TECNOLÓGICO NACIONAL DE

MÉXICO (TecNM)
INSTITUTO TECNOLÓGICO SUPERIOR
P’URHÉPECHA (ITSP)

INGENIERÍA BIOMÉDICA

INVESTIGACIÓN

“RECONSTRUCCION DE IMÁGENES PET:

DETECCION DE BORDES”

Presenta:

ALEJANDRA GASPAR GUTIERREZ

MITZI LILIAN MEJIA OLIVA

EVELIN VILLEGAS RAMIREZ

ADRIANA FUENTES GARCIA

ARMANDO PONCE CAGOLLA

Docente:
PROFESOR: ALEJANDRO HERRERA MARTINEZ

Cherán, Michoacán,
México Junio del 2023

1
INDICE

1.- INTRODUCCIÓN .............................................................................................................................. 3

2.- MARCO TEORICO............................................................................................................................ 4
2.1 PET ................................................................................................................................................ 4
2.1.1 PROCEDIMIENTO PARA LA PET .............................................................................................. 5
2.1.2 USOS DE LA PET ...................................................................................................................... 5
2.1.3 TIPOS DE PET .......................................................................................................................... 6
2.1.4 DESVENTAJAS DE LA PET ........................................................................................................ 7
2.2 DETECCIÓN DE BORDES ................................................................................................................ 7
2.2.1 DETECTOR DE BORDES DE CANNY ......................................................................................... 7
2.2.2 DETECTOR DE BORDES MEDIANTE ROBERTS ......................................................................... 8
2.2.3 DETECION DE BORDES POR SOBEL ......................................................................................... 9
2.2.3. DIRECTRICES DE USO ......................................................................................................... 9
3.-METODOLOGIA ............................................................................................................................. 13
4.- RESULTADOS ................................................................................................................................ 14
4.1 IMAGEN RECONSTRUIDA (escala a grises) .............................................................................. 14
4.1.1 Imagen reconstruida (escala a colores)............................................................................ 15
4.2 MÉTODO DE SOLBEL................................................................................................................ 15
4.3 MÉTODO DE CANNY ................................................................................................................ 16
4.4 MÉTODO DE ROBERTS............................................................................................................. 16
5.- CONCLUSIÓN ................................................................................................................................ 17
6.-Bibliografía .................................................................................................................................... 18

2
1.- INTRODUCCIÓN
Las imágenes PET (Tomografía por Emisión de Positrones) son una técnica de
imagen médica que permite visualizar la actividad metabólica y funcional del
cuerpo humano. Utilizando radiofármacos, se puede detectar la distribución de
sustancias radiactivas que emiten positrones, los cuales son captados por un
escáner PEP. Estas imágenes proporcionan información detallada sobre el
funcionamiento de los órganos y tejidos a nivel molecular, lo que permite el
diagnóstico y seguimiento de diversas enfermedades, como el cáncer, las
enfermedades cardíacas y los trastornos neurológicos. La combinación de la PET
con otras técnicas de imagen, como la tomografía computarizada (TC) o la
resonancia magnética (RM), permite una evaluación más completa de la
estructura y función del cuerpo, brindando a los médicos una visión más precisa y
personalizada de la salud de los pacientes. Además, las imágenes PET
desempeñan un papel crucial en la investigación clínica y farmacéutica, ya que
permiten evaluar la eficacia de nuevos tratamientos y medicamentos, así como
comprender mejor los mecanismos subyacentes de las

3
2.- MARCO TEORICO

2.1 PET
La tomografía por emisión de positrones
(positron emission tomography, PET) es un tipo
de gammagrafía. Un radionúclido es una forma
radiactiva de un elemento, lo que significa que
se trata de un átomo inestable que se vuelve
más estable cuando libera energía en forma de
radiación. La mayoría de los radionúclidos
emiten fotones de alta energía como los rayos
gamma, pero en la tomografía por emisión de
positrones (PET) se emplean radionúclidos que
emiten unas partículas llamadas positrones.
En la PET, una sustancia que el cuerpo utiliza
(metaboliza), como la glucosa o el oxígeno, se marca con un radionúclido. La
combinación de esta sustancia y el radionúclido se denomina trazador radiactivo.
El trazador se acumula en tejidos específicos del cuerpo. En términos generales,
cuanto más activo sea el tejido (por ejemplo, cuanto mayor sea la cantidad de
glucosa o de oxígeno que utiliza), mayor será la cantidad de trazador acumulada
y mayor será la radiación que emite.
El escáner contiene varios anillos de detectores que registran la radiación
liberada. Los datos se registran desde muchos ángulos diferentes. A partir de
estos datos, una computadora analiza la radiación y produce una serie de
imágenes bidimensionales en color que simulan cortes transversales del cuerpo
(denominados tomogramas). Los datos también pueden utilizarse para construir
imágenes tridimensionales.

