View
218
Download
0
Category
Preview:
Citation preview
“DETECCIÓN DE LEUCEMIA LINFOBLÁSTICA AGUDA USANDO LÓGICA DIFUSA Y REDES NEURONALES”
T E S I S
QUE PARA OBTENER EL GRADO DE:
MAESTRO EN CIENCIAS EN INGENIERÍA ELECTRÓNICA
PRESENTA:
ING. SUSANA ORDAZ GUTIÉRREZ
DIRECTORES:
DR. FRANCISCO JAVIER GALLEGOS FUNES
DR. ALBERTO JORGE ROSALES SILVA
MEXICO, D. F., FEBRERO DE 2011
INSTITUTO POLITÉCNICO NACIONAL
ESCUELA SUPERIOR DE INGENIERÍA MECÁNICA Y ELÉCTRICA
SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN
AGRADECIMIENTOS
Agrade c im i en t o s
A mis padres: por el apoyo incondicional que durante mi vida han sido padres, maestros y amigos.
A mis maestros:
por sus conocimientos, ejemplos y su dedicación que traspasaron más
allá de los muros. A Jaime: por su comprensión y su cariño ilimitado que ha logrado superar todo obstáculo.
Al CONACyT pro el apoyo económico
recibido durante estos años. Al Instituto Politécnico Nacional por darme la oportunidad de desarrollarme y crecer como profesionista.
Al Hospital PEMEX
y al Dr. Julio Martínez por orientarme para lograr este proyecto.
RESUMEN
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 1
RESUMEN
Este proyecto se basa en el diagnóstico de la Leucemia Linfoblástica Aguda Infantil,
que es el tipo de cáncer más común en los niños y que generalmente empeora
rápidamente si no se trata a tiempo. La leucemia linfoblástica aguda infantil (llamada
también leucemia linfocítica aguda o LLA) es una enfermedad en la que glóbulos
blancos (llamados linfocitos) que combaten las infecciones se encuentran inmaduros
en grandes cantidades en la sangre y médula ósea del niño.
Se diseña un algoritmo como ayuda para diagnosticar el cáncer LLA. Éste debe ser un
apoyo para el médico. Las muestras médicas fueron donadas por el Hospital PEMEX y
se conto con la asesoría del especialista Dr. Julio Martínez Salazar, las muestras son
imágenes de células de la médula ósea vistas en el microscopio. El algoritmo se
desarrolló en MatLab, consta de cuatro etapas de procesamiento: Imagen de entrada,
Segmentación, Clasificación, Reconocimientos y Salida. En la primera etapa se lee la
imagen que se selecciona de un banco de datos, donde están todas nuestras
imágenes de prueba. Se convierte la imagen original a una imagen en escala de
grises. En la etapa de segmentación se utiliza el método de Sobel. Dentro de la misma
etapa de segmentación se utiliza operadores morfológicos. Un objeto puede ser
descubierto fácilmente en una imagen si el objeto tiene el contraste de fondo
suficiente. En la etapa de clasificación se miden los parámetros de la célula a analizar
y con ayuda de la lógica difusa se comparan los datos obtenidos con la tabla de
clasificación. Finalmente en la etapa de reconocimiento se tiene una red neuronal
artificial de base radial, la cual se encarga de dar un diagnóstico. Se diseñó una
interfaz como conexión entre el algoritmo y el usuario.
Con el algoritmo propuesto se obtuvo una sensibilidad del 98% y una especificidad
del 91% con un error del 3.3%. Con el algoritmo sin lógica difusa, se tiene una
sensibilidad del 86% y una especificidad del 46% con un error del 22.2%.
ABSTRACT
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 2
ABSTRACT
This project is based on the diagnosis of childhood acute lymphoblastic leukemia,
which is the most common type of cancer in children, and it usually gets worse quickly
if not treated on time. Childhood acute lymphoblastic leukemia (also called acute
lymphocytic leukemia or ALL) is a disease in which white blood cells (called
lymphocytes) that fight infection are immature in large amount in the blood and bone
marrow of the child.
The algorithm is designed to help in the diagnosis of cancer leukemia. This should be a
support for the physician. The medical samples were donated by the PEMEX Hospital
and counted with the assistance of specialist Dr. Julio Martinez Salazar, these samples
are images of bone marrow cells seen through a microscope. The algorithm was
developed in MatLab, and consists of four processing stages: image input,
Segmentation, Classification, Recognition and output. The first stage reads the image
that is selected from a database, which holds all our test images. The original image is
converted to a gray scale image. The segmentation stage uses the Sobel method.
Within the same stage of segmentation, morphological operators were also used. An
object can be easily found in an image if the object has sufficient background contrast.
In the classification stage, cell parameters were measured, and analyzed with the help
of fuzzy logic, and the output was compared to data obtained with the leaderboard.
Finally, the stage of recognition is an artificial neural network radial basis, which is
responsible of carrying out the diagnosis. Interface was designed to help the user
interact with the algorithm.
The proposed algorithm had a sensitivity of 98% and a specificity of 91% with an error
of 3.3%. The same algorithm without fuzzy logic, had a sensitivity of 86% and a
specificity of 46% with an error of 22.2%.
