Pontificia universidad javeriana facultad de ingenieria



Descargar 2,15 Mb.
Página1/2
Fecha de conversión08.06.2017
Tamaño2,15 Mb.
  1   2


PI161-5-Salpat

Patrones Basados en Saliencia para imágenes de Resonancia Magnética Cerebral

Julián Camilo Daza Rodríguez

PONTIFICIA UNIVERSIDAD JAVERIANA

FACULTAD DE INGENIERIA

MAESTRÍA EN INGENIERÍA DE DE SISTEMAS Y COMPUTACIÓN

BOGOTÁ, D.C.

2016


PI161-5-Salpat

Patrones Basados en Saliencia para imágenes de Resonancia Magnética Cerebral



Autor:

Julián Camilo Daza Rodríguez

MEMORIA DEL TRABAJO DE GRADO REALIZADO PARA CUMPLIR UNO DE LOS REQUISITOS PARA OPTAR AL TITULO DE

Magíster en Ingeniería de Sistemas y Computación

Directora

Andrea Del Pilar Rueda Olarte



Comité de Evaluación del Trabajo de Grado

Catalina Alvarado

Fabio Martínez

Página web del Trabajo de Grado

http://pegasus.javeriana.edu.co/~PI161-5-Salpat

PONTIFICIA UNIVERSIDAD JAVERIANA

FACULTAD DE INGENIERIA

MAESTRÍA EN INGENIERIA DE SISTEMAS Y COMPUTACIÓN

BOGOTÁ, D.C.

Mayo,2016



PONTIFICIA UNIVERSIDAD JAVERIANA

FACULTAD DE INGENIERIA

MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN

Rector Magnífico

Jorge Humberto Pelaez, S.J.



Decano Facultad de Ingeniería

Ingeniero Luis David Prieto Martínez



Director Maestría en Ingeniería de Sistemas y Computación

Ingeniera Angela Carrillo Ramos



Director Departamento de Ingeniería de Sistemas

Ingeniero Rafael González Rivera




Artículo 23 de la Resolución No. 1 de Junio de 1946

“La Universidad no se hace responsable de los conceptos emitidos por sus alumnos en sus proyectos de grado. Sólo velará porque no se publique nada contrario al dogma y la moral católica y porque no contengan ataques o polémicas puramente personales. Antes bien, que se vean en ellos el anhelo de buscar la verdad y la Justicia”
AGRADECIMIENTOS

Quiero agradecer a mis padres, ya que ellos me enseñaron a valorar el estudio y a superarme cada día, su apoyo incondicional me ha hecho la persona que soy, lo cual me permitió afrontar este gran desafío y próximos que vendrán.

A mi directora de tesis Andrea Rueda por aceptarme para realizar esta tesis bajo su dirección, su apoyo y ayuda sin duda fueron fundamentales para la culminación de este proyecto. Su guía, apoyo, enseñanza y paciencia. Nunca pensé que realizar un estudio en el campo de las imágenes médicas fuera a ser un gran reto interesante y divertido.


Introducción 8

1. descripción general 10

2. Descripción del proyecto 12

2.1. Objetivo general 13

2.2 Objetivos específicos 13

2.3 Fases de desarrollo 13



2.3.1 Investigación sobre Saliencia 14

2.3.2 Experimentación de Modelos de Saliencia 14

2.3.3 Formulación de Modificaciones 15

2.3.4 Ejecución de modificaciones sobre Modelos de Saliencia 16

2.3.4 Análisis y verificación de resultados 16

3. marco teórico / estado del arte 17

3.1 Modelos de Atención Visual 17

3.1.1 ¿Qué es la atención? 18

3.2 Modelos de Saliencia 19

3.2.1 Modelos Cognitivos 19

3.2.1.1 Itti 20

3.2.1.2 Kootstra 21

3.2.2 Modelos Bayesianos 22

3.2.3 Modelos de información Teórica 22

3.2.4 Modelos Gráficos 23

4. trabajos relacionados 23

4.1Automatic Classification Of Patients With Alzheimer's Disease From Structural Mri: A Comparison Of Ten Methods Using The ADNI Database [9] 24

