UNIVERSIDAD TECNOLGICA DEL PER

Facultad de Ingeniera de Telecomunicaciones y Telemtica

Tema:
Registro de Imgenes Mdicas basado en la aplicacin del
Teorema de Shannon

Curso:
Teora de la Comunicacin
Docente:
TORRES VEGA, Jos Eduardo
Alumno:
SAL Y ROSAS VALDIZAN Reynaldo Alonso

I.

RESUMEN:
Hoy en da, la integracin de la informacin proveniente de distintos estudios
mdicos es fundamental para muchas aplicaciones, como por ejemplo la
generacin y el procesamiento de imgenes tridimensionales para la ciruga guiada
por imgenes. La correcta alineacin geomtrica entre estudios es crtica para la
obtencin de resultados precisos, y una de las formas de realizar esto es mediante
la aplicacin de tcnicas de la Teora de la Informacin, utilizando entre otras
cosas- el concepto bsico de informacin mutua (MI, mutual information en
ingls). Cada estudio mdico revela -segn sus caractersticas propias- cierta
informacin del objeto estudiado. Aunque distintas modalidades realzan
diferentes caractersticas, existe cierta redundancia entre ellas, que, como se ver,
se utiliza para lograr que las imgenes queden geomtricamente alineadas.

II.

INTRODUCCION:
El registro de imgenes se ha transformado ltimamente en tema de estudio
recurrente en diversas publicaciones cientficas.
En este trabajo se buscar dar una idea de cmo se lleg a pensar en la
Informacin Mutua como elemento para idear un criterio para alinear imgenes.
Estar basado en buena medida en el trabajo de Pluim, Maintz y Viergever donde
se describen las generalidades del mtodo.
Se comenzar de aqu en adelante a explicar de qu se trata el mtodo, en qu se
basa y cmo se aplica.
Se har una breve explicacin sobre lo que es la entropa y la informacin mutua
para posteriormente proceder al registro de imgenes mdicas basado en el uso
de estas dos medidas.

III.

CUERPO:
A. Entropa
La entropa es una medida de incertidumbre o de la informacin promedio que
nos provee una variable aleatoria (o grupo de variables aleatorias).
En el caso de tener dos variables aleatorias (ej: transmisor x y receptor y) se
consideran las siguientes entropas para medir relaciones entre las variables:
H(X): Informacin o entropa por carcter en el transmisor (en bits)
H(Y) : Informacin o entropa por carcter en el receptor (en bits)
H(X,Y) : Informacin o entropa por par de caracteres transmitidos y recibidos
(en bits)
H(Y|X) : Informacin o entropa condicional sobre el receptor y sabiendo que
x = i fue transmitido (en bits)

H(X|Y) : Informacin o entropa condicional sobre el transmisor sabiendo que

y=j fue recibido, tambin conocido como equivocacin (en bits)
B. Informacin Mutua
La informacin mutua I(X; Y) es una medida de la informacin proveda por los
pares de smbolos (x,y), la relacin entre I(X;Y) y la entropa es:
H(X,Y) = H(X) + H(Y | X) = H(Y) + H(X | Y)
H(X,Y) = H(X) + H(Y) - I(X;Y)
I(X;Y) = H(X) H(X | Y)
I(X;Y) = H(Y) H(Y | X)
I(X; Y) mide la dependencia entre el input X y el output Y, o la informacin
transmitida por el canal, es positiva y simtrica en X y Y.

IV.

Clasificacin:
Existen en la bibliografa varias posibles clasificaciones de los diferentes aspectos
del registro de imgenes por maximizacin de la informacin mutua, pero aqu se
escoger seguir lo hecho en. All se subdivide principalmente segn los aspectos
sean concernientes al mtodo o a la aplicacin. Existen tambin otras dos clases
menores que no se incluyen en ninguna de las anteriores pero que merecen ser
mencionadas, que son la dimensionalidad de las imgenes y el nmero de imgenes
utilizadas en el registro. Cada una de estas clases ser explicada en los prrafos que
siguen. Como se explic, Pluim, Maintz y Viergever separan una primera gran clase
que titulan mtodo. All se distinguen otras cuatro subclases an menores, que
son el preprocesamiento, la medida, la transformacin, y la implementacin. La
primera refiere a todos los aspectos previos al registro que permiten realzar ciertas
caractersticas mediante el filtrado de ruido, o el calibrado de resoluciones. Tambin
se corrigen no homogeneidades en la iluminacin, etc. La medida se basa,
evidentemente, en informacin mutua. Los diversos sabores que se tienen son
debidos a que existen otras entropas aparte de la de Shannon, como por ejemplo
las de Jumarie, o la de Rnyi. Dentro de esta clase hay una puntualizacin muy
importante: se ha reportado que en ocasiones la informacin mutua no se
decrementa con la no alineacin, sino que por el contrario, podra llegar a
incrementarse. Esto ocurre debido a eventuales solapamientos de regiones del
fondo hacen que las entropas marginales crezcan ms rpido que el decrecimiento
de la entropa conjunta, ocasionando falsos registros. Studholme et al. plantearon
entonces la introduccin de la medida normalizada de la informacin mutua, que se
conoce con la sigla NMI y que se define como