Las imágenes muestran diferentes niveles de actividad según las distintas

intensidades del color. Así, la tomografía por emisión de positrones (positron
emission tomography, PET) puede proporcionar información sobre la

4
funcionalidad de un tejido y, además, se pueden identificar tejidos anómalos, que
pueden ser más o menos activos que los tejidos normales. Sin embargo, la PET
no muestra detalles anatómicos ni estructurales de los tejidos y los órganos con
tanta nitidez como la tomografía computarizada (TC) o la resonancia magnética
(RMN).

2.1.1 PROCEDIMIENTO PARA LA PET

Antes del procedimiento, se solicita a la persona que no consuma alcohol,

cafeína, tabaco ni cualquier medicamento que pueda afectar la función mental.

Para realizar una PET, se inyecta en una vena la sustancia marcada. La

sustancia tarda entre 30 y 60 minutos en llegar al área a valorar.

La persona se recuesta en una mesa estrecha y acolchada que se desliza hacia

el interior del escáner PET, y se coloca la mesa de manera que el área evaluada
quede dentro de la gran abertura circular del tomógrafo.

Durante la mayor parte de la prueba, que puede durar de 45 a 60 minutos, la

persona permanece acostada. Según el área del cuerpo que se valore, se puede
solicitar a la persona que realice determinadas actividades, tales como tareas
mentales para estimular la actividad cerebral.

2.1.2 USOS DE LA PET

La tomografía por emisión de positrones (positron emission tomography, PET) se

utiliza para valorar la irrigación y la actividad del corazón y el cerebro, así como
para detectar el cáncer y otras anomalías.

Corazón: La PET cardíaca puede mostrar el funcionamiento del corazón, lo que

ayuda a determinar si una persona es candidata a una cirugía de injerto de
revascularización arterial coronaria o a un trasplante de corazón.

5
Cerebro: El estudio cerebral mediante PET también muestra si el cerebro
funciona correctamente y cuáles de sus áreas están más activas durante ciertas
actividades, por ejemplo, durante los cálculos matemáticos.

La PET se utiliza ocasionalmente para ayudar a los médicos a diagnosticar la

enfermedad de Alzheimer y la enfermedad de Parkinson y ayudarles a evaluar
los trastornos convulsivos.

Cáncer: La PET puede mostrar la localización de un cáncer, los lugares a los

que se haya diseminado y cómo está respondiendo al tratamiento.

Alrededor del 80% de las PET se hacen para ayudar a los médicos a evaluar el
cáncer. Entre estos cánceres se incluyen el cáncer de pulmón, el colorrectal, el
de esófago, el de cabeza y cuello, los linfomas y los melanomas.

Contribuye a determinar si los ganglios linfáticos hipertrofiados en las personas

con cáncer se deben a la diseminación (metástasis) del cáncer o a otra
alteración.

2.1.3 TIPOS DE PET

Tomografía computarizada combinada con tomografía por emisión de positrones

(PET-TC)

La PET generalmente se combina generalmente con la TC. La PET-TC

proporciona imágenes bidimensionales detalladas que muestran la anatomía (a
través de la TC) y la funcionalidad (a través de la PET). Las dos clases de
imágenes (TC y PET) se pueden ver por separado o bien una superpuesta a la
otra. Por lo tanto, esta técnica proporciona información útil acerca de la anatomía
y la función, y puede ayudar a los médicos a identificar anomalías que afectan a
la anatomía y/o a la función. Esta técnica es particularmente útil en los cánceres
de partes del cuerpo que tienen diferentes tejidos muy juntos, como el cuello y la
pelvis. Facilita la localización precisa del cáncer, y puede detectar recidivas en
fase temprana. Esta prueba suele durar menos de una hora.

6
2.1.4 DESVENTAJAS DE LA PET

 La cantidad de exposición a la radiación de la PET es similar a la de la TC.

Cuando se realiza una PET y una TC durante un único examen, la dosis
de radiación se incrementa de manera significativa.
 Dado que los radionúclidos utilizados en la PET emiten radiación solo
durante un breve periodo de tiempo, esta prueba se puede llevar a cabo
únicamente si el radionúclido se produce en las inmediaciones y se puede
obtener con celeridad.
 La tomografía por emisión de positrones (PET) es una técnica
relativamente cara y poco disponible. (Kocak, 2021)

2.2 DETECCIÓN DE BORDES

Detección de Borde en Imágenes La detección de bordes es el primer paso en
muchas aplicaciones de visión artificial. Esta reduce significativamente la cantidad
de información a procesar filtrando datos no deseados o insignificantes; mientras
mantiene las propiedades estructurales importantes de una imagen.