4.2Extracting Salient Brain Patterns For Imaging-Based Classification Of Neurodegenerative Diseases [15, 23] 25

I - Modelos de Saliencia en visión por computador 26

1. Modelos de Saliencia en visión por computador 26



1.1 AIM Attention based on information maximization [25] 26

1.2 CovSal Visual saliency estimation by nonlinearly integrating features using region covariances [18] 27

1.3 FES Fast and Efficient Saliency Detection Using Sparse Sampling and Kernel Density Estimation [19] 27

1.4 GBVS Graph Based Visual Saliency [26] 27

II - Clasificación de patrones basado en Saliencia Visual 27

1. Preparación de imagen 28

2. Estimación del mapa de Saliencia 29

3. Estimación de la similitud 32

4. Clasificación SVM 32

5. Cálculo de regiones cerebrales salientes 32



III - Resultados 33

1. Datasets de Imágenes MR Cerebrales 33

2. Configuración experimental 34

3. Evaluación de desempeño y métricas 34

4. Resultado de clasificación 35

5. Resultado de Estimación de Regiones Salientes 42



IV – Conclusiones y Trabajos Futuros 47

1. Conclusiones 47

2. Trabajos Futuros 48

Referencias 49

Figuras 53

Gráficas 55

Tablas 55


ABSTRACT

Computational visual attention models aim to emulate the Human Visual System performance in selecting relevant features for efficient visual scene processing. As a result, visual saliency maps highlights relevant visual patterns in an image, possibly associated with objects or specific concepts. In the analysis of médical images, this allows the radiologist or clinical expert to focus the attention on image anormalities or specific patterns that could suggest the presence of a pathology. This work presents the exploration of the effect of visual saliency models in the extraction of pathology-related relevant patterns, suitable for classification of Magnetic Resonance images of normal controls and probable Alzheimer’s disease patients. By adjusting the saliency models to work on médical images, and combining this process with a Support Vector Machine for classification process.



RESUMEN

Los modelos de atención visual buscan emular el desempeño Sistemas Visual Humano en la selección de características relevantes para procesamiento visual eficiente sobre una escena. Como resultado los mapas de saliencia visual resaltan patrones visuales sobre una imagen, posiblemente asociado con objetos o conceptos específicos. En el análisis de imágenes médicas esto permite a un radiólogo o un experto clínico enfocar su atención en anomalías o patrones específicos que podrían sugerir la presencia de una patología. Nuestro estudio presenta una exploración inicial del efecto de los modelos de saliencia visual en la extracción de patrones relevantes asociados a patologías, adecuados para la clasificación de imágenes de resonancia magnética MRI de pacientes de control y pacientes con probable Alzheimer. Ajustando los modelos de saliencia para su operación en imágenes médicas, combinando este proceso con una clasificación usando Support Vector Machine SVM.


Introducción


Los modelos de atención visual buscan emular el sistema humano en al selección de información relevante para un procesamiento de escenas visuales eficiente. Como resultado de estos modelos de atención visual, los mapas de saliencia surgen para resaltar los patrones visuales relevantes sobre una imagen, posiblemente asociados a objetos o conceptos sobre la misma.

En el análisis de imágenes médicas, una inspección visual es realizada por expertos clínicos en busca de evidencia sobre la posibilidad de alguna anormalidad en la condición del paciente. Esta búsqueda exhaustiva de información sobre una imagen médica involucra en la mayoría de casos descartar información no relevante o patrones comunes sobre una imagen y detectar elementos inusuales sobre la misma basado en las características de la imagen (estímulo bottom-up),y en el conocimiento médico (estímulo top-down).

