Clasificación de tejidos mediante características
fractales de la imagen mamográfica
Jesús Rubén Azor Montoya, Mónica Mariana Azor Baigorria
Facultad de Ingeniería Universidad de Mendoza. Hospital Español
Mendoza, Argentina
jesus.azor@um.edu.ar
marian_azor0@yahoo-com.ar
Abstract—La utilización de computadoras en ayuda del
diagnóstico, se está imponiendo como un elemento central en la
discriminación de patrones normales o patológicos en las
imágenes médicas. Gracias al aporte en la Web de instituciones
médicas universitarias a nivel internacional, es posible proveerse
de una extensa casuística, con la correspondiente interpretación
por parte de avezados profesionales, que permite poner a prueba
los distintos algoritmos propuestos. Concretamente, se plantea
trabajar con ventanas de imágenes de la zona de interés (ROI,
Region of Interest) y procesarlas para encontrar los contornos a
ser tratados con el algoritmo "box-counting" a fin de establecer
las dimensiones fractales de las secciones analizadas. La
pretensión de este trabajo es la de presentar una propuesta
didáctica que permita a alumnos avanzados en las carreras de
bioingeniería e investigadores en esta rama de la ciencia, a
realizar actividades multidiciplinarias (junto a médicos,
matemáticos, programadores, etc.) que permitan desarrollos en
Diagnóstico Asistido por Ordenador de Mamografías (CADM).
I. INTRODUCCIÓN
El cáncer de mama es la enfermedad más común de las
mujeres en el mundo moderno después del cáncer de pulmón, las
estadísticas muestran que el riesgo de una mujer en desarrollar este
tipo de patología es de 1/8.
La mamografía es la herramienta más eficaz para la
detección y diagnóstico de lesiones de la mama. En las últimas
décadas, los exámenes médicos de prevención de esta enfermedad se
han convertido en un acto generalizado, por lo que la cantidad de
mamografías interpretadas por un radiólogo ha aumentado
dramáticamente [9], [10].
A. Consideraciones sobre el cáncer de mama
La mayoría de los tipos de células cancerosas en su
momento forman un bulto o masa llamada tumor y llevan el nombre
de la parte del cuerpo donde se inician los compromisos iniciales del
mismo.
El cáncer de mama se origina en el tejido mamario, el que
se encarga de la producción de leche, en glándulas llamadas lóbulos
y en los conductos que conectan los lóbulos al pezón.
Los tumores de pecho son masas que aparecen en forma de
regiones densas en las mamografías Las masas benignas poseen
generalmente límites suaves, redondeados y bien circunscritos,
mientras que los tumores malignos tienen límites spiculated
(estrellados), ásperos y borrosos.
Además, se han observado diferencias sutiles de textura
entre masas benignas y malignas siendo sobre todo las primeras
homogéneas y las segundas de textura heterogénea.
Debido a la naturaleza sutil y compleja de los hallazgos
radiológicos asociados con el cáncer de mama, los errores en el
diagnóstico por esta técnica se pueden atribuir a factores humanos
tales como diferentes criterios de decisión, distracción por otras
características de la imagen, etc..
Esa es la principal causa de muchos errores de diagnóstico,
lo que explica que entre el 10 y el 30% de los cánceres que podrían
haber sido detectados se pierden.
Por otro lado, un alto porcentaje de los pacientes re-
llamados a la exploración resultan no tener cáncer. Debido a esto,
mucha de la investigación se ha orientado a métodos para el
desarrollo de clasificadores de zonas sospechosas de tejido
mamográfico. Esto podría ayudar a los radiólogos a mejorar la
eficacia de los programas de detección y evitar biopsias innecesarias.
