IDENTIFICACIÓN DE PATRONES ENIMÁGENES DE HÍGADO UTILIZANDO      TEMPLATE MATCHING                Estudiante:         Juan ...
Contenido Introducción Motivación Definición del Problema Objetivos    Objetivo General    Objetivos Específicos Pr...
Introducción                               Ultrasonido                               Resonancia               Figura 2 Ima...
Motivación                             Brindar una herramienta que apoye                             el diagnostico de los...
Definición del ProblemaRepositorio de imágenes de hígado y el patrón a buscarBuscar la región en cada imagen del repositor...
ObjetivosGeneral:   Proponer una estrategia de reconocimiento de patrones en    imágenes de hígado utilizando técnicas d...
Propuesta de Solución   Filtrado             Template         Estrategia        Evaluación                        Matching...
Filtrado Figura 9 Imagen repositorioFigura 10 Convolución con ventana de 3x3                                           Sli...
Filtro Bilateral                                                                                      i2 j 2              ...
Ejemplo Filtro Bilateral        Figura 10 Ejemplo filtro bilateral                                             Slide 10
Operador de Sobel                                                                                                         ...
Ejemplo Operador de Sobel         Figura11 Ejemplo operador de sobel   Slide 12
Filtro PromedioFigura 12 Filtro promedio máscara convolución de 3x3                                                       ...
Ejemplo Filtro Promedio       Figura 13 Ejemplo filtro promedio                                           Slide 14
Template Matching   Template Matching   Encontrar la ubicación de una sub imagen     La posición donde es mínima la distor...
Métricas de SimilitudSuma de diferencias absolutas(SAD) [1]                                          n            n       ...
Suma de diferencias absolutas SAD,          Raíz de promedio de cuadrados RMS,                  Medida de correlación     ...
Correlación cruzada normalizadoRecorrido Box-Filtering   Columna que sale            Columna que entra                    ...
Estrategia de BúsquedaJerarquía de imágenes: algoritmos de grueso a fino (coarse to fine)-Reducir las imágenes en tamaño y...
Algoritmo Ganador TemporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede ca...
Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede ca...
Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede ca...
Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede ca...
Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede ca...
Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede ca...
Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede ca...
Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede ca...
Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede ca...
Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede ca...
Evaluación                                    real                            positivo negativo                   positivo...
ResultadosModelo propuesto 1   Modelo propuesto 2                              Slide 31
Resultados-         repositorio tp fp fn tn presición(%) cobertura(%) tiempo prom.(seg)ccc               34 28 4 2 0      ...
Resultados SADTPTNFN                      Slide 33
Resultados DGTPFPFN                     Slide 34
Observaciones Finales Se comprobó que las métricas suma de diferencias absolutas, coeficiente de  correlación cruzada y l...
Software Figura 14 Modelo vista controlador                                      Slide 36
Diagrama de Clases    Figura 15 Diagrama de clases                                   Slide 37
Lo que permite hacer la aplicación  Agregar repositorio de  imágenesLeer repositorio deimágenes                           ...
Bibliografía [1] L. Ding, A. Goshtasby, and M. Satter. Volume image registration by template  matching. Science Direct Im...
Referencias   (1) http://www.nlm.nih.gov/medlineplus/spanish/diagnosticimaging.html   (2) Imágenes Clínica Valle del Lil...
Preguntas            Slide 41
Gracias          Slide 42
Upcoming SlideShare
Loading in …5
×