La enfermedad de Alzheimer (AD) se ha convertido en una de las enfermedades más comunes en la población de mayor edad. Está a su vez se manifiesta de muchas maneras en el cerebro, a manera estructural, funcional y genética. Convirtiendo su diagnóstico en una tarea desafiante y complicada. En términos del diagnóstico de AD basado en cambios estructurales, las imágenes de resonancia magnéticas RM cerebrales pueden ser consideradas como las imágenes médicas preferidas para el diagnóstico de AD, ya que permiten la medición precisa de estructuras cerebrales como el hipocampo y las regiones cercanas a este, que se reconoce clínicamente son afectadas por esta patología. Sin embargo con el paso del tiempo ocurren cambios longitudinales en el tamaño del cerebro producidos por atrofia y que son asociados al proceso normal de envejecimiento que dificultan el uso de las imágenes RM cerebrales como la técnica de diagnóstico definitiva para esta patología.

En general las diferencias patológicas sobre la población normal y patológica puede ser establecida utilizando un análisis morfológico. Algunos de estos métodos utilizan técnicas como segmentación [9], estimación ancho cortical [13], y estimación de tamaño del hipocampo [14], entre otros. La información de saliencia visual puede ser usada como característica para el análisis de morfológico y/o para la clasificación de pacientes con AD [15], donde patrones relacionados a la patología pueden ser extraídos de los mapas de atención visual.

A continuación presentamos el proceso de extracción de saliencia visual aplicados a imágenes RM cerebrales usadas en el proceso de clasificación de una patología particular como lo es la enfermedad de Alzheimer AD. Este estudio presenta la influencia de los modelos de atención visual en la detección y clasificación de imágenes médicas.

Con el fin de realizar el siguiente estudio, se plantea un flujo o método experimental para la manipulación estimación y manejo de mapas de saliencia basados en imágenes RM cerebrales en el desarrollo de la clasificación de la enfermedad de AD. Estructurado de la siguiente forma:

La sección 1 muestra una descripción general del problema, una introducción entre el modelo de atención visual del sistema visual humano y los modelos de saliencia visual como mecanismos que emulan dichos comportamientos. Adicional al problema de análisis de imágenes médicas en busca de patrones visuales anormales que describen anomalías en la condición de un paciente.

A continuación la sección 2 expone la estructura y objetivos propuestos para este estudio. En los cuales se basa el desarrollo de este proyecto de investigación. También se especifica las fases que se desarrollaron sobre el mismo, los cuales buscan a partir de una investigación experimental cumplir el objetivo propuesto de utilizar la saliencia visual aplicadas a imágenes médicas para la calcificación de una patología especifica.

La sección 3 presenta el marco teórico relacionado al proyecto, el cual contiene la base teórica, enfoque y estudios o antecedentes del problema de investigación. Es la base teórica de referencia para nuestro trabajo de investigación.

El Capitulo I, describe los modelos de saliencia en visión por computador, presentando los modelos de saliencia seleccionados para nuestro experimento. Estos modelos de atención visual fueron seleccionados en base a un estudio previo que cataloga y recopila el desempeño de los métodos de saliencia en imágenes naturales.

Luego en e Capitulo II se propone un flujo del proceso de extracción de patrones que utiliza los modelos de saliencia visual en imágenes RM cerebrales. El cual contempla la preparación, estimación, clasificación, ejecución y validación de los métodos de saliencia visual en el contexto de imágenes médicas.

En el Capitulo III se presenta la ejecución del modelo propuesto ante un conjunto de imágenes RM de prueba. Las ejecuciones el flujo propuesto se ponen a prueba a diferentes grupos de pacientes con diferentes niveles de la enfermedad de Alzheimer. Adicional a este proceso de ejecución y definición de las configuraciones e insumos necesarios a la ejecución del flujo se proponen métricas de evaluación de desempeño del flujo propuesto. Al final de esta sección los resultados de ejecución y valores de desempeño son presentados bajo los distintos grupos de pruebas de pacientes con AD y pacientes normales de control NC.

