ALGORITMO PARA ESTIMAR LA EDAD OSEA EN NIOS DE LA PRIMERA INFANCIA MEDIANTE PROCESAMIENTO DE IMGENES RADIOLGICAS DE MANO Y MUECA

ANDRS ROBERTO DAZ PASCUAS CDIGO 1400470 DAVID LEONARDO TORRES RODRGUEZ CDIGO 1400518

UNIVERSIDAD MILITAR NUEVA GRANADA FACULTAD DE INGENIERA PROGRAMA DE INGENIERA EN TELECOMUNICACIONES BOGOT, Noviembre 4 de 2011

ALGORITMO PARA ESTIMAR LA EDAD OSEA EN NIOS DE LA PRIMERA INFANCIA MEDIANTE PROCESAMIENTO DE IMGENES RADIOLGICAS DE MANO Y MUECA

ANDRS ROBERTO DAZ PASCUAS CDIGO 1400470 DAVID LEONARDO TORRES RODRGUEZ CDIGO 1400518

Trabajo final como auxiliar de Investigacin presentado como requisito para optar por el ttulo como Ingeniero en Telecomunicaciones

DIRECTOR Ingeniero en Mecatrnica ASTRID RUBIANO FONSECA

UNIVERSIDAD MILITAR NUEVA GRANADA FACULTAD DE INGENIERA PROGRAMA DE INGENIERA EN TELECOMUNICACIONES BOGOT, Noviembre 4 de 2011

Nota de Aceptacin: _____________________________________ _____________________________________ _____________________________________ _____________________________________

_____________________________________ Presidente del jurado

_____________________________________ Jurado

____________________________________ Jurado

____________________________________ Bogot, Noviembre 4 de 2011

Dedicatoria A mi madre. Andrs Daz Pascuas A todos los que estuvieron y continan a mi lado. David Leonardo Torres Rodrguez

AGRADECIMIENTOS

A mi madre, cualquier palabra o frase sera poco para manifestarle mi agradecimiento. A la seora Stella Parra por ser una gran compaa y soporte. A mi padre por su gran apoyo econmico y por ensearme que la herencia ms grande que puede obtener el Hombre es el Conocimiento

Andrs Daz Pascuas

A Dios y a mi Familia, gracias a l tenemos suerte de estar vivos y poder seguir juntos nuestro camino

David Leonardo Torres

De forma conjunta los autores del libro expresan un especial agradecimiento al Grupo TIGUM, en cabeza de la Ingeniera Astrid Rubiano Fonseca por su soporte metodolgico y tcnico. Al Doctor Csar Leonardo Nio por compartir sus conocimientos para lograr enfocar el desarrollo de este proyecto y al Dr. Danilo Cifuentes por su valiosa idea y sus brillantes aportes en el desarrollo del mismo. A los compaeros, algunos ya amigos, los cuales contribuyeron tanto en la formacin acadmica, como la vida misma. A los padres de familia, a los nios, al personal de IDIME y a las docentes de los jardines que con su paciencia y especial apoyo lo hicieron posible. A todas y cada una de las personas a quienes les pueda ser til este documento, les damos un sincero agradecimiento de antemano. .

TABLA DE CONTENIDO

1. 1.1. 1.2. 1.3.

INTRODUCCIN .................................................................................. 13 TTULO .............................................................................................. 13 PLANTEAMIENTO DEL PROBLEMA ............................................... 13 OBJETIVOS ...................................................................................... 14
1.3.1. 1.3.2. Objetivo General .............................................................................................14 Objetivos especficos ......................................................................................14

1.4.

ANTECEDENTES .............................................................................. 15
1.4.1. 1.4.2. A nivel Local y Nacional..................................................................................15 A nivel Mundial ...............................................................................................16

2. 2.1.

MARCO TERICO ............................................................................... 26 MARCO TERICO CONCEPTUAL ................................................... 26

2.1.1. 2.1.2. 2.1.3. 2.1.4. Anatoma sea de la mano y mueca ............................................................26 Maduracin sea y mtodos de valoracin ....................................................27 Fundamentos de imgenes mdicas ..............................................................29 Procesamiento de imgenes ..........................................................................34

2.2.

MARCO TERICO REFERENCIAL .................................................. 35

2.2.1. 2.2.2. 2.2.3. 2.2.4. 2.2.5. 2.2.6. 2.2.7. Operaciones puntuales y ajuste de la imagen ................................................35 Histograma de la imagen ................................................................................36 Operaciones con histogramas ........................................................................37 Mtodos de deteccin de bordes ....................................................................40 Operaciones Morfolgicas ..............................................................................47 Representacin y descripcin.........................................................................51 Segmentos del contorno .................................................................................54

3. 3.1. 3.2. 3.3.

INGENIERA DEL PROYECTO ............................................................ 56 ESTADO DEL ARTE ......................................................................... 56 VARIABLES DE INGENIERA........................................................... 56 Desarrollo del Proyecto ................................................................... 58

3.3.1. 3.3.2. 3.3.3. 3.3.7. 3.3.8. 3.3.9. 3.3.10. 3.3.11. 3.3.12. 3.3.13.

Metodologa ....................................................................................................58 Documentacin ...............................................................................................58 Delimitacin de la poblacin y definicin de la regin de inters. ...................60 Extraccin de la regin de inters ..................................................................70 Pre procesamiento .........................................................................................71 Segmentacin.................................................................................................71 Extraccin de caractersticas y descripcin ....................................................72 Clasificacin ...................................................................................................74 Estimacin de la edad sea............................................................................74 Validacin de resultados.................................................................................75

4. 4.1.

PRUEBAS Y RESULTADOS ................................................................ 81 PRUEBAS ......................................................................................... 81

4.1.1. 4.1.2. Fases de pre procesamiento y segmentacin .............................................81 Fase de estimacin de edad sea ..................................................................83

4.2.

RESULTADOS .................................................................................. 85
4.2.1. 4.2.2. Fases de pre procesamiento y segmentacin .............................................85 Fase de estimacin de edad sea ..................................................................86

5. 5.1. 5.2.

CONCLUSIONES Y RECOMENDACIONES ........................................ 91 CONCLUSIONES .............................................................................. 91 RECOMENDACIONES ...................................................................... 92

BIBLIOGRAFA ........................................................................................... 93 ANEXOS ....................................................................................................101 ANEXO A: CONSENTIMIENTO INFORMADO ..........................................101 ANEXO B: TABLAS DE REFERENCIA .....................................................104

LISTA DE FIGURAS Fig. 1 Esquema seo de la mano y la mueca ............................................ 27 Fig. 2 representacin matricial de una imagen en escala de grises ............. 30 Fig. 3 a) vecindad diagonal vertical y horizontal b)conjunto de vecinos

............................................................................................ 31 ............................................................................. 32

Fig. 4 Vecindad 8

Fig. 5 Imagen con dos componentes conectados ........................................ 32 Fig. 6 Imagen con dos componentes conectados ........................................ 33 Fig. 7. Representacin de la vecindad para el ajuste de la imagen usando una regin cuadrada y comenzando por la esquina superior izquierda ........ 36 Fig. 8 Histograma de dos carpogramas diferentes generados en Matlab..... 37 Fig. 9. Imagen e histograma ecualizados, generados usando la herramienta Matlab .......................................................................................................... 38 Fig. 10: Especificacin de histograma, a) imagen original, b) Histograma de referencia, c) Histograma ajustado .............................................................. 39 Fig. 11 Mscara usada por el detector de bordes Roberts ........................... 42 Fig. 12: mascaras de convolucin, (a) Gradiente Fila, (b) Gradiente columna .................................................................................................................... 43 Fig. 13. Resultado de la deteccin de bordes de un carpograma usando detector de (a) Roberts, (b) Prewitt, (c) Sobel .............................................. 44 Fig. 14 Deteccin de borde de un carpograma mediante el operador (a) LoG y (b) Canny .................................................................................................. 47 Fig. 15. Concepto de Dilatacin: el objeto original (a) es dilatado por un elemento estructural (b) y genera un nuevo objeto expandido (c) ................ 48 Fig. 16: Concepto de Erosin: el objeto original (a) es erosionado por un elemento estructural (b) y genera un nuevo objeto con elementos eliminados (c) ................................................................................................................ 49 Fig. 17. Cdigos de cadena: se usa un vector de conectividad 8 (a), se realiza la secuencia de vectores a travs del contorno (b) para entregar un cdigo (c) resultado de la secuencia de vectores. ....................................... 52

Fig. 18. Representacin a travs de un polgono en una rejilla de 7 pixeles de un hueso trapezoide .................................................................................... 53 Fig. 19 Firma (b) generada del contorno (a) teniendo en cuenta la distancia del centroide de la imagen ........................................................................... 53 Fig. 20 Diagrama de bloques de la metodologa por fases .......................... 58 Fig. 21. Diseo la base de datos.................................................................. 63 Fig. 22 Base de datos de carpogramas, campos de la tabla imgenes ....... 64 Fig. 23 Formulario de ingreso de la imagen radiogrfica a la base de datos 65 Fig. 24 Formulario de ingreso de identificacin de la imagen, genero, raza y edad del paciente. ....................................................................................... 66 Fig. 25 Formulario de consulta de imagen y datos del paciente filtrado por edad ............................................................................................................ 67 Fig. 26 Formulario de acceso a la base de datos mediante usuario y contrasea ................................................................................................... 67 Fig. 27. Tcnicas de procesamiento de imgenes mdicas ......................... 69 Fig. 28 (a) Extraccin manual de la (b) Regin de inters............................ 70 Fig. 29. pre procesamiento de la imagen: (a) filtro de mediana aplicado a la imagen original, (b) ajuste de la imagen (c) resultado del proceso de ecualizacin de histograma y (d) resultado del proceso de especificacin de histograma. .................................................................................................. 71 Fig. 30. Segmentacin de la imagen: (a) Deteccin de bordes, operaciones morfolgicas de (b) Llenado y (c) Apertura .................................................. 72 Fig. 31.Imagen de1068 X1276 pixeles correspondiente a un carpograma con medidas de referencia a su tamao real de 153.2mm x 183.0mm. .............. 73 Fig. 32. Algoritmo para estimacin de la maduracin sea .......................... 79 Fig. 33. Interfaz grfica para estimacin de la maduracin sea.................. 80 Fig. 34. CROI con 2 huesos, antes y despus del recorte de la imagen. ..... 82 Fig. 35. CROI segmentado. ......................................................................... 83 Fig. 36: resultados de la segmentacin de imgenes analgicas digitalizadas .................................................................................................................... 85

Fig. 37 Resultados de la segmentacin de imgenes digitales .................... 86 Fig. 38 Anlisis de varianza segn criterio de reas y de longitud del eje mayor .......................................................................................................... 86 Fig. 39. Porcentaje de imgenes que arrojan igual estimacin de edad que los mtodos manuales, por comparacin de la longitud del eje mayor. ....... 88 Fig. 40. Porcentaje de imgenes que arrojan igual estimacin de edad que los mtodos manuales, por comparacin reas. .......................................... 88 Fig. 41. Varianza entre grupos ..................................................................... 89 Fig. 42. Anlisis de la hiptesis nula. ........................................................... 90

LISTA DE TABLAS Tabla 1. Distribucin de carpogramas registrados en la base de datos segn edad y raza .................................................................................................. 62 Tabla 2. Longitudes y reas, basada en la poblacin base. ......................... 75 Tabla 3. Validacin del algoritmo. Datos evaluados por los expertos versus datos arrojados por el algoritmo. .................................................................. 87

LISTA DE ANEXOS

ANEXO A: CONSENTIMIENTO INFORMADO ..........................................101 ANEXO B: TABLAS DE REFERENCIA .....................................................104

1. INTRODUCCIN

1.1. TTULO Algoritmo para estimar la edad sea en nios de la primera infancia mediante procesamiento de imgenes radiolgicas de mano y mueca.

1.2. PLANTEAMIENTO DEL PROBLEMA En medicina, especficamente en el rea de radiologa se deben realizar tareas para la deteccin y seguimiento de trastornos relacionados con el crecimiento, uno de los procesos usados es determinar el estado de maduracin sea en el paciente y compararla con su edad cronolgica, este procedimiento debe ser realizado por un especialista en el rea, debido a que requiere de mtodos particulares como el de Greulich y Pyle o Tanner White House para su determinacin, ste demanda experiencia del profesional en el rea, siendo difcil obtener resultados inmediatos y precisos ya que este se hace en forma manual. Qu algoritmo permite la estimacin de la edad sea mediante

procesamiento de imgenes radiolgicas de mano y mueca facilitando el diagnstico del profesional en el rea?

13

1.3. OBJETIVOS

1.3.1. Objetivo General Desarrollar un algoritmo que logre estimar la edad sea en nios de la primera infancia comprendida entre los cero y seis aos, mediante el

procesamiento de imgenes radiolgicas de mano y mueca. 1.3.2. Objetivos especficos Realizar una recopilacin de imgenes radiolgicas de mano y mueca con el fin de elaborar una base de datos. Identificar las tcnicas a emplear en el procesamiento de imgenes radiolgicas. Definir el algoritmo a emplear para la estimacin de edad sea. Validar el algoritmo definido, mediante la experimentacin con imgenes radiolgicas de mano y mueca de nios de la primera infancia, evaluando los resultados obtenidos con los mtodos de diagnstico tradicionales.