ÍNDICE
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 3
ÍNDICE
Resumen 1
Abstract 2
Índice 3
Índice de Figuras 5
Índice de Tablas 6
Nomenclatura 7
INTRODUCCIÓN 8
i. Introducción 8
ii. Objetivo 9
iii. Justificación 9
iv. Contenido de la Tesis 10
v. Bibliografía 10
CAPÍTULO I Leucemia Linfoblástica Aguda Infantil 11
1.1. Introducción 11
1.2. Generalidades de la Leucemia Linfoblástica Aguda
1.3. Evolución de una Célula Sanguínea 12
1.4. Subgrupos de la Leucemia Linfoblástica Aguda Infantil 13
1.5. Pruebas Clínicas 15
1.6. Célula Sanguínea 18
1.7. Clasificación de la Leucemia Linfoblástica Aguda 19
1.8. Conclusiones 19
1.9. Bibliografía 20
CAPÍTULO II Etapas de Procesamiento para el Desarrollo del Algoritmo 21
2.1. Introducción 21
2.2. Imagen de Entrada 21
2.3. Segmentación y Detección de Bordes 23
2.3.1. Operadores basados en la Primera Derivada (Gradiente) 23
2.3.2. Método de EDGE 26
2.3.2.1. Operador Sobel 27
2.3.3. Histograma 30
2.3.4. Operadores Morfológicos 32
ÍNDICE
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 4
2.4. Clasificación 35
2.4.1. Lógica Difusa 36
2.5. Red Neuronal Artificial (RNA) 40
2.5.1. Red Neuronal Artificial de Base Radial (RBFN) 42
2.6. Interfaz en MatLab 44
2.7. Conclusiones 45
2.8. Bibliografía 46
CAPÍTULO III Pruebas y Resultados 47
3.1. Introducción 47
3.2. Imagen de Entrada 48
3.3. Segmentación de Bordes 52
3.4. Histograma 58
3.5. Operadores Morfológicos 59
3.6. Clasificación 64
3.7. Reconocimiento 73
3.8. Interfaz de Usuario en MatLab 74
3.9. Conclusiones 75
3.10. Bibliografía 76
CAPÍTULO IV Conclusiones y Trabajo a Futuro 77
4.1. Conclusiones 77
4.2. Trabajo a Futuro 77
ANEXO Participación en Congresos 78
ÍNDICE DE FIGURAS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 5
ÍNDICE DE FIGURAS Figura 1.1. Evolución de una Célula Sanguínea 13
Figura 1.2. Recuento Sanguíneo Completo (RSC) 16
Figura 1.3. Cromosoma Filadelfia 17
Figura 1.4. Aspirado de Médula Ósea 18
Figura 2.1. Diagrama a Bloques de las Etapas de Procesamiento 21
Figura 2.2. Representación de una Imagen a Color 22
Figura 2.3. Representación de una Imagen a Escala de Grises 22
Figura 2.4. Mascaras HF y HC 25
Figura 2.5. Operadores de Derivación 26
Figura 2.6. Ejemplo del Método de Sobel, aplicado a la Figura 2.3 29
Figura 2.7. Histograma de la Imagen de la Figura 2.3 29
Figura 2.8. Ecualización de Histograma de la Imagen de la Figura 2.3 31
Figura 2.9. Operación Morfológica 32
Figura 2.10. Operador Morfológico de Dilatación 33
Figura 2.11. Operador Morfológico de Erosión 34
Figura 2.12. Ejemplo de un Conjunto Difuso 37
Figura 2.13. Funciones Características de un Conjunto Difuso 38
Figura 2.14. Estructura de un Modelo Difuso 39
Figura 2.15. Red Neuronal Artificial Simple 40
Figura 2.16. Red Neuronal Artificial de Base Radial (RBFN) 42
Figura 3.1. Diagrama a bloques de las Etapas de Procesamiento 47
Figura 3.2. Banco de Datos 48
Figura 3.3. Imágenes de la medula Ósea Sana 49
Figura 3.4. Imágenes de la medula Ósea Enferma 49
Figura 3.5. Conversión de la Imagen Original de una Célula Sana a Escala de Grises 51
Figura 3.6. Conversión de la Imagen Original de una Célula Enferma a Escala de Grises 51
Figura 3.7. Ecualización de Histograma de la Figura 3.5 52
Figura 3.8. Histograma de la Figura 3.7 52
Figura 3.9. Ecualización de Histograma de la Figura 3.6 53
Figura 3.10. Histograma de la Figura 3.9 53
Figura 3.11. Métodos para Detectar los Bordes de una Célula Sana 54
Figura 3.12. Métodos para Detectar los Bordes de una Célula Sana 55
Figura 3.13. Métodos para Detectar los Bordes de una Célula Enferma 56
Figura 3.14. Métodos para Detectar los Bordes de una Célula Enferma 57
Figura 3.15. Morfología de una Célula Sana 59
Figura 3.16. Morfología de una Célula Sana 60
Figura 3.17. Morfología de una Célula Sana 61
Figura 3.18. Morfología de una Célula Enferma 62
Figura 3.19. Morfología de una Célula Enferma 63
Figura 3.20. Conjunto Difuso para el tamaño celular 64
Figura 3.15. Imágenes que no se Lograron Clasificar 72
Figura 3.16. Interfaz de Usuario en MatLab. 74
ÍNDICE DE TABLAS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 6
ÍNDICE DE TABLAS Tabla 1.1. Características de la Leucemia Linfoblástica Aguda 19
Tabla 2.1. Formatos y Extensiones Soportados por MatLab 23
Tabla 2.2. Clasificación Morfológica para el Diagnóstico de la LLA 35
Tabla 3.1. Histograma de los Métodos de EDGE de una Célula Sana 58
Tabla 3.2. Histograma de los Métodos de EDGE de una Célula Enferma 59
Tabla 3.3. Resultados Obtenidos con el Algoritmo sin Lógica Difusa 68
Tabla 3.4. Resultados Obtenidos con el Algoritmo con Lógica Difusa 69
Tabla 3.5. Relación entre el Resultado de una Prueba Diagnóstica y la Presencia o Ausencia de una
Enfermedad 71
Tabla 3.6. Relación entre el Resultado de una Prueba Diagnóstica y la Presencia o Ausencia de una
Enfermedad sin Lógica Difusa 71
Tabla 3.7. Relación entre el Resultado de una Prueba Diagnóstica y la Presencia o Ausencia de una
Enfermedad con Lógica Difusa 71
Tabla 3.8. Comparación de Ambos Algoritmos 72
Tabla 3.9. Pesos de la Red Neuronal Artificial de Base Radial 73
Tabla 3.10. Comparación de Ambos Algoritmos con la Implementación de la Red Neuronal Artificial 73
NOMENCLATURA
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 7
NOMENCLATURA
f x ,y( ) = Función Bidimensional
! x ,y( ) = Gradiente de la Función Bidimensional
I = Intensidad de una Imagen Binaria ! = Dilatación ! = Erosión µ = Función de Pertenencia ! = Unión ! = Intersección ! = Función de Activación ci = Función Central
! = Variación de la Magnitud del Radio x n( ) = Capa de Entrada
wk = Peso Asociado al Elemento K
i = Capa Oculta Zi n( ) = Salida de la Capa Oculta
d i = Desviación de la Función
UK = Umbral
! = Función de Base Radial
INTRODUCCIÓN
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 8
INTRODUCCIÓN
i. INTRODUCCIÓN
Los problemas de salud siempre han sido una preocupación en el mundo, y
salvaguardar la salud humana es uno de los retos mundiales. Estos temas con llevan
a la necesidad de unir esfuerzos para aumentar la calidad de vida de las personas.
Día a día crece el interés de tener una mejor salud, y de la misma manera también
crecen los riesgos de perderla. Una de las enfermedades que más preocupa a todos
los seres humanos es el cáncer y un problema mayor es que los niños se vean
afectados. El tipo de cáncer más común en los niños es la Leucemia Linfoblástica
Aguda (LLA), este es un tipo de cáncer que afecta la sangre [1].
Durante los últimos años, se ha incrementado el interés en desarrollar algoritmos de
diagnóstico asistido por ordenador, aplicados al diagnóstico precoz de distintos tipos
de cáncer, entre ellos, el cáncer de pulmón, cáncer de mama, cáncer cervicouterino,
cáncer de la Leucemia Linfoblástica Aguda Infantil, etc. El propósito del diagnóstico
asistido por ordenador, o computer aided diagnosis (CAD), es poder llegar a
diagnosticar a tiempo. El sistema de CAD serviría en este caso como una segunda
opinión para que el especialista o médico general pudiera tenerla en cuenta y mejorar
así la capacidad de diagnosticar. De esta manera, los métodos computarizados para el
diagnóstico automático son atractivos en la actualidad [2].
Este trabajo trata de ayudar al especialista a diagnosticar a tiempo este tipo de cáncer,
por medio del procesamiento de imágenes de medula ósea. Para lo cual se desarrollo
un algoritmo de apoyo para diagnosticar la Leucemia Linfoblástica Aguda infantil.