Finalmente en el Capitulo IV, se presentan las conclusiones obtenidas en el proceso de investigación, ejecución y resultados del método propuesto. Finalmente producto del proceso de ejecución, resultados y conclusiones, se proponen algunas aproximaciones a trabajos futuros que permitirán ampliar este estudio propuesto basado en la constante evolución y nuevos modelos de saliencia visual en imágenes naturales aun queda mucho trabajo por realizar en la experimentación de estos métodos en el campo de la medicina.

Como resultado de este trabajo de investigación se logran resultados positivos el proceso de clasificación de imágenes RM de pacientes con AD, logrando así un aumento en la exactitud entre el 4% al 10% en algunos resultados de pruebas en comparación a trabajos similares que utilizan modelos de saliencia visual en la clasificación de AD. Adicional a este incremento se evidencia la posibilidad de aplicar los modelos de saliencia en orientaciones diferentes a la sagital, logrando así resultados positivos y prometedores. Sin embargo debido a que nuevos métodos de saliencia son generados y su desempeño en imágenes naturales en mucho mayor a los modelos utilizados en esta investigación, se podría utilizar métodos de saliencia más recientes que podrán generar mejores resultados a los experimentos realizados para la clasificación de imágenes RM de pacientes con AD.



1. descripción general


Basado en la limitación perceptual de nuestros recursos cognitivos, el sistema visual humano (SVH) necesita enfocar su atención en fragmentos de información sensorial que estén disponibles y sean más convenientes. Sumado a la necesidad de los humanos en buscar activamente información visual con el fin de entender continuamente el entorno que lo rodea; donde el SVH relaciona la atención como el mecanismo encargado de filtrar información no deseada en las escenas visuales. La atención visual se basa en un mecanismo clave conocido como saliencia; la propiedad de resaltar regiones visuales o objetos relevantes en contraste relativo con sus vecinos cercanos [1]. Similar a la habilidad del SVH de mantener los recursos cognitivos en recursos específicos, ignorando estímulos visuales distractores en una escena visual, los modelos de atención visual en visión artificial buscan emular el mecanismo del SVH de selección de información relevante, descartando información visual innecesaria en un estímulo visual.

En el análisis médico basado en imágenes, la inspección visual realizada por especialistas puede ser resumida en la búsqueda de evidencia que pueda denotar la posibilidad de alguna anormalidad en la condición del paciente. Esta búsqueda detallada y específica involucra en la mayoría de casos descartar los patrones visuales comunes y detectar elementos visuales inusuales [2], guiado por mecanismos bottom-up y top-down. En el contexto de imágenes médicas, un estímulo bottom-up hace referencia a las características de la imagen, mientras que un estímulo top-down esta relacionado al conocimiento médico y la experticia en el proceso de análisis de la imagen médica; ambos mecanismos de estímulos juegan un papel importante en la labor de guiar la atención visual médica [3]. Algunas aproximaciones han sido exploradas con el fin de lograr la detección de características relevantes en imágenes médicas, siendo los modelos computacionales de atención uno de estos. Inicialmente aplicados para la detección de saliencia en imágenes naturales, varios modelos de atención han sido introducidos en la detección de características médicas en diferentes modalidades de imágenes médicas, como por ejemplo rayos-x [3], [4] o imágenes de retina [5].

Un médico experto, por ejemplo un radiólogo o neurólogo, posee un ojo experto entrenado a lo largo de los años para identificar diferentes patrones médicos sobre las imágenes. Una condición médica puede ser inspeccionada por una gran variedad de equipos y técnicas, como Resonancia Magnética (MR), Tomografía Computacional (CT), Ultrasonido, etc. Las cuales proveen diferente información sobre la estructura y actividad del cuerpo humano. Gracias al extenso entrenamiento, un experto puede determinar patrones anatómicos complejos y cambios sutiles que poseen un significado médico en diferentes escenarios. En particular, cuando se analizan imágenes RM, el objetivo es encontrar cambios anatómicos locales o globales que están relacionados a anomalías estructurales o funcionales [6], [7]. Las imágenes RM son usadas para diagnosticar una gran cantidad de condiciones, siendo el cerebro y la espina dorsal los órganos mas importantes estudiados con imágenes RM. En estas imágenes, los radiólogos en particular examinan distintivamente regiones y las comparan entre ellas en busca de diferencias.

