Aplicaciones de visión computacional

Para la primera entrada por puntos extras para la materia de visión computacional estuve leyendo sobre un documento en donde escriben sobre una aplicación de suma importancia en el área médica utilizando técnicas de detección de figuras y patrones, al igual que sistemas adaptables como redes neuronales y heurísticas, para saber si se tiene o no una tumor cancerígeno en la piel, el melanoma, cuya enfermedad es algunas veces mal detectada o se confunde con otras enfermedades y no se tiene, inclusive con doctores con experiencia, como diferenciarla a simple vista, por lo que este tipo de programas pueden ser beneficiosos en esta área.

Durante el desarrollo de un sistema para la adquisición de una imagen con cierta característica en la piel, en donde con una cámara puedan detectar la enfermedad en la piel, pero nos hablan de que existen ciertas limitantes en el desarrollo del sistema, por ejemplo la iluminación o el ruido en la imagen, es por eso que explican como modifican estos parámetros para obtener una mejor imagen.

Primero que nada, se necesitan detectar las principales características del melanoma, que son medibles y de alta sensibilidad, por ejemplo algunos tiene alta corelacion en caracteristicas del melanoma y luego saltan las probabilidades altas positivas para saber la respuesta, utilizan el siguiente metodo para diagnostico computacional.

Se hace la regla del ABCD del dermoscopio, regla que se utiliza para la detección del meanoma de manera visual que puede ser hecha por cualquier persona, en este caso se programa un sistema que tenga esta regla la cual consiste en A de asimetria, o sea que el lunar se tenga que dividir en dos, B de que el lunar tenga poco bordes definidos, C de color, particularmente obscuros y multiples, D de diámetro, mas o menos unos 0.65 centímetros, después hacen un análisis de patrones con algunas otras caracteristicas del lunar, para luego redefinir el sistema con el método de Menzies el cual solamente captura las caracteristicas negativas como la simetria del patrón del lunar y que tenga un solo color, seria como el contrario de la regla ABCD, luego realizan un sistema basado en reglas utilizando el llamado 7-Point Checklist, en donde se observa el pigmento del lunar, puntos azules, patrón irreglular de la sangre alrededor, estrías, globulos rojos y la estructura del lunar.

Por ejemplo, en las imágenes anteriores, en el (A) podemos ver una imagen positiva en el borde asimétrico del lunar, luego en la imagen (B) podemos ver que los bordes no están bordes definidos y en (C) el color es cambiante, entonces estos serían un estudio de como podemos ir descartando los lunares que no cumplen con las características.

Luego del método Menzies, el cual checa las características negativas como los puntos de color cafe entre el lunar y los glóbulos, como podemos ver en la siguiente imagen,  en donde podemos ver por ejemplo lunares en donde estructuras diferenciales, por ejemplo en (A) podemos ver una red de pigmentos o en (B) y (C) donde tiene puntos y glóbulos cafe, al igual que estrías de la imagen (D).

Luego del análisis de los lunares, se utilizan redes neuronales cuyos nodos están interconectados, para luego tener cierto aprendizaje y usando como función de error en donde según ellos, es conveniente utilizar en clasificación de imágenes la distancia ecludiana o SVMs, clasificando entre solamente 2 clases de lunares y concluyeron que este ultimo, las maquinas de vectores de soporte, son más eficientes como tecnica de clasificador y entrenamiento con redes neuronales, específicamente para este tipo de detecciones.

Bibliografía.

Ilias Maglogiannis, Dimitrios I. Kosmopoulos. Computational vision system for the detection of malignant melanoma. liga.