See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/275951781

Técnicas de Segmentación de Imágenes Médicas

Conference Paper · December 2008

CITATION READS
1 3,090

2 authors:

Dolgis Rainier Ortega Arsenio Miguel Iznaga Benítez

Universidad Tecnológica de La Habana - CUJAE Universidad Tecnológica de la Habana, José Antonio Echeverría
8 PUBLICATIONS   7 CITATIONS    24 PUBLICATIONS   30 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Modelado y ensayos en biomecánica y biomateriales View project

Enseñanza de la Informática View project

All content following this page was uploaded by Dolgis Rainier Ortega on 06 May 2015.

The user has requested enhancement of the downloaded file.

 Técnicas de Segmentación de Imágenes Médicas
Ing. Dolgis Rainier Ortega Cardentey 1, Dr. Arsenio Miguel Iznaga Benítez 2
1
Empresa de Mantenimiento al Petróleo División Habana. dolgis@infomed.sld.cu.
2
Facultad de Ingeniería Mecánica, Instituto Superior Politécnico José Antonio Echeverría
iznaga@mecanica.cujae.edu.cu.
Resumen.
A partir de la última década del siglo XX se ha venido realizando
un formidable esfuerzo de investigación con el objetivo de
automatizar el análisis de imágenes médicas empleadas en el ciclo
diagnóstico-terapéutico. Los especialistas médicos pueden
reconstruir mentalmente modelos tridimensionales a partir de un
conjunto imágenes planas de la región de interés, esta
reconstrucción "mental" resulta demasiado subjetiva, lenta y no
puede ser compartida con otros especialistas.
Se han experimentado diferentes algoritmos para dar solución a
la automatización de este problema pero aún poseen ineficiencias
ya que necesitan la compensación entre la solución numérica y el
procesamiento. Es conocido que la segmentación es el primer
paso para la realización de un modelo tridimensional de una
estructura anatómica basado en su estructura real. Existe una
amplia variedad de técnicas de segmentación aplicables a las
imágenes médicas, estas van desde la segmentación manual hasta
la segmentación automática (asistida), cada una con ventajas y
desventajas, aunque todas deben de cumplir con cuatro objetivos
para ser consideradas eficientes y generalizadas: definir
contornos continuos y cerrados, no sobre segmentación,
independencia de la umbralización y corto tiempo de
procesamiento. En este trabajo se discute sobre los factores que
influyen en una correcta segmentación de imágenes médicas
(complejidad y variabilidad de las formas anatómicas, artefactos
del muestreo espacial y el ruido) aunque es todavía una tarea
difícil y compleja que no puede ser resumida en pocas cuartillas.
Se propone un método general para la eliminación del ruido y
poder aislar en cada imagen plana los ruidos externos de la
componente principal. Se aplican algunos métodos para elevar el
rendimiento de la segmentación lo que permite obtener el
dominio geométrico de la figura plana que forma la imagen
médica sin pérdida de información.
Palabras Claves: computación gráfica, imágenes médicas,
procesamiento de imágenes, segmentación de imágenes.
I. INTRODUCCIÓN
En la medicina actual, realizar diagnósticos utilizando
imágenes es invaluable. El procesamiento de imágenes de
Resonancia Magnética (MRI – Magnetic Resonance Imaging),
Tomografía Computarizada (CT – Computer Tomography),
Tomografía por Emisión de Positrones (PET – Positron
Emission Tomography), Rayos X y otras modalidades,
proveen un medio no invasivo y efectivo para delinear la
anatomía de un sujeto.
Por lo que la segmentación se ha convertido en un
componente clave para el delineamiento de estructuras
anatómicas y otras regiones con el objetivo de asistir y
automatizar ciertas tareas radiológicas, siendo este el primer
paso para la modelación tridimensional de una estructura
anatómica determinada basado en su estructura real.
Los métodos para llevar a cabo las segmentación varían
ampliamente dependiendo de la aplicación específica, tipo de
imagen y otros factores (la segmentación del tejido del cerebro
tiene diferentes requerimientos que la segmentación de un
hígado). Factores como el ruido, selección del umbral,
volúmenes parciales y movimientos en la imagen, inciden en
el desempeño de los algoritmos de segmentación. Actualmente
no existe un método de segmentación eficiente y generalizado
que alcance resultados aceptables para todo tipo de imagen
médica.
En el presente trabajo se hace referencia a los métodos de
segmentación aplicados en imágenes médicas aunque la
mayoría de los conceptos aquí descritos también son
aplicables a otros tipos de imágenes.