Identificación de Patrones en Imágenes de Hígado Utilizando Template Matching

1,790 views

Published on

Published in: Education
  • Be the first to comment

  • Be the first to like this

Identificación de Patrones en Imágenes de Hígado Utilizando Template Matching

  1. 1. IDENTIFICACIÓN DE PATRONES ENIMÁGENES DE HÍGADO UTILIZANDO TEMPLATE MATCHING Estudiante: Juan Carlos Garrido Sarasa Directora: María Patricia Trujillo Uribe, Ph. D. Co-Director: Iván Mauricio Cabezas Troyano, Ing.
  2. 2. Contenido Introducción Motivación Definición del Problema Objetivos  Objetivo General  Objetivos Específicos Propuesta de Solución Evaluación Resultados Conclusiones Slide 2
  3. 3. Introducción Ultrasonido Resonancia Figura 2 Imagen hígado (4) Magnética Tomografía computarizada Rayos X Figura 3 Imagen Tomografía Abdomen (2)Figura 1 Fuentes imágenes medicas (1) Slide 3
  4. 4. Motivación Brindar una herramienta que apoye el diagnostico de los especialistas Observar el interior del cuerpo Dependiendo del órgano que se quiera examinar y los síntomas del paciente se elige una u otra fuente Examinar el cerebro, médula espinal, rupturas de ligamentos, cáncer, fracturas, etc Buscar dentro de un repositorio de imágenes, imágenes o áreas de imágenes que presenten similitud con lo que está buscandoFigura 4 Diagnóstico (3) Slide 4
  5. 5. Definición del ProblemaRepositorio de imágenes de hígado y el patrón a buscarBuscar la región en cada imagen del repositorio Figura 6 patrón Figura 5 Región de interés ó (2) template T (2) Figura 7 Repositorio de imágenes (2) Conjunto de imágenes con regiones similares al patrón buscado Figura 8 Imágenes obtenidas (2) Slide 5
  6. 6. ObjetivosGeneral:  Proponer una estrategia de reconocimiento de patrones en imágenes de hígado utilizando técnicas de Template MatchingEspecíficos:  Analizar y seleccionar algoritmos de búsqueda útiles para identificar patrones en imágenes de hígado utilizando algoritmos de Template Matching  Seleccionar y evaluar métricas de similitud para identificar patrones en imágenes de hígado utilizando algoritmos de Template Matching  Comparar los resultados obtenidos con otro algoritmo de reconocimiento de patrones, en términos de precisión  Validar los resultados obtenidos por un especialista Slide 6
  7. 7. Propuesta de Solución Filtrado Template Estrategia Evaluación Matching de búsqueda Suma de diferencias Jerarquía deFiltro bilateral absolutas (SAD) imágenes Coeficiente Recorrido de correlación simulado Matriz deOperador de cruzada (CCC) confusiónSobel Algoritmo Correlación ganador cruzada temporalFiltro normalizada (NCC)promedio Distancia geométrica (DG) Slide 7
  8. 8. Filtrado Figura 9 Imagen repositorioFigura 10 Convolución con ventana de 3x3 Slide 8
  9. 9. Filtro Bilateral i2 j 2 Ic Ii, j 1 2 2 s I c , Ii, j 1 g i, j 2 e I max 2 Función gausiana Función de semejanza- Preserva los bordes de la imagen - Remover el ruido de la imagen- Inversamente proporcional a la - Proximidad de cada posición al diferencia entre la intensidad del centro del vecindario pixel del centro del vecindario y las intensidades de cada pixel del vecindario Slide 9
  10. 10. Ejemplo Filtro Bilateral Figura 10 Ejemplo filtro bilateral Slide 10
  11. 11. Operador de Sobel My M Mx2 My2 tan 1 Mx = 85.60 Orientación del gradienteDivisión de la orientación cada 22,5 Información de la dirección, Izq. Cuantización de las direcciones. Der. Pixel de interés y sus 8 vecinos Slide 11
  12. 12. Ejemplo Operador de Sobel Figura11 Ejemplo operador de sobel Slide 12
  13. 13. Filtro PromedioFigura 12 Filtro promedio máscara convolución de 3x3 Slide 13
  14. 14. Ejemplo Filtro Promedio Figura 13 Ejemplo filtro promedio Slide 14
  15. 15. Template Matching Template Matching Encontrar la ubicación de una sub imagen La posición donde es mínima la distorsión llamada patrón o template dentro de una se toma para ubicar el template dentro de imagen la imagen examinada I S TT= patrón o template I = imagen S = imagen de similitud T [n x m] I [k x l] S[(k – n + 1)] x [(l - m + 1)] template matching T < I S es una imágen intermedia donde se va almacenando los Calcular para cada posición de la imagen, cálculos bajo una función de distorsión, la medida de similitud entre el template y la imagen Slide 15