Los tumores cancerosos presentan un cierto grado de
aleatoriedad asociado con su crecimiento, y son típicamente
irregulares y de forma compleja, por lo tanto, el análisis fractal puede
proporcionar una mejor medida de sus patrones complejos que la
geometría euclidiana convencional [3], [4].
Los sistemas asistidos por computadora pueden mejorar el
proceso de análisis de las imágenes por parte del profesional médico
y sus resultados pueden servir como una pre-lectura al radiólogo y
darle una "segunda opinión" en el diagnóstico.
II. HIPÓTESIS Y OBJETIVOS DE LA INVESTIGACIÓN
Se plantea como hipótesis que se puede desarrollar una
serie de recursos, basados en técnicas fractales, para construir
sistemas de apoyo a los profesionales expertos en mamografía para
automatizar el análisis de las imágenes de tumores con las que
cotidianamente interactúan.
Esto es, la elaboración de softwares apropiados para dicha
tarea que sean de fácil utilización y eficientes en la discriminación de
casos benignos y malignos.
A. Objetivo general
Realizar un trabajo científicamente validado que permita a
alumnos avanzado en las carreras de Bioingeniería y Medicina,
realizar actividades multidisciplinarias (junto a matemáticos,
programadores, etc.) que permitan el desarrollo de herramientas de
análisis en Diagnóstico Asistido por Ordenador de Mamografías
(CADM)..
B. Objetivos específicos
 Promover en los estudiantes el espíritu de la investigación
científica.
 Transferir a las cátedras involucradas el Estado del Arte de
las disciplinas en cuestión.
 Mejorar las técnicas de diagnóstico en los estudios
mamográficos.
 Incentivar a los participantes del Proyecto en la publicación
y presentación de trabajos científicos en Revistas y
Congresos.
III. MATERIALES Y MÉTODOS
Para la evaluación comparativa de los algoritmos a
desarrollar, se va a utilizar una base de datos de prueba estándar
(conjunto de datos) para poder comparar directamente los resultados
obtenidos con los de publicaciones del mismo tenor.
En primera instancia se habrá de aplicar un procesamiento
de imagen adecuado a la región de interés (ROI) que la selecciona un
especialista en la actividad. El citado procesamiento consiste en la
aplicación de operaciones tales como filtrado, umbralamiento y
matemática morfológica con el fin de determinar el "contorno" de la
lesión.
Una vez logrado este cometido se utilizará, entre otros, un
sencillo algoritmo llamado box-counting, para determinar la
dimensión fractal [1], [2] de la figura,
Toda esta secuencia se hará a través del uso de un software
general como Matlab ® (T.M, Mathwork) [7], [8].
A partir de las dimensiones fractales obtenidas, se
procederá a clasificar la lesión según esta medición en contraste con
la información pertinente aportada por las Bases de Datos, aportada
por expertos y con prácticas posteriores realizadas como biopsias,
por ejemplo. Finalmente, se extenderán los resultados a datos locales
obtenidos desde la casuística lograda en centros sanitarios del medio.
Si la suposición N(r) = k.(1/r)D es correcta, los puntos
deberían estar (aproximadamente) sobre una línea recta.
Esto es evidencia de fractalidad, aunque en general se
necesita más probanzas, por ejemplo, si la forma exhibe tipos
similares de estructura sobre un cierto rango de escalas.
Se da un ejemplo sencillo de aplicación del Método Box-
counting a una imagen de la curva de Koch (cuya dimensión fractal
es conocida en forma determinística).
Como se puede apreciar en las imágenes de la figura 1, se
proponen tres grillas de dimensiones r=1/4 (16 divisiones), 1/8 (64
divisiones) y 1/16 (256 divisiones) y se realizan los correspondientes
conteos