OBJETIVO Y JUSTIFICACIÓN
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 9
ii. OBJETIVO
Diseñar un algoritmo basado en técnicas robustas de procesamiento de imágenes que
sirva de apoyo al especialista para diagnosticar de manera temprana el cáncer de tipo
Leucemia Linfoblástica Aguda (LLA).
iii. JUSTIFICACIÓN
Este tipo de leucemia afecta a cerca de un 60% de los niños con cáncer, donde los
niños de 2 a 8 años son los más frecuentemente afectados. Es la neoplasia más
frecuente en la infancia constituye alrededor del 40% de los tumores malignos en edad
pediátrica, con una incidencia anual de tres o cuatro casos por cada 100.000 niños.
Por lo cual es de vital importancia contar con una metodología que brinde la
certidumbre de tener un diagnóstico acertado y que permita suministrar al especialista
el tratamiento correcto al paciente.
CONTENIDO DE LA TESIS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 10
iv. CONTENIDO DE LA TESIS.
Esta tesis consta de cuatro capítulos: el capítulo I trata sobre las generalidades de la
Leucemia Linfoblástica Aguda, los sub-grupos de esta enfermedad, pruebas clínicas y
clasificación de la Leucemia; En el capítulo II se muestra el desarrollo del algoritmo
para el diagnóstico de la LLA, el cual consta de cinco etapas para lograr un
diagnóstico; el algoritmo consiste en el análisis de una imagen de entrada que se
selecciona de un banco de datos; la imagen seleccionada es analizada pasando por
los procesos de segmentación, clasificación y reconocimiento, y al final una etapa de
salida. El capítulo III se muestran las pruebas y resultados del algoritmo; el último
capítulo muestra las conclusiones y el trabajo a futuro para mejorar el algoritmo.
v. BIBLIOGRAFÍA
[1] http://www.cancer.gov/espanol
[2] http://www.cinstrum.unam.mx/items/sub12/pdf/a1.pdf
CAPÍTULO I LEUCEMI LINFOBLÁSTICA AGUDA INFANTIL
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 11
CAPÍTULO I LEUCEMIA LINFOBLÁSTICA AGUDA INFANTIL
1.1. INTRODUCCIÓN
En 1827, el médico francés Alfred Armand Louis Marie Velpeau describió el primer
caso de leucemia, cuando observó, en una paciente de 63 años de edad, una
enfermedad cuyos principales síntomas eran fiebre, debilidad, cálculos renales y
hepatoesplenomegalia. Velpeau describió la sangre de esta paciente con una
consistencia semejante a la “papilla de avena”, y sugirió que este aspecto se debía a
los glóbulos blancos.
En 1845, el patólogo J. H. Bennett reportó una serie de casos similares de pacientes
que fallecieron con esplenomegalia, y cambios “en el color y la consistencia de la
sangre”. Bennett utilizó el término leucocitemia para describir esta patología.
El término leucemia fue introducido en 1856 por el patólogo alemán Rudolf Virchow,
quien describió el anormal exceso de glóbulos blancos en pacientes con el síndrome
clínico descrito por Velpeau y Bennett. Virchow no estaba seguro de la causa que
producía el exceso de glóbulos blancos, por lo cual decidió utilizar el término
puramente descriptivo de leucemia (del griego, cuyo significado es “sangre blanca”).
En 1877, el bacteriólogo alemán Paul Ehrlich aplicó sus técnicas a la hematología.
Hizo preparaciones secas de sangre y las coloreó con diferentes tintes. Comprobó que
unas células tenían afinidad por los colorantes básicos, otras por los ácidos y otras por
los neutros. Este hecho fue de gran utilidad en el diagnóstico de la leucemia, ya que
permitió describir en detalle y diferenciar los glóbulos blancos normales y anormales.
Wilhelm Ebstein introdujo el término leucemia aguda en 1889, para diferenciar las
leucemias progresivas de las leucemias crónicas. Fue Mosler quien, diez años más
tarde (en 1879), describió por primera vez una técnica para examinar la médula ósea y
diagnosticar la leucemia. Finalmente, en 1900, dividió los tipos de leucemia en
mieloides y linfoides, según la estirpe celular sanguínea que se viera afectada [1].
Después de esta breve introducción, se presentan las generalidades de la Leucemia
Linfoblástica Aguda Infantil, en cuanto a su clasificación, pruebas clínicas y
procedimientos para su diagnóstico.
CAPÍTULO I LEUCEMI LINFOBLÁSTICA AGUDA INFANTIL
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 12
1.2. GENERALIDADES DE LA LEUCEMIA LINFOBLÁSTICA AGUDA
La leucemia linfoblástica aguda infantil (llamada también leucemia linfocítica aguda o
LLA) es un cáncer de la sangre y la médula ósea, la medula ósea produce
demasiados linfocitos (un tipo de glóbulo blanco). Este tipo de cáncer generalmente
empeora rápidamente si no se trata. Es el tipo de cáncer más común en los niños.
Normalmente, la médula ósea produce células madre sanguíneas (células inmaduras)
que se convierten, con el tiempo, en células sanguíneas maduras. Una célula madre
sanguínea se puede convertir en una célula madre mieloide o en una célula madre
linfoide [2].
Subdivisión de la célula madre sanguínea (ver Figura. 1):
1. Glóbulos rojos: que transportan oxígeno a todos los tejidos del cuerpo.
2. Glóbulos blancos: que luchan contra las infecciones y las enfermedades.
3. Plaquetas: que ayudan a prevenir hemorragias haciendo que se formen
coágulos de sangre.
En la LLA, demasiadas células madre se convierten en un tipo de glóbulos blancos
llamados linfocitos. Estos linfocitos también se llaman linfoblástos o células
leucémicas. Hay tres tipos de linfocitos:
1. Linfocitos B: producen anticuerpos para ayudar a luchar contra las infecciones.
2. Linfocitos T: ayudan a los linfocitos B a generar los anticuerpos que ayudan a
luchar contra las infecciones.
3. Células agresoras naturales: atacan las células cancerosas o los virus.
En el caso de la LLA, hay demasiadas células madre que se convierten en linfoblastos
y no maduran para convertirse en linfocitos. Estos linfoblastos también se llaman
células de leucemia.
CAPÍTULO I LEUCEMI LINFOBLÁSTICA AGUDA INFANTIL
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 13
1.3. EVOLUCIÓN DE UNA CÉLULA SANGUÍNEA
Una célula madre sanguínea pasa por varias etapas para convertirse en un glóbulo
rojo, una plaqueta o un glóbulo blanco [3].
Figura. 1.1. Evolución de una célula sanguínea.
En el caso de la LLA, los linfocitos no pueden luchar muy bien contra las infecciones.
Además, a medida que aumenta la cantidad de linfocitos en la sangre y la médula
ósea, hay menos lugar para otros glóbulos blancos, los glóbulos rojos y las plaquetas
sanas. Esto puede llevar a infecciones, anemia y sangrados fáciles.