  16. 16. Métricas de SimilitudSuma de diferencias absolutas(SAD) [1] n n s ( x, y ) F i, j F x + i 1, y + j 1 : x, y = 1 m n +1 1 2Suma de diferencias absolutas i =1 j =1basado en la estrategia de unganador temporal [5] n n F1 i, j F2 x + i 1, y + j 1Medida de correlación c0 x, y = i=1 j=1(Cross-correlation coeficient) [1] 1 1 n n n n 2 2 2 F i, j 1 F22 x + i 1, y + j 1 i=1 j=1 i=1 j=1 n n F1 i, j F 1 x, y . F2 x + i 1, y + j 1 F 2Correlacion Cruzada Normalizado c x, y = i=1 j=1(NCC) [4] n n 1 n n 1 2 2 2 2 F1 i, j F 1 x, y F2 x i 1, y j 1 F 2 i=1 j=1 i=1 j=1 nRaíz de promedios de cuadrados 1 r.m.s xi2(RMS) [1] n i 1 Slide 16
  17. 17. Suma de diferencias absolutas SAD, Raíz de promedio de cuadrados RMS, Medida de correlación S Imagen de similitud T Template [n]x[m] S[(k – n + 1)] x [(l –m + 1)] I Imagen del repositorio [k]x[l ]Recorrido del template Complejidad algorítmica: O n2sobre la imagen delrepositorio Los valores que tome S muestran la diferencia entre la imagen del repositorio y el Template SAD y RMS, cuanto menor sea el valor de S(x,y), más similar es la plantilla y la ventana Medida de correlación Toma valores entre [0, 1] Slide 17
  18. 18. Correlación cruzada normalizadoRecorrido Box-Filtering Columna que sale Columna que entra F1 Template [n]x[m] F2 Imagen del Fila que sale repositorio [k]x[l] Recorrido del template Fila que entra sobre la imagen del repositorio F1 Template [n]x[m] F2 Imagen del Recorrido Box Filtering repositorio [k]x[l] sobre la imagen del repositorio C Imagen correlación C(x, y) Toma valores entre [0, 1] C [(k – n + 1)] x [(l –m + 1)] Complejidad algorítmica: O n2 Slide 18
  19. 19. Estrategia de BúsquedaJerarquía de imágenes: algoritmos de grueso a fino (coarse to fine)-Reducir las imágenes en tamaño y resoluciónRecorrido simulado: (simulated annealing)-Basado en un procedimiento físico de templado de metales usado en la metalurgia para llevar un sólido a un estado de equilibrio térmico-Búsqueda del valor óptimo de una función de costo-A partir de una configuración dada, busca una configuración final siguiendo el procedimiento de optimización global en un parámetro de control dado Slide 19
  20. 20. Algoritmo Ganador TemporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede calcular parcialmente [5] Ilustración del algoritmo, B1 tiene menor suma en el Nivel 0 Slide 20
  21. 21. Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede calcular parcialmente [5] Ilustración del algoritmo, B1 aumenta la suma y el Nivel1, ahora el que tiene menor suma en es B3 en el Nivel 0 Slide 21
  22. 22. Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede calcular parcialmente [5] Ilustración del algoritmo, B3 aumenta la suma y Nivel 1, B3 sigue teniendo la menor suma en el Nivel 1 Slide 22
  23. 23. Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede calcular parcialmente [5] Ilustración del algoritmo, B3 aumenta la suma y Nivel 2, ahora el que tiene menor suma es B4 en el Nivel 0 Slide 23
  24. 24. Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede calcular parcialmente [5] Ilustración del algoritmo, B4 aumenta la suma y Nivel 1, ahora el que tiene menor suma es B3 en el Nivel 2 Slide 24
  25. 25. Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede calcular parcialmente [5] Ilustración del algoritmo, B3 aumenta la suma y Nivel 3, ahora B4 es el que tiene la menor suma en el Nivel 1 Slide 25
  26. 26. Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede calcular parcialmente [5] Ilustración del algoritmo, B4 aumenta la suma y Nivel 2, ahora el que tiene la menor suma es B3 en el Nivel 3 Slide 26
  27. 27. Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede calcular parcialmente [5] Ilustración del algoritmo, B3 aumenta la suma y Nivel 4, B1, B2 y B3 tiene la menor suma en diferentes niveles, se explora B1 y B2 Slide 27
  28. 28. Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede calcular parcialmente [5] Ilustración del algoritmo, B1 aumenta la suma y Nivel 2, la sumatoria de B1 es mayor que la de B3 Slide 28
  29. 29. Algoritmo ganador temporalEl principio de este algoritmo es un ordenamientoSe elige el que menor suma tengaSAD se puede calcular parcialmente [5] El algoritmo termina sin tener que realizar los cálculos faltantes El bloque ganador es B3 Ilustración del algoritmo, B2 aumenta la suma y Nivel 1, la sumatoria de B2 es mayor que la de B3 Slide 29