IV. ALGORITMO BOX-COUNTING Figura 1. Aplicación del Método Box-counting a la imagen de la curva de
Se pueden utilizar muchos procedimientos para calcular la Koch.
dimensión fractal y uno de los más fáciles para aplicar es el
algoritmo box-counting [5], [6]. El mismo ofrece dos ventajas Resultando los valores de conteo 6, 14 y 40, con lo que se
principales: i) es fácil para poner en práctica en el caso de utilizar construye la tabla y gráfico de la figura 2:
una computadora y ii) se puede aplicar para imágenes no importa
cuán complejas sean.
Los fractales naturales no contienen copias totalmente
similares a sí mismos. Por lo tanto, surge el siguiente
cuestionamiento: ¿Se puede medir la dimensión fractal si no hay
aparentemente un factor de escala?.
Para ello se ha propuesto el siguiente procedimiento:

 Se cubre la forma con una grilla de cajas y se cuenta el

número de cajas que tocan cualquier parte ella.
 Se repite para grillas con cajas más y más pequeñas.

Denotando por N(r) el número de cajas de la grilla cuya

longitud de lado es r que tocan cualquier parte de la forma, se asume
que:
Figura 2. Gráfico log-log para la curva de Koch.

Lo que conduce una recta ajustada b+m.x (b=ordenada al

donde k es una constante de proporcionalidad, restando por
resolver el valor D. Tomando el logaritmo en ambos miembros
Aquí D y k son constantes, log(N(r)) y log(1/r) varían con
r. De modo que esta expresión tiene la forma:
que es la ecuación de una línea recta con pendiente D
recibiendo el nombre de dimensión box-counting.
Si en un caso particular se han contado las cajas
"ocupadas" para grillas de longitudes de lado r1, r2, ..., rM y estos
valores son N(r1), N(r2), ...,N(rM).
Para calcular D a partir de estos datos, se procede de la
siguiente forma:
 Se grafican los puntos log(1/r1), log(N(r2), ..., log(1/rM),
 Se encuentra la línea del mejor ajuste a través de esos
puntos y se mide la pendiente.
origen= -0.06, m= pendiente=1.368). Siendo por lo tanto la
dimensión fractal D=1.368 lo cual es una primera aproximación al
valor teórico verdadero de 1.262, al que se tiende trabajando con
grillas cada vez más finas.
Es interesante visitar la página
http://classes.yale.edu/fractals/Software/boxdim.html de la
Universidad de Yale, que contiene detalles de cálculo con el
simulador BoxDim. En el mismo, el box-counting se realiza
rellenando cajas sobre la figura obteniéndose la tabla de datos y con
ellos el gráfico y el valor de la dimensión fractal.
III. PROCESAMIENTO DE LA IMAGEN RADIOLÓGICA
BI-RADS (Breast Imaging Reporting y Data System) es un
sistema muy complejo propuesto por el Colegio Americano de
Radiología (ACR) para clasificar las lesiones mamográficas.
La finalidad del sistema BI-RADS es estandarizar el
reporte mamográfíco para reducir la confusión en la interpretación de
imágenes de mama y facilitar el seguimiento de los resultados.
El sistema BI-RADS consta de cinco categorías numeradas
de 1 a 5, cada una de ellas caracteriza un tipo de lesión mamográfica
e implica una acción determinada como tratamiento.
 Las cinco categorías son:

 BI-RADS 1 - Esta categoría se refiere a los casos negativos

 BI-RADS 2 - También describe una lesión negativa, pero
en este caso el intérprete podría desear describir un
hallazgo
 BI-RADS 3 - Se refiere a un hallazgo probablemente
benigno, en este caso se sugiere un corto intervalo de
seguimiento.
 BI-RADS 4 - Caracteriza a las lesiones que no tienen los
rasgos morfológícos de cáncer de mama, pero tienen una
probabilidad definida de ser malignas. En esos casos, el
radiólogo puede recurrir a una biopsia.
 BI-RADS 5 - Caracteriza a las lesiones que tienen una alta
probabilidad de ser cáncer