14

1.4. ANTECEDENTES

El desarrollo de herramientas para la automatizacin de la estimacin de la edad sea por anlisis de mano y mueca se ha abarcado de dos formas particulares, la primera ha sido mediante procesamiento y segmentacin de imgenes, y la segunda ha sido mediante comparaciones de caractersticas con bases de datos, destacndose que en las dos formas se podra hablar de procesamiento de imgenes. 1.4.1. A nivel Local y Nacional Desde el ao 2001 Julio Cesar Carrillo y a su equipo de colaboradores de la Universidad Nacional de Colombia, han venido trabajando en un proyecto que es referente de maduracin sea en grupos de poblacin colombiana [1] el cual tiene dentro de sus objetivos:

Concebir, disear, probar y proponer un soporte informtico holstico que detecte, identifique, seleccione, discrimine, evale, compare, emita, reciba, registre, catalogue y recupere

imgenes y/o bases de datos de naturaleza similar Producir un prototipo auxolgico epigrfico-prosogrfico, retro y prospectivo de alto poder inferencial. Crear en la red global, un entorno informtico sistmico de uso libre y gratuito. Propiciar la generacin y el fortalecimiento de las Memorias Biomtricas locales, regionales y nacionales, en particular de la colombiana.

15

En el ao 2006 Jessie Alejandro Palacios desarrolla como tesis un software para el procesamiento digital de imgenes mdicas radiogrficas en Java [2], la cual contiene algunas tcnicas de procesamiento de imgenes mdicas. En varias universidades a nivel nacional se han desarrollado proyectos enfocados a otras reas de la radiologa que no estn relacionados directamente con este trabajo. 1.4.2. A nivel Mundial En 1981 un equipo de trabajo del Imperial College of Science &Technology de Londres proponen un algoritmo para la optimizacin en la extraccin de caractersticas usando deteccin de bordes en imgenes radiolgicas, con experimentacin en radiografas de mano y mueca[3]. Este algoritmo hace uso de los operadores de lgica difusa tipo s y [4] para mejorar el

contraste entre pixeles con el fin de aislar los tejidos blandos del tejido seo Cinco aos despus los mismos autores realizan un nuevo aporte en el cual se enfocan especficamente en el reconocimiento sintctico de los diferentes estados de maduracin sea en radiografas de mano y mueca [5] y hacen uso de gramtica y primitivas difusas obtenidas en trabajos anteriores[6]; Para la automatizacin de procesos, proponen dos algoritmos que usan jerarquas sintcticas de tres estados que utilizan seis o sietes

fraccionamientos para su clasificacin, la estimacin de la edad sea la hacen por medio de TW21[7] Michael y Nelson[8]en 1989 disean e implementan un modelo basado en sistemas de visin computacional al cual nombran HANDX. Este segmenta automticamente falanges especficas y mide cuatro parmetros: permetro, reas y longitud de los ejes mayor y menor. En el estado de pre procesamiento, para normalizar la radiografa usan un modelo basado en
1

Tanner and Whitehouse

16

histogramas, la segmentacin busca y esboza lneas basadas en conocimientos previos de la mano. En la fase de medicin cuantifica los parmetros obtenidos en la imagen segmentada. Estos autores no tomaron en cuenta los huesos del carpo, los cuales son fuente importante de informacin para el clculo de maduracin sea entre los primeros aos de edad. En 1990 Levitt et al [9] aplican una tcnica conocida como inferencia Bayesiana para extraccin de bordes, vrtices y otras caractersticas relevantes de la imagen. Una especie de plantilla de la mano es

usada para detectar el borde transversal de toda la mano y las uniones de las falanges. Autores como Pietka [10]aducen que una tcnica como esta no puede ser usada en radiografa peditrica debido a que el tamao, la posicin y la localizacin de la imagen de mano puede variar mucho para adaptarse a este modelo. Al siguiente ao Pietka et al[10] establecen una tcnica empleando un algoritmo que define la regin de inters falngica (PROI 2). El procesamiento de la imagen se realiza creando una imagen de gradientes de dos dimensiones, tratndolas con el operador Sobel[11],con el fin de separar los tejidos blandos del tejido seo. La PROI se trata dividiendo las falanges distal, medial y proximal extrayendo la longitud de cada una de estas; al obtener estos datos se realiza una comparacin con una tabla de medidas estndar[12]con el fin de arrojar un estimado de edad. Este trabajo tampoco tiene en cuenta los huesos del carpo, radio y cbito. En otro trabajo de este mismo ao Sharif et al[13] proponen un mtodo que optimiza la segmentacin de imgenes radiolgicas de mano y mueca, haciendo uso de deteccin de bordes basado en la intensidad de la imagen. Este mtodo es presentado dada la difcil segmentacin en partes donde el
2

Phalangeal Region Of Interest.

17

tejido seo se combina con tejidos blandos, especialmente en las regiones del carpo y metacarpo. segmentacin de la imagen. Pietka et al como complemento al trabajo anterior[10], establecen un mtodo para extraccin de caractersticas de los huesos carpales [14]. La deteccin de la CROI3 se hace de manera automtica despus de que la imagen es umbralizada, a continuacin se extrae cada uno de los huesos del carpo y se evalan de forma individual ampliando la extraccin de caractersticas a toda la mano, excluyendo las terminaciones de radio y cbito. En 1994 se crea un nuevo trabajo que tiene como objetivo la segmentacin de la imagen [15], en la fase de preprocesado se tienen en cuenta dos imgenes, una correspondiente al croquis de la mano y la otra la imagen original suavizada por un filtro La imagen se divide en mltiples regiones segn un nivel umbral entre pixeles vecinos, el resultado de esta divisin son mltiples regiones distribuidas por el tejido seo, las cuales pasan a una siguiente fase en la cual se fusionan varias de estas con el fin de establecer regiones nicas que muestren cada hueso de la mano, logrando separarlos del fondo de la imagen. A continuacin cada una de estas regiones se etiqueta con el fin de identificar cada uno de los huesos. Este trabajo presenta una alternativa para segmentacin, sin embargo no extrae caractersticas. En el mismo ao se presenta un trabajo[14] el cual tiene un enfoque similar al de Michael[8], pero plantea una nueva metodologa: El pre-procesamiento emplea un proceso de ecualizacin de histograma. La separacin entre el tejido seo, el tejido blando y el fondo se realiza mediante un nivel umbral entre pixeles vecinos. Basado en la distribucin de intensidad de la radiografa de mano, se produce un histograma de forma trimodal[17], para
3

La tcnica presenta mejoras notorias para la

Carpal Region of Interest: Region de Inters Carpal

18

determinar los valores de umbral de la imagen de entrada, luego los dos valores de umbralizacin son seleccionados de tal manera que la imagen resultante se mantenga sin cambios. La segmentacin est dividida en dos fases: primero divide la imagen en tres grupos con el propsito de elegir automticamente la regin falngica de inters mediante un proceso de codificacin run-length, segundo aplica un mtodo de deteccin de bordes de un pixel de ancho para extraer contornos de cada falange seleccionada; Finalmente calcula los parmetros

geomtricos asociados con el crecimiento seo los cuales son convertidos en trminos de edad sea usando la tabla de Grant [12]. En 1995 plantean dos sistemas: el primero[18] realiza el procesado de la imagen y aplica algoritmos de deteccin de bordes haciendo uso del operador Sobel, con el fin de detectar y segmentar la estructura sea de los tejidos blandos y el fondo, los cuales son despreciables. La tcnica que ellos plantean vara en su aplicacin ya que puede ser usada para estimacin de edad sea haciendo uso de un Atlas o tambin puede usarse para determinar la calidad del hueso en cuanto a su estructura de calcio. El segundo [19] aplica el mtodo TW2 y hace uso de algoritmos genticos para la segmentacin y medidas de cada hueso de la mano. El sistema funciona indicando una regin de inters por cada hueso a tratar, los cuales se ubican por su centroide, identificndose a manera de coordenadas X Y; luego usa un proceso considerado como Retina en donde se trata una matriz de tipo M x N para cada hueso la cual almacena caractersticas en cada uno de sus espacios. Al final se hace uso de redes neuronales con el fin de tratar las caractersticas almacenadas en la matriz y as mismo realizar la estimacin de edad por medio de TW2. En ao 2000 Mahmoodi y sus colaboradores [20] proponen un mtodo basado en TW2 en donde solo tienen en cuenta las falanges. Para la 19

deteccin y segmentacin de los huesos emplean tcnicas basadas en el conocimiento como la inferencia jerrquica [21] y el modelo de formas

activas (ASM4)[22],despus de la aplicacin de esta tcnica se emplean descriptores de forma, de los cuales se selecciona un vector de caractersticas obtenido de un modelo de regresin y un estimador

Bayesiano. Este trabajo realiza la estimacin de forma automtica y los autores aducen que se presenta como una buena herramienta para los especialistas dada su alta efectividad en los resultados arrojados. Este mismo ao se presentan el diseo y la implementacin inicial de un atlas digital de mano y un sistema web de diagnstico asistido por computador para la evaluacin de la edad sea[23], El proyecto es construido sobre un sistema de archivado y transmisin de imgenes y su interfaz es basada en java. Dos aos despus Hillman et al [19] proponen un sistema para medicin de los huesos de la mano y la mueca a travs de un seguidor de lmites 5 tratando informacin de la intensidad, el gradiente angular y los huesos

adyacentes. Con el apoyo de programacin dinmica se localiza las fronteras de cada hueso predefinidas por una plantilla. A esta se le aplica programacin dinmica para encontrar la mejor ruta a travs de una regin de la imagen. El proceso anterior se realiza para los metacarpianos, el carpo y las epfisis de radio y cbito sin tener en cuenta la regin del carpo. En el ao 2001 Pietka et al[24] desarrollan una herramienta la cual realiza extraccin de caractersticas para estimacin de edad sea. En la fase de pre-procesamiento de la imagen se realiza la remocin del fondo de la imagen por umbralizacin dinmica, a continuacin se realiza una extraccin de la EMROI6 basndose en cada uno de los dedos, para ello es necesario
4 5

Active Shape Models: Modelos de Formas Activas Boundary tracker 6 Ephisial Region Of Interest: Regin de Inters Epifisial

20

encontrar las puntas de las falanges distales implementando una funcin de cuas despus se realiza la extraccin del eje vertical de las falanges ya que es un soporte para deteccin de bordes tratndose con un operador sobel[25]. Las tcnicas planteadas en este documento complementadas con la aplicacin de TW2 serian de gran utilidad en la estimacin. En el 2003 en Italia [26]desarrollan un sistema donde implementan el mtodo TW2 usando una arquitectura de red neuronal de manera similar al de Rocci [19], cada hueso complejo es localizado en la imagen y pre procesado usando una transformada de Gabor o un filtrado diferencial Gaussiano de mltiple escala, la salida de la fase de pre procesamiento alimenta un conjunto de redes neuronales entrenadas para clasificar cada hueso de acuerdo al mtodo TW2 para luego estimar la edad sea. Este sistema tiene en cuenta todos los 20 huesos que comprenden mano, mueca, radio y cbito, logrando hacerlo bastante completo en rango de edad. El mismo ao en los pases bajos desarrollaron un sistema automtico para evaluar la edad sea[27] basada en el mtodo de TW2, se enfocan en asignar a una regin de inters la falange media del tercer dedo y la clasifican de la siguiente manera: las regiones de inters en donde el radilogo a asignado un estado se utiliza para construir una imagen significativa de esta etapa, en una nueva regin de inters de entrada son detectados los puntos de inters usando un modelo de formas activas, esos son usados para alinear una imagen promedio con la imagen de entrada, luego se calcula la correlacin entre las dos imgenes. La regin de inters puede ser asignada al estado con la mayor correlacin o los valores pueden ser usados como caractersticas en un clasificador. De igual forma en Espaa desarrollan un algoritmo para deteccin de contorno de huesos en radiografas de mano[28] usando modelos de

contornos activos[29][30]. El conocimiento previo es usado para localizar 21

bordes de cada hueso de inters. Luego se aplica un algoritmo de contornos activos7 adaptativo para que los parmetros sean ajustados a cada hueso. Ellos introducen una tcnica8 para prevenir las fuerzas externas y limitar el contorno exterior de los huesos. Al siguiente ao en china desarrollaron un sistema que hace uso de TW2 para la estimacin de edad sea [31] aplicando filtros para la mejora de calidad en el pre procesado y usando contornos activos en la segmentacin, adaptando el modelo de Xu y Prince9[32][33] [que permite a iniciacin flexible de los contornos activos y ayuda en la convergencia de las concavidades limite, corrigiendo la necesidad de un operario para seleccionar el contorno. El ao 2007 Zhang y sus colaboradores[34] desarrollaron un mtodo para la segmentacin de huesos crpales y el anlisis de caractersticas

morfolgicas basado en el conocimiento previo. Estos autores usan lgica difusa para calcular la edad sea de nios con edades cercanas a los siete aos. Hsieh et al desarrollaron dos trabajos complementarios uno en 2007 [35]otro en 2008 [34] en los cuales tratan solo la regin de Inters Carpal de nios con edades inferiores a 8 aos, el desarrollo implementa una deteccin automtica de dicha regin de inters. Mediante una base de datos de huesos carpales aplica una correlacin por 7 de los 8 huesos carpales empezando por el Mayor y finalizando en el Trapecio. Con los resultados de esta correlacin se generan una serie de reglas aplicadas a ANN10 con el fin de establecer la estimacin de edad sea.