II. MATERIALES Y MÉTODOS.
A. Imágenes Médicas.
Una imagen médica digital se define como un mapa de bits,
donde a cada píxel se le asigna un nivel I de intensidad de
gris propios [0…255], de tal forma que la agrupación de
píxeles crea la ilusión de una imagen de tono continuo. La
principal desventaja que presentan las imágenes de mapas de
bits es su dependencia con la resolución a la que han sido
creadas, por lo que al modificar su tamaño pierden calidad
visual (pérdida de la definición de trazos finos, pixelización).
B. Segmentación
Se define por segmentación de imágenes médicas al método
gráfico que recibe como entrada una imagen digital en tonos
de grises, que representa una determinada región anatómica,
cuya salida está constituida por un conjunto de regiones
poligonales catalogadas según un criterio determinado (Figura
1).
(a) (b)
Figura 1. (a) Corte axial del cerebro. (b) Imagen segmentada.
Clásicamente la segmentación de imágenes se define como:
Sea R la región correspondiente a la imagen I a segmentar. Se
define el proceso de segmentación como un proceso en el que
se divide la región R en n subregiones R1, R2,…, Rn,
siguiendo un criterio de umbralización T tal que:
n
UR =R
i =1
i
Ri es una región conectada, i=1,2,…,n
Ri I Rj = φ ,∀ i , j con j ≠ i
P ( Ri ) = CIERTO , i=1, 2,…, n
P ( Ri U Rj ) = FALSO, ∀ i , j adyacentes con j ≠ i
Donde P es un predicado lógico definido sobre la partición de
R El modelo matemático anterior justifica los siguientes
axiomas:
• Todo píxel de I debe pertenecer a una región R (1).
• Los píxeles pertenecientes a una región R están conectados
(2).
• Dos regiones diferentes según T no pueden unirse (3).
• Los píxeles pertenecientes a una misma región R deben
cumplir con el predicado lógico P (4).
• Dos regiones deben ser distintas respecto a P (5).
CCIA’2008 2
Determinar los conjuntos Ri es llamado clasificación de
píxel. Para ello se emplea el del mapa de etiquetas o labelmap
que no es más que un catálogo el cual asocia una característica
de los voxels (brillo, número TC, etc.) con una estructura
anatómica determinada, este mapa de etiquetas es creado
fundamentalmente a partir de criterios de especialistas
médicos.
Es posible además definir los métodos de segmentación como
un problema de optimización donde el resultado esperado es
el que minimiza alguna función de energía o de costo,
definida para una aplicación en particular.
En términos probabilísticos, esto es equivalente a una
probabilidad de maximización o probabilidad a posteriori (6).
∧
Dada la imagen y, se desea que la segmentación x tal que:
∧
x = arg min ε ( x, y ) (6)
x
Donde ε , función de energía, depende de la imagen y
observada y una segmentación x. Definir ε de forma
apropiada es la mayor dificultad a la hora de definir los
algoritmos de segmentación dada la amplia variedad de
propiedades de la imagen que pueden ser empleadas
(intensidad de gris, bordes, textura). En adición a la
información derivada de la imagen, el conocimiento previo
puede ser incorporado para mejorar la función ε .
La ventaja de ver la segmentación como un problema de
optimización es que define de manera precisa los aspectos
deseables a segmentar. Es muy claro que, para diferentes
aplicaciones, se necesitan diferentes funciones de energía o
costo.
C. El problema de la segmentación.
Según Angenent Sigurd, determinadas características de una
imagen médica hacen de la segmentación de estas un
problema difícil:
• Baja resolución (en los dominios espacial y espectral).
• Altos niveles de ruido (señal/ruido o contraste/ruido).
• Bajo contraste.
(1)
• Deformaciones geométricas (patata-coliflor-spaghetti).
• Presencia de elementos ajenos a la región de interés.
• Región anatómica que se desea segmentar.
(2)
(3)
III. MÉTODOS DE SEGMENTACIÓN DE IMÁGENES.
(4) Son varios los métodos de segmentación de imágenes
propuestos en la literatura. El primero y más básico es la
(5) segmentación manual, en este el operador es quien delimita
las regiones de interés. Debido a su dependencia del operador,
la segmentación manual consume tiempo y está sujeta a la
variabilidad de los resultados (diferentes operadores pueden
segmentar una misma imagen de diferentes maneras,
obteniéndose resultados diversos).
Sin embargo a pesar de sus inconvenientes, la segmentación
manual es empleada con frecuencia puesto que provee al
operador el control total sobre el proceso y todo el
conocimiento anatómico puede ser proveído por él mismo.
Este método es elegido cuando se necesita el máximo
conocimiento anatómico, aunque es generalmente rechazado

