Detección Automática de Nódulos Pulmonares
Trabajo realizado por:Pablo Jiménez Casado
José Antonio Andreu Guzmán
GRUPO 19
Indice1. Introducción2. Planteamiento Teórico
2.1 Preprocesado2.2 Binarización2.3 Segmentación2.4 Top-Hat2.5 Filtro Gabor2.6 Nódulos Detectados
3. Conclusiones4. Referencias
El cáncer de pulmón es la causa más frecuente de mortalidad por cáncer en el mundo.
La detección precoz, cuando aún está en la fase de nódulo pulmonar, permitiría una intervención terapéutica más temprana, lo que traería consigo un pronóstico más favorable para el paciente. Nódulo Pulmonar
1. Introducción
La tomografía computarizada permite detectar un alto porcentaje de nódulos pulmonares (posibles cánceres), más que la radiografía simple de tórax. Sin embargo, la gran cantidad de imágenes resultantes que origina el TAC genera un problema de información excesiva, y fatiga para el médico.
IMÁGENES TAC
1. Introducción
2. Planteamiento Teórico
¿Qué es un nódulo pulmonar?
Un nódulo pulmonar es una opacidad redondeada detectada en imágenes radiológicas de pulmones, cuyo diámetro es inferior a 3 cm
Nódulo Pulmonar
2. Planteamiento Teórico
ImagenTac
Preprocesado Binarización
Segmentación
Nódulos Detectados
Top-HatFiltro
Gabor
2. Planteamiento Teórico
Preprocesado
Imagen TCBrillo = 2 Brillo = -0.5
Modificar el brillo
2. Planteamiento Teórico Preprocesado
Imagen TCContraste = 10 Contraste = 0.01
Modificar el contraste
2. Planteamiento Teórico
Binarización
Binarizaremos la imagen a partir de un valor umbral:
𝑔 (𝑥 , 𝑦 ){255𝑠𝑖 𝑓 ( 𝑥 , 𝑦 )>𝑢𝑚𝑏𝑟𝑎𝑙0𝑠𝑖 𝑓 ( 𝑥 , 𝑦 )<𝑢𝑚𝑏𝑟𝑎𝑙
2. Planteamiento Teórico Binarización
Computar , el nivel medio de gris de los píxeles de las esquinasComputar , el nivel medio de gris de los demás píxeles
Mientras hacer
Fin mientras
Calculamos un valor umbral adaptativo:
2. Planteamiento Teórico Binarización
Aplicamos y obtenemos:
Imagen Original Imagen Binarizada usando umbral adaptativo
2. Planteamiento Teórico
Segmentación
Vamos a aplicar la segmentación para separar los pulmones del resto de componentes
Para ello vamos a convolucionar la imagen pixel a pixel con una matriz 8-conexa, siendo el
pixel central la etiqueta resultante
Segmentación2. Planteamiento Teórico
8-conectividad
Segmentación2. Planteamiento Teórico
Para el etiquetado de regiones se han utilizado diferentes matrices para así recorrer la imagen entera incluyendo
bordes recorriendo los vecinos en el orden que se indica:
6 7 8
5 1
4 3 2
1
3 2
3
2 1
2 3
1
1 2
3
5 1
4 3 2
2 3 4
1 5
4 5
3
2 1
1 2
3
5 4
Segmentación2. Planteamiento Teórico
Una vez etiquetadas todas las regiones escogemos aquella región que tiene un mayor número de píxeles
etiquetados:
Segmentación2. Planteamiento Teórico
Invertimos la imagen:
Segmentación2. Planteamiento Teórico
Eliminamos fondo exterior:
Top-hatSe trata de realizar una apertura y una
clausura con un elemento estructural (5x5 o 7x7) y así eliminar las imperfecciones.
2. Planteamiento Teórico
Top-hat
Imagen segmentada Top-hat elemento estructural 5x5
Top-hat elemento estructural 7x7
2. Planteamiento Teórico
IntersecciónUna vez obtenida la máscara haremos la
intersección con la imagen original obteniendo solo los pulmones.
2. Planteamiento Teórico
Filtro GaborEs un filtro lineal cuya respuesta es una
función sinusoidal multiplicada por una función gaussiana.
Dicha función es calculada en el dominio de los números complejos
2. Planteamiento Teórico
Parte imaginaria
Parte real
Filtro Gabor x : Ancho máximo de la máscara de
Gabor y : Altura máxima de la máscara de
Gabor = x*cosӨ + y*sinӨ = -x*sinӨ + y*cosӨ σ: varianza de la función gaussiana. λ: ancho de banda de la función
sinusoidal θ:orientación de la normal. : elipcidad de lafunción de Gabor. :el desfase
2. Planteamiento Teórico
Filtro gabor aplicando x = 9 ; y = 9; σ = 1; λ = 1; θ = 90; = 1; = 0
Nódulos detectados
Para encontrar finalmente los nódulos, binarizamos la imagen calculando de nuevo el valor del umbral adaptativo obteniendo una máscara de nódulos.
Para poder señalar los nódulos creamos una copia de la máscara anterior y la dilatamos dos veces.
Seguidamente, le restamos a la imagen dilatada la máscara original.
Por último, hacemos la intersección entre la máscara y la imagen original.
2. Planteamiento Teórico
Nódulos detectados2. Planteamiento Teórico
Máscaras de los nódulos detectados Imagen original con los nódulos detectados
ConclusionesNuestro sistema nos muestra la ubicación de aquellos
nódulos pulmonares contenidos dentro de la región pulmonar.
Una mejora de optimizar nuestro programa sería utilizar un algoritmo de bordes activos para detectar nódulos que esten pegados a la pared pulmoral (nódulo subpleural)
Imagen Original Nódulo subpleural en máscara Resultado de aplicar Bordes Activos
ConclusionesOtra técnica muy avanzada sería coger la batería de
imágenes pertenecientes a cortes de pulmones de una sola persona y recrear un modelo 3D y así poder visualizar a la perfección los nódulos.
Por último, podemos crear una red neuronal y hacer que esta aprenda a detectar imágenes de nódulos con cáncer y así una vez detectado el nódulo, clasificarlo.
Referencias [1] Lungs Nodule Detection by using Fuzzy Morphology from CT scan
Images.M.Arfar Jaffar.Ayyaz Hussain. Anwar M.Mirza. 2009 International Association of Computer Science and Information Technology - Spring Conference
[2] Desarrollo de un sistema de diagnóstico asistido por computador para detección de nódulos pulmonares en tomografía computarizada multicorte. JORGE JUAN SUÁREZ CUENCA. UNIVERSIDADE DE SANTIAGO DE COMPOSTELA FACULTADE DE FÍSICA
[3] Applied research on the automatic detection of lung nodules ROI based on Top-hat and Gabor filter. FAN Li-nan. SUN Shen-shen. Third International Symposium on Information Processing
[4] Digital Image Processind a practical introducion using Java.Nick Efford. Pearson