7 8

Snakes Novel Truncation 9 Gradient Vector Flow 10 Automatic neuronal Networks

22

En el ao 2008 en Corea proponen un sistema[36] basado nicamente en caractersticas de RUS, en el cual se hace uso de un ajuste polinomial de tercer grado con el fin de eliminar el fondo de la imagen. Realizan un trazado del contorno de la mano con el fin de ubicar cada dedo segn los resultados de la cadena de fronteras (boundary chain). Despus mediante arreglo de curvas (line fitting) se ubican las EMROI. Este mismo ao Liu et al[37] realizan un trabajo en el cual implementan varios algoritmos de nueva generacin para optimizar el proceso de la estimacin de edad sea, al mismo tiempo relacionan al proceso dos bases de datos con imgenes de mano y mueca que se retroalimentan entre si ya que el primero almacena imgenes con caractersticas extradas y el segundo almacena a las cuales no se les ha realizado dicha extraccin. La extraccin de caractersticas es basada en un mtodo computacional conocido como PSO11 [38][39] y despus de ello son ubicados en clasificadores por ANN. En el ao 2009 Hans Henrick y sus colaboradores presentan un nuevo mtodo para la determinacin automtica de la edad sea denominado BoneXpert[40] el cual reconstruye automticamente los bordes de los 15 huesos presentes en las radiografas de mano y luego calcula de manera intrnseca la edad sea para cada uno de los 13 huesos (radio, cubito y los 11 huesos cortos).Este trabajo presenta un modelo generativo12 para la reconstruccin del hueso, predice la edad sea a partir de puntajes de formas, intensidad y textura, unifica los mtodos de Tanner Whitehouse y Greulich Pyle, y es un modelo comn para hombres y mujeres. El BoneXpert se encuentra actualmente en uso en la prctica mdica, ajustndose a las directivas de la comunidad Europea para dispositivos

11 12

Particle Swarm Optimization Modelo de apariencia activa

23

mdicos y ha sido validad para cuatro etnicidades[41] y probado en poblaciones de Japn [42],Alemania [43] y Francia[44] El modelo inicial de Fisher y sus colaboradores [45] es la base para los trabajos desarrollados en el 2009 [46] y en el 2010 [47], en este ltimo se recolectan 14 regiones de inters correspondientes a las falanges y los metacarpos, las cuales son almacenadas en una base de datos con sus respectivas etiquetas que las identifican, luego son comparadas con imgenes similares que ya tienen establecida su edad sea, con el fin de realizar la estimacin por emparejamiento. En Italia Giordano y sus colaboradores basados en un trabajo anterior [48] proponen un sistema automtico para la evaluacin de la edad sea [49] el cual implementa un mtodo para la extraccin de las regiones de inters crpales y epifiseares/metafiseares sin considerar la orientacin de la mano y las caractersticas del usuario. El primer paso del mtodo propuesto es una fase de pre-procesamiento para identificar el fondo usando estadsticas locales y globales de la imagen, luego extraen el primer (meique), tercer (medio) y quinto dedo (pulgar), en donde usan diferentes algoritmos para conocer las diferencias morfolgicas entre los dedos. En cada regin extrada aplican un conjunto de filtros isotrpicos basados en un algoritmo diferencial Gaussiano (DoG) con la desviacin estndar definida por el usuario, para aproximar el umbral de la regin. El sistema entonces encuentra las tres reas ms largas que deben ser epfisis, difisis y metfisis. Cada uno de estos contornos es rodeado por una envolvente convexa para obtener una representacin geomtrica de las tres regiones. A finales del 2010 Jantan y sus colaboradores desarrollan un trabajo [50] en donde hacen uso de modelos difusos basados en caractersticas distales del radio, para estimar la edad sea y desarrollan una funcin miembro que sirve de base para calcularla, es importante resaltar que para reducir el ruido usan 24

un filtrado anisotrpico difuso[51], con resultados vlidos para edades menores a 14 aos. En febrero del presente ao desarrollan un tcnica [52] que permite detectar los lmites de los huesos crpales en imgenes de rayos x usando la informacin de un modelo de vector de imgenes y un mapa de bordes, luego las caractersticas extradas sirven como entrada para la regresin mediante vectores soporte que calcula la edad sea. La tcnica es evaluada en 180 carpogramas de nios entre 0 y 6 aos Y en el mismo ao proponen una herramienta web basada en el diagnostico asistido por computador (CAD) para estimar la edad sea[53].Como primer paso localizan el centro de manera automtica o manual, luego extraen las regiones de inters epifiseares y realizan una comparacin con sus referencias en la base de datos, aplicando tcnicas de recuperacin de imgenes basada en contenido (CBIR), funcin de correlacin cruzada (CCF), modelos de distorsin de imagen[54][55]y caractersticas de texturas propuestos por Tamura [56] para buscar la similitud entre imgenes y como paso final estimar la edad sea.

25

2. MARCO TERICO

Este captulo expone los conceptos relacionados con maduracin sea, anatoma sea de la mano y mueca, los mtodos de valoracin de la edad sea, y el procesamiento de imgenes mdicas con el fin de facilitar la comprensin posterior del desarrollo de este proyecto, que involucra temas especficos tales como operaciones puntuales y ajuste de la imagen, histograma de la imagen, operacin matching, mtodos de deteccin de bordes, operaciones morfolgicas, extraccin y seleccin de caractersticas.

2.1. MARCO TERICO CONCEPTUAL En esta seccin se presentan los conceptos generales que se relacionan con el desarrollo del trabajo. 2.1.1. Anatoma sea de la mano y mueca La mano est dividida en tres zonas: la mueca, una parte intermedia y cinco dedos, su esqueleto seo est dividido en carpo, metacarpo y falanges, para un total de 27 componentes distribuidas as:

Cada dedo tiene tres falanges a excepcin del pulgar que tiene solo dos, definidas en el orden de ms extremo a ms interno como: falange distal, falange media y falange proximal. El metacarpo est compuesto por cinco metacarpianos, uno por cada dedo, los cuales unen el carpo con las falanges, distinguindose como primer metacarpiano el del dedo pulgar y el quinto el del dedo meique. El Carpo est dividido en 8 huesos denominados: Trapecio, trapezoide, grande, ganchosos, pisiforme, piramidal, semilunar y escafoides. (Fig. 1)

26

todos los componentes del carpo hacen parte de la mueca la cual se une con el radio y el cbito que pertenecen al antebrazo.

Fig. 1 Esquema seo de la mano y la mueca13

2.1.2. Maduracin sea y mtodos de valoracin El esqueleto humano pasa de un estado cartilaginoso en la etapa fetal a un estado seo completo en la maduracin definitiva, durante este proceso se presentan unos cambios que se toman como indicadores para evaluar la maduracin sea de un individuo.

El estado madurativo del esqueleto es un valor de referencia bastante preciso para medir la edad biolgica del individuo[58], este se puede

determinar por el grado de mineralizacin de los huesos de la mano. Mirar si hace falta profundizar Se puede obtener la edad sea del paciente mediante un examen

radiolgico del desarrollo de los huesos de mano y mueca no dominantes,

13

Tomado: blog de anatoma descriptiva, descriptiva.blogspot.com/2007/05/miembro-superior.html

disponible

en

http://anatomia-

27

los mtodos ms comunes que usan esta zona anatmica son: el mtodo Greulich-Pyle [59] y el mtodo Tanner WhiteHouse[60]

Mtodo Greulich-Pyle: como primera medida se compara la radiografa con las imgenes ms prximas cronolgicamente y del mismo sexo que se encuentran en el atlas. Luego se confronta la radiografa con las imgenes anteriores y posteriores a la edad cronolgica del paciente, seleccionando la de mayor concordancia. Para finalizar se comparan de manera individual los huesos y epfisis de la imagen seleccionada [61]

Mtodo Tanner- WhiteHouse: el primer mtodo publicado en 1962 y denominado TW1 consista en clasificar los huesos de la mano y la mueca entre uno de los nueve estados adicionando a cada uno de estos una puntuacin. [61]

Luego de una revisin en 1972 es presentado el mtodo TW2 [60]en donde se asigna un valor de uno, tres y cinco para cada centro de osificacin del carpo, epfisis distales del cubito, radio, falanges y metacarpianos. En seguida Se eliminan los centros de osificacin del segundo y cuarto dedo, el pisiforme y los sesamoideos. [61]

Es posible abreviar el mtodo mediante el estudio de solo los huesos del carpo a excepcin del pisiforme (Variante CR) o el estudio del radio, cubito y huesos cortos (Variante RUS14) en donde se estudian todos los huesos a excepcin del carpo. [61]

En este mtodo se valoran todos los huesos con las letras A hasta la I, si el hueso no est presente se le asigna la letra A. los valores se establecen por

14

Radio Ulna and Short Bones

28

comparacin del hueso con la imgenes, diagramas o descripciones contenidas en el mtodo. Para finalizar se calcula la suma de la puntuacin dada a cada uno de los huesos teniendo en cuenta su presencia, forma y tamao. [61]

2.1.3. Fundamentos de imgenes mdicas La imagen medicas generalmente son la representacin bidimensional de un objeto tridimensional, en donde el objeto fuente emite un tipo de energa que es capturada por un dispositivo receptor adecuado, que produce una seal proporcional al nivel de energa detectada.[62] Estas imgenes se pueden dividir en Analgicas: Radiografa convencional y Fluoroscopa; y digitales: Radiografa Digital, Tomografa Axial Computarizada (TAC), Ecografa, Resonancia Magntica y la Imagen de Medicina Nuclear. En donde cada una de ellas se diferencia por el tipo de informacin que detecta

Especficamente la radiografa consiste en la obtencin de una imagen de la zona anatmica que se desee radiografiar atravesando el cuerpo del paciente, donde los rayos X son absorbidos ms fuertemente por los huesos (estructuras densas) que aparecern en un tono blanco, mientras que las estructuras blandas (musculo, grasa y lquidos) se visualizaran en tonos grises as como la estructuras que contenga el aire se vern en un tono negro, al momento que la imagen queda impresa en la pelcula fotogrfica[63]

Por lo tanto la imagen radiogrfica solo tendra niveles de grises exceptuando a las imgenes digitales en donde el software usado en los equipos de captura introduce objetos en color como apoyo al radilogo.

29

Teniendo en cuenta lo anterior podemos usar la definicin de Richard E. Woods[64] y Scott E. Umbaugg [65] los cuales enuncian que las imgenes se pueden representar en una matriz de enteros, donde cada nmero constituye la reflectancia de los objetos de la escena en un tiempo discreto y un punto discreto en el plano. La resolucin de una imagen est dada por una matriz de elementos representada por M X N en el cual cada elemento es un pixel y los valores asignados correspondientes a la luminosidad o niveles de gris.

En donde se puede resumir que la imagen es una funcin bidimensional de la luz la cual puede ser representada en cada pixel como: son coordenadas espaciales. Por lo tanto brillo. donde e

tendra un valor proporcional al

Fig. 2 representacin matricial de una imagen en escala de grises

Una imagen digital es una imagen

que ya se ha discreteado tanto en

las coordenadas espaciales como en el brillo, una imagen digital se pude considerar como una matriz cuyos ndices de fila y de columna identifican un punto de la imagen y un valor del correspondiente elemento de la matriz indica el nivel de gris en este punto, los elementos de una distribucin digital en este punto se denominan elementos de imgenes o ms comnmente pixeles, abreviatura de su denominacin inglesa picture element [64]. 30

Si la intensidad luminosa de cada bit se representa por n bits entonces se tendrn escalas de grises diferentes

Por ejemplo con 8 bits para escala de grises habra 256 tonos de grises y estaran en el rango de 0 a 255 donde cero representa el negro absoluto y el 255 el blanco absoluto

Relacin entre pixeles

Un pixel

con coordenadas

tiene cuatro vecinos horizontales y , , , a ver

verticales cuyas coordenadas son:

este conjunto de pixeles se le llama vecindad 4, y se denota por figura 3.

Existen tambin 4 vecinos diagonales de , figura 3 .[66] ,

con coordenadas:

, ver la

y se les denota por

Fig. 3 a) vecindad

vertical y horizontal b)conjunto de vecinos diagonal

juntos forman lavecindad 8 denotada por

ver la figura 4

31

Fig. 4 Vecindad 8

Componentes conectados: Los componentes conectados son objetos pertenecientes a una imagen los cuales tienen como requisito ser pixeles no nulos y con conectividad:

Fig. 5 Imagen con dos componentes conectados

En la Fig. 5. Se puede apreciar que los nicos pixeles no nulos son 3,4 y 4,4; entre ellos existen conectividad por lo cual conforman un objeto, esta imagen solo contiene un componente conectado.