El principal objetivo de la detección de bordes es localizar e identificar fuertes

discontinuidades de los valores de los pixeles en una imagen. Estas
discontinuidades son debidas a cambios abruptos en la intensidad desde un pixel
a otro, lo que caracteriza potenciales límites entre objetos o regiones en una
imagen.

En el proceso de detección de bordes, se presentan problemas de falsos bordes

detectados, desacierto de verdaderos bordes, localización de bordes, alto tiempo
computacional, problemas debido a la presencia de ruido, etc . (OO, 2016)

2.2.1 DETECTOR DE BORDES DE CANNY

El detector de bordes de Canny fue desarrollado con la intención de mejorar los
detectores de bordes ya desarrollados en ese tiempo. Es considerado el mejor
detector de bordes.

7
El procedimiento de Canny tiene el propósito de satisfacer tres objetivos
principales:

1. Baja tasa de error: buena detección de solo bordes realmente existentes.

2. Buena localización: la distancia entre los pixeles de borde detectados y
pixeles de borde reales tiene que ser mínima.
3. Respuesta mínima: solo una respuesta de detección por cada borde. El
procedimiento de Canny sigue una serie de pasos:
4. Quita el ruido de la imagen usando un filtro de suavizado gaussiano.
5. Calcula el gradiente de cada pixel en la imagen usando un método de
gradiente.
6. Calcula la dirección del gradiente de cada pixel y es redondeada,
dependiendo del valor, a uno de los cuatro posibles ´ángulos: 0°, 45º, 90º o
135º
7. Se aplica la técnica no-máxima supresión (non-maximum suppression)
para el adelgazamiento de bordes.
8. Se aplica histéresis, usando dos umbrales dados por parámetro: superior
(µmax) e inferior

(µmin), de la siguiente forma:

Si G(x, y) > µmax : I(x, y) se acepta como borde.

Si G(x, y) < µmin : I(x, y) se rechaza como borde.

Si µmin ≤ G(x, y) ≤ µmax : I(x, y) se acepta como borde solo si está conectado a
un pixel que tiene una magnitud de gradiente mayor que µmax. (VASQUEZ, 2016)

2.2.2 DETECTOR DE BORDES MEDIANTE ROBERTS

El detector de bordes de Roberts se basa en el uso del operador gradiente que
aplica la derivada respecto a los ejes x y y de un píxel.
El operador de Roberts utiliza una máscara de 2 x 2 para aplicarla sobre el
eje x de un píxel y otra máscara de la misma dimensión sobre el eje y del mismo
píxel. Esta máscara aplicada a cada eje es en realidad una aproximación de la

8
aplicación de la derivada. La desventaja del operador de Roberts para la detección
de bordes se da debido al uso de una máscara pequeña, lo que hace que el
resultado sea sensible al ruido. (JORGE VALVERDE)

2.2.3 DETECION DE BORDES POR SOBEL

El operador de Sobel realiza una medición de gradiente espacial 2-D en una
imagen y así enfatiza las regiones de alta frecuencia espacial que corresponden a
los bordes. Por lo general, se utiliza para encontrar la magnitud absoluta
aproximada del gradiente en cada punto de una imagen de entrada en escala de
grises.

2.2.3. DIRECTRICES DE USO

El operador de Sobel es más lento de calcular que el operador de Roberts Cross,

pero su núcleo de convolución más grande suaviza la imagen de entrada en
mayor medida y, por lo tanto, hace que el operador sea menos sensible al ruido. El
operador también produce generalmente valores de salida considerablemente más
altos para bordes similares, en comparación con Roberts Cross.

Al igual que con el operador Roberts Cross, los valores de salida del operador
pueden desbordar fácilmente el valor de píxel máximo permitido para los tipos de
imágenes que solo admiten valores de píxel enteros pequeños (por
ejemplo, imágenes enteras de 8 bits). Cuando esto sucede, la práctica estándar es
simplemente configurar los píxeles de salida desbordados al valor máximo
permitido. El problema se puede evitar utilizando un tipo de imagen que admita
valores de píxeles con un rango mayor.

Los bordes naturales de las imágenes a menudo dan lugar a líneas en la imagen
de salida que tienen varios píxeles de ancho debido al efecto de suavizado del
operador de Sobel.

9
Ejemplo 1: La imagen

Muestra los resultados de aplicar el operador de Sobel a

Compare esto con la salida equivalente de Roberts Cross

Ejemplo 2: La imagen

Muestra una escena más simple que contiene un solo objeto

plano y oscuro contra un fondo más claro. La aplicación del
operador de Sobel produce

10
Tenga en cuenta que la iluminación se ha configurado
cuidadosamente para garantizar que los bordes del objeto sean
agradables, nítidos y sin sombras. El detector de bordes de Sobel
también se puede aplicar a imágenes de rango como

La imagen del borde correspondiente es

Se han detectado todos los bordes de la imagen y se pueden separar

muy bien del fondo usando un umbral de 150, como se puede ver en

Aunque el operador de Sobel no es tan sensible al ruido como el

operador de Roberts Cross , todavía amplifica las altas
frecuencias. La imagen

Es el resultado de sumar ruido gaussiano con una desviación

estándar de 15 a la imagen original. Aplicando el operador de Sobel
se obtiene

11
 y umbralizar el resultado a un valor de 150 produce

Podemos ver que el ruido ha aumentado durante la detección de

bordes y ya no es posible encontrar un umbral que elimine todos
los píxeles de ruido y al mismo tiempo retenga los bordes de los
objetos.

El objeto del ejemplo anterior contiene bordes afilados y su superficie es bastante

suave. Por lo tanto, podríamos (en el caso sin ruido) detectar fácilmente el límite
del objeto sin obtener píxeles erróneos. Una tarea más difícil es detectar el límite
de

Porque contiene muchas variaciones finas de profundidad (es

decir, que dan como resultado cambios de intensidad en la
imagen) en su superficie. Aplicando el operador de Sobel
directamente se obtiene

Podemos ver que la intensidad de muchos píxeles en la

superficie es tan alta como a lo largo de los bordes reales. Una
razón es que la salida de muchos píxeles de borde es mayor que
el valor máximo de píxeles y, por lo tanto, se 'cortan'
en 255. Para evitar este desbordamiento, escalamos la imagen
de rango en un factor de 0,25 antes de la detección de bordes y
luego normalizamos la salida, como se puede ver en

Aunque el resultado ha mejorado significativamente, todavía no podemos

encontrar un umbral para que quede una línea cerrada a lo largo del límite y
desaparezca todo el ruido.

12
3.-METODOLOGIA
Desarrollo de Código en MATLAB

13
4.- RESULTADOS

4.1 IMAGEN RECONSTRUIDA (escala a grises)

14
4.1.1 Imagen reconstruida (escala a colores)

4.2 MÉTODO DE SOLBEL

Al aplicar el método de Solbel nos da como resultado la siguiente imagen

15
4.3 MÉTODO DE CANNY
Al aplicar el mmétodo de Canny nos da como resultado la siguiente imagen

4.4 MÉTODO DE ROBERTS

Al aplicar el método de Roberts nos da como resultado la siguiente imagen

16
5.- CONCLUSIÓN

En conclusión, las imágenes PET (Tomografía por Emisión de Positrones) han

revolucionado el campo de la medicina y la investigación biomédica al
proporcionar una visión detallada y precisa del funcionamiento y metabolismo del
cuerpo humano. Estas imágenes permiten detectar y visualizar la actividad
metabólica a nivel molecular, lo que ayuda en el diagnóstico y tratamiento de una
amplia gama de enfermedades, como el cáncer, las enfermedades cardíacas y los
trastornos neurológicos. La capacidad de las imágenes PET para mostrar la
distribución y concentración de radiofármacos específicos en el cuerpo,
combinada con la tomografía computarizada (TC) o la resonancia magnética (RM),
ofrece una imagen completa y multidimensional de los procesos fisiológicos y
patológicos. Las imágenes PET también son valiosas herramientas en la
investigación clínica y farmacéutica, ya que permiten evaluar la eficacia de nuevos
medicamentos y terapias, así como comprender mejor los mecanismos de
enfermedades y trastornos.

17
6.-Bibliografía
JORGE VALVERDE. (s.f.). Obtenido de Detector de Bordes de Roberts en Matlab: http://jc-
info.blogspot.com/2011/03/detector-bordes-roberts-codigo-matlab.html

Kocak, M. (2021). Rush University Medical Center. Recuperado el 08 de junio de 2023, de

Tomografía por emisión de positrones (PET): https://www.msdmanuals.com/es-
mx/hogar/temas-especiales/pruebas-de-diagn%C3%B3stico-por-la-imagen-
habituales/tomograf%C3%ADa-por-emisi%C3%B3n-de-positrones-pet

OO, J. V. (marzo de 2016). UNIVERSIDAD DE CONCEPCION. Recuperado el 08 de junio de 2023, de

LOCALIZACION EFICIENTE EN DETECCI ´ ON DE ´:
http://repositorio.udec.cl/bitstream/11594/2025/3/Tesis_Localizacion_Eficiente_en_Dete
ccion_de_Bordes.Image.Marked.pdf

VASQUEZ, J. (marzo de 2016). UNIVERSIDAD DE CONCEPCION. Recuperado el 08 de junio de 2023,

de LOCALIZACION EFICIENTE EN DETECCION DE BORDES:
http://repositorio.udec.cl/bitstream/11594/2025/3/Tesis_Localizacion_Eficiente_en_Dete
ccion_de_Bordes.Image.Marked.pdf

18