si existe un método para segmentar de manera semi
automática o automática [1].
Los enfoques basados en las intensidades de los píxeles, como
la umbralización [2] pueden ser aplicados exitosamente en la
identificación de algunas estructuras (como los huesos). Sin
embargo, el método falla ante la detección de tejidos ya que la
diferenciación de estos mediante sus propiedades de tonalidad
no es precisa, por lo que este método ha de combinarse con
otros para lograr una segmentación adecuada. El filtrado del
mapa de bits de la imagen permite que los bordes de una
región puedan crecer (dilatación) o encogerse (erosión). Sin
embargo es conocido que estas operaciones en ocasiones
eliminan información de la imagen que puede ser útil en aras
de optimizar la visualización de la misma o mejorar el
desempeño de otros métodos de segmentación aplicados a
posteriori.
Métodos basados en la detección de bordes permiten la
delimitación de fronteras entre regiones, caracterizadas por
puntos de alto valor de gradiente [2]. Estos son aplicados en
imágenes de características bien definidas, con amplio
contraste, aunque también pueden producir resultados no
satisfactorios debido a su sensibilidad al ruido. Dado que en
las imágenes médicas los niveles de ruido son elevados, los
tejidos suelen poseer intensidades no uniformes y los bordes
no siempre resultan claramente definidos a partir de las
intensidades de los pixeles, los resultados de la aplicación de
estos métodos están sujetos a la inspección de un especialista.
Otra opción de segmentación la constituyen los enfoques
basados en el tratamiento de regiones, que buscan delimitar
zonas homogéneas de la imagen, mediante la inclusión de los
elementos que cumplen determinado criterio de similitud [3].
Estos métodos se emplean particularmente en la delineación
de pequeñas y simples estructuras como tumores y lesiones.
Como desventajas presentan: se requiere interacción manual
para obtener el punto inicial (semilla), la elección de las
propiedades adecuadas que permitan ir añadiendo píxeles
durante el proceso de crecimiento y la definición de la regla de
parada.
Los métodos de segmentación basados en contornos activos,
siendo los más conocidos los que utilizan snakes [4],
definidos como curvas elásticas que evolucionan alrededor del
objeto a segmentar. Si bien se han reportado resultados
satisfactorios de su aplicación, se trata de esquemas
computacionalmente intensivos y que plantean algunos
inconvenientes, según se describe en [5], principalmente
cuando los objetos a segmentar poseen formas irregulares.
La inicialización manual de la curva es seguida por la
evolución de la misma hasta que el snake se encuentra en un
estado de baja energía en este punto presumiblemente se habrá
encerrado la región de interés en la imagen. Van Ginneke y
otros (2002) proponen un modelo basado en la apariencia del
nivel de gris que realiza un análisis estadístico para determinar
los rasgos más relevantes de cada punto notable (landmark)
del contorno (contemplando la posibilidad de que el objeto no
sea homogéneo). El snake discriminante estadístico (Pardo et
al., 2003) describe y aprende el aspecto de cada una de las
diferentes partes del contorno del objetivo. El método extrae
conocimiento a partir de rasgos sobre muestras en cortes
adyacentes en la misma secuencia. A diferencia de otros