32

Fig. 6 Imagen con dos componentes conectados

En la Fig. 6 se pueden apreciar dos componentes conectados, uno est formado por los pixeles 4,3; 3,4; 4,4; 5,4; y 4,5. El otro est formado por 6,6; 5,7 y 6,7.

Ruido en la imagen

Generalmente el ruido se presenta pixeles aislados que toman un nivel de gris diferente a sus vecinos, el cual es generado por el objeto de captura o el medio de transmisin, el ruido puede ser de tipo: Gaussiano en el cual todos y cada uno de los pixeles cambia un pequeo valor o impulsional (sal y pimienta) en donde el valor del pixel no presenta el valor ideal sino valores muy altos o bajos con respecto a sus pixeles vecinos.

En radiologa adems de estos tipos de ruido tambin se presentan manchas o densidades indeseables denominadas artefactos

33

Calidad de la imagen

La calidad de la imagen es un factor que tiende al mejoramiento de los elementos visuales y est definida por tres caractersticas importantes: Brillo el cual es la cantidad de luz que representan los pixeles individuales, contraste que denota la diferencia entre la zona clara y oscura de la imagen y resolucin que es la capacidad de distinguir visualmente objetos con pequeas diferencias de intensidad

2.1.4. Procesamiento de imgenes

Las imgenes digitalizadas suelen tener deficiencias en detalles mnimos, las cuales suelen representar dificultades tanto para la percepcin humana como para la del ordenador, por lo cual se hace necesario realizar un tratamiento especial con el fin de mejorar dichos defectos y asimismo generar un mejor entendimiento tanto para la mquina como para el usuario.

Para estos propsitos se hace necesaria una serie de etapas las cuales se enunciarn a continuacin:

Etapas del procesamiento de imgenes

Luego de obtener la imagen y digitalizarla se realiza una etapa de preprocesamiento cuya funcin bsica es mejorar la imagen para procesos

posteriores, en esta etapa se realizan tareas como mejorar el contraste, disminuir el ruido, ajustar los niveles de intensidad, eliminar el fondo entre otras. 34

Luego se realiza una etapa de segmentacin la cual consiste en dividir los objetos de la imagen para extraer cierta informacin de ellos, basndose en dos principios: 1) Discontinuidad: se tienen en cuenta los bordes que son lneas que separan dos regiones con propiedades diferentes o 2) Similitud: aqu se trata regiones con caractersticas parecidas con el fin de realizar descartes segn ciertas propiedades.

Despus se realiza una etapa de descripcin o anlisis de la imagen para extraer informacin que diferencie unos objetos de otros y finalmente se realiza una etapa de reconocimiento basada en la informacin anterior la cual puede llevar a etapas posteriores como la clasificacin.

2.2.

MARCO TERICO REFERENCIAL

En esta seccin se presentan los conceptos fundamentales que se relacionan con el desarrollo del trabajo. 2.2.1. Operaciones puntuales y ajuste de la imagen Manipulacin y ajuste de contraste: cuando una imagen en escala de grises no permite apreciar claramente los detalles y su histograma no se encuentra distribuido por todos los valores se dice que tiene un bajo contraste, para mejorar el contraste se pueden realizar operaciones que generen una nueva imagen que cubra todo el conjunto de valores posibles de la imagen La transformacin de la intensidad de una imagen es una tcnica sobre el dominio espacial que opera directamente sobre los pixeles de la imagen y viene dada por la funcin:

35

Donde nueva imagen

es la imagen de entrada, la cual ser transformada en una a travs de un operador el cual est definido en una

vecindad especfica sobre un punto

, se puede usar una regin

cuadrada o rectangular para definir la vecindad espacial. El centro se mueve de pixel en pixel comenzando por ejemplo por la esquina superior izquierda (Fig. 7.) y englobando diferentes vecindades

Fig. 7. Representacin de la vecindad para el ajuste de la imagen usando una regin cuadrada y comenzando por la esquina superior izquierda

De igual forma es posible transformar el realce del contraste comprimiendo los niveles de gris menores a un valor determinado a una banda ms

estrecha convirtindolos a valores ms oscuros y comprimir los valores mayores a un valor determinado una banda ms estrecha convirtindolos en valores claros a la salida con el propsito de tener una escala con menos cambios en el nivel de gris., tambin se puede expandir los niveles de gris para resaltar una banda de inters determinada. 2.2.2. Histograma de la imagen El histograma de una imagen es una funcin discreta que representa el nmero de pixeles en la imagen en funcin de los niveles de intensidad[67] Se puede decir que presenta la frecuencia de la ocurrencia de cada nivel de gris en la imagen/ intensidad y est dado por la funcin: 36

Donde

representa la probabilidad del nivel

el nmero de pixeles

que representa ese valor y

el nmero total de pixeles en la imagen

Fig. 8 Histograma de dos carpogramas diferentes generados en Matlab

2.2.3. Operaciones con histogramas Ecualizacin de histograma

Es una operacin que pretende reducir el contraste en la reas muy claras o muy oscuras de la imagen, mediante la expansin de los niveles de gris en todo el intervalo. Generando un histograma aproximadamente uniforme, partiendo del principio que dice que el contraste de una imagen seria optimizado si todos los 256 niveles de intensidad fueran igualmente utilizados.[68]

37

Por lo tanto est dada en funcin de la probabilidad de ocurrencia de cada nivel de intensidad en donde el clculo de nuevos valores de intensidad se realiza de la siguiente manera[64]:
Ecuacin 1

( )

En donde n representa el nmero total de pixeles y k tomara valores entre 0 y L-1

Al llevar el mtodo a la prctica se consigue una aproximacin que dispersa los picos del histograma y deja intacto los valores ms bajos (ver figura 6).

Fig. 9. Imagen e histograma ecualizados, generados usando la herramienta Matlab

38

Aunque el mtodo de la ecualizacin del histograma es muy til, no conduce por s mismo a las aplicaciones interactivas de mejora de la imagen, la razn de ello es que este mtodo slo es capaz de generar un nico resultado: una aproximacin a un histograma plano. [64]

Especificacin de histograma (matching)

Este mtodo ajusta el contraste de una imagen al de otra

con mayor

contraste, adaptando la forma de su histograma, teniendo en cuenta la ecuacin (1) y (2) se puede definir matemticamente como:

Fig. 10: Especificacin de histograma, a) imagen original, b) Histograma de referencia, c) Histograma ajustado

39

2.2.4. Mtodos de deteccin de bordes Los bordes de una imagen se pueden definir como transiciones o fronteras con propiedades de gris significativamente distintos y suministran informacin que puede ser usada para segmentar una imagen o reconocer objetos. Las tcnicas para detectar discontinuidades emplean operadores locales basados en distintas aproximaciones discretas de la primera y segunda derivada de los niveles de grises de la imagen.

Para funciones bidimensionales

la primera derivada es un vector que

aunta en la direccin de la maxima variacin comunmente llamado gradiente el cual se define como:

Donde su magnitud es

Y su ngulo es

En el caso de las funciones bidimensionales de tipo discreto, las aproximaciones del operador gradiente se basan en las diferencias de los distintos niveles de grises de la imagen[69].

40

La segunda derivada es una herramienta matemtica til para detectar doble bordes de una imagen y usa el Laplaciano [70] el cual est definido de la siguiente manera:

La discretizacin del operador laplaciana para un entorno de 3x3 estar constituida por la suma de las derivadas parciales de segundo orden:

Que produce [ ]

Conocida como vecindad de 4, una mscara vecindad de 8 estara representada de la siguiente manera [ ]

Al aplicarla, cualquiera de sus implementaciones, sobre una imagen real no habr valores cero en los bordes sino que se aproximan a valores pequeos positivos no negativos. [71]

Los bordes detectados en una imagen usando el operador gradiente son ms finos y de carcter isotrpico a diferencia del operador gradiente.

41

Tcnicas de deteccin de bordes:

Los detectores de bordes ms comunes son: Roberts, Sobel, Prewitt, Frei Chen, Laplaciano de Gauss (LoG), Diferencial Gaussiano (DoG) y Canny los cuales se describirn a continuacin: Roberts es uno de los primeros detectores desarrollados y utiliza las mscaras mostradas en la Fig. 11 Como caractersticas obtienen buenas respuestas ante bordes diagonales, ofrece buenas respuestas en cuanto a localizacin, el problema de este detector es que es extremadamente sensible al ruido y por tanto tiene pobres cualidades de deteccin[69].

Fig. 11 Mscara usada por el detector de bordes Roberts

Los operadores de Sobel, Prewitt, Frei Chen, pueden formularse de forma conjunta con las siguientes mascaras convolucin (Fig. 12) [69]:

42

Fig. 12: mascaras de convolucin, (a) Gradiente Fila, (b) Gradiente columna

Y la siguiente expresin:

En el caso del operador Prewitt (K =1) se involucran a los vecinos de filas y columnas adyacentes para proporcionar mayor inmunidad al ruido, detectando mejor los verticales obtenido una imagen como la mostrada en la Fig. 13

El operador Sobel (K=2), aparentemente debera ser ms sensible a los bordes diagonales que el Prewitt aunque en la practica la diferencia no es muy notoria (Fig. 13)

En el operador Frei-Chen (K= ), el gradiente es el mismo para bordes verticales, horizontales y diagonales

43

Fig. 13. Resultado de la deteccin de bordes de un carpograma usando detector de (a) Roberts, (b) Prewitt, (c) Sobel

Laplaciana de Gauss

Marr y Hildreth [72] proponen una solucin a los problemas encontrados con los anteriores detectores de bordes y consiste en un filtro paso banda, mezcla del filtro paso bajo que supone el suavizado con un filtro de Gauss y su posterior procesamiento con el operador laplaciana. Desde el punto de vista formal, el operador queda definido como [71]: ( ) ( )

En donde se puede convolucionar la imagen de entrada con una sola mascara, originada del proceso de discretizacin del operador LoG. El principal inconveniente de este operador su alto coste computacional, el diferencial gaussiano (DoG) se plantea una alternativa para reducir tiempos,

44

el cual est basado en la diferencia de la imagen suavizada por dos varianzas distintas y se define de la siguiente manera:

Segn Marr y Hildreth, se asemeja al operador LoG, cuando las varianzas se encuentran en una relacin de

En el proceso de discretizacin de los dos operadores (LoG, DoG), para evitar la aparicin de lbulos en la repuesta en frecuencia de la mscara, se condiciona el tamao por la varianza:

Teniendo en cuenta que la varianza es la que delimita el ancho de banda del operador LoG.

Operador Canny:

Este operador es considerado como uno de los

mejores mtodos de deteccin de contornos mediante el empleo de mscaras de convolucin y basado en la primera derivada[73]

Se caracteriza por evitar la ruptura de los bordes de los objetos. Su fundamento se basa en un proceso de optimizacin, teniendo en cuenta los siguientes objetivos a maximizar[71]: Aumentar la relacin seal-ruido de la imagen. Disminuir todo lo posible la distancia entre el borde detectado y el borde real. No identificar un borde por un nico pxel, sino por un conjunto de Pixeles que tengan una cierta conectividad. 45

Segn Canny [74], el operador ptimo est en la derivada de Gauss: ( ) ( )

Donde el operador DroG es una combinacin de suavizado haciendolo menos vulnerable al ruido y la varianza permite controlar el suavizado. El operador DroG queda definido de la siguiente forma:

En la Fig. 14 se puede observar como Canny presenta unos contornos mas cerrados frente a LoG.

46

Fig. 14 Deteccin de borde de un carpograma mediante el operador (a) LoG y (b) Canny

2.2.5. Operaciones Morfolgicas El anlisis morfolgico15 de una imagen en dos dimensiones se realiza teniendo en cuenta alguna forma geomtrica denominada elemento estructural. Los dos operadores bsicos dentro de la morfologa matemtica son la dilatacin y la erosin[75], a partir de ellas se componen las operaciones de apertura y cierre.

La dilatacin adiciona pixeles en las fronteras de los objetos expandiendo la imagen, de acuerdo al elemento estructural, superponiendo el pixel central del elemento estructural en cada pixel de la imagen original. La Fig. 15ilustra el concepto.
15

De la forma y la estructura

47

Fig. 15. Concepto de Dilatacin: el objeto original (a) es dilatado por un elemento estructural (b) y genera un nuevo objeto expandido (c)

La definicin formal de la dilatacin es la siguiente: { ( ) }

Donde A es el objeto y B el elemento estructural. La erosin es la operacin morfolgica dual a la dilatacin, en donde se eliminan elementos teniendo como referencia el elemento estructural, Al igual que sucede en la dilatacin, el tamao y forma finales del conjunto erosionado depender fuertemente del tamao y forma del elemento de estructura B[76], la Fig. 16 ilustra el concepto

48

Fig. 16: Concepto de Erosin: el objeto original (a) es erosionado por un elemento estructural (b) y genera un nuevo objeto con elementos eliminados (c)

La definicin formal de la erosin es la siguiente: { ( ) }

Donde A es el objeto y B el elemento estructural. Dentro de la morfologa matemtica se pueden combinar la dilatacin y la erosin para realizar operaciones de apertura y cierre que dependern de cul de las dos operaciones se realice primero La apertura es la combinacin de un operador de erosin y otro de dilatacin su objetivos es suavizar los contornos de una imagen y eliminar las protuberancias y objetos pequeos con tamao menor al del elemento estructural. Se define de la siguiente forma:

49

El cierre combina un operador de dilatacin y uno de erosin, rellenando huecos pequeos y uniendo componentes cercanas. Se define de la siguiente forma:

Basadas en las operaciones morfolgicas de dilatacin y erosin se pueden definir otras operaciones como: Extraccin de la frontera que se obtiene erosionando A por B y realizando posteriormente la diferencia entre A y su erosin.