Lo que se propone en este trabajo es desarrollar un caso

particular que muestre el procesamiento necesario para determinar un Figura 3. Caso 18 (izquierda) con la Región de Interés (ROI) marcada, ROI
recortada (derecha).
"contorno" desde la Región de Interés (ROI) de una imagen
adquirida desde un banco de datos público, convenientemente
informado por expertos reconocidos. Ahora se convierte la imagen de niveles de gris a imagen
La citada Base de Datos pertenece al Departamento de binaria mediante "umbralamiento", esto es, establecido un valor de
Radiología de la Universidad de Washington y se halla alojada en la referencia (umbral) todos los elemento de la matriz menores o
dirección: iguales que él, se ponen a 0 y los mayores a 1.
http://www.rad.washington.edu/academics/academic- El comando Matlab que realiza esta tarea es im2bw y
sections/mbi/education/mammoed/teaching-files necesita como argumentos el nombre de la matriz y el umbral
Aquí se encuentran una gran cantidad de archivos de (número entre 0 y 1).
imágenes diseñadas para la educación de los residentes de radiología El resultado de estas tareas utilizando un umbral th=0.65
y becarios. Tiene el propósito de informar a los pacientes sobre los permite obtener una imagen como la indicada en la figura 4 (a).
tratamientos o las decisiones de gestión.
Los casos y los contenidos se actualizan continuamente
para reflejar los cambios en los conocimientos médicos, tecnología
de imagen y práctica clínica. Está permitida la utilización de los
archivos de imagen de mama con fines educativos y de investigación,
siempre que se atribuya la Universidad de Washington la
información del copyright.
La dimensión fractal se utilizará como una herramienta
para la clasificación: las lesiones con un contorno regular son más
probablemente benignas, mientras que las lesiones con un contorno
de forma irregular son más probablemente malignas.
Se tomará como referencia el Caso 18, cuya imagen se
puede observar en la Figura 3 (izquierda) con su respectiva Región Figura 4 – (a) Imagen procesada con los comandos rgb2gray e im2bw. (b)
de Interés (ROI) a la derecha. Imagen con contorno delineado.
Para esta ocasión, la imagen se ha copiado en el
Portapapeles y se ha pegado en Paint, para posteriormente VI. CÁLCULO DE LA DIMENSIÓN FRACTAL
seleccionar la sección delimitada por el rectángulo en la figura 3 Para calcular este indicador se recurre a ImageJ, un
(derecha) generando un archivo de imagen .bmp con el cual se habrá software Open Source de dominio público basado en Java para
de trabajar con ayuda de Matlab. procesamiento de imagen. Se ejecuta o bien como un applet online o
En una primera instancia se adquiere el archivo de imagen como una aplicación descargable
como un conjunto de tres matrices numéricas conteniendo cada una (http://rsbweb.nih.gov/ij/download.html). Existen versiones para
las "cantidades" de rojo, verde y azul (RGB) mediante el comando Windows, Mac OS, Mac OS X y Linux.
imread. Para operar con ImageJ la imagen a procesar debe ser la
Posteriormente, la imagen debe transformarse a niveles de inversa de la Figura 4 (b). Esto es, 0 (negro) y 1 (blanco).
gris lo que se puede realizar mediante el comando rgb2gray aplicado El procedimiento consiste en cargar en primera instancia la
al conjunto de las tres matrices, produciendo una matriz única con imagen y luego hallar la dimensión fractal, como se indica
elementos de valores comprendidos entre 255 (negro) y 0 (blanco). gráficamente en la figura 5.
En un proceso posterior, se traza un esbozo de las áreas
blancas: todos los píxeles blancos que tienen al menos un negro
vecino se convertirá en parte del contorno (cada píxel tiene 8
vecinos: N, NE, E, SE, S, SV, V, NV). El resto de los pixeles se
transforma en píxeles negros. Esto lleva a una imagen como la
mostrada en la figura 4 (b).