CAPÍTULO I LEUCEMI LINFOBLÁSTICA AGUDA INFANTIL
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 14
1.4. SUBGRUPOS DE LLA INFANTIL
Los cuatro subgrupos de LLA infantil. Estos se clasifican por el tipo de célula
sanguínea afectada, por ciertos cambios en los cromosomas, y por la edad en el
momento del diagnóstico [4]:
1. LLA de células T o células B: Si el tipo de célula sanguínea afectada tiene un
aspecto más parecido a un linfocito B o un linfocito T. Linfocito T: Tipo de célula
inmunitaria que puede atacar células extrañas, células cancerosas y células
infectadas por un virus. Los linfocitos T también pueden ayudar a controlar las
respuestas inmunitarias. Un linfocito T es un tipo de glóbulo blanco. También
se llama célula T o timocito. Linfocitos B: Tipo de célula inmunitaria que
elabora proteínas llamadas anticuerpos, los cuales se unen a microorganismos
y otras sustancias extrañas y ayudan a combatir infecciones. Un linfocito B es
un tipo de glóbulo blanco. También se llama célula B.
2. LLA positiva para el cromosoma Filadelfia es un tipo de cambio en un
cromosoma que se puede presentar (ver Figura. 3).
3. LLA diagnosticada en un lactante.
4. LLA diagnosticada en niños de 10 años de edad o más, y en adolescentes.
La exposición a radiación y los antecedentes familiares pueden afectar el riesgo de
padecer LLA infantil [2].
Factores que aumenta el riesgo de contraer una enfermedad se llama factor de riesgo.
Tener un factor de riesgo no significa que se va a contraer cáncer; y el no tener un
factor de riesgo no significa que no se va a contraer cáncer. Los factores de riesgo
posibles para la LLA incluyen los siguientes aspectos [5]:
• Tener un hermano con leucemia.
• Estar expuesto a los rayos X antes del nacimiento.
• Estar expuesto a radiación.
• Haber tenido un tratamiento anterior con quimioterapia u otros medicamentos
que debilitan el sistema inmunitario.
• Padecer de ciertos trastornos genéticos como síndrome de Down.
• Los signos posibles de LLA infantil incluyen fiebre y hematomas.
CAPÍTULO I LEUCEMI LINFOBLÁSTICA AGUDA INFANTIL
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 15
Síntomas de la Leucemia Linfoblástica Aguda Infantil:
• Fiebre.
• Hematomas o sangrados fáciles.
• Petequia (manchas planas, como puntitos debajo de la piel producidos por un
sangrado).
• Dolor de huesos o articulaciones.
• Masas en el cuello, las axilas, el estómago o la ingle, que no duelen.
• Dolor o sensación de saciedad debajo de las costillas.
• Debilidad o sensación de cansancio.
• Pérdida de apetito.
1.5. PRUEBAS CLÍNICAS
Pueden utilizarse las siguientes pruebas y procedimientos [6]:
1. Examen físico y antecedentes: examen del cuerpo para verificar los signos
generales de salud, inclusive la revisión de signos de enfermedad, como
masas o cualquier otra cosa que parezca anormal. Se toman también los
antecedentes médicos de las enfermedades y los tratamientos previos del
paciente.
2. Recuento sanguíneo completo (RSC) con diferencial: procedimiento mediante
el cual se toma una muestra de sangre y se analiza lo siguiente:
• La cantidad de glóbulos rojos y plaquetas.
• La cantidad y el tipo de glóbulos blancos.
• La cantidad de hemoglobina (la proteína que transporta oxígeno) en los
glóbulos rojos.
• La parte de la muestra compuesta por glóbulos rojos.
CAPÍTULO I LEUCEMI LINFOBLÁSTICA AGUDA INFANTIL
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 16
Figura. 1.2. Recuento sanguíneo completo (RSC). Se extrae sangre introduciendo una aguja en
una vena y se permite que la sangre fluya hacia un tubo. La muestra de sangre se envía al
laboratorio y se cuentan los glóbulos rojos, los glóbulos blancos y las plaquetas. El RSC se usa
para examinar, diagnosticar y vigilar muchas afecciones distintas.
3. Aspiración de médula ósea y biopsia: extracción de una muestra de médula
ósea, sangre, y un trozo pequeño de hueso mediante la inserción de una aguja
en el hueso de la cadera o el esternón. Un patólogo observa las muestras de
médula ósea, sangre y hueso bajo un microscopio para verificar si hay signos
de cáncer.
4. Análisis citogenético: prueba en la que se observan bajo un microscopio las
células de una muestra de sangre o de médula ósea para verificar si hay
ciertos cambios en los cromosomas de los linfocitos. Por ejemplo, en la LLA,
parte de un cromosoma se traslada a otro cromosoma. Esto se llama
"cromosoma Filadelfia".
CAPÍTULO I LEUCEMI LINFOBLÁSTICA AGUDA INFANTIL
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 17
Figura. 1.3. Cromosoma Filadelfia. Una sección del cromosoma 9 y una sección del
cromosoma 22 se rompen e intercambian lugares. El gen abl- bcr se forma en el cromosoma
22 donde se une a la sección del cromosoma 9. El cromosoma 22 alterado se llama
cromosoma Filadelfia.
5. Inmunofenotipificación: prueba en la que se observan bajo un microscopio las
células de una muestra de sangre o de médula ósea para verificar si los
linfocitos malignos (cancerosos) empezaron siendo linfocitos B o linfocitos T.
6. Estudios de la química de la sangre: procedimiento en el cual se examina una
muestra de sangre para medir las cantidades de ciertas sustancias liberadas a
la sangre por los órganos y tejidos del cuerpo. Una cantidad poco común
(mayor o menor que lo normal) de una sustancia puede ser signo de
enfermedad en el órgano o el tejido que la elabora.
7. Radiografía de tórax: radiografía de los órganos y huesos del interior del tórax.
Ciertos factores afectan el pronóstico (posibilidad de recuperación) y las opciones de
tratamiento [7].
CAPÍTULO I LEUCEMI LINFOBLÁSTICA AGUDA INFANTIL
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 18
1.6. CÉLULAS SANGUÍNEAS
Se muestran las imágenes que se van a utilizar a lo largo de la tesis. La muestra es
tomada de la medula ósea de un paciente.
La muestra es fijada en alcohol después se pone la tinción hematoxilina-eosina, este
es el método mas popular de tinción utilizado en la medicina diagnostica [8].
La aplicación de la tinción de hematoxilina tiñe estructuras acidas (basofilas) en tonos
azul y púrpura, y el uso de eosina tiñe componentes básicos (acidofilos) en tonos de
color rosa.
Luego de 10 minutos en los colorantes la muestra se lava para quitar los excesos,
para después ver la muestra bajo un microscopio óptico con aumento a 100 X. La
mayaría de las imágenes que se utilizan durante el trabajo son imágenes de 640 x 480
pixeles (0.225 x 0.169 cm) a un zoom de 100 x, con formato JPG. Hay que tener en
cuenta que 1 pixel2 equivale a 0.124 cm2.
a) b)
Figura. 1.4. Aspirado de médula ósea, Tinción Wright, a 100 X. a) Célula Sanguínea Sana. b)
Célula Sanguínea con LLA.
CAPÍTULO I LEUCEMI LINFOBLÁSTICA AGUDA INFANTIL
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 19
1.7. CLASIFICACIÓN DE LA LLA
En el estudio de la LLA, la morfología y las tinciones histoquímicas son esenciales en
la caracterización inicial de la enfermedad. La clasificación Franco – Británica –
Americana (FBA) distingue 3 grupos basados en los criterios morfológicos (L1, L2, L3)
[4].