Rellenado de regiones el cual se basa en que se obtiene de un conjunto de dilataciones, complementarios e intersecciones.

Donde B es el elemento estructural Extraccin de componentes convexas

50

2.2.6. Representacin y descripcin Para finalizar el procesamiento de la imagen y realizar procesos de medicin o reconocimiento se hace necesario extraer sus caractersticas, las cuales pueden ser representadas de dos formas: teniendo en cuenta los bordes (caractersticas externas) o las regiones (caractersticas internas), para luego describir la imagen mediante la seleccin de estas caractersticas. Dentro de los mtodos de representacin se encuentran: Cdigos de cadena

Se utilizan para representar un borde por medio de una sucesin conexa de segmentos de longitud y direccin especficas, basndose en segmentos de conectividad 4 u 8, asignando una direccin y generando un cdigo al seguir un contorno especfico (Fig. 17) Este mtodo no es muy til debido a que se obtiene una cadena de cdigos demasiado larga y una variacin en el contorno debido a errores en la segmentacin origina cambios en el cdigo, una solucin a este inconveniente es volver a muestrear usando un espacio de cuadricula mayor.

51

Fig. 17. Cdigos de cadena: se usa un vector de conectividad 8 (a), se realiza la secuencia de vectores a travs del contorno (b) para entregar un cdigo (c) resultado de la secuencia de vectores.

Aproximaciones poligonales

Su objetivo es trazar el contorno con un polgono usando el menor nmero de lados posibles (Fig. 18), expresando el resultado como una cadena de cuatro elementos: ngulos internos, distancia del siguiente vrtice y coordenadas y .

Las cuales son invariantes a escalamiento, translacin o rotacin, normalmente se usa acompaado de unos modelos en una base de datos en donde se compararan los resultados con los de un modelo similar.

52

Fig. 18. Representacin a travs de un polgono en una rejilla de 7 pixeles de un hueso trapezoide

Firma de forma Representan una forma como una funcin unidimensional de un contorno, las firmas de este tipo pueden ser distancia del centroide (Fig. 19), coordenadas complejas, ngulo tangente, ngulo acumulativo, curvatura y rea entre otras. Algunos tipos de firma no varan con la transicin, pero dependen de la rotacin y del cambio de escala, pueden llegar a ser independientes de la orientacin del objeto si se selecciona el mismo punto de partida.

Fig. 19 Firma (b) generada del contorno (a) teniendo en cuenta la distancia del centroide de la imagen

53

2.2.7. Segmentos del contorno Pretende hallar el cerco convexo16 del contorno del objeto reduciendo la complejidad del contorno. El cerco convexo H de un conjunto arbitrario S es el conjunto ms pequeo que contiene a S. el conjunto diferencial H- S se denomina deficiencia convexa. El contorno de la regin se puede dividir siguiendo el contorno de S y marcando los puntos en los que se hace una transicin hacia adentro o hacia afuera de un componente de la deficiencia convexa.[70] Una vez elegida la representacin esta se describe mediante el uso de descriptores los cuales permiten reducir la informacin a unos cuantos datos. Algunos descriptores sencillos son: Longitud del contorno: es el nmero de pixeles a lo largo del contorno, es la suma de las componentes verticales, horizontales y veces las diagonales. Dimetro del objeto: el dimetro de un objeto B se define como:

Donde

es la distancia entre dos puntos del borde,

no

necesariamente euclidiana

Ejes mayor y menor: El eje mayor es el segmento que conecta a los dos puntos y que definenel dimetro, mientras que el eje menor es el

segmento perpendicular al eje mayor y que define el rectngulo mnimo que

16

Convex Hull

54

encuadra al objeto. El rectngulo bsico estara definido por los ejes mayor y menor. Nmeros de forma: Expresan de manera codificada los cambios en la direccin de la forma, similar al obtenido en los cdigos de cadena Descriptores de Fourier: Basados en la descomposicin compleja de la serie de Fourier

Son los coeficientes

de la serie de Fourier

La diferencia de los pixeles del borde ( nmeros complejos (

se expresan como si fuesen

y se entienden como una seal discreta

reduciendo informacin, se puede reconstruir el contorno con tanta precisin como se desee usando la transformada inversa de Fourier, adems la transformada rpida de Fourier (FFT) disminuye el costo computacional. Estos descriptores son invariantes a la rotacin, a la translacin y al tamao si se normalizan. Existe una representacin ms extensa de descriptores basados en la forma[77][78] los cuales nos sern objeto de estudio de este trabajo.

55

3. INGENIERA DEL PROYECTO

3.1.

ESTADO DEL ARTE

Actualmente existen herramientas para deteccin de la edad sea en la prctica clnica, es el caso de BoneXpert la cual ha sido validada por la comunidad europea para dispositivos mdicos y ha sido validad para cuatro etnicidades y probado en poblaciones de Japn, Alemania y Francia[40] Tambin se han desarrollado herramientas de diagnstico asistido por computador aplicando tcnicas de recuperacin de imgenes basada en contenido[47], se han propuesto sistemas automtico para la evaluacin de la edad sea[49]que implementa un mtodo para la extraccin de las regiones de inters crpales y epifiseares/metafiseares. De igual forma algunos autores han propuesto una herramienta web basada en el diagnostico asistido por computador (CAD) para estimar la edad sea[53].

3.2.

VARIABLES DE INGENIERA

Se tienen en cuenta los siguientes parmetros a analizar: Constantes: Son temas y datos inamovibles, invariables en el

experimento, los cuales se establecen segn la bibliografa y las consultas realizadas. Independientes: Estas variables son las que se tratan para la

realizacin del experimento con el fin de lograr la mejor aproximacin a la estimacin de edad sea realizada por los expertos de forma manual.

56

Dependientes: Estas variables son el resultado de la experimentacin

en la cual se relacionan constantes y variables independientes. Intervinientes: Son variables ligadas a factores externos las cuales

vienen pre establecidas para la realizacin del experimento, como por ejemplo el ruido en la imagen, la tcnica de obtencin de la imagen mdica, entre otras. 3.2.1. Estimacin de edad sea A. B. Constantes Tcnicas de Procesamiento de Imgenes Independientes Longitud del eje mayor: Est longitud vara segn cada hueso y es uno de los puntos de comparacin para la estimacin de la edad sea, influye directamente en la salida del algoritmo. reas: Varan dependiendo del hueso a tratar, son otro punto de comparacin para la estimacin de la edad sea, influye directamente en la salida del algoritmo. C. Dependientes Edad sea: Se obtiene al relacionar la estimacin de la edad sea mediante el anlisis de reas y longitud del eje mayor, se presenta realizando un anlisis de error segn los resultados afines a los obtenidos por el radilogo experto. D. Intervinientes Procesos relacionados a la obtencin de la radiografa, teles como la tcnica implementada por el operador de la mquina, ruido en la imagen, objetos ajenos a el cuerpo humano, entre otros.

57

3.3.

DESARROLLO DEL PROYECTO

En este captulo, se muestra el desarrollo del trabajo a travs de once (11) fases de diseo que lo integran. 3.3.1. Metodologa La metodologa utilizada para el desarrollo de este trabajo es una metodologa por fases. En el siguiente diagrama de bloques se detallan cada una de las fases del proyecto (Fig. 20), las cuales sern detalladas a continuacin:

Documentacin

Segmentacin

Extraccin de caracteristicas y descripcin

Delimitacin de la poblacin y definicin de la Regin de Interes

preprocesamiento

clasificacin

Recopilacin de carpogramas

Extraccin de la Regin de interes

Estimacin de la edad osea

Almacenamiento y Clasificacin de los carpogramas

Anlisis de las tcnicas de procesamiento de imagenes medicas

Validacin de los resultados

Fig. 20 Diagrama de bloques de la metodologa por fases

3.3.2. Documentacin Este paso consisti en la recopilacin de informacin a travs de fuentes primarias tales como personas especializadas en el tema y fuentes secundarias como libros, manuales y artculos.

58

Fuentes primarias

Como fuentes primarias consultamos a dos personas expertas en el tema. La primera en el diagnstico radiolgico, el Dr. Danilo Cifuentes B. Mdico Radilogo del Hospital Militar Central y la segunda en el rea del

procesamiento de imgenes al Ing. Cesar Leonardo Nio Barrera: Ingeniero Electrnico de la Pontificia Universidad Javeriana, Maestra y Doctorado en Ingeniera Elctrica y de Computacin de la Universidad de Delaware, EEUU, Profesor Asociado del Departamento de Electrnica de la Universidad Javeriana

Fuentes secundarias

Se identificaron estudios relevantes en las siguientes fuentes: Buscadores especficos como Google Scholar, Pubmed y Scirus Bases de datos en lnea como: IEEE Xplore, ScienceDirect, Redalyc e Image Sciences Institute, Motores de bsqueda generales como Google para ubicar

manuscritos y tesis que an no haban sido catalogados. Revistas y conferencias internacionales indexadas y ubicadas en las bases de datos en lnea. libros de referencia citados en varios artculos los cuales se ubicaron principalmente en Google Books. Encontrndose un total de 83 artculos y 3 tesis relacionados directamente con el tema, de las cuales 54 se citan en un documento de revisin

desarrollado por los autores. El software usado para el manejo de referencia acadmica fue Mendeley17

17

Disponible en http://www.mendeley.com/

59

3.3.3. Delimitacin de la poblacin y definicin de la regin de inters. En la segunda fase se realiz un anlisis para delimitar la poblacin en donde se determin trabajar con carpogramas de nios varones entre 0 y 6 aos debido a las siguientes razones: a) Para efectos de facilidad en la recoleccin de informacin es necesario

delimitar la poblacin a un solo sexo, lo cual no afectara en gran manera el desarrollo del algoritmo b) Se define delimitar el rango de edad a la primera infancia debido a que

segn la Organizacin mundial de la Salud es la fase ms importante para el desarrollo general de toda la vida [79] y en la que un apoyo al diagnstico seria de real importancia para su crecimiento.

c)

La deficiencia en el crecimiento en nios es un factor que en la

mayora de los casos se relaciona con desnutricin una enfermedad con alta prevalencia a nivel nacional18, y se logra detectar principalmente mediante la comparacin de la edad sea del paciente con su edad cronolgica.

d)

Colombia actualmente no cuenta con una base de datos y un sistema

de informacin de imgenes radiolgicas de nios colombianos que apoye al mdico radilogo en el diagnstico de maduracin de edad sea. La revisin realizada en la primera fase nos arroja que la mayora de trabajos fueron desarrollos para nios entre los 7 y los 18 aos, debido a que la inclusin de los huesos crpales es necesaria en los nios menores, puesto que estos huesos aportan informacin valiosa para la deteccin de la maduracin de la edad sea.
La Organizacin de las Naciones Unidas para la Agricultura y la Alimentacin (FAO), indic que en Amrica Latina cerca de 53 millones de personas se encuentran en estado de desnutricin, donde Colombia ocupa el segundo lugar con al menos 5,9 millones[80][81]de los cuales ms del 20% de los nios y nias menores de cinco aos padecen algn tipo de desnutricin.[82]
18

60

Teniendo en cuenta la informacin anterior y encontrando que los huesos del carpo presentan informacin valiosa en las estimacin de la maduracin sea y autores como Tanner han desarrollado una variante a su mtodo que tiene en cuenta solo los huesos del carpo para la estimacin de la edad sea, se define la regin carpal como regin de inters a tener en cuenta el desarrollo del algoritmo.

3.3.4. Recopilacin de imgenes radiolgicas Esta fase consiste en todo el proceso de bsqueda de imgenes que cumplieran los requisitos establecidos de edad y sexo delimitado en la Fase 2, para este propsito se usaron dos fuentes principalmente: primarias que son las instituciones y el personal de salud que realiza procedimientos de toma o lectura de imgenes diagnsticas y secundarias libros y bases de datos en internet: Fuentes primarias

Se cont con el apoyo de personal tecnlogo en imgenes diagnsticas, quien es el encargado de tomar las imgenes radiolgicas y de diferentes instituciones a nivel nacional quienes facilitaron las imgenes de nios colombianos, manifestando que se deban eliminar los datos que identificaran al paciente o a la institucin, tambin se recopilaron radiografas y computarizadas, con diferentes

convencionales que fueron digitalizadas calidades de imagen.