  30. 30. Evaluación real positivo negativo positivo tp fp predicho negativo fn tn Matriz de confusiónTN (True Negative, Verdaderos Negativos) es el número de correctas predicciones que en realidad son negativasFP (False Positive, Falsos Positivos) es el número de incorrectas predicciones que en realidad son negativasFN (False Negative, Falsos Negativos) es el número de incorrectas predicciones que en realidad son positivasTP (True Positive, Verdaderos Positivos) es el número de correctas predicciones que en realidad son positivas Porcentaje de información correcta Porcentaje de casos correctos respecto al total de selecciones que pertenecen al patrón Slide 30
  31. 31. ResultadosModelo propuesto 1 Modelo propuesto 2 Slide 31
  32. 32. Resultados- repositorio tp fp fn tn presición(%) cobertura(%) tiempo prom.(seg)ccc 34 28 4 2 0 87,50 93,33 112,03ncc 34 22 4 8 0 84,62 73,33 112,28sad 34 29 0 1 4 100,00 96,67 70,83sad_wus 34 28 0 2 4 100,00 93,33 53,35dg 34 25 4 5 0 86,21 83,33 54,17 Resultados métricas de similitud con filtro- repositorio tp fp fn tn presición(%) cobertura(%) tiempo prom.(seg)ccc 34 28 4 2 0 87,50 93,33 106,69ncc 34 22 4 8 0 84,62 73,33 105,70sad 34 28 0 2 4 100,00 93,33 67,59sad_wus 34 28 0 2 4 100,00 93,33 55,61dg 34 4 4 26 0 50,00 13,33 49,37 Resultados métricas de similitud sin filtro Slide 32
  33. 33. Resultados SADTPTNFN Slide 33
  34. 34. Resultados DGTPFPFN Slide 34
  35. 35. Observaciones Finales Se comprobó que las métricas suma de diferencias absolutas, coeficiente de correlación cruzada y la correlación cruzada normalizado, filtrando las imágenes y sin filtrar, se obtienen los resultados que teóricamente se esperarían, la mínima diferencia fue 0 en la suma de diferencias absolutas, y ocurre cuando se compara contra la misma imagen que está en el repositorio. Para las métricas coeficiente de correlación cruzada y la correlación cruzada normalizado, la máxima correlación fue 1 y ocurre cuando se compara contra la misma imagen que está en el repositorio Al validar los resultados con un especialista se observa que la métrica SAD es con la que se obtiene mejores resultados Con la estrategia de búsqueda implementada basada en un ganador temporal se observa que las imágenes resultado son muy similares a los resultados obtenidos con la métrica SAD y se disminuye el tiempo de ejecución Se observó que a pesar de las estrategias de optimización implementadas, el tamaño de la región de búsqueda impacta en los tiempos de respuesta de la aplicación Slide 35
  36. 36. Software Figura 14 Modelo vista controlador Slide 36
  37. 37. Diagrama de Clases Figura 15 Diagrama de clases Slide 37
  38. 38. Lo que permite hacer la aplicación Agregar repositorio de imágenesLeer repositorio deimágenes Buscar dentro de un repositorio de imágenes, imágenes o áreas de imágenes que presenten similitud con la región de interés que se está buscando Guardar región de interés Leer imagen Seleccionar región de interés Slide 38
  39. 39. Bibliografía [1] L. Ding, A. Goshtasby, and M. Satter. Volume image registration by template matching. Science Direct Image and Vision Computing Volume 19, Issue 12, 1 October 2001, Pages 821-832 [2] G. Borgefors, Hierarchical chamfer matching: a parametric edge matching algorithm. IEEE Transactions on Pattern Analysis and Machine Intelligence 10 6 (1998), pp. 849–865. [3] J. You, W.P. Zhu, E. Pissaloux, H.A. Cohen, Hierarchical Image Matching: A Chamfer Matching Algorithm Using Interesting Points. IEEE, Pages 70–75 [4] J.N. Sarvaiya, S. Patnaik, S. Bombaywala. Image Registration By Template Matching Using Normalized Cross-correlation. IEEE International Conference on Advances in Computing, Control, and Telecommunication Technologies 2009, Pages 819-822 [5] Yong-Sheng Chen; Yi-Ping Hung; Chiou-Shann Fuh; A Fast Block Matching Algorithm Base don the Winner-Update Strategy.In Proccedings of the Fourth Asian Conference on Computer Vision, Taipei, Taiwan, Jan. 2000, Volume 2, pages 977-982. [6] Herng-Hua; Woiei C. Chu; Double Bilateral Filtering for Image Noise Removal, IEEE, 2009 World Congress on Computer Science and Information Engineering. Slide 39
  40. 40. Referencias (1) http://www.nlm.nih.gov/medlineplus/spanish/diagnosticimaging.html (2) Imágenes Clínica Valle del Lili (3) http://www.nlm.nih.gov/medlineplus/spanish/diagnosticimaging.html (4) http://fundacionannavazquez.files.wordpress.com/2008/03/higado.jpg Slide 40
  41. 41. Preguntas Slide 41
  42. 42. Gracias Slide 42

×