CCIA’2008 3
métodos probabilísticos, este método busca una solución de
compromiso entre rasgos óptimos en la descripción de cada
configuración del contorno y la capacidad de discriminación
de otras configuraciones. Así, cada parte de la superficie del
snake hace su propia interpretación de los datos de imagen y
se deforma guiada por criterios, en general, no uniformes.
Entre la amplia variedad de técnicas de segmentación
aplicadas a las imágenes médicas, los modelos deformables
han recibido una especial atención debido a su capacidad de
interpretar rasgos dispersos e integrarlos para obtener la
superficie de los objetos de interés.
El primer uso de los modelos deformables en segmentación
fue descrito por Kass y otros en 1998. Desde el punto de vista
de la representación y la deformación del modelo, se pueden
mencionar diferentes variantes: el snake probabilístico (Staib
& Duncam, 1992; Storvik, 1994), el planteamiento variacional
(Amini et al., 1990; Geiger et al., 1995), modelos deformables
basados en elementos finitos (Cohen & Cohen, 1993), etc.
Todas estas técnicas tienen varias propiedades en común,
incluyendo una representación paramétrica (local o global), y
una evolución dirigida por potenciales físicos. Es por esto que
suelen denominarse modelos físicos.
Existe un paradigma diferente de modelo deformable basado
en la representación de conjuntos de nivel. Las características
distintivas de estos métodos geométricos son que una frontera
se representa como un conjunto de nivel cero de una
hipersuperficie de orden superior, y el modelo evoluciona para
reducir al mínimo una métrica definida por restricciones de
borde y curvatura, pero de forma menos rígida que los snakes
(Caselles et al., 1993). La formulación original fue
transformada posteriormente en un problema de minimización
de energía equivalente al modelo de snake (Caselles et al.,
1997; Yezzi et al., 1997) dando lugar a los modelos activos
geodésicos.
Durante las primeras aplicaciones de modelos deformables a
la segmentación de imágenes médicas, los rasgos de imagen
no eran seleccionados conforme al órgano específico y la
modalidad de imagen; de esta forma se realzaban demasiados
puntos de la imagen que no pertenecían al órgano de interés,
mientras que otros importantes pasaban inadvertidos. Blake e
Isard (1998) fueron de los primeros en proponer la
combinación de diferentes rasgos dependientes del dominio de
aplicación. Para poder seleccionar los rasgos más adecuados
es preciso, en primer lugar, definir un espacio que contenga
todos los posibles rasgos de interés en una imagen
determinada. Para alcanzar tal nivel de descripción se ha
propuesto el empleo de bancos de filtros espaciales con
diferentes escalas, que definan una familia suficiente para la
determinación completa de la estructura local de la de imagen
(Rao & Ballard, 1995). Esta condición la cumplen, por
ejemplo, los filtros de Gabor y los Gausianos (Florack et al.,
1996).
La integración de la selección de rasgos, y sus escalas, en un
marco estadístico es el enfoque más conveniente para la
puesta en correspondencia de la técnica de segmentación con
cada tarea específica. Podemos encontrar en la bibliografía
sobre el tema diferentes métodos basados en la estadística, que
atraen el modelo deformable hacia rasgos de imagen
compatibles con sus formas (Chakraborty et al, 1996; Cootes