14 radiografas fueron tomadas como poblacin base, contndose con 14 nios con edades comprendidas entre los 0 y 6 aos de edad, con las siguientes variaciones: 1 ao 2 meses, 1 ao 6 meses, 1 ao 8 meses, 2

61

aos 5 meses, 2aos 6 meses, 2 aos 9 meses, 2 aos 10 meses, 3 aos,3 aos 3 meses, 3 aos 6 meses, 4 aos, 4 aos 6 meses, 5 aos y 6 aos. Esta poblacin base fue catalogada por sus caractersticas de talla versus peso, como sana, sin problemas que indicaran falencias en su crecimiento, por lo cual fue tomada como estndar segn las longitudes de los ejes mayores de sus huesos y sus reas. Fuentes secundarias

Algunas imgenes radiolgicas de mano y mueca fueron descargadas de la base de datos de IRMA (Image Retrieval in Medical Applications)19 la cual ya contiene algunas lecturas de edad sea por parte de dos radilogos. Tambin se tuvieron en cuenta las imgenes que se encontraban en el atlas de Greulich & Pyle. En un total se recopilaron 283 imgenes las cuales 62 corresponden a nios colombianos, la siguiente tabla muestra la distribucin por edad y raza: RAZA/EDAD Afroamericana 5 Asitica Caucsica Mestiza Hispana 4 2 3 0 5 5 5 2 5 1 5 5 5 1 5 2 5 5 5 5 5 3 5 5 5 11 5 4 9 9 10 15 9 5 7 6 9 1 8 6

Tabla 1. Distribucin de carpogramas registrados en la base de datos segn edad y raza

19

Disponible en http://www.ipilab.org/BAAWeb

62

3.3.5. Almacenamiento y clasificacin de los carpogramas En esta fase se desarroll una base de datos en MySQL que contiene tres tablas: imagen, paciente y medico (Fig. 21), la tabla de imagen (Fig. 22) en la cual se alojan las radiografas de mano y mueca presenta los siguientes campos: Id radiografa, imagen, Fecha, genero, Raza, Descripcin, edad sea, Id Paciente

Paciente PK Idpaciente nombre edad sexo raza estatura peso Idradiografia Idmedico

Imagen PK Idradiografia Imagen Fecha Genero Raza Descripcin Edad osea Idpaciente FK1 FK2

Medico PK Idmedico Nombre

Fig. 21. Diseo la base de datos

63

Fig. 22 Base de datos de carpogramas, campos de la tabla imgenes

Tambin se desarrollaron tres formularios en PHP, el primero corresponde al ingreso de la imagen a la base de datos (Fig. 23), el segundo al registro de los datos de la imagen y el paciente (Fig. 24) y el tercero a la consulta de la imagen con sus datos relacionados (Fig. 25), a los cuales se accede mediante un formulario que solicita usuario y contrasea, lo cual permite asegurar que la informacin solo sea accedida por usuarios autorizados(Fig. 26).

64

Fig. 23 Formulario de ingreso de la imagen radiogrfica a la base de datos

65

Fig. 24 Formulario de ingreso de identificacin de la imagen, genero, raza y edad del paciente.

66

Fig. 25 Formulario de consulta de imagen y datos del paciente filtrado por edad

Fig. 26 Formulario de acceso a la base de datos mediante usuario y contrasea

67

3.3.6. Anlisis de las tcnicas de procesamiento de imgenes medicas Esta fase tiene como base el proceso de documentacin realizado en la primera fase, de cada artculo se extractaron las tcnicas, modelos, metodologas y desarrollos enfatizando en las innovaciones que ha hecho cada autor para hacer ms efectivo el proceso. Este proceso sirvi como base para los antecedentes internacionales y el estado del arte, adems de un artculo de revisin a publicar en la revista de ingeniera biomdica de la universidad de Antioquia.

68

Pre procesamiento

Ajuste de contraste Transformacin de intensidad Ecualizacin Especificacin

Operaciones con histogramas

Operaciones de vecindad Roberts Prewitt

Deteccin de Bordes -

Sobel
Frei Chen Laplaciano de Gauss (LoG) Diferencial (DoG) Gaussiano

Segmentacin

- Canny - Dilatacin
Operaciones morfolgicas Erosin Apertura Cierre Extraccin de frontera Llenado de regiones Extraccin de componentes convexas

Cdigos de cadena Aproximaciones poligonales

Representacin

Descripcin -

Firma de forma
Segmentos de contorno Longitud del contorno Dimetro del contorno Eje mayor y menor

Descriptores de Fourier
Segmentos del contorno 69

Fig. 27. Tcnicas de procesamiento de imgenes mdicas

Este anlisis se encuentra descrito en el marco terico del presente documento y es el soporte para el desarrollo del algoritmo cuyas etapas y tcnicas usadas se describen en las siguientes fases.

3.3.7. Extraccin de la regin de inters Un proceso inicial es el de la extraccin de la regin de inters (Fig. 28) la cual a decisin de los autores debe ser realizado por el mdico especialista garantizando que el algoritmo pueda ser usado en cualquier regin de inters y disminuyendo la complejidad de la fase de pre procesamiento al tener menor niveles de grises

Fig. 28 (a) Extraccin manual de la (b) Regin de inters

70

3.3.8. Pre procesamiento La primera tarea de esta fase es convertir la imagen a escala de grises, debido a que el software usado en algunos equipos de captura anexa reglas de medicin en color. Pero aumentaba la necesidad de clasificar imgenes en color y en escala de grises para evitar este proceso se decidi dejar una sola componente de color de la imagen, adems es necesario realizar un filtro de mediana (Fig. 29a). Realizando pruebas y de acuerdo a los resultados obtenidos para ajustar el contraste se opta por usar ajuste de la imagen, ecualizacin y

especificacin de histograma (matching) (Fig. 29 a, b y c). Tambin fue necesario realizar manipulacin y ajuste del contraste para resaltar las bandas de intensidades y expandir los niveles de grises a negro y blanco haciendo ms visible el rea sea (Fig. 29d)

Fig. 29. pre procesamiento de la imagen: (a) filtro de mediana aplicado a la imagen original, (b) ajuste de la imagen (c) resultado del proceso de resultado del proceso de especificacin de histograma. ecualizacin de histograma y (d)

3.3.9. Segmentacin El primer paso dentro del proceso de segmentacin consiste en un proceso de deteccin de bordes para eliminacin de fondo, se elige el algoritmo de Canny debido a su buena deteccin de contornos en comparacin con otros filtros, ajustndolo de tal forma, que no elimine los bordes de los huesos crpales (Error! No se encuentra el origen de la referencia.Fig. 30 a). 71

Para mejorar el proceso se hizo uso de operaciones morfolgicas de llenado (Fig. 30 b) y apertura (Fig. 30 c) empleando una estructura en forma de disco que define la forma y el tamao de la superficie ms pequea que compone el objeto.

Fig. 30. Segmentacin de la imagen: (a) Deteccin de bordes, operaciones morfolgicas de (b) Llenado y (c) Apertura

Luego es necesario obtener una imagen con los huesos bien diferenciados del tejido blando para lo cual se us la operacin de llenado. Fue necesario eliminar el tejido blando y las protuberancias del tejido seo las cual se caracteriza por ser objetos pequeos con tamao menor al del elemento estructural para este proceso fue elegida la operacin de apertura.

3.3.10.

Extraccin de caractersticas y descripcin

Las caractersticas usadas para estimar la maduracin sea son medidas longitudinales y transversales de cada uno de los huesos del carpo, se

requiere de una funcin que logre obtener estadsticas correspondientes a los mismos mediante una funcin que obtenga una medida que defina la relacin entre los pixeles y el tamao real de la imagen.

72

Para el proceso anterior es necesario tener medidas de referencia de su tamao real que se evidencien en la imagen, tales como escalas u objetos (Fig. 31).

Fig. 31.Imagen de1068 X1276 pixeles correspondiente a un carpograma con medidas de referencia a su tamao real de 153.2mm x 183.0mm.

La relacin pixeles por milmetro se obtiene mediante un cociente entre alguna de las dimensiones reales de la imagen, y los pixeles

correspondientes a la dimensin escogida (Ecuacin 2).

Ecuacin 2: Relacin pixel milmetro usando como referencia el ancho de la imagen

73

3.3.11.

Clasificacin

Las caractersticas extradas segn la LEM20 y el rea son almacenadas en un vector, al finalizar el almacenamiento este vector es organizado en orden descendente, con el fin de clasificar los huesos carpales, los cuales corresponden al siguiente orden: Grande, Ganchoso, Piramidal, Semilunar, Trapecio, Trapezoide y Escafoides. La LEM de cada hueso se clasifica por milmetros y el rea en milmetros cuadrados.

3.3.12.

Estimacin de la edad sea

Para la estimacin de la edad sea se almacenan los datos correspondientes a la longitud del eje mayor y el rea de los huesos carpales de cada una de las imgenes de la poblacin base. Estos valores son sometidos a una sumatoria, resultando al final una suma de reas y una de las longitudes del eje mayor de cada hueso, establecindose intervalos segn sea su valor con el fin de compararlos posteriormente con las imgenes a evaluar por el algoritmo. Segn los valores obtenidos en la clasificacin se realiza una sumatoria de los ejes mayores individuales y de las reas individuales, con estos valores se realizan intervalos segn sea la edad a la cual correspondan, est edad vara de la siguiente manera: Menor a 1,5 Aos; 2 Aos; 2,5 Aos; 3 Aos; 3,5 Aos; 4 Aos; 5 Aos y 6Aos. En el momento en el que el algoritmo trata una imagen realiza la extraccin de caractersticas con su respectiva sumatoria y se comparan estos valores con respecto a los de la poblacin base, y ubicndolos en el intervalo de edad que arroje el resultado (ver figura 32).

20

Longitud del Eje Mayor

74

Rango de Valores Sumatoria de Longitud del Eje Mayor (mm) Menor a 1 Ao y 6 Meses 2 Aos 2 Aos 6 Meses 3 Aos 3 Aos 6 Meses 4 Aos 5 Aos 6 Aos Sumatoria de reas (mm^2)

x13,9 13,9<x16 16<x19 19<x29 29<x37 37<x42 42<x53 53<x62

x460 460<x564 564<x700 700<x1150 1150<x1250 1250<x1700 1700<x1900 1900<x2300

Tabla 2. Longitudes y reas, basada en la poblacin base.

La tabla de la figura 32 expresa los valores dentro de los cuales se genera la estimacin de edad sea de las imgenes a evaluar, estos valores fueron establecidos segn proximidades de los datos extrados de la poblacin base. Al ser sometidas las imgenes al algoritmo, el valor de la sumatoria de la longitud del eje mayor (x) y el valor de la sumatoria de reas (x) debern estar dentro de alguno de los rangos establecidos, de esta forma se realiza la estimacin. 3.3.13. Validacin de resultados

Para validar los resultados se tom como referencia una imagen cada 6 meses y hasta los 6 aos y medio de nios colombianos sanos con peso y talla o longitud normal de acuerdo a su edad. Para este proceso fue necesario obtener imgenes de 14 nios que

cumplieran las condiciones descritas anteriormente, a travs de una muestra aleatoria, para lo cual se cont con el consentimiento informado de los padres (anexo A) el cual fue escrito siguiendo la normatividad vigente en el pas21.

21

Resolucin 8430 de 1993

75

A partir del proceso anterior se obtienen unas tablas de referencia (figura 32) puntualizando que no se pueden considerar un estndar debido al nmero reducido de muestras controladas, pero si permite validar el algoritmo. Por otra parte esos carpogramas fueron evaluados por dos mdicos radilogos el Doctor Miguel Hernando ngel de IDIME y el Dr. Danilo Cifuentes del Hospital Militar usando el mtodo de Greulich y Pyle, mediante un procedimiento doble ciego evitando que los resultados pudieran estar influidos por el sesgo del observador. Luego de obtener las medidas de referencia para validar los resultados se implement el algoritmo para estimar la maduracin sea (Fig. 32) usando el software Matlab, en el cual se desarroll una interfaz grfica para facilitar la visualizacin de resultados (Fig. 33).

76

77

78

Fig. 32. Algoritmo para estimacin de la maduracin sea

79

Fig. 33. Interfaz grfica para estimacin de la maduracin sea

80

4. PRUEBAS Y RESULTADOS 4.1. PRUEBAS

4.1.1. Fases de pre procesamiento y segmentacin Todas las imgenes fueron sometidas a las fases iniciales del algoritmo: Preprocesamiento y segmentacin. Para evaluar el porcentaje de aciertos en la segmentacin se tom una muestra aleatoria de radiografas crpales de dos tipos: 1) analgicas que haban sido digitalizadas y 2) completamente digitales. Las cuales se clasificaron de la siguiente manera: Si los huesos correspondientes a la regin de inters carpal de la imagen resultaban visiblemente ntegros y completos, el proceso haba sido exitoso. En el caso contrario de que se lograra observar ausencia de informacin, el proceso sera fallido.

81

Fig. 34. CROI con 2 huesos, antes y despus del recorte de la imagen.

82

Como se puede observar en la Figura 35, la imagen presenta dos huesos en su CROI por lo cual una segmentecin exitosa debera contener estos 2 huesos de manera visiblemente integra.

Fig. 35. CROI segmentado.

