imágenes", Lect. Notas de cálculo. Sci.3656, diseño de sistemas de visión, reconocimiento de y para uso médico, industrial y
1014–1022 2005. patrones y análisis de imágenes.

Revista de imágenes electrónicas 023002-9 Abril - Junio 2010 / Vol. 19 (2)

Descargado de: http://electronicimaging.spiedigitallibrary.org/ el 05/11/2015 Condiciones de uso: http://spiedl.org/terms