El aspirado de médula ósea es el instrumento fundamental para establecer el
diagnóstico morfológico de la LLA de acuerdo a la clasificación de la FBA.
Tabla. 1.1. Características de L1, L2 y L3.
Clasificación morfológica de la LLA de acuerdo a la FBA.
Característica L1 L2 L3
Tamaño celular Pequeño Grande Grande
Cromatina nuclear Fina Fina Fina
Forma del núcleo
Regular puede
tener hendiduras
Irregular puede
tener hendiduras
Regular, oval o
redondo
Nucleólo Indistinguible
Grande,
prominente
Grande,
prominente
Citoplasma Escaso Abundante Abundante
1.8. CONCLUSIONES
En este capítulo se investigó y se estudiaron las generalidades de la Leucemia
Linfoblástica Aguda, los subgrupos, síntomas y pruebas clínicas. Así como el
comportamiento y evolución de una célula sanguínea.
Se mencionan las diferentes pruebas clínicas que se realizan para diagnosticar la LLA,
las imágenes que analizaremos durante la tesis son muestras de la medula ósea
amplificadas a 100 X bajo el microscopio. Así mismo se estudiaron las características
morfológicas ha tomar en cuenta para el diagnóstico del cáncer.
CAPÍTULO I LEUCEMI LINFOBLÁSTICA AGUDA INFANTIL
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 20
1.9. BIBLIOGRAFÍA
[1] Ojeda Reyes, Félix, El Desterrado de París, Ediciones Puerto, 2001. Pp. 20, 29-
34
[2] http://www.cancer.gov/espanol/pdq/tratamiento/leucemia-linfoblastica-
infantil/patient
[3] Pérez – Chacón B., Ximena Gómez L., Patricia M. Sc. Diagnóstico histoquímico
de Leucemia Linfoblástica aguda infantil. Instituto SELADIS Facultad de Cs.
Farmacéutica y Bioquímica UMSA. 1998.
[4] Guía de Referencia Rápida. Leucemia Linfoblástica Aguda. Instituto Mexicano
del Seguro Social. Dirección de Prestaciones Médicas. Unidad de Atención
Médica. Coordinación de Unidades Médicas de Alta Especialidad. División de
Excelencia Clínica. 2009.
[5] Bibiana Martínez, Catalina Sánchez, Viviana Sánchez, Liliana Torres. Relevancia
de la morfología a través del tiempo en el diagnóstico de la Leucemia Linfoide
Aguda. Grupo de Hematología Especial del Instituto de Cancerología, Bogotá,
Colombia. 2007.
[6] World Health Organization. Classification of tumors of haematopoietic and
lymphoid tisúes. Lyon IARC Press; 2001.
[7] Jennings D, Kenneth A. Recent advances in flow cytometry: application to the
diagnosis of hematologic malignancy. Blood 1997 Oct;90(8).
[8] Bennett JM, Catovski D, Daniel MT, Flandrin G, Galton DA, Gralnick HR, et al.
Proposals for the classification of the acute leukaemias. French-American- British
(FAB) co-operative group. Br J Haematol 1976 Aug;33(4):451-8.
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 21
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL
ALGORITMO
2.1. INTRODUCCIÓN
En la Figura 2.1 se muestra un diagrama a bloques de las diferentes etapas de
procesamiento que utiliza el algoritmo propuesto. Estas se analizaran una a una
durante el presente capítulo.
Figura.2.1. Diagrama a bloques de las etapas de procesamiento.
2.2. IMAGEN DE ENTRADA
La imagen que se desea analizar se selecciona de un banco de datos donde se
encuentran las imágenes de diferentes muestras sanguíneas tomadas de la medula
ósea vistas bajo el microscopio. La imagen que se obtiene bajo el microscopio es una
imagen a color (como se muestra en la Figura 2.2.), (las imágenes fueron
proporcionadas por Hospital de PEMEX y estas fueron previamente diagnosticadas).
La imagen a analizar se tiene que convertir a escala de grises ya que los métodos de
segmentación que vamos a utilizar son bidimensionales. Se decidió convertir las
imágenes a escala de grises porque para nuestra clasificación no son necesario los
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 22
parámetros a color (RGB, Red Green Blue). Así mismo se reduce la carga
computacional.
En MatLab una imagen a escala de grises es representada por medio de una matriz
bidimensional de m x n elementos en donde n representa el numero de pixeles a lo
ancho y m el numero de pixeles a lo largo [1]. El elemento v11 corresponde al elemento
de la esquina superior izquierda, cada elemento de la matriz de la imagen puede tener
un valor de 0 (negro) a 255 (blanco), ver Figura 2.3.
Figura. 2.2. Representación de una imagen a color.
V11 V12 … V1n V21 V22 … V2n f(x, y) = V31 V32 … V3n . . . . . . . . . . . . Vm1 Vm2 … Vmn
m
n
Figura. 2.3. Representación de una imagen a escala de grises.
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 23
Para leer imágenes contenidas en un archivo en el ambiente de MatLab se utiliza la
función imread, cuya sintaxis es: imread(’nombre del archivo’), donde el nombre del
archivo es una cadena de caracteres conteniendo el nombre completo del archivo de
la imagen con su respectiva extensión, los formatos de imágenes que soporta MatLab
son mostrados en la Tabla 2.1 [2]. En el trabajo las imágenes que se nos
proporcionaron tienen formato JPEG.
Tabla. 2.1. Formatos y extensiones soportados por MatLab.
Formato Extensión
TIFF .tiff
JPEG .jpg
GIF .gif
BMP .bmp
PNG .png
XWD .xwd
2.3. SEGMENTACIÓN Y DETECCIÓN DE BORDES
En visión computacional es de utilidad, para hacer reconocimiento de objetos o bien
para segmentar regiones, extraer los bordes de los objetos (que en teoría delimitan
sus tamaños y regiones). Los bordes de una imagen digital se pueden definir como
transiciones entre dos regiones de niveles de gris significativamente distintos.
Suministran una valiosa información sobre las fronteras de los objetos y puede ser
utilizada para segmentar la imagen, reconocer objetos, etc. La mayoría de las técnicas
para detectar bordes emplean operadores locales basados en distintas
aproximaciones discretas de la primera y segunda derivada de los niveles de grises de
la imagen [2].
2.3.1. Operadores basados en la primera derivada (Gradiente).
La derivada de una señal continua proporciona las variaciones locales con respecto a
la variable, de forma que el valor de la derivada es mayor cuanto más rápidas son
estas variaciones. En el caso de funciones bidimensionales f (x , y ) , la derivada es un
vector que apunta en la dirección de la máxima variación de f (x , y ) y cuyo módulo es
proporcional a dicha variación. Este vector se denomina gradiente y se define como:
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 24
!f (x , y ) ="f x , y( )
"x,"f x , y( )
"y
#
$%%
&
'((
Mag !f (x , y )#$ &'="f (x , y )
"x
)
*+
,
-.
2
+"f (x , y )
"y
)
*+
,
-.
2
q = arctg
"f (x , y )"x
"f (x , y )"y
2.1
En el caso bidimensional discreto, las distintas aproximaciones del operador gradiente
se basan en diferencias entre los niveles de grises de la imagen. La derivada parcial
de f (x , y ) respecto a x , puede aproximarse por la diferencia de pixeles adyacentes
de la misma fila (2.2). [3].