Sobre la todas las patologías relacionadas al cerebro, la enfermedad de Alzheimer (AD) se ha convertido en una de las enfermedades mas comunes en la población mayor [7]. Alrededor de 5 millones de Americanos conviven con la enfermedad de Alzheimer, donde 1 de cada 3 adultos mayores muere de Alzheimer o algún otro tipo de demencia. Consolidando así la enfermedad de Alzheimer como la sexta causa de muerte en los Estados Unidos, según la Asociación Americana de Alzheimer [44]. En Colombia alrededor de 200.000 pacientes entre los 65 a 85 años de edad sufren de la enfermedad de Alzheimer AD. Esta enfermedad se manifiesta de muchas formas, como estructural, funcional y genética, convirtiendo su diagnóstico en una tarea muy desafiante. En términos de cambios estructurales, las imágenes MR son consideradas en la herramienta preferiblemente utilizada para el análisis de AD, ya que permite de una manera precisa para la medición de volúmenes de las estructuras cerebrales, en particular el hipocampo y sus regiones vecinas, clínicamente conocidas por ser afectadas por esta patología [8]. Sin embargo la presencia de atrofia producto del proceso de envejecimiento normal hace difícil el uso de imágenes MR como la técnica de diagnóstico definitiva para el diagnóstico de esta enfermedad.

En general, las diferencias entre la población normal y la que posee esta patología puede ser establecida utilizando el análisis morfológico, el cual estima diferencias estadísticas entre los pacientes entre una marco de referencia. Dependiendo en la medición de características, el análisis morfológico puede ser clasificado como basado en voxels [10], el cual analiza los campos de deformación usados para registrar cada sujeto al marco de referencia; o característica basada [11], una aproximación relativamente reciente se basa en la extracción de características invariantes a la escala presentes en cada grupo que puede ser estadísticamente estimada. Como una opción complementaria al análisis morfológico, muchos métodos de clasificación han sido propuestos para analizar las imágenes MR automáticamente discriminando entre pacientes normales mayores y pacientes AD [12]. Estos métodos usan diferentes tipos de características como segmentación [9], estimación del grueso de la corteza [13] y estimaciones del tamaño del hipocampo [14], entre otros. La información de saliencia también puede ser usada como una característica para el análisis morfológico y/o clasificación de pacientes AD, como se propone en [15], donde los patrones relacionados a la enfermedad pueden ser extraídos y analizados desde los mapas de atención visual.

La información de saliencia visual en una imagen puede ser estimada de muchas formas, como se demuestra en el MIT Saliency Benchmark [16], que cataloga y compara una gran lista de diferentes modelos de saliencia.



2. Descripción del proyecto

2.1. Objetivo general


Adaptar modelos de Saliencia para imágenes de Resonancia Magnéticas Cerebrales con el fin de mejorar la clasificación de cerebros de pacientes con probable Alzheimer.

2.2 Objetivos específicos


  1. Investigar conceptos y métodos propuestos para generación de mapas de Saliencia en imágenes naturales y médicas.

  2. Experimentar y seleccionar un conjunto de modelos de Saliencia Visual.

  3. Diseñar y adaptar los modelos de Saliencia para imágenes de resonancia magnética cerebral.

  4. Analizar y verificar las modificaciones de los modelos de Saliencia ante una clasificación previa basada en Saliencia en cerebros de pacientes con probable Alzheimer.

2.3 Fases de desarrollo


Con el fin de cumplir los objetivos propuestos se plantea una aproximación basado en una investigación experimental compuesta de 5 fases:

  • Investigación sobre Saliencia, búsqueda de información de los modelos de Saliencia y sus implementaciones con el fin de tener un panorama general de los modelos de Saliencia, sus aplicaciones en imágenes naturales y la aplicación sobre imágenes médicas.