La figura 36 muestra una segmentacin exitosa, en la cual visiblemente se pueden apreciar los dos huesos originales del CROI y su composicin de forma integra. Todas las imgenes que lograran presentar estas condiciones se calificaron como correctas en preprocesamiento y segmentacin, en caso contrario se calificaron como incorrectas.

4.1.2. Fase de estimacin de edad sea Se tom una muestra de imgenes en donde se compar la edad sea obtenida por los radilogos mediante las tcnicas manuales, con la obtenida mediante el mtodo segn los criterios de rea y eje mayor, para lo cual se pretenda obtener el grado de concordancia entre las diferentes tcnicas y el anlisis de varianza.

83

Para finalizar se evalu el grado de concordancia y un anlisis de varianza entre los datos obtenidos con el sistema propuesto y la edad biolgica de cada uno de los 14 nios. Se evaluaron los resultados del rea y la longitud del eje mayor de cada uno de los huesos crpales de la misma imagen, hallando la desviacin estndar para determinar la precisin del algoritmo. La estimacin de edad sea obtenida despus de ser tratada la imagen por el algoritmo, se evalu de tal manera que era correcta en caso de ser del mismo valor que el dado por el radilogo experto, en caso de no serlo sera incorrecto.

84

4.2.

RESULTADOS

4.2.1. Fases de pre procesamiento y segmentacin Se tom una muestra aleatoria de 28 imgenes analgicas digitalizadas de todas las edades y se realiz su segmentacin con un mximo de tres intentos por cada una de ellas a lo cual se encontr que un 84% fueron segmentadas correctamente (Figura 37).

SEGMENTACIN PARA IMAGENES ANALOGICAS DIGITALIZADAS

16%

CORRECTA INCORRECTA 84%

Fig. 36: resultados de la segmentacin de imgenes analgicas digitalizadas

De igual forma una muestra aleatoria de 22 imgenes digitales de todas las edades, realizndose la segmentacin de cada una de ellas con un mximo de tres intentos por cada una, a lo cual se encontr que un 82% de estas fueron segmentadas correctamente.

85

SEGMENTACIN PARA IMAGENES DIGITALES

18%

CORRECTA

INCORRECTA
82%

Fig. 37 Resultados de la segmentacin de imgenes digitales

4.2.2. Fase de estimacin de edad sea

Fig. 38 Anlisis de varianza segn criterio de reas y de longitud del eje mayor

En la figura 38 se puede apreciar el anlisis de varianza de los resultados obtenidos mediante la estimacin de edad sea por evaluacin de la Longitud del Eje Mayor y por el tamao de sus

reas, observndose que el grado de concordancia entre los dos mtodos es acorde, ya que el valor crtico (4,0129). 86 (1,8617) es inferior a su valor

Poblacin base (14 img) Nmero de imagen Doctor Cifuentes IDIME LEM Areas 1 1A 3M 1A 3M 2 1,5 2 1A 3M 1A 3M 2 1,5 3 2A 6M 2A 4M 2,5 2,5 4 2A 2A 2M 2 2 5 2A 8M 2A 10M 3,5 4 6 2A 10M 2A 10M 3,5 3 7 3A 3A 3,5 4 8 3A 3A 3 3 9 2A 8M 2A 8M 2,5 2 10 3A 3A 6M 3 3 11 5A 5A 6 5 12 4A 6M 4A 6M 3,5 3,5 13 3A 6M 4A 4 4 14 6A 5A 4M 6 5 Carpogramas 1 1 4.5A 4.5A 4 4 2 5A 5A 4 5 3 5A 5A 5 4 4 5A 5A 4 4 5 3A 6M 3A 6M 3,5 3,5 6 2A 2A 2 2 Carpogramas 2 1 1A 1A 2 1,5 2 2A 6 M 2A 6 M 3 3 3 2A 6M 2A 6M 3 3 4 4A 6M 4A 6M 3,5 4 Carpogramas 3 1 2A 2A 2 2 2 3A 6M 3A 6M 3,5 4 3 5A 5A 5 4 Carpogramas 4 1 2A 6M 2A 6M 2,5 2,5 2 3A 3A 3 3
Tabla 3. Validacin del algoritmo. Datos evaluados por los expertos versus datos arrojados por el algoritmo.

87

ESTIMACIN DE EDAD POR COMPARACIN DE LA LONGITUD DEL EJE MAYOR

Correctas Incorrectas

45% 55%

Fig. 39. Porcentaje de imgenes que arrojan igual estimacin de edad que los mtodos manuales, por comparacin de la longitud del eje mayor.

ESTIMACIN DE EDAD POR COMPARACIN DE REAS

Correctas Incorrectas

28%

72%

Fig. 40. Porcentaje de imgenes que arrojan igual estimacin de edad que los mtodos manuales, por comparacin reas.

88

Las figuras 41 y 42 muestran el nmero de imgenes que despus de ser procesadas por el algoritmo, arrojaron una estimacin de edad igual a la establecida por los expertos mediante el mtodo de G&P, con el criterio de Longitud del Eje Mayor y tamao de reas respectivamente. Como se logra apreciar, mediante el criterio del tamao del rea de los Huesos se logra obtener una mayor precisin en la estimacin de la edad sea.

Relacin entre Varianza

2 1,5 1 Varianza

0,5
0 Cifuentes
Fig. 41. Varianza entre grupos

LEM

rea

89

 : :

Regin de aceptacin = 0,05 P=0,92

F= 0,0798

3,10 5

Regin de rechazo

Fig. 42. Anlisis de la hiptesis nula.

Resultados de la prueba de hiptesis: Hiptesis nula: La estimacin de edad sea por los criterios propuestos es estadsticamente igual a la estimacin de edad sea realizada por el Dr. Cifuentes. Segn la figura 42, la hiptesis nula es aceptada, por lo cual se infiere que los promedios de cada uno de los grupos son similares estadsticamente.

90

5. CONCLUSIONES Y RECOMENDACIONES

5.1.

CONCLUSIONES

1. Se valid el algoritmo mediante un anlisis de varianza en el cual la hiptesis nula fue verdadera, determinando que la relacin entre

promedios no muestra diferencias estadsticamente significativas.

2. Se obtuvo una base de datos con un total de 283 imgenes las cuales validaron los procesos de pre-procesamiento y segmentacin, sin embargo nicamente 43 contaban con una escala referente a su tamao real, la cual permita realizar una relacin de pixeles contra milmetros, que se requera para estimar la edad.

3. El proyecto se perfila con el fin de plantear una base de apoyo social en el diagnstico de desnutricin y problemas de crecimiento mediante la estimacin de edad sea.

4. Se implement una tcnica de corte de la regin de inters que puede permitir al radilogo verificar la correcta segmentacin del carpo, que es escalable a otras regiones, disminuyendo la complejidad en las fases de pre - procesamiento y segmentacin al eliminar niveles de intensidad de grises no relevantes.

91

5.2.

RECOMENDACIONES

Para poder generar un estndar y obtener resultados ms precisos se recomienda ampliar la muestra estadstica y as generar un referente a nivel nacional.

Se recomienda Incluir el sexo femenino e implementar el algoritmo en edades mayores a 6 aos.

Como trabajo futuro es fundamental desarrollar un software que implemente el algoritmo el cual pueda ser integrable a los sistemas de informacin radiolgica disponibles en los equipos mdicos de toma de imgenes.

Para la estimacin ms precisa de la edad de un ser humano se pueden usar tcnicas de ortopantomografa dental para

determinacin de maduracin de los terceros molares inferiores, radiografa del pie y radiografa cervical y poder incluir para exmenes de resonancia magntica.

92

BIBLIOGRAFA [1] C. L. E. Carrillo J. C., Ireton M. J., Maduracin sea en grupos de poblacin colombiana, 3, 2009. [Online]. Available: http://www.virtual.unal.edu.co/unvPortal/articles/ArticlesViewer.do?reqCode= viewDetails&idArticle=4#section16. [Accessed: 01-Mar-2011]. J. A. Palacios Sarmiento, Software para el procesamiento digital de imgenes medicas radiogrficas en Java, Universidad del Bosque, 2006. S. K. Pal, Application of fuzzy set theory in detecting x-ray edges, SciencesNew York, pp. 1125-1128, 1981. T. Pavlidis, Fuzzy sets and their applications to cognitive and decision processes, IEEE Transactions on Automatic Control, vol. 22, no. 6, pp. 9991000, Dec. 1977. S. K. Pal and R. A. King, On Edge Detection of X-Ray Images Using Fuzzy Sets, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 5, no. 1, pp. 69-77, Jan. 1983. S. K. Pal, R. A. King, and A. A. Hashim, Image description and primitive extraction using fuzzy sets, IEEE Transactions on Systems, Man, and Cybernetics, vol. 13, pp. 94 - 100, 1983. J. M. Tanner, R. H. Whitehouse, M. J. R. Healy, and H. Goldstein, Assessment of skeletal maturity and prediction of adult height (TW2 method). New York: , 1975. D. J. Michael and a C. Nelson, HANDX: a model-based system for automatic segmentation of bones from digital hand radiographs., IEEE transactions on medical imaging, vol. 8, no. 1, pp. 64-9, Jan. 1989. T. S. Levitt, M. W. Hedgcock, J. W. Dye, and S. E. Johnston, Model-based analysis of computed radiographs, Proceedings of the First Conference on Visualization in Biomedical Computing, pp. 144-148, 1990. E. Pietka, M. F. McNitt-Gray, M. L. Kuo, and H. K. Huang, Computerassisted phalangeal analysis in skeletal age assessment., IEEE transactions on medical imaging, vol. 10, no. 4, pp. 616-20, Jan. 1991. R. C. Gonzalez and P. Wintz, Digital Image Processing. 1987.

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

93

[12]

S. M. Garn, K. P. # Hertzog, A. K. Poznanski, and J. M. Nagy, Metacarpophalangeal Length in the Evaluation of Skeletal Malformation, Radiology, vol. 105, no. 2, p. 375, Nov. 1972. B. S. Sharif, S. a Zaroug, E. G. Chester, J. P. Owen, and E. J. Lee, Bone edge detection in hand radiographic images, Proceedings of 16th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, pp. 514-515, 1991. E. Pietka, L. Kaabi, M. L. Kuo, and H. K. Huang, Feature extraction in carpal-bone analysis., IEEE transactions on medical imaging, vol. 12, no. 1, pp. 44-9, Jan. 1993. T. Cootes, a Hill, C. Taylor, and J. Haslam, Use of active shape models for locating structures in medical images, Image and Vision Computing, vol. 12, no. 6, pp. 355-365, Jul. 1994. Y. N. Sun, C. C. Ko, C. W. Mao, and C. J. Lin, A computer system for skeletal growth measurement., Computers and biomedical research, an international journal, vol. 27, no. 1, pp. 2-12, Feb-1994. W. H. Tsai, Moment-Preserving Thresholding: A New Approach, in Computer Vision, Graphics, and image processing, 1985, pp. 377-399. M. S. Dinesh, Vision system for bone measurement from digital hand radiograph, Proceedings of the First Regional Conference, IEEE Engineering in Medicine and Biology Society and 14th Conference of the Biomedical Engineering Society of India. An International Meet, p. SPC9-SP10, 1995. M. Rucci, G. Coppini, I. Nicoletti, D. Cheli, and G. Valli, Automatic analysis of hand radiographs for the assessment of skeletal age: a subsymbolic approach., Computers and biomedical research, an international journal, vol. 28, no. 3. pp. 239-56, Jun-1995. S. Mahmoodi, B. S. Sharif, E. G. Chester, J. P. Owen, and R. Lee, Skeletal growth estimation using radiographic image processing and analysis., IEEE transactions on information technology in biomedicine: a publication of the IEEE Engineering in Medicine and Biology Society, vol. 4, no. 4, pp. 292-7, Dec. 2000. N. D. Efford, Knowledge-based segmentation and feature analysis of hand wrist radiographs. 1994.

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

94

[22]

T. F. Cotes, C. J. Taylor, D. H. Coper, and J. Graham, Active Shape ModelsTheir Training and Application, Computer Vision and Image Understanding, vol. 61, no. 1, pp. 38-59, Jan. 1995. F. Cao, H. K. Huang, E. Pietka, and V. Gilsanz, Digital hand atlas and webbased bone age assessment: system design and implementation., Computerized medical imaging and graphics: the official journal of the Computerized Medical Imaging Society, vol. 24, no. 5, pp. 297-307, 2000. E. Pietka, A. Gertych, S. Pospiech-Kurkowska, F. Cao, and H. K. Huang, Computer-Assisted Bone Age Assessment: Image Preprocessing and Epiphyseal/Metaphyseal ROI Extraction, Assessment, vol. 20, no. 8, pp. 715729, 2001. R. C. Gonzalez and P. Wintz, Digital Image Processing, 2nd ed. AddisonWesley, 1987. B. Bocchi, F. Ferrara, I. Nicoletti, and G. Valli, An artificial neural network architecture for skeletal age assessment, Proceedings 2003 International Conference on Image Processing (Cat. No.03CH37429), pp. I-1077-80, 2003. M. Niemeijer, Assessing the skeletal age from a hand radiograph: automating the Tanner-Whitehouse method, Proceedings of SPIE, pp. 1197-1205, 2003. R. De Luis-Garca, A FULLY AUTOMATIC ALGORITHM FOR CONTOUR DETECTION OF BONES IN HAND RADIOGRAPHS USING ACTIVE CONTOURS Rodrigo de Luis-Garc opez Departamento de Teor a de la Se nal y Comunicaciones e Ingenier a Telem atica Universidad de Valladolid Valladolid , vol. 1, 2003. M. Kass, A. Witkin, and D. Terzopoulos, Snakes: Active contour models, International Journal of Computer Vision, vol. 1, no. 4, pp. 321-331, Jan. 1988. L. Cohen, On active contour models and balloons, CVGIP: Image Understanding, vol. 53, no. 2, pp. 211-218, Mar. 1991. P. Lin, F. Zhang, Y. Yang, and C.-xun Zheng, Carpal-Bone Feature Extraction Analysis in Skeletal Age Assessment Based on Deformable Model, October, vol. 4, no. 3, pp. 3-7, 2004. C. Xu and J. L. Prince, Generalized gradient vector flow external forces for active contours, Signal Processing, vol. 71, no. 2, pp. 131-139, Dec. 1998.