et al, 1995) y/o apariencia del nivel de gris entrenados:
Paragios y Deriche (1999) propusieron un contorno geodésico
activo basado en un modelo estadístico supervisado, que
combina conocimiento a priori sobre el contorno del objeto
deseado y las propiedades de las regiones exterior e interior al
mismo; Yezzi y otros (1999) presentaron un modelo activo
que emplea de forma natural información global y local para
segmentar regiones distinguibles por un conjunto de
estadísticos; y autores como Cootes y otros (1998), y
Leventon y otros (2000) consideran el aspecto global (forma y
nivel gris) del contorno.
Entre estos métodos estadísticos se tiene el Expectation –
Maximization (EM), método frecuentemente utilizado en el
aprendizaje de sistemas al ajustar la mixtura de los modelos
gaussianos a los datos. Es un método que cuenta con dos
pasos y es aplicable solo cuando parte de los datos es
observable. El primer paso, denominado expectación o E-step,
asume que la mixtura gaussiana actual del modelo es correcta
y encuentra la probabilidad de que cada punto de los datos
pertenezca a cada gaussiana. El segundo paso, maximización
o M-step, “mueve” las gaussianas para maximizar su
probabilidad por lo que cada gaussiana incluye los puntos que
el E-step detectó que probablemente le pertenecían.
Los modelos de Campos Aleatorios de Markov (MRF,
Markov Random Fields) no son un método de segmentación
en si mismos, pero son un modelo estadístico que puede ser
usado dentro de los métodos de segmentación. Los MRF
modelan las interacciones espaciales entre vecinos o píxeles
cercanos. Estas correlaciones locales proveen un mecanismo
para modelar una variedad de propiedades de la imagen.
En el tratamiento de imágenes médicas, se utilizan
frecuentemente para tomar en cuenta el hecho que la mayoría
de los píxeles pertenecen a una misma clase a la que
pertenecen sus píxeles vecinos (asumen que cualquier
estructura anatómica que conste de un solo píxel tiene una
probabilidad muy baja de ocurrir).
Los MRF son incorporados frecuentemente en los algoritmos
de segmentación por agrupamiento, como las K-medias bajo
un modelo Bayesiano previo. La segmentación es obtenida
maximizando la probabilidad a posteriori de la segmentación
a partir de los datos de la imagen, obtenidos mediante métodos
iterativos como los Modos Condicionales Iterados,
presentados por Besag [6], o el Templado Simulado,
presentado por Geman et. al. [7]. Una dificultad asociada con
los modelos MRF es la selección apropiada de los parámetros
que controlan la fuerza de las interacciones espaciales. Una
selección muy alta puede resultar en segmentación
excesivamente suave y una pérdida de los detalles
estructurales. En adición, los métodos MRF usualmente
requieren algoritmos computacionalmente intensivos. A pesar
de estas desventajas, los MRF son ampliamente utilizados no
solo para modelar clases de segmentación, sino también para
modelar propiedades de texturas e inhomogenidades de las
intensidades.
Los métodos guiados por plantillas (atlasguided methods) son
un modelo anatómico global, el cual puede ser ajustado a los
datos para guiar la segmentación. Emplea el método de
clasificación estadística ATM SVC para ajustar el atlas
anatómico a los datos durante la segmentación [8] creando
CCIA’2008 4
mapas de distancias, mediante estos es posible calcular la
probabilidad de que cada voxel sea parte de una estructura
determinada. Los métodos guiados por plantilla han sido
aplicados principalmente en el tratamiento de imágenes de
RM del cerebro. Esto es debido a que los métodos guiados por
plantilla por lo general se adaptan mejor a la segmentación de
estructuras que son estables en toda la población de estudio.
Otras alternativas se definen mediante algoritmos
clasificadores, clustering o de redes neuronales. Pero estos
requieren de un entrenamiento previo, alto procesamiento
computacional y en ocasiones brindan resultados no
esperados.
Los métodos clasificadores son técnicas de reconocimiento de
patrones que buscan particionar un espacio característico
derivado de la imagen usando datos con etiquetas conocidas.
Los clasificadores son conocidos como métodos supervisados
debido a que requieren datos de entrenamiento que son
segmentados manualmente, para luego ser utilizados en la
segmentación automática de nuevos datos.
Los clasificadores estándares requieren que la estructura a ser
segmentada posea características cuantificables distintas.
Debido a que los datos de entrenamiento pueden ser
etiquetados, los clasificadores pueden transferir estas etiquetas
a los nuevos datos siempre que el espacio característico
distinga cada etiqueta lo suficiente. No son iterativos, por lo
que son relativamente eficientes computacionalmente y
pueden ser aplicados a imágenes multicanal. Como
desventajas se tiene que no obedecen a ningún modelo
espacial, la necesidad de la interacción manual para obtener
los datos de entrenamiento. En adición, el uso del mismo
conjunto de entrenamiento para un gran número de imágenes
puede llevar a resultados viciados, ya que no toman en cuenta
las variaciones anatómicas y fisiológicas entre diferentes
sujetos.
En el caso de las Redes Neuronales Artificiales (ANN –
Artificial Neural Network) el aprendizaje se alcanza a través
de la adaptación de pesos asignados a las conexiones entre
nodos. El uso que más se le da en procesamiento de imágenes
médicas es el de un clasificador, donde los pesos son
determinados usando datos de entrenamiento y luego se utiliza
la ANN para segmentar nuevos datos. Las ANN también
pueden ser usadas de una manera no supervisada como
método de agrupamiento o como modelo deformable.
Los algoritmos de agrupamiento (clustering) llevan a cabo
esencialmente la misma función que los métodos
clasificadores, pero sin utilizar datos de entrenamiento, se
definen como métodos no supervisados. En este sentido, los
métodos de agrupamiento se entrenan a si mismos usando los
datos disponibles. Un algoritmo de agrupamiento común es el
algoritmo de las K-medias o algoritmo ISODATA. Aunque
los algoritmos de agrupamiento no requieren que los datos se
entrenen, si requieren un segmentación inicial (o de manera
equivalente, requiere parámetros iniciales). Como los métodos
de clasificación.