Figura 5. Operación con ImageJ para hallar la dimensión fractal de la imagen
ImageJ realiza automáticamente el box-counting arrojando
los resultados que se visualizan en la Figura 6.
Las experimentaciones de distintos investigadores a nivel
mundial fijan como límite numérico a la dimensión fractal en 1.4.
Valores superiores indican sospechas de tejidos malignos en la
región de interés (ROI), valores menores apuntan a casos benignos
[11].
En el caso tomado como referencia (el número 24 de la
Base de Datos de la Universidad de Washington) D=1.122, lo que
indica tejido benigno que se confirma con el informe ad hoc.
VII. CONCLUSIONES Y PROYECCIONES FUTURAS
Lo expuesto, no hace más que marcar un itinerario para
futuras investigaciones que lleven a utilizar esta herramienta como
una ayuda en el diagnóstico. A partir de una casuística abundante es
posible encontrar clasificadores automáticos que permitan entregar al
profesional médico "otra dimensión" a lo que objetivamente está
observando.
La idea tras esta exposición está en el desarrollo
mancomunado por parte de distintos especialistas (ingenieros,
médicos, programadores) de un sistema interactivo que haga
"amigables" todo los procesos y entreguen, en tiempo y forma, un
punto de vista desde la automática para ser contrastado con la
experticia del radiólogo.
Concretamente se aprecia que, a partir de la medida de
rugosidad concerniente a la dimensión fractal, valores más altos de
este parámetro indican menos regularidad en los contornos lo que
está asociado a lesiones malignas. Mientras, valores bajos de la
dimensión fractal se refieren a contornos más suaves indicando
lesiones benignas.
RECONOCIMIENTOS
Este trabajo de investigación está financiado por la
Facultad de Ciencias Médicas de la Universidad de Mendoza en
conjunto con la Facultad de Ingeniería de la misma institución.
Se agradece al Decano, Dr. Enrique Gorri, el apoyo en
estas tareas al igual que al Hospital Español de Mendoza por el
aporte de casuística médica.
Figura 6. Procedimiento box-counting realizado por ImageJ sobre la
región de interés (ROI) de la imagen mamográfica.
REFERENCIAS
[1] Mandelbrot, B., "The Fractal Geometry of Nature". W. H. Freeman,
New York, 1982.
[2] Barnsley, M. F., Rising, H. "Fractals Everywhere". 2nd ed. Boston,
MA: Academic Press, 1993
[3] Nguyen, T., Rangayyan, R. "Shape Analysis of Breast Masses in
Mammograms via the Fractal Dimension". Proceedings of the 2005
IEEE Engineering in Medicine and Biology 27th Annual Conference
Shanghai, China, September 1-4, 2005.
[4] Deering, W., West, B. "Fractal Physiology". Department of Physics
University of North Texas. IEEE Engineering in medicine an
Biology. 1992.
[5] Cunha de Carvalho, H. "Geometria Fractal: Perspectivas e
possibilidades para o ensino de Matemática". Disertación,
Universidad Federal de Pará (Brasil). 2005.
[6] Falconer, K. "Fractal Geometry, Mathematical Foundations and
Applications". Reader in Mathematics, University of Bristol. John
Wiley & Sons Ltd. 1990.
[7] Vrobel, S. "Fractal Time". The Institute for Advanced
Interdisciplinary Research, Houston, Texas, U.S.A. 1998.
[8] Gonzalez, R.C., Woods, R.E. "Digital Image Processing Using
Matlab", Prentice Hall, Upper Saddle River, New Jersey.
2004.Interdisciplinary Research, Houston, Texas, U.S.A. 1998.
[9] Napolitano, A., Ungania, S., Cannata, V. "Biomedical
Images".(http://creativecommons.org/licenses/by/3.0). 2012
[10] Lopes, R., Betrouni, N. "Fractal and multifractal analysis: A
review". Medical Image Analysis 13, 634–649. 2009.
[11] Sztojánov, I., Crişan, A., Popescu Mina, C., Voinea, V. "Image
Processing in Biology Based on the Fractal Analysis". Based on the
Fractal Analysis, Image Processing, Yung-Sheng Chen (Ed.).
Politehnica University of Bucharest. 2010.