[23]

[24]

[25]

[26]

[27]

[28]

[29]

[30]

[31]

[32]

95

[33]

C. Xu and J. L. Prince, Snakes, shapes, and gradient vector flow., IEEE transactions on image processing: a publication of the IEEE Signal Processing Society, vol. 7, no. 3, pp. 359-69, Jan. 1998. A. Zhang, A. Gertych, and B. J. Liu, Automatic bone age assessment for young children from newborn to 7-year-old using carpal bones., Computerized medical imaging and graphics: the official journal of the Computerized Medical Imaging Society, vol. 31, no. 4-5, pp. 299-310, 2007. C.-W. Hsieh, T.-L. Jong, Y.-H. Chou, and C.-M. Tiu, Computerized geometric features of carpal bone for bone age estimation., Chinese medical journal, vol. 120, no. 9, pp. 767-70, May. 2007. J.-min Lee and W.-yul Kim, Epiphyses Extraction Method using Shape Information for Left Hand Radiography, Computer, pp. 319-326, 2008. J. Liu, J. Qi, Z. Liu, Q. Ning, and X. Luo, Automatic bone age assessment based on intelligent algorithms and comparison with TW3 method., Computerized medical imaging and graphics: the official journal of the Computerized Medical Imaging Society, vol. 32, no. 8, pp. 678-84, Dec. 2008. J. Kennedy, R. Eberhart, and D. Wang, Particle swarm optimization, IEEE transactions on systems man and cybernetics Part B Cybernetics a publication of the IEEE Systems Man and Cybernetics Society, vol. 4, no. 6, pp. 1942 1948, 1995. M. Meissner, M. Schmuker, and G. Schneider, Optimized Particle Swarm Optimization (OPSO) and its application to artificial neural network training., BMC bioinformatics, vol. 7, no. 1, p. 125, Jan. 2006. H. H. Thodberg, S. Kreiborg, A. Juul, and K. D. Pedersen, The BoneXpert method for automated determination of skeletal maturity., IEEE transactions on medical imaging, vol. 28, no. 1, pp. 52-66, Jan. 2009. H. H. Thodberg and S. L., Validation and Reference Values of Automated Bone Age Determination for Four Ethnicities, Acad. Radiol, vol. 17, pp. 1425-32, 2010. D. D. Martin, K. Sato, M. Sato, and T. Thodberg, H.H Tanaka, Validation of a new method for automated determination of bone age in Japanese children, Horm Res Paediatr, vol. 74, pp. 50-55, 2010.

[34]

[35]

[36]

[37]

[38]

[39]

[40]

[41]

[42]

96

[43]

R. van Rijn, M. H. Lequin, and H. H. Thodberg, Automatic Determination of Greulich and Pyle bone age in healthy Dutch children, Pediatric Radiology, vol. 39, pp. 591 - 7, 2009. D. D. Martin, J. Schittenhelm, M. B. Ranke, G. Binder, and H. H. Thodberg, Validation of a new adult height prediction method based on automated determination of bone age in a French population, Hormone Research in Pediatrics, 2010. B. Fischer, M. Sauren, M. O. Gld, and T. M. Deserno, Scene analysis with structural prototypes for content-based image retrieval in medicine, Proceedings of SPIE, p. 69141X-69141X-9, 2008. B. Fischer, A. Brosig, T. M. Deserno, B. Ott, and R. W. Gnther, Structural scene analysis and content-based image retrieval applied to bone age assessment, Proceedings of SPIE, pp. 726004-726004-11, 2009. B. Fischer, A. Brosig, P. Welter, C. Grouls, R. W. Gnther, and T. M. Deserno, Content-based image retrieval applied to bone age assessment, Methodology, pp. 762412-762412-10, 2010. D. Giordano, C. Spampinato, and G. Scarciofalo, Automatic Skeletal Bone Age Assessment by Integrating EMROI and CROI Processing, Bone, pp. 141145, 2009. D. Giordano, C. Spampinato, G. Scarciofalo, and R. Leonardi, An Automatic System for Skeletal Bone Age Measurement by Robust Processing of Carpal and Epiphysial / Metaphysial Bones, October, vol. 59, no. 10, pp. 2539-2553, 2010. S. Jantan, A. Hussain, and M. M. Mustafa, Distal Radius Bone Age Estimation Based on Fuzzy Model, Biomedical Engineering, no. December, pp. 427-432, 2010. P. Perona and J. Malik, Scale-space and edge detection using anisotropic diffusion, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 12, no. 7, pp. 629-639, Jul. 1990. K. Somkantha, N. Theera-Umpon, and S. Auephanwiriyakul, Bone Age Assessment in Young Children Using Automatic Carpal Bone Feature Extraction and Support Vector Regression., Journal of digital imaging: the official journal of the Society for Computer Applications in Radiology, Feb. 2011.

[44]

[45]

[46]

[47]

[48]

[49]

[50]

[51]

[52]

97

[53]

B. Fischer, P. Welter, C. Grouls, R. W. Gnther, and T. M. Deserno, Bone Age Assessment by Content-Based Image Retrieval and Case-Based Reasoning, Image (Rochester, N.Y.), 2011. C. Thies, B. Fischer, and T. M. Lehmann, Content-based Retrieval of Medical Images by Combining Global Features, German Research, 2005. D. Keysers, J. Dahmen, T. Theiner, and H. Ney, Experiments with an extended tangent distance. IEEE Comput. Soc, 2000, pp. 38-42. H. Tamura, S. Mori, and T. Yamawaki, Textural Features Corresponding to Visual Perception, IEEE Transactions on Systems, Man, and Cybernetics, vol. 8, no. 6, pp. 460-473, Jun. 1978. Universidad Militar Nueva Granada, Grupo de Investigacin en Telemedicina (TIGUM), 2005. [Online]. Available: http://www.umng.edu.co/www/section3844.jsp. [Accessed: 16-Aug-2011]. P. C. THEINTZ, G. K; HOWALD, H; ALLEMANN, Y.; SIZO- NENKO, Growth and pubenal development of young female gymnasts and swimmers: A correlation with parenteral data., Int. J. Spons. Med., vol. 10 (2), pp. 87 91, 1989. S. I. Greulich W.W., Pyle, Radiographic atlas of skeletal development of the hand and wrist (2nd ed). Standford: , 1959. J. M. Tanner and R. H. Whitehouse, Assesment of skeletal maturity and prediction of adult height (TW2 method). New York: Academic Press, 1975. S. GARCA, F. SANTONJA, and A. PASTOR, Valoracin de la edad sea. Su importancia en Medicina del Deporte, pp. 58 -59, 1998. I. Fondn Garcia, Introduccin al Tratamiento Digital de Imagenes Mdicas, Escuela Superior de Ingenieros Universidad de Sevilla. [Online]. Available: http://personal.us.es/irenef/Imagenes_Medicas_files/Introduccioninternet.pdf. [Accessed: 18-Aug-2011]. F. Leclerc and R. Plamondon, Automatic Signature verification: The state of art 1989 - 1993, International Journal of Pattern Recognition and Artificial intelligence, vol. 8, no. 3, pp. 643 - 660, 1994. R. E. Woods and R. C. Gonzalez, Tratamiento digital de imgenes. Willington, Delaware: Wesley Iberoamericana S.A, 1996.

[54]

[55]

[56]

[57]

[58]

[59]

[60]

[61]

[62]

[63]

[64]

98

[65]

S. E. Umbaugh, Computer Vision and Image Processing, . New Jersey: Prentice - Hall Inc., 1998. J. J. Esqueda Eliozondo, Fundamentos de Procesamiento de Imgenes, in CONATEC 2002, 2002. G. Pajares and J. De la Cruz, Visin por computador, Imagnes digitales y aplicaciones. Mxico: Alfa y Omega Ra - Ma, 2002. X. F. Len, A. Moya Cataln, and D. Pea Monferrer, Antonio Segarra, MODIFICACIN DEL HISTOGRAMA DE UNA IMAGEN. Universitat Jaume I. Universidad de Jan, Deteccin de bordes en una imagen. Universidad de Jan, 2005. R. C. \ Gonzalez, R. E. Woods, and S. L. Eddins, Digital Image Processing Using MATLAB. United States of America: Pearson Prentice-Hall, 2004, p. 609. C. Platero, Apuntes de visin artificial. p. 149, 2009. D. Marr and E. Hildreth, Theory of Edge Detection, Proceedings of the Royal Society of London. Series B, Biological Sciences,, vol. 207, p. 32, 1980. J. Valverde Rebaza, Deteccin de bordes mediante el algoritmo de Canny. Trujillo: Universidad Nacional de Trujillo, 2007, p. 8. A. Canny, Computational Approach to Edge Detection, EEE Trans. on Pattern Analysis and Machine Intelligence, vol. 8(6), pp. 679-698, 1986. J. Serra, Image Analysis and Mathematical Morphology, Academic Press, vol. 2, 1988. A. Gamino Carranza, Operaciones morfolgicas rpidas por descomposicin del elemento de estructura mediante discos. Mxico: CENTRO DE INVESTIGACION Y DE ESTUDIOS AVANZADOS DEL INSTITUTO POLITECNICO NACIONAL, 2004. H.-K. Kim and J.-D. Kim, Region-based shape descriptor invariant to rotation, scale and translation, Signal Processing:Image Communication, pp. 87 - 93, 2000.

[66]

[67]

[68]

[69]

[70]

[71] [72]

[73]

[74]

[75]

[76]

[77]

99

[78]

S. E. Snchez Lpez, Modelo de indexacin de formas en sistemas VIR basado en ontologas, Universidad de las Amricas Puebla, 2007. World Health Organization (WHO) (Organizacin and O. Mundial de la Salud, Global strategy for infant and young child feeding.Ginebra: , 2003. Caracol S.A, Colombia es el segundo pas con mayor desnutricin en Latinoamrica, 15-Oct-2007. F. Muoz, FAO y la inseguridad alimentaria en Colombia, p. 1, 2009. Caracol, Veinte por ciento de nios en Colombia sufren de desnutricin advierte la FAO, caracol.com, 25-Mar-2009.

[79]

[80]

[81] [82]

100

ANEXOS ANEXO A: CONSENTIMIENTO INFORMADO

101

102

103

ANEXO B: TABLAS DE REFERENCIA MEDIDA EJE MAYOR DE LOS HUESOS CARPALES

EDAD/LONGITUD

GRANDE

GANCHOSO

PIRAMIDAL

SEMILUNAR

TRAPECIO

TRAPEZIODE

ESCAFIODES

1 ao 2 meses 1 ao 8 meses 2 aos 6 meses 3 aos 4 aos 5 aos 6 aos

7,33806 6,19270 8,24008 10,55850 11,62490 13,84870 15,82280

6,55981 6,03102 7,05066 8,09653 9,13938 11,14740 11,51960

0,00000 0,00000 0,00000

0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 7,80533

0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 5,23125

0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 2,99295

0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000

4,11323 3,36572 6,42186 9,13938

104

MEDIDA REA DE LOS HUESOS CARPALES

EDAD/DIAMETRO

GRANDE

GANCHOSO

PIRAMIDAL

SEMILUNAR

TRAPECIO

TRAPEZOIDE

ESCAFOIDES

1 ao 2 meses 2 aos 5 meses 2 aos 6 meses 2 aos 10 meses 3 aos 4 aos 6 meses 5 aos 6 aos 6 aos 4 meses

264,926 357,733 284,894 537,455 665,380 715,359 914,511 713,308 826,871

194,065 226,105 185,693 354,270 488,835 494,921 511,075 410,984 475,021

0,000 0,000 0,000 115,794 221,535 223,904 300,263 170,751 327,761

0,000 0,000 0,000 0,000 17,996 60,191 292,657 145,175 235,102

0,000 0,000 0,000 0,000 0,000 0,000 206,513 63,344 144,369

0,000 0,000 0,000 0,000 0,000 0,000 0,000 47,160 43,680

0,000 0,000 0,000 0,000 0,000 0,000 0,000 40,803 0,000

105

106