IV. UMBRALIZACIÓN.
La umbralización es un método de filtrado empleado para
etiquetear y agrupar los píxeles cuyos valores en la escala de
grises están en un rango o función matemática determinada.
Generalmente, la umbralización es el paso inicial de una
secuencia de operaciones durante el procesamiento de
imágenes. Debido a que esta no toma en cuenta las
características espaciales de la imagen es sensible a
inhomogeneidades de la intensidad y al ruido. Estos factores
corrompen el histograma de la imagen haciendo la
segmentación más difícil.
En ocasiones, como resultado de la segmentación, se
detectan las pequeñas estructuras que no son significativas
para la descripción del órgano humano sobre todo cuando la
diferencia entre las intensidades es inferior a las 4 unidades.
Este es un aspecto que depende de múltiples factores entre los
cuales se encuentra la habilidad del especialista para el
reconocimiento de la imagen y la calidad de obtención del
equipo médico.
Partiendo de la idea que no está definido un método que
permita realizar la umbralización de una imagen médica
basando en la percepción de los niveles de gris, se decidió
realizar una umbralización variable basada en el cálculo de los
puntos de inflexión del histograma de la imagen.
Teniendo en cuenta que las curvas de los histogramas de las
imágenes médicas tienen un comportamiento similar al de la
figura 2a. Se decidió por tanto, determinar 6 bandas de umbral
mediante la determinación de los puntos de inflexión figura
2b. Una vez definidas las 6 bandas de realiza la umbralización
agrupando hacia la derecha figura 2c.
(a) (b)
(c)
Figura 2. (a) Histograma de una imagen médica. (b) Delimitación de las bandas
según los puntos de inflexion. (c) Histograma resultante.
V. RUIDO.
Se denota por ruido (en análisis de imágenes) a cualquier
entidad que no es interesante para la computación que se
CCIA’2008 5
pretende llevar a cabo, este degrada la calidad y compromete
el nivel de detalle de las imágenes, pudiendo aparecer durante
las etapas de adquisición, transmisión, almacenamiento y
procesamiento.
Matemáticamente es posible definir una imagen con ruido
mediante la ecuación (7):
G ( x, y ) = I ( x, y ) + n ( x , y ) (7)
Donde: I(x, y): nivel de gris de un píxel localizado
en (i, j) en la imagen original.
n(x, y ): función de distribución del ruido
presente en la imagen.
El ruido en imágenes médicas aparece tanto en el interior
como en el exterior de las mismas, debido a: movimientos del
paciente, al proceso de detección y transmisión de la señal,
incluso en que no es posible aumentar la intensidad de
radiaciones (en el caso de la CT) o la intensidad del campo
magnético (en el caso de la MRI) ya que esto podría
comprometer la salud del paciente o el funcionamiento del
equipo.
La mayoría de las técnicas descritas en la bibliografía para
reducir el ruido se basan en el suavizado de la imagen,
mediante la aplicación de filtros. Si bien es cierto estos
aumentan la relación señal / ruido, eliminan u homogenizan
zonas del interior de la imagen que podrían influir en el
diagnóstico médico.
El objetivo del método que se presenta es la eliminación del
ruido exterior a las regiones de interés, no es objetivo la
eliminación del ruido interior puesto que no nos es posible
discernir cual información es anatómicamente revelante para
el especialista y cual no.
En la figura 3a se observan los niveles de ruido alrededor de
la imagen médica y en la figura 3b como debería obtenerse la
imagen. Se han invertido sus colores para que sea más fácil
discernir los niveles de ruido dado que la respuesta del sistema
de visión humano a las variaciones de luminosidad es no
lineal, es decir, un cierto incremento en la luminosidad no es
percibida por dicho sistema en la misma proporción debido a
que el ojo tiene menor sensibilidad a las bajas y altas
frecuencias espaciales que a las frecuencias medias, que son
las que el ojo percibe mejor.
(a) (b)
Figura 3. (a) Imagen médica con ruido exterior. (b) Imagen médica sin ruido
exterior.
La eliminación del ruido de forma geométrica se basa en la
creación de una máscara binaria, la cual al aplicarse sobre el
mapa de bits de la imagen original mediante la operación
 CCIA’2008 6