!f (x , y )
!x" #x f (x , y ) = f (x , y )$ f (x $1, y ) GF x , y( ) = -1 1
2.2
La discretización del vector gradiente en el eje Y, f (x , y ) respecto a y , será:
-1
1 !f (x , y )
!y" # y f (x , y ) = f (x , y )$ f (x , y $1) GC x ,y( ) = 2.3
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 25
Los gradientes de la fila GF y de columna GC en cada punto se obtienen mediante la
convolución de la imagen con las máscaras (la convolución de la imagen con la
función del filtro) H F y HC , para aplicar un filtro a la imagen es necesario definir una
matriz que contendrá los coeficientes del filtro, lo que a su vez define los pixeles del
entorno. A esta matriz se le denomina máscara y tiene una dimensión [m, n]; esto es:
GF (x , y ) = F (x , y )!H F (x , y )GC (x , y ) = F (x , y )!HC (x , y )
2.4
En la figura 2.4 se muestran las mascaras de convolución H F y HC . Donde K, para el
operador Sobel es K=2.
GF = Gradiente fila GC = Gradiente columna
12+ K
1 0 !1K 0 !K1 0 !1
"
#
$$$
%
&
''' 1
2+ K
!1 !K !10 0 01 K 1
"
#
$$$
%
&
'''
Figura. 2.4. Mascara H F y HC .
La magnitud y orientación del vector gradiente suele aproximarse por la expresión:
!
G(x,y) = GF2 +GC
2( ) " GF (x,y) + GC (x,y)
! = tag !1 GCGF
"
#$$
%
&''
2.5
Los bordes son detectados empleando los operadores de derivación anteriores tal
como se muestra en la Figura. 2.5:
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 26
Figura. 2.5. Operadores de derivación.
De la Figura 2.5, usando la 1ra derivada, tenemos que esta es positiva cuando ocurren
cambios a niveles de grises mas claros, negativa en caso contrario y cero en zona
uniforme. Usando la 2da derivada tenemos que esta es positiva en el cambio de una
zona oscura a una zona clara y es negativa en el cambio de zona clara a una zona
obscura y es cero en la zona constante.
Por lo tanto, en la 1ra y 2da derivada tenemos que: El valor de la magnitud de la 1ra
derivada nos sirve para detectar la presencia de bordes. El signo de la 2da derivada
nos indica si el pixel pertenece a la zona clara o a la zona oscura. La 1ra derivada en
cualquier punto de la imagen vendrá dada por la magnitud del gradiente.
2.3.2. Método EDGE.
El método EDGE encuentra los bordes de las intensidades de la imagen. EDGE toma
una imagen binaria I como su entrada, y devuelve una imagen binaria BW (Black /
White) del mismo tamaño que I , con 1's donde la función encuentra bordes y 0's en
cualquier otra parte. EDGE sustenta seis métodos diferentes para encontrar los
bordes: Sobel, Prewit, Roberts, Laplaciano o método Gaussiano, Cruce por Cero y
Canny.
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 27
Los métodos Sobel, Prewitt y Roberts encuentran bordes que usan aproximaciones al
gradiente. Esto devuelve bordes en aquellos puntos donde el gradiente de I es el
máximo.
El Laplaciano o método Gaussiano encuentra bordes por búsqueda de cruces por cero
después de la filtración de I con un Laplaciano de filtro Gaussiano.
El método Cruce por cero encuentra bordes por búsqueda de cruces por cero después
de la filtración de I con un filtro que uno mismo especifica.
El método Canny encuentra bordes por búsqueda del máximo local del gradiente de
I . El gradiente es calculado usando la derivada de un filtro Gaussiano. El método usa
dos umbrales, para encontrar bordes fuertes y débiles, e incluye los bordes débiles en
la salida sólo si ellos son conectados a bordes fuertes. Este método es por lo tanto
menos probable de ser “engañado” por el ruido que los demás, y es mejor para
descubrir bordes verdaderos débiles [5].
2.3.3.1. Operador de Sobel
Para el trabajo vamos a utilizar de los seis métodos de EDGE el método de Sobel ya
que tiene un suavizado que permite dejar fuera el ruido.
Matemáticamente, el gradiente de una función de dos variables (para este caso la
función de intensidad de la imagen) para cada punto es un vector bidimensional cuyos
componentes están dados por las primeras derivadas de las direcciones verticales y
horizontales. Para cada punto de la imagen, el gradiente del vector apunta en
dirección del incremento máximo posible de intensidad, y la magnitud del gradiente del
vector corresponde a la cantidad de cambio de intensidad en esa dirección. Lo anterior
implica que el resultado de aplicar el operador Sobel sobre la región de una imagen
con intensidad de brillo constante es un vector cero, y el resultado de aplicarlo en un
punto sobre un borde es un vector que apunta cruzando el borde (perpendicular) en
sentido de los puntos más oscuros hacia los más claros.
El operador Sobel utiliza dos kernels o núcleos de 3×3 elementos para aplicar la
convolución a la imagen original y de este modo se calcula aproximaciones a las
derivadas, un kernel para los cambios horizontales y otro para los verticales. Si
definimos A como la imagen original y Gx y Gy son los dos kernels que representan
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 28
para cada punto las aproximaciones horizontal y vertical de las derivadas de
intensidad, el resultado es calculado como:
GX =+1 0 !1+2 0 !2+1 0 !1
"
#
$$$
%
&
'''( A 2.6
G y =+1 +2 +10 0 0!1 !2 !1
"
#
$$$
%
&
'''(A
2.7
En cada punto de la imagen, los resultados de las aproximaciones de los gradientes
horizontal y vertical pueden ser combinados para obtener la magnitud del gradiente,
mediante:
G = Gx2 +G y
2
2.8
Con esta información, podemos calcular también la dirección del gradiente:
!
" = arctagGy
Gx
#
$ %
&
' ( 2.9
donde, por ejemplo, ! es 0 para bordes verticales con puntos más oscuros al lado
izquierdo.
El operador Sobel representa una primera aproximación del gradiente de la imagen,
pero es de calidad suficiente para ser de uso práctico en muchas aplicaciones. Más
precisamente. Éste operador utiliza sólo valores de intensidad en una región de 3x3
alrededor de cada punto analizado para calcular el gradiente correspondiente, además
de que utiliza sólo números enteros para los coeficientes que indican la aproximación
del gradiente.
El operador Sobel puede ser implementado mediante simples definiciones tanto en
hardware como en software: sólo son utilizados ocho puntos de la imagen alrededor
del punto a analizar para calcular el punto correspondiente de la imagen resultante,
sólo se requiere aritmética con números enteros para calcular una aproximación del
vector gradiente. Además, los dos filtros discretos (2.6 y 2.7) pueden ser separados:
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 29
!
+1 +2 +10 0 0"1 +1 "1
#
$
% % %
&
'
( ( (
=
+10"1
#
$
% % %
&
'
( ( (
) 1 2 1[ ]
+1 0 "1+2 0 "2+1 0 "1
#
$
% % %
&
'
( ( (
=
121
#
$
% % %
&
'
( ( (
) +1 0 "1[ ]
2.10
y las dos derivadas pueden ser calculadas con:
!