  • Experimentación de Modelos de Saliencia, selección de un grupo de modelos de Saliencia, desarrollo de experimentos en imágenes naturales y primera ejecución en imágenes médicas.

  • Formulación de Modificaciones, análisis y definición de modificaciones de características en las implementaciones de los modelos de Saliencia para la caracterización de una patología específica.

  • Ejecución de modificaciones sobre Modelos de Saliencia, implementación de las modificaciones diseñadas sobre los modelos de Saliencia seleccionados con el fin de que funcionen en imágenes de resonancia magnética cerebral para la caracterización de una patología.

  • Análisis y verificación de resultados, generación de resultados de la ejecución de las modificaciones de los modelos, y validación frente a un proceso de caracterización de referencia que aplica un modelo de Saliencia en particular para la caracterización de una patología.

Las ejecuciones de estas fases permiten cumplir con los objetivos propuestos, las culminaciones de estas fases de manera lineal brindan los insumos necesarios para la fase siguiente. Las 2 primeras fases comprenden el trabajo investigativo y experimental inicial para el diseño e implementación de las modificaciones correspondientes en las fases siguientes. La fase final corresponde también a un trabajo experimental compuesto por prueba, validación y análisis de resultados del trabajo realizado en las etapas anteriores frente a un modelo de referencia.

2.3.1 Investigación sobre Saliencia


Comprende la etapa de investigación y recopilación de información sobre los modelos de Saliencia Visual. Exploración de los modelos de Saliencia, su aplicación a imágenes naturales y médicas, y la búsqueda de las implementaciones de dichos modelos.

Durante este proceso se identificará y seleccionará un conjunto de modelos de Saliencia que serán usados en la fase de experimentación. Dicho proceso toma en cuenta tanto la investigación del modelo como la implementación encontrada, en busca de implementaciones de modelos que sean compatibles con el problema de verificación.

Para esta fase se desarrollarán las siguientes actividades:


  1. Revisar conceptos y marco teórico del proceso de extracción de mapas de Saliencia a partir de imágenes.

  2. Revisar el Estado del Arte relacionado con los métodos propuestos para generación de mapas de Saliencia (atención visual) en imágenes naturales.

Revisar el Estado del Arte relacionado con los modelos de Saliencia aplicados a imágenes médicas y de resonancia magnética cerebral.

2.3.2 Experimentación de Modelos de Saliencia


En esta etapa se procederá a la ejecución y experimentación de las implementaciones de los modelos de Saliencia en imágenes naturales y médicas, con el fin de identificar fortalezas y debilidades que permitan seleccionar una serie de modelos de Saliencia que serán utilizados en las fases de diseño y de adaptación de los modelos.

La fase de experimentación consta de 2 grandes etapas:



  • Experimentación de las implementaciones de los modelos en imágenes naturales, donde se da un panorama general de la implementación vs el modelo de Saliencia y se identifican y analizan las características relevantes de los modelos.

  • Experimentación de las implementaciones de los modelos en imágenes médicas, con el fin de realizar una verificación inicial para su posible adaptación y seleccionar las características que se pretenden modificar en la etapa de adaptación de los modelos.

Durante este proceso se identificarán las características relevantes (parámetros, descriptores y condiciones) en los modelos de Saliencia que se consideren relevantes para la adaptación de las implementaciones de los modelos en imágenes médicas.

Para esta fase se desarrollan las siguientes actividades:



  1. Ejecutar las implementaciones de métodos de Saliencia encontrados a imágenes naturales.

  2. Experimentar en un conjunto reducido de métodos de Saliencia la exploración de sus parámetros, descriptores y condiciones. 

  3. Ejecutar las implementaciones de métodos de Saliencia encontrados a imágenes médicas.

  4. Analizar los parámetros, descriptores y condiciones que componen las implementaciones de los métodos de Saliencia encontrados.

  5. Formular y ejecutar un experimento para identificar las diferencias en los mapas de saliencia extraídos a partir de imágenes de RM cerebral utilizando los métodos seleccionados.