binaria AND mantenga los píxeles interiores de las regiones

de interés intactos, eliminando todos los píxeles exteriores.
Basándose en la no linealidad del sistema de visión humano
y que las variaciones entre dos tonalidades de gris cercanas al
0 son casi imperceptibles para éste, el primer paso es eliminar
aquellas tonalidades que fisiológicamente el sistema de visión
humano no es capaz de discernir entre una y otra.
Esto lleva a adentrarse en el campo de la percepción del
color donde existen múltiples experimentos y trabajos que
mezclan aspectos de la percepción del color partiendo de la
temperatura, frecuencia y características físicas, hasta los
criterios fisiológicos. Todos ellos, no muestran un resultado
único, factible de introducir en este trabajo.
A partir de la consulta a bibliografía especializada y
partiendo de una experiencia de percepción visual de niveles
de grises se arribó a la conclusión que en una imagen con
fondo negro (0 en la escala de grises), el sistema de visión
humano es capaz de discernir entre dos valores de gris a partir
de aquellos con valor de intensidad mayor que 30. a) Imagen original. b) Imagen después de
Basándose en esto se realiza un corte vertical al histograma realizado el corte horizontal
de la imagen (figura 4a) en el valor 30 eliminando todos al histograma en 30.
aquellos valores menores que 30 (figura 4b). El próximo paso
es aplicar a todos los píxeles la ecuación (8), obteniéndose
como resultado la imagen de la figura 4c.
⎧0, ∀ I ( x , y ) ≥ 30
I ( x, y ) = ⎨ (8)
⎩φ , otro _ caso
Donde: I(x, y): nivel de gris de un píxel en la imagen.

