a. ¿Qué es evaluación cualitativa?

Es la transformación de la presentación de una imagen con el fin de resaltar más

adecuadamente las características de valor diagnóstico de las mismas. Consiste
entonces del almacenamiento y uso de algoritmos que a través de prueba y error
hasta obtener la densidad requerida de la imagen.
Actualmente los algoritmos han evolucionado de forma tal que permiten:
Resaltar características específicas de la imagen original.
Manipular la presentación de la imagen.
Corregir las distorsiones causadas por los equipos de captura.
Realizar otros análisis matemáticos a fin de extraer información de utilidad
diagnostica.

b. ¿Qué es evaluación cuantitativa?

Se busca de acuerdo a una regla pre establecida, sobre la presencia o ausencia de

un patrón o clase de patrones y estimar o evaluar los rasgos morfológicos de estos
por medio de un modelo matemático y una métrica.
Los rasgos morfológicos de un patrón espacial o la manifestación espacial de un
patrón espectral se refieren a l forma, la textura, el tamaño, el perímetro, el
centroide, el área, la excentricidad, la rigurosidad, los factores de contraste o, a los
parámetros geométricos de estructuras espaciales regulares.

c. ¿Qué es verdaderos positivos, falsos positivos, verdaderos negativos,

falsos negativos?
Son características o resultados que vienen ligados a los dos valores asociados a un
estimador estadístico que son la sensibilidad y la especificidad. Por ejemplo, dado
un test estimador que clasifica la población en personas sanas y en personas
enfermas se tendría que:

Sensibilidad: en este valor, que sería la capacidad de detectar los realmente

enfermos, aparece: Verdadero positivo que se catalogó como enfermo y en
realidad está. Falso Positivo, que se catalogó como enfermo, pero no lo está.
Especificidad: en este valor, que sería la capacidad de detectar los casos
negativos, los que no están realmente enfermos, aparece: Verdadero Negativo, que
se catalogó como no enfermo y no lo estaba. Falso negativo: que se catalogó como
no enfermo y si lo estaba.

d. ¿Qué es precisión y exactitud?

Precisión: se refiere a la dispersión del conjunto de valores obtenidos de

mediciones repetidas de una magnitud. Cuanto menor es la dispersión mayor la
precisión.
 Exactitud: se refiere a qué tan cerca están del valor real las mediciones de un
sistema de medición.

e. ¿Qué es y cómo se realiza la curva característica operativa del receptor

ROC?

La curva ROC es un gráfico en el que se observan todos los pares

sensibilidad/especificidad resultantes de la variación continua de los puntos de
corte en todo el rango de resultados observados.
En el eje “y” de coordenadas se sitúa la sensibilidad o fracción de verdaderos
positivos, definida En el eje “x” se sitúa la fracción de falsos positivos o 1-
especificidad, definida como FP/VN + FP y calculada en el subgrupo no afectado.

Cada punto de la curva representa un par S/1-E correspondiente a un nivel de

decisión determinado. Una prueba con discriminación perfecta, sin solapamiento
de resultados en las dos poblaciones, tiene una curva ROC que pasa por la esquina
superior izquierda, donde S y E toman valores máximos (S y E = 1). Una prueba
sin discriminación, con igual distribución de resultados en los dos subgrupos, da
lugar a una línea diagonal de 45º, desde la esquina inferior izquierda hasta la
superior derecha. La mayoría de las curvas ROC caen entre estos dos extremos. Si
cae por debajo de la diagonal de 45º se corrige cambiando el criterio de positividad
de “mayor que” a “menor que” o viceversa.

Cualitativamente, cuanto más próxima es una curva ROC a la esquina superior

izquierda, más alta es la exactitud global de la prueba. De la misma forma, si se
dibujan en un mismo gráfico las curvas obtenidas con distintas pruebas
diagnósticas, aquella que esté situada más hacia arriba y hacia la izquierda tiene
mayor exactitud.
2. Desarrollo de los siguientes análisis de resultados
Procedimiento (Experimento) – Parte Individual:

2.1 Realice la evaluación cualitativa de los resultados obtenidos en la fase 3. El análisis

se realiza entre los resultados que arroja la máquina de soporte vectorial SVM, en la
variable “clasificación” contra los resultados verdaderos que se tienen en la variable
“thrue”

De acuerdo a los resultados obtenidos con la actividad anterior:

Cantidad de objetos Area MaximaArea Minima

Hoja Enferma6 63 1050 5
Hoja Enferma7 5 271 6
Hoja Enferma8 82 3336 5
Hoja sana5 4 409821 12
Hoja sana6 5 893664 5
Hoja sana7 6 1083389 6

Se tiene:

Cantidad de objetos Area MaximaArea MinimaClasificacion Correcto/Experto

Hoja Enferma6 63 1050 5 1 1
Hoja Enferma7 5 271 6 1 1
Hoja Enferma8 82 3336 5 1 1
Hoja sana5 4 409821 12 1 0
Hoja sana6 5 893664 5 1 0
Hoja sana7 6 1083389 6 1 0
 0 0 VN 0
1 1 VP 3
0 1 FN 0
1 0 FP 3

Precisión:
𝑉𝑃 3
𝑥 100 = 𝑥 100 = 50%
𝑉𝑃 + 𝐹𝑃 6

Exactitud:
𝑉𝑃 + 𝑉𝑁 0+3 3
= 𝑋 100 = 𝑋 100 = 50%
𝑉𝑃 + 𝐹𝑃 + 𝐹𝑁 + 𝑉𝑁 3+3+0+0 6

FP FN VN VP Precisión Exactitud
Imágenes
Enfermas
3 0 0 3 50% 50%
Imágenes
Sanas

2.2. Realizar la curva característica operativa del receptor ROC.

Sensibilidad:
𝑉𝑃 3
𝑉𝑃𝑅 = = 𝑋 100 = 100%
𝑉𝑃 + 𝐹𝑁 3+0

Especificidad:
𝑉𝑁 0
𝑆𝐶𝑃 = = = 0%
𝐹𝑃 + 𝑉𝑁 3+0
Para realizar la cura característica, se debe tenen cuenta, que en ROC el eje x es 1-
Especificidad.
Se realiza gráfica en Matlab:
Comparando con la gráfica del valor ideal, se tendría:

2.3. Realice el análisis e informe con los resultados obtenidos en los puntos
anteriores.

En el sistema, la gráfica de ROC resultante se sitúa considerablemente alejada del

punto ideal cuando un clasificador es perfecto, ni siquiera está por encima del
50%(designado con *). Este sistema clasificador debe ser revisado, se puede
considerar tomar otros métodos de clasificación que permita otorgar un valor más
aproximado del estudio analizado. En las Web Conference, se da como opción fabricar
el clasificador a partir de los valores de la cantidad de objetos y el área máxima de
cada hoja.