(, ) =

() + ()
(, )

Encontraron mejoras sustanciales en el registro de MR-CT y de MR-PET (ver

Modalidades). Existe tambin definido un coeficiente llamado coeficiente de
correlacin de entropa (sigla ECC en ingls) que est relacionado con el NMI a
travs de la siguiente relacin:

= 2

La informacin espacial tambin entra dentro de esta categora. Una conocida

crtica del mtodo est enfocada en que como se usa comnmente, la informacin
mutua no toma en cuenta la dependencia de los voxels del entorno. Aunque la
entropa de Shannon originalmente toma en cuenta esto, en la prctica se trabaja
usualmente bajo la hiptesis de independencia de los vecinos.
En lo que refiere a las transformaciones, se distinguen tres tipos. Las rgidas, en las
cuales no se modifican las dimensiones ni los ngulos de los objetos. Tpicamente se
encasillan en este grupo la rotacin, la traslacin, etc. Las transformaciones afines,
permiten cambios en las dimensiones, y un ejemplo de ello es las funciones de
cambio de escala. Y las curvas, son transformaciones ms complejas.

Figura1. Tipos de transformaciones.

Dentro de la implementacin aparecen temas fundamentales como ser los
algoritmos de interpolacin a elegir, la estimacin de las distribuciones de
probabilidad y lo concerniente a la optimizacin. En el primero de los casos hay que
evaluar el compromiso que existe entre precisin y tiempo de procesamiento. Es

importante notar que una interpolacin de mayor orden puede evitar la prdida de
informacin, pero disminuir muchsimo la velocidad del algoritmo. En la estimacin
de probabilidades la forma ms directa es aplicar lo dicho antes, el histograma
conjunto. Pero tambin es de destacar que se utilizan tambin otros mtodos como
el Enventanado de Parzen. La optimizacin es un paso muy importante tambin,
aunque no fcil. Se busca minimizar una funcin de n variables, siendo n la cantidad
de grados de libertad que tiene la transformacin que conduce al registro de la
imagen, y esta funcin no suele ser muy regular, sino que por el contrario, presenta
muchos extremos locales. El otro grupo grande era la clasificacin segn la
aplicacin, que se desarrollar de forma un poco ms detallada en la parte de
aplicaciones. Los otros grupos que restaban eran la clasificacin segn la
dimensionalidad de la imagen (registros 3D-3D, 2D- 2D, y 3D-2D) y segn la cantidad
de imgenes involucradas (dos o ms de dos, y las definiciones de la informacin
mutua en dimensiones ms altas).

V.

APLICACIONES:
Hay dos grandes tipos de aplicaciones para este mtodo de registro. Puede utilizarse
para imgenes monomodales o multimodales. Las imgenes monomodales, es
decir, cuando se registran imgenes de la misma modalidad- han demostrado
resultados satisfactorios, aunque originalmente el verdadero inters de este
mtodo sea el registro de imgenes multimodales. Justamente es en esa rea donde
se han registrado ms desarrollos. A continuacin se enumeran registros de
imgenes segn sean monomodales o multimodales.
1) Monomodales
- MR (Resonancia magntica)
- CT (Tomografa computada)
- SPECT (Tomografa simple de emisin de positrones)
- PET (Tomografa por emisin de positrones)
- US (Ultra sonido)
- X-Ray (Rayos X) -etc.
El registro de imgenes monomodales es utilizado mayoritariamente para detectar
cambios en el fsico o en la funcionalidad en un mismo paciente -por ejemplo, antes
y despus de una intervencin quirrgica, o evolucin de tumores- o para comparar
pacientes entre s.
2) Multimodales
Se ha reportado el registrado de las siguientes modalidades.
- MR-CT
- MR-SPECT
- MR-PET
- MR-US
- CT-PET
- CT-SPECT

En la figura 2 se observa un registro entre un MR y una CT, como ejemplo de registro

entre imgenes multimodales.

Figura 2. Registro del tipo CT-MR

VI.

BIBLIOGRAFIA:
[1]. Aplicacin de las tcnicas de la Teora de la Informacin en el registro de
Imgenes Mdicas, Federico J. Bonsignore Caro, XIII Seminario de Ingeniera
Biomdica, 2004. Facultades de Medicina e Ingeniera, Univ. De la Repblica
Oriental del Uruguay.
[2]. La Entropa H(x), la Informacin Mutua y la Entropa Relativa, Teora de la
Comunicacin, Jos Eduardo Torres Vega, Universidad Tecnolgica del Per,
Facultad de Ingeniera de Telecomunicaciones y Telemtica.
[3]. J.P.W. Pluim, J.M. Fitzpatrick Image Registration IEEE Transactions on
Medical Imaging, vol. 22, no. 11, November 2003, pp. 1341-1343.
[4]. J.P.W. Pluim, J.B.A. Maintz, M. Viergever Mutual-Information Based
Registration of Medical Images: A Survey IEEE Transactions on Medical Imaging,
vol. 22, no. 8, August 2003, pp. 989-999.