Gx =
121
"
#
$ $ $
%
&
' ' '
( +1 0 )1[ ]* A
Gy =
+10)1
"
#
$ $ $
%
&
' ' '
( 1 2 1[ ]* A
2.11
En ciertas implementaciones, estos cálculos separados son una ventaja ya que
implican menor cantidad de operaciones aritméticas para cada punto. Ya que el
resultado del operador Sobel es un mapeo de dos dimensiones del gradiente de cada
punto, éste puede ser procesado y ser visto como una imagen, con las áreas de
gradiente elevado (equivalentes a bordes) en negro y con los demás en blanco (el
fondo de la imagen generada).
Figura.2.6. Ejemplo del método de Sobel, aplicado a la Figura 2.3.
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 30
2.3.3. Histograma
Los histogramas son usados de manera eficiente en el realce o mejoramiento de la
calidad de una imagen. La información estadística obtenida a partir de los histogramas
se utiliza en diversas aplicaciones como compresión y segmentación de imágenes [4].
El histograma de una imagen es la representación gráfica de la distribución que existe
de las distintas tonalidades de grises con relación al número de pixeles o porcentaje
de los mismos, es decir, un histograma representa la frecuencia relativa de ocurrencia
de los niveles de gris. La representación de un histograma ideal seria la de una recta
horizontal, ya que eso nos indicaría que todos los posibles valores de grises están
distribuidos de manera uniforme en nuestra imagen.
La ecualización del histograma es una técnica bastante conocida y sirve para obtener
un histograma uniforme de tal manera que los niveles de gris son distribuidos
uniformemente .
Una técnica muy usada es la “Ecualización del Histograma". El Histograma de una
imagen es el barrido de los valores de sus pixeles. Una imagen en blanco tendrá todos
sus valores iguales a 255. Si la mitad es negra, en la gráfica del histograma
aparecerán dos líneas iguales a ambos extremos: en los valores correspondientes al 0
y al 255. Una imagen de escala de grises tendrá en su histograma x pixeles con el
valor 0, y pixeles con el valor 1, etc. Así, el histograma es la representación de la
densidad de probabilidad de cada valor de gris para esa imagen. Figura. 2.7. [6].
Figura. 2.7. Histograma de la imagen de la Figura 2.3.
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 31
La Ecualización del histograma es una forma de manipulación del histograma que
aumenta o reduce automáticamente el contraste en las áreas muy claras o muy
oscuras de una imagen. También expande los niveles de gris a lo largo de todo
intervalo. Consiste en una transformación no lineal que considera la distribución
acumulativa de la imagen original, para generar una imagen resultante cuyo
histograma será aproximadamente uniforme. La opción de modificación, parte del
principio que dice que el contraste de una imagen sería optimizado si todos los 256
niveles de intensidad posibles fueran igualmente utilizados o, en otras palabras, todas
las barras verticales que componen el histograma fueran de la misma altura.
Sin embargo, se consigue una buena aproximación al dispersar los picos del
histograma de la imagen, dejando intactas las partes más bajas. Este proceso se
obtiene a través de una función de transferencia que tiene una alta inclinación siempre
que el histograma original presenta un pico y una baja inclinación en el resto del
histograma Figura. 2.8.
Figura. 2.8. Ecualización de Histogramas de la imagen de la Figura 2.3.
La ecualización del histograma de una imagen es una transformación que pretende
obtener para una imagen un histograma con una distribución uniforme. Es decir, que
exista el mismo número de pixeles para cada nivel de gris.
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 32
2.3.4. Operadores Morfológicos
Las operaciones más utilizadas en procesamiento de imágenes previamente
binarizadas son las operaciones morfológicas. Las operaciones morfológicas son
operaciones realizadas sobre imágenes binarias basadas en formas. Estas
operaciones toman como entrada una imagen binaria regresando como resultado una
imagen también binaria. El valor de cada pixel de la imagen binaria resultante está
basado en el valor del correspondiente pixel de la imagen original binaria y de sus
vecinos. Entonces eligiendo apropiadamente la forma de los vecinos a considerar,
pueden construirse operaciones morfológicas sensibles a una forma en particular [7].
Las principales operaciones morfológicas son la dilatación y la erosión. La operación
de dilatación adiciona pixeles en las fronteras de los objetos, mientras la erosión los
remueve. En ambas operaciones como se mencionó se utiliza una rejilla que
determina cuales vecinos del elemento central de la rejilla serán tomados en cuenta
para la determinación del pixel resultado. La rejilla es un arreglo cuadricular que
contiene unos y ceros, en los lugares que contiene unos serán los vecinos de la
imagen original con respecto al pixel central, que se tomen en cuenta para determinar
el pixel de la imagen resultado, mientras que los lugares que tengan ceros no serán
tomados en cuenta. La Figura. 2.9 muestra gráficamente el efecto de la rejilla sobre la
imagen original y su resultado en la imagen final. La figura muestra como solo los
pixeles de color amarillo en la imagen original participan en la determinación del pixel
rojo de la imagen resultado [8].
Figura. 2.9. a) imagen original y b) imagen resultado de la aplicación de la operación
morfológica considerando la rejilla de 3 x 3.
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 33
La dilatación combina dos conjuntos por medio de la suma de elementos del conjunto.
Se define como:
A ! B = c " E N c = a +b para a lgún a " A y b " B{ } 2.12
donde la dilatación de A por B es el conjunto de todas las sumas de pares de
elementos posibles, en el cual un elemento procede de A y otro de B. Normalmente se
considera que A es el conjunto que será procesado morfológicamente y B se conoce
como elemento estructurante, o la forma que operará sobre A para obtener el
resultado deseado. La dilatación puede verse también como la unión de los elementos
estructurantes que son barridos por la imagen:
A ! B = !a"ABa
2.13
donde la unión puede verse como un operador de vecindad. Cuando el origen del
elemento estructurante toca un pixel de la imagen binaria, todo el elemento
estructurante se anexa a la imagen inicial por medio de la operación lógica OR. A
continuación se muestra el resultado de esta operación:
Figura. 2.10. Operador Morfológico de Dilatación.
La erosión es la operación inversa de la dilatación: la erosión de una imagen A por un
elemento estructurante B es el conjunto de elementos para los que la traslación de B
está contenida en A:
!
A"B = x # ENBA $ A{ }
2.14
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 34
Figura. 2.11. Operador Morfológico de Erosión.
La erosión puede verse como la intersección de las traslaciones negativas. Si B
trasladado a x puede estar contenido en A (poniendo el origen de B en x), entonces x
pertenece a la erosión:
A!B =b"B!A#b
2.15
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 35
2.4. CLASIFICACIÓN
En la etapa de clasificación se extraen las características morfológicas de las
imágenes de muestras de medula ósea que analizaremos, para ver si un niño tiene o
no LLA. Las características usadas se muestran en la Tabla 2.2. Recordando que L1 y
L2 son los criterios morfológicos. [13].
Tabla 2.2. Escalas o clasificación morfológica para el diagnóstico de la LLA.