  6. Seleccionar un conjunto reducido de métodos de Saliencia, los cuales sean implementables para su uso en experimentación.

2.3.3 Formulación de Modificaciones


Esta etapa comprende el análisis y diseño de las modificaciones que se deberán realizar a las implementaciones de los modelos de Saliencia para su aplicación a imágenes médicas. Busca definir las modificaciones necesarias para que las implementaciones de los modelos de Saliencia trabajen con imágenes de resonancia magnética cerebrales, así como también se contemplan las modificaciones correspondientes a la caracterización de la patología particular, para nuestro caso la caracterización de cerebros de pacientes con probable Alzheimer.

El objetivo de esta etapa es analizar y definir que se necesita realizar en pro de que las implementaciones de los modelos de Saliencia puedan ser usados en imágenes de resonancia magnética cerebral y que es necesario para que sean utilizados en la caracterización de cerebros de pacientes con probable Alzheimer.

Para esta fase se desarrollan las siguientes actividades:


  1. Definir las modificaciones de parámetros, condiciones y descriptores sobre los métodos de Saliencia seleccionados para ser aplicado a imágenes de Resonancia magnética cerebral.

  2. Definir los descriptores visuales en imágenes de resonancia magnética cerebral para ser aplicados al método de Saliencia.

Definir los patrones de clasificación para imágenes de cerebros de pacientes con probable Alzheimer. 

2.3.4 Ejecución de modificaciones sobre Modelos de Saliencia


En esta etapa se procede a implementar las modificaciones diseñadas y definidas en la fase anterior. Comprende la modificación de las implementaciones de los modelos de Saliencia seleccionados que permitan ser utilizados con imágenes de resonancia magnética cerebral para la caracterización de cerebros de pacientes con probable Alzheimer.

Para esta fase se desarrollan las siguientes actividades:



  1. Implementar las modificaciones de parámetros, condiciones y descriptores a los métodos de Saliencia para imágenes médicas.

  2. Implementar los descriptores en imágenes de resonancia magnética cerebral en los métodos de Saliencia para imágenes de resonancia magnética cerebral.

  3. Implementar las modificaciones relacionadas la caracterización de cerebros de pacientes con probable Alzheimer en los métodos de Saliencia seleccionados.

2.3.4 Análisis y verificación de resultados


Esta etapa comprende el proceso de verificación y validación de las modificaciones realizadas, así como también el análisis y validación de las modificaciones de los métodos de Saliencia en el proceso de caracterizar una patología particular frente a un método de caracterización de la misma patología que usa también un modelo de Saliencia.

Para lo cual se procederá a la ejecución de los métodos de Saliencia modificados utilizando imágenes de resonancia magnética cerebral con el fin de caracterizar cerebros de pacientes con probable Alzheimer. Esta fase contempla la validación de las modificaciones realizadas contra un proceso de referencia de caracterización de cerebros con probable Alzheimer que utiliza el modelo de Saliencia GBVS [8].



Para esta fase se desarrollan las siguientes actividades:

  1. Verificar las modificaciones realizadas al método de Saliencia para imágenes de resonancia magnética cerebral.

  2. Verificar las modificaciones realizadas a los métodos de Saliencia en la caracterización de cerebros de pacientes con probable Alzheimer.

  3. Identificar las diferencias entre los modelos de Saliencia modificados y el modelo de Saliencia de referencia.

  4. Comparar los resultados de la caracterización realizada de los modelos de Saliencia modificados ante un modelo de Saliencia de referencia (GBVS) en la clasificación de cerebros de pacientes con probable Alzheimer. 

Analizar los resultados de la caracterización de los modelos de Saliencia para la clasificación de cerebros con probable Alzheimer.