A partir de aquí se segmenta la imagen obteniéndose un

conjunto de polígonos de los cuales se eliminan aquellos cuya
área sea menor que el valor mínimo de frecuencia a la que se
realiza el corte (30), si este valor excede 16 píxeles se toma
entonces 16 como el valor de criterio (figura 4d), se definen
16 píxeles debido a que ésta es el área mínima (4x4 píxeles)
que define una estructura.
Una vez finalizado el proceso de segmentación y eliminación
de los polígonos según el criterio del área, no es posible c) Imagen después de la d) Después de realizada la
discernir cual o cuales polígonos encierran las regiones de realización de la segmentación y eliminados
interés, según la figura 4d) el proceso de segmentación da umbralización binaria. los polígonos con área
como resultado 3 polígonos principales (dos polígonos menor que la frecuencia de
exteriores que constituyen parte de las orejas y un polígono corte
que representa la cabeza). Es por ello que se realiza una
envolvente convexa sobre la nube de puntos que constituyen
los polígonos de la imagen obteniéndose como resultado la
envolvente de la figura 4e. Esta envolvente convexa será la
máscara a aplicar a la imagen original. Una vez aplicada esta
máscara se eliminan los píxeles exteriores a esta (incluyendo
el ruido exterior) obteniéndose como resultado la figura 4f.

e) Envolvente convexa f) Resultado de aplicar la

máscara

Figura 4. Proceso de eliminación de ruido.

 CCIA’2008 7

VI. CONCLUSIONES.
Hasta aquí se han propuesto diferentes métodos para llevar a
cabo la segmentación de imágenes médicas, aunque estos
conceptos pueden ser extendidos a otros tipos de imágenes.
Factores como la resolución de las imágenes, ruido, selección
del umbral inciden en el desempeño de los algoritmos de
segmentación.
En el caso específico de las imágenes médicas DICOM
(Digital Imaging and Communication in Medicine), estas
presentan una resolución de 96x96ppi, por lo que cada píxel
corresponde un área 0.264583mm2 en la estructura anatómica.
Si se aumenta la resolución de la imagen a 300x300ppi, el
área sería de 0.084667mm2. Obsérvese que la primera
resolución provoca la pérdida de información sobre algunos
vasos capilares y nervios necesarios para segmentar
correctamente algunas regiones anatómicas.
El ruido presente en las imágenes médicas, si bien se ha
demostrado que aplicando filtros, empleando MRF o
definiendo un límite umbral este puede ser eliminado es
conocido que se pierde información que puede ser de interés.
Si bien hasta ahora lo encontrado en la literatura publicada no
satisface los requerimientos para obtener el dominio
geométrico de una imagen médica sin pérdida de información
y de manera automática, lo cual consume un tiempo adicional
de procesamiento. Es posible encontrar una técnica para la
segmentación automática si se aplican las técnicas de
discriminación y composición del nivel de gris que posee el
sistema de visión humano.

REFERENCIAS
[1] O’Donnell Lauren, Semi – Automatic Medical Image Segmentation.
Tesis para la obtención del grado de Master of science in Computer
Science and Engineering, Departament of Electrical Engineering and
Computer Science. Massachusetts Institute of Technology. Octubre
2001.
[2] Jain A. Fundamentals of Digital Image Processing, Prentice Hall. 1989.
[3] Castleman K. Digital Imagen Processing. Prentice Hall.1996.
[4] Kass M., Witkin A., Terzopoulos D. Snakes: Active contour models¸
Int.J. Comput. Vis.1(4), 321-331. 1988.
[5] Ji L., Yan H. Loop-free snakes for highly irregular object shapes,
Pattern Recognition Letters 23, pp 579-591. 2002.
[6] Besag J. On the statistical analysis of dirty pictures. Journal Royal
Statistical Society B, vol.48, num. 3, pags. 259 – 302. 1986.
[7] Geman S., Geman D. Stochastic relaxation, Gibbs distribution, and the
Bayesian restoration of images. IEEE Transactions on Pattern Analysis
and Machine Intelligence: vol. 6, pags. 721 – 741. 1984.
[8] Warfield S. et al. Adaptive. Template Moderated, Spatially Varying
Statistical Classification. Medical Image Analysis, 4(1): pags. 43 – 55.
2000.

View publication stats