Características L1 L2 Célula Normal
Forma
Matemática
Tamaño
celular Pequeño Grande Normal
Área o
perímetro
Cromatina
nuclear Fina Fina Normal
Textura,
histograma
Forma del
núcleo
Regular
puede tener
hendiduras
Irregular
puede tener
hendiduras
Regular sin
hendiduras Circularidad
Nucléolo Indistinguible
Grande,
prominente Normal
Relación
Núcleo-
Citoplasma Citoplasma Escaso Abundante Normal
Las características y las expresiones matemáticas que se proponen para el desarrollo
del algoritmo son:
Área:
!
area = seg i, j( )j"
i" 2.16
Perímetro: El perímetro es la suma de los pixeles del contorno del objeto.
!
perímetro = seg i, j( )" 2.17
Circularidad:
!
Circularidad =4" # áreaperímetro2
2.18
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 36
Relación núcleo – citoplasma:
!
RNC =Citoplasma(área)Núcleo(área) 2.19
Teniendo la célula segmentada podemos clasificarla, por ejemplo midiendo el
perímetro y el área de la célula Ec. 2.16 y 2.17, podemos ver que tan grande o
pequeña es. En la tabla 2.2 también vemos que existe una relación entre el núcleo y el
citoplasma, por lo que utilizamos la Ec. 2.19 y gracias a la Ec. 2.18 podemos ver la
circularidad de la célula.
2.4.1. Lógica Difusa
La lógica Clásica establece que cualquier enunciado o proposición puede tener un
valor lógico verdadero o falso, en definitiva 1 y 0. De esta forma es posible desarrollar
toda una lógica basada en leyes de este tipo. Los conjuntos clásicos surgen por la
necesidad del ser humano de clasificar objetos y conceptos. Estos conjuntos pueden
definirse como un conjunto bien definido de elementos o mediante una función de
pertenencia µ que toma valores de 0 ó 1 de un universo en discurso para todos los
elementos que pueden o no pertenecer al conjunto. Un conjunto clásico se puede
definir con la función de pertenencia mostrada a continuación [9],
µA x( ) = 0 si x ! A1 si x " A
#$%
&%
2.20
La lógica Difusa en vez de trabajar con el clásico concepto de inclusión o exclusión,
introduce una función que expresa el grado de “pertenencia” de una variable hacia un
atributo, variable lingüística que esta definida por una palabra, etiqueta lingüística o
adjetivo. En los conjuntos difusos la función de pertenencia puede tomar valores entre
0 y 1, y la transición del valor entre cero y uno es gradual y no cambia de manera
instantánea como pasa con los conjuntos clásicos. Un conjunto difuso en un universo
en discurso puede definirse como,
!
A = x,µA x( )( ) x "U{ } 2.21
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 37
donde µA es la función de pertenencia de la variable x , y U es el universo del
discurso. Cuanto más cerca esté la pertenencia del conjunto A al valor 1 mayor será la
pertenencia de la variable x al conjunto A, esto se puede ver en la Figura. 2.12.
Figura. 2.12. Ejemplo de Conjunto Difuso.
Las funciones de pertenencia representan las coordenadas difusas del atributo. La
función característica proporciona una medida del grado de similaridad de un elemento
de U con el conjunto difuso. La forma de la función característica utilizada, depende
del criterio aplicado en la resolución de cada problema. La única condición que debe
cumplir una función característica es que tome valores entre 0 y 1, con continuidad.
Las funciones características más comúnmente utilizadas por su simplicidad
matemática y manejabilidad son: triangular, trapezoidal, Gaussiana, sigmoidal, ver
Figura. (2.13) [10].
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 38
Figura. 2.13. Algunas de las funciones características más habituales: (a) triangular, (b)
trapezoidal, (c) Gaussiana y (d) sigmoidal.
Durante el desarrollo del trabajo se utilizaron las tres operaciones básicas entre los
conjuntos difusos.
1. Unión:
La unión de los conjuntos difusos A y B es el conjunto difuso C y se escribe como C=
A OR B; su función de pertenencia está dada por:
!
µC x( ) =max µA x( ),µB x( )( ) = µA x( )!µB x( ) 2.22
2. Intersección:
La intersección de los conjuntos difusos A y B es el conjunto difuso C y se escribe
como C= A AND B; su función de pertenencia está dada por:
!
µC x( ) = mix µA x( ),µB x( )( ) = µA x( )!µB x( ) 2.23
3. Negación o complemento:
El complemento del conjunto difuso A, denotado por ¬ A o NOT A, se define como:
!
µA x( ) =1"µA x( ) 2.24
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 39
Estos conjuntos difusos usan el conocimiento experto para generar una base de
conocimientos que dará al sistema la capacidad de tomar decisiones sobre ciertas
acciones que se presentan en su funcionamiento. Los sistemas de control difuso
permiten describir un conjunto de reglas que utilizaría una persona para controlar un
proceso y a partir de estas reglas generar acciones de control. El control difuso puede
aplicarse tanto en sistemas muy sencillos como en sistemas cuyos modelos
matemáticos sean muy complejos. La estructura de un control difuso se muestra en la
Figura. 2.14. [9].
Base Matemática
Base de conocimiento
Fusificación Inferencia Defusificación
Datos
de
entrada
Datos
de
salida
Figura. 2.14 Estructura de un modelo difuso.
La fusificación tiene como objetivo convertir valores verdaderos o valores reales en
valores difusos. En la fusificación se asignan grados de pertenencia a cada una de las
variables de entrada con relación a los conjuntos previamente definidos utilizando las
funciones de pertenencia asociadas a los conjuntos difusos.
Base de conocimiento. La base de conocimiento contiene el conocimiento asociado
con el dominio de la aplicación y los objetivos del control. En esta etapa se deben
definir las reglas lingüísticas de control que realizarán la toma de decisión de la forma
en la que debe actuar el sistema.
Inferencia. La inferencia relaciona los conjuntos difusos de entrada y salida para
representar las reglas que definirán el sistema. En la inferencia se utiliza la
información de la base de conocimiento para generar reglas mediante el uso de
condiciones.
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 40
2.5. Redes Neuronales Artificiales RNA.
Las redes de neuronas artificiales (RNA) son un paradigma de aprendizaje y
procesamiento automático inspirado en la forma en que funciona el sistema nervioso
de los animales. Se trata de un sistema de interconexión de neuronas en una red que
colabora para producir un estímulo de salida, ver Figura (2.15). En inteligencia artificial
es frecuente referirse a ellas como redes de neuronas o redes neuronales [11].
Figura. 2.15. Red neuronal artificial simple con n neuronas de entrada, m neuronas en su capa
oculta y una neurona de salida.
Las redes neuronales consisten en una simulación de las propiedades observadas en
los sistemas neuronales biológicos a través de modelos matemáticos recreados
mediante mecanismos artificiales (como un circuito integrado, una computadora o un
conjunto de válvulas). El objetivo es conseguir que las máquinas den respuestas
similares a las que es capaz de dar el cerebro que se caracterizan por su
generalización y su robustez.
Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe
una serie de entradas a través de interconexiones y emite una salida. Esta salida
viene dada por tres funciones:
1. Una función de propagación (también conocida como función de excitación),
que por lo general consiste en la sumatoria de cada entrada multiplicada por el
peