Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Comunicación
TESIS
Doctor
Comité Tutorial.
Introducción:
Dada toda esta serie de situaciones con relación al análisis de imágenes nos encontramos
en la actualidad con una cantidad amplia de modelos y técnicas que ofrecen diferentes
enfoques para el descubrimiento de información de las imágenes en general que pueden
de una u otra forma aplicarse y/o adaptarse al análisis especifico de imágenes médicas;
como el procesamiento digital de imágenes se pueden describir tres etapas consecutivas:
umbralización que se realiza seleccionando los rangos de intensidad y manipulando los
valores del histograma de cada capa,, limpieza en la cual se obtienen formas definidas
aplicándoles diferentes operaciones morfológicas para eliminar el ruido y los elementos
innecesarios y filtrado; (Carlos G.Berrocal, 2016), en la actualidad se ha documentado que
muchos de los métodos tradicionales han tenido problemas de sensibilidad precisamente
porque al momento de la captura de la imagen la luz llega a provocar interferencia con la
nitidez y el contraste, los trabajos sobre esto en la actualidad se han apoyado de técnicas
de inteligencia artificial para mejorar o resolver este problema (Hyun-Seok Yoo, 2016)
La atención médica es una carga de trabajo inmensa y poco a poco ha venido a sobrepasar
al cuerpo médico, ha dejado de manifiesto que la actividad tradicional manual De la
interpretación de imágenes médicas hoy por hoy es ineficiente, sumado a eso la
generación de datos de imágenes médicas a aumentado considerablemente y es un
fenómeno que no tiene precedentes, pero que se ha perfilado como un factor para las
complicaciones a la hora de desarrollar los tratamientos a los pacientes de hoy en día,
tales situaciones han dado paso al nacimiento de colaboraciones dónde se reúnen las
imágenes médicas y el aprendizaje automático con resultados aceptables en muchos de
sus casos (Dinggang Shen, 2017)
Podemos enunciar que en las últimas décadas las técnicas para el procesamiento de
imágenes más utilizadas son las redes neuronales artificiales, los algoritmos evolutivos y
los sistemas difusos por mencionar algunos (Yu, Yuan, Dong, & Ríha, 2016)
En general en la mayoría de las investigaciones relacionadas con el análisis de imágenes
podemos observar que la finalidad es mejorar el reconocimiento de la imagen clínica para
determinadas patologías que pueden estar para un grupo específicos de pacientes o para
una patología en la población en general, su enfoque busca siempre superar las
limitaciones tradicionales del profesional de salud a la hora de la interpretación.
Vasconcelos,
2020)
(Khadidos A, TAC infecciones por modelo híbrido de 90%
COVID-19 de los aprendizaje profundo
2020) pulmones CNN y RNN (DeepSense)
Hay que mencionar también que pese a la aceptable precisión de estos modelos ninguno
determina una característica única de las imágenes que analizan, se enfoques meramente
la predicción de la patología. Además, gran parte de los datos utilizados en algunas
publicaciones que se han mencionado con datos libres han sido difíciles de localizar y
extraer al día de hoy se ha hecho una búsqueda bastante amplia con la finalidad de
obtener dichas imágenes
La geometría fractal tiene décadas adquiriendo cada vez más protagonismo en las
publicaciones científicas enfocadas precisamente la caracterización de objetos, se puede
decir qué esto es debido a las excelentes propiedades que proporciona del análisis de sus
objetos. Actualmente la dimensión fractal ha ido ganando terreno y ha comenzado a tener
un rol importante; sobre todo analizando objetos complejos de la naturaleza que por
ningún motivo pueden ser modelados o caracterizados por las formas descritas en la
geometría euclidiana. La dimensión fractal es un aspecto englobado en la geometría fractal
desarrollada en los años 70´s por Benoit Mandelbrot y es que esta dimensión proporciona
una característica indicativa para los objetos en distintas áreas de la ciencia y en
diferentes tipos de investigación incluido el procesamiento de imágenes, el
reconocimiento de patrones y los gráficos por computadora, es de gran utilidad porque
técnicamente puede caracterizar la textura, la aspereza y/o la suavidad de los objetos que
se analizan y ha dejado evidencia sustancial de lograr caracterización de manera
prominente estas características. (Soumya Ranjan Nayak, 2019). Ahora bien para ligar el
uso del análisis de imágenes, la geometría fractal y el estudio de las neoplasias hay que
establecer lo que es la carcinogénesis, dicho proceso puede definirse como, por decirlo de
alguna manera la modificación del control de la propagación celular y la capacidad de
invadir tejidos, por tanto, el desarrollo de las neoplasias usualmente hoy se desarrolla
modificando la estructura natural del tejido deformándolo y alterando su relación con los
tejidos sanos libres de esta patología (Lucas Glaucio da Silva, 2021)
Es sencillo de ver el artículo del 2016 de Erickson cuenta con la mayor cantidad de
volúmenes analizados de tomografía además de qué menciona que ese set de datos
contiene imágenes del hígado con presencia de tumoración Pero no se cuenta con la
segmentación necesidad de datos, en ese rubro sólo se tienen 2 investigaciones que en
teoría dentro de su centro de datos tienen imágenes de hígado cuánto población y con la
segmentación del órgano estas son “LiTS” y “3Dircadb-01 and 3Dircadb-02”,
desafortunadamente ha sido imposible obtener estos sets de datos para utilizarlos en esta
investigación se ha tenido incluso que recurrir a contactar a los autores sin una respuesta
satisfactoria
Capítulo 2
Generalidades.
Es innegable que lo que se conoce comúnmente como cáncer tiene evidencia de existencia
por lo menos desde hace unos 5000 años, como lo pone en manifiesto el papiro de Smith y
Ebers, este último perdido en la segunda guerra mundial, sin embargo el griego Hipócrates
da vestigios en su teoría de los cuatro humores de presencia de flema, sangre, bilis amarilla
y bilis negra mismas que describe en Corpus Hipocraticum, dando como recomendación en
tratamiento de tumores el aceite de rosas y la extirpación quirúrgica. El mismo Hipócrates
fue quien creo el término “Cáncer” que significa cangrejo para determinar los crecimientos
malignos (Graña, 2015), por su pate la organización mundial de la salud define el cáncer
como aquel tumor maligno que se caracteriza por un crecimiento anormal y desordenado
de las células y que además tiene la capacidad de invadir los tejidos adyacentes y generar
metástasis en puntos de distantes del organismo (OMS, 2023).
Según cifras de la Organización Mundial de la Salud (OMS) el cáncer es la segunda causa de
muerte en el mundo, en el 2015, ocasionó 8.8 millones de defunciones, siendo el cáncer
hepático responsable de 788 mil defunciones, primordialmente debidas a la falta de
diagnóstico y tratamiento que llevan a su detección en fases avanzadas. Si un paciente es
diagnosticado en etapas tempranas tiene acceso a medicamentos más eficaces y a una
mejor clasificación de los distintos tipos de neoplasias, con lo que podría aumentar su
sobrevida e inclusive alcanzar la recuperación total de su estado de salud (Mashaal, y
otros, 2016). El impacto económico del cáncer es sustancial y va en aumento. Según las
estimaciones, el costo total atribuible a la enfermedad en 2010 ascendió a US$ 1,16
billones. En el 2017, solo el 26% de los países de ingresos bajos informaron de que la
sanidad pública contaba con servicios de patología para atender a la población en general.
Más del 90% de los países de ingresos altos ofrecen tratamiento a los enfermos
oncológicos, mientras que en los países de ingresos bajos este porcentaje es inferior al
30%. (OMS, Organizacion Mundial de la Salud, 2022)
Es por tal motivo que sigue siendo un problema de investigación relevante encontrar
técnicas novedosas basadas en biomarcadores que puedan auxiliar en el diagnóstico
oportuno de este padecimiento, biomarcadores no solo basados en el análisis clínico de
química sanguínea, sino que usen las imágenes de las lesiones hepáticas que aparecen en
etapas muy tempranas de la enfermedad (Chaiteerakij, Addissie, & Roberts , 2015)
Sin embargo, también existes otro tipo de estudios de imagen que ayudan a mejorar el
análisis del estado del hígado, como lo es la tomografía, esta permite amplia resolución y
reconstrucción a detalle de la zona de importancia, en general dado a que sus costos
moderados y el acceso casi garantizado en nuestro país es el estudio principal para la
evaluación del hígado.
Antes de mencionar como tal las patologías focales es de suma importancia definir lo que
es una lesión ocupante de espacio, que es precisamente un nódulo dentro del parénquima
que desplaza formaciones junto a él, alterando el contorno y en ocasiones el tamaño del
hígado (Pérez, 2003). Así pues, tenemos entonces como definición que las lesiones
hepáticas focales son una estructura ajena a la anatomía normal del órgano, pueden ser de
formación solida o liquida, son de naturaleza muy variada y pueden o no causar
anormalidad estructural y funcional del sistema hepatobiliar; su tamaño varía y pueden ser
benignas o malignas. (Fonte , Emma , Misas Menéndez, & González Santana, 2014)
Como tal el hígado puede tener múltiples lesiones tanto benignas como malignas como
antes fue mencionado, es precisamente la diferenciación de estas el objetivo de las
distintas técnicas de imagen. La mayoría de estas lesiones, resultan ser benignas; entre las
más frecuentes se describen el hemangioma, el quiste simple y la hiperplasia nodular focal.
(Horta, y otros, 2015) Sin embargo, dentro las lesiones malignas el Carcinoma
Hepatocelular es la sexta neoplasia más frecuente a nivel mundial y la tercera causa de
muerte por cáncer, en México del año 2000 a 2006 se informó de un incremento del 14%
de la mortalidad a causa de este padecimiento (Illescas-Cárdenas , Rodríguez-Nava , &
Dena-Espinoza , 2017), así como la enfermedad metastásica que constituye la neoplasia
hepática de mayor hallazgo en los estudios de imagen (Granda, 2016). En México es más
común la tomografía debido a su amplia resolución y que permite la reconstrucción a
detalle de la zona lesionada, además de sus costos moderados y el acceso casi garantizado
en los hospitales de nuestro país.
path = '/content/drive/MyDrive/'
vol_name = "volume-0.nii"
mask_name = "segmentation-0.nii"
def read_nii(filepath):
'''
Reads .nii file and returns pixel array
'''
ct_scan = nib.load(filepath)
array = ct_scan.get_fdata()
array = np.rot90(np.array(array))
return(array)
def read_nii(filepath):
'''
Reads .nii file and returns pixel array
'''
ct_scan = nib.load(filepath)
array = ct_scan.get_fdata()
array = np.rot90(np.array(array))
return(array)
plt.imshow(sample_ct[..., 60])
plt.show()
plt.imshow(sample_mask[..., 60])
plt.show()
dicom_windows = {
"brain":(80,40),
"subdural":(54,100),
"stroke":(8,32),
"brain_bone":(200,600),
"brain_soft":(35,40),
"lungs":(150,-600),
"mediastinum":(350,50),
"abdomen_soft":(400,50),
"liver":(150,30),
"spine_soft":(250,50),
"spine_bone":(1800,400),
"custom": (20,60)
}
##@patch
def windowed(T, w, l):
px = T.clone().detach()
px_min = l - w//2
px_max = l + w//2
px[px<px_min] = px_min
px[px>px_max] = px_max
return (px-px_min) / (px_max-px_min)
idx = 60
plt.figure(figsize=(8, 6), dpi=100)
img = windowed(torch.tensor(sample_ct[..., idx].astype(np.float32)),
*dicom_windows["liver"])
plt.subplot(1,2,1)
plt.imshow(img, cmap=plt.cm.bone)
plt.subplot(1,2,2)
plt.imshow(img, cmap=plt.cm.bone)
plt.imshow(sample_mask[..., idx], alpha=0.6)
plt.show()
np.unique(sample_mask[..., idx])
from PIL import Image
def freqhist_bins(T, n_bins=100):
"A function to split the range of pixel values into groups, such
that each group has around the same number of pixels"
imsd = T.view(-1).sort()[0]
t = torch.cat([torch.tensor([0.001]),
torch.arange(n_bins).float()/n_bins+(1/2/n_bins),
torch.tensor([0.999])])
t = (len(imsd)*t).long()
return imsd[t].unique()
##@patch
def hist_scaled(T, brks=None):
"Scales a tensor using `freqhist_bins` to values between 0 and 1"
if brks is None: brks = freqhist_bins(T)
ys = np.linspace(0., 1., len(brks))
x = T.numpy().flatten()
x = np.interp(x, brks.numpy(), ys)
return torch.tensor(x).reshape(T.shape).clamp(0.,1.)
##@patch
def to_nchan(T, wins, bins=None):
res = [windowed(T, *win) for win in wins]
if not isinstance(bins,int) or bins!=0: res.append(hist_scaled(T,
bins).clamp(0,1))
dim = [0,1][T.dim()==3]
return torch.stack(res, dim=dim)
##@patch
def save_jpg(T, fn, wins, bins=None, quality=120):
T = (to_nchan(T, wins, bins)*255).byte()
im = Image.fromarray(T.permute(1,2,0).numpy(), mode=['RGB','CMYK']
[T.shape[0]==4])
im.save(fn, quality=quality)
return im
T = torch.tensor(sample_ct[..., idx].astype(np.float64))
wins = [dicom_windows["liver"], dicom_windows["custom"]]
#cargamos la imagen
# read an image
#imageMat = io.imread('drive/MyDrive/Colab Notebooks/Triángulo de
Sierpinski.png')
imageMat = img_mask
print("Image shape:", imageMat.shape)
plt.imshow(imageMat)
plt.show()
imageMat_reshape = imageMat.reshape(imageMat.shape[0],-1)
print("Reshaping to 2D array:",
imageMat_reshape.shape)
plt.imshow(imageMat_reshape)
plt.show()
#cargamos la imagen
# read an image
imageMat1 = io.imread('drive/MyDrive/Colab Notebooks/Triángulo de
Sierpinski.png')
imageMat2 = io.imread('drive/MyDrive/Colab Notebooks/CurvadeKoch.png')
imageMat3 = io.imread('drive/MyDrive/Colab Notebooks/Pentágono de
Sierpinski.png')
print("Image shape:", imageMat.shape)
plt.imshow(imageMat1)
plt.show()
imageMat_reshape = imageMat.reshape(imageMat.shape[0],-1)
print("Reshaping to 2D array:",
imageMat_reshape.shape)