3. marco teórico / estado del arte


La Saliencia de un elemento (de un objeto persona, pixel) es un estado o cualidad que sobresale de sus vecinos relativos. La detección de la Saliencia es utilizada en la visión por computador para la detección de elementos relevantes en imágenes en comparación a sus vecinos, comúnmente utilizada en imágenes naturales para la detección de elementos basados en características como color, intensidad, orientación o movimiento. Este concepto de selección de elementos sobre imágenes ha sido ampliamente aplicado sobre imágenes naturales para la detección de objetos en imágenes como paisajes, detección de personas en videos de seguridad entre otros.

3.1 Modelos de Atención Visual


Un gran número de modelos de Saliencia Visual Humana (también llamados de atención visual) han sido creados en la psicología cognitiva y la visión por computador. Los modelos computacionales de atención visual (Saliencia) han sido creados para predecir las regiones donde las personas enfocan su mirada en el momento de observar imágenes[27], la detección de la Saliencia consiste en la búsqueda de elementos relevantes en comparación a sus vecinos en una imagen basados en criterios como color, intensidad, orientación o movimiento.

Figura 1, Ejemplo de Saliencia

Los modelos de Saliencia han sido ampliamente utilizados en el análisis de imágenes naturales y su desempeño ha sido puesto a prueba, su desempeño es contrastado siempre ante un conjunto de datos a partir del rastreo de ojos en los observadores. Algunos de sus usos contemplan la detección de objetos en imágenes como paisajes, detección de personas en vídeos de seguridad entre otros, su aplicación sobre imágenes especializadas no ha sido muy explorada.

Los modelos de Saliencia son acertados para encontrar regiones relevantes sobre una imagen. Los mapas de Saliencia corresponden a una representación topográfica de la Saliencia visual de una escena visual, donde las regiones más claras corresponden a las regiones de mayor atención sobre una imagen [31]. Los modelos de Saliencia intentan predecir donde observan los humanos una escena o una imagen.


3.1.1 ¿Qué es la atención?


La atención es un proceso cognitivo que se enfoca en la concentración selectiva en un aspecto particular ignorando el resto de elementos que lo rodean, la intención también se refiere a la concentración de recursos de procesamiento. Se puede dividir en un conjunto de mecanismos que optimizan y controlan la búsqueda de procesos inherentes en la visión. Selección de una región especial de interés, objeto/tarea/mundo/evento que se destaca de sus vecinos próximos. Restricción, pistas de localización, puntos de fijación de la visión, búsqueda de control de profundidad. Supresión, inhibición de la percepción del entorno.

La búsqueda de información “interesante” parece ser un principio una tarea compleja. Donde se percibe la mayoría de elementos pertenecientes a una escena, luego se procede a reconocer cada objeto individualmente, y finalmente se evalúan los objetos reconocidos bajo una varias de comportamiento globales. En la práctica la búsqueda de elementos importantes una escena basado en la atención depende de la habilidad de localizar rápidamente elementos que permitan generar información importante. Basado en esta búsqueda de elementos importantes se necesita desarrollar una heurística simple o aproximaciones para esta búsqueda de información relevante basado en atención:

Bottom-up: guía a través de regiones Salientes.

Top-down: guía a través de regiones basadas en tareas relevantes



Bottom-up son basados enteramente de las características visuales de una escena(basados en estímulos), mientras que top-down es determinado por factores cognitivos como conocimiento, expectación, objetivos. La Atención Bottom-up es rápida e involuntaria, prácticamente inmediata al ojo humano. Top-down es más lenta, dependiente de tareas y es voluntaria [32].

Basado en la búsqueda de parametrizar la atención nace la Saliencia, la cual es la noción de algo que se considera interesante en el mundo que captura nuestra atención. Es una decisión que desarrollamos inconscientemente alrededor de algunos cientos de miles de veces al día en el momento que decidimos observar algo. El rol de la ciencia cognitiva es crear un modelo que logre abstraer el funcionamiento del sistema visual y la estimación de la saliencia visual. Muchos modelos de atención visual han sido planteados durante los últimos 30 años.



Una gran cantidad de datos visuales son procesados por nuestro ojos en cada momento, los modelos de atención son comúnmente validados junto a datos obtenidos mediante el rastreo de los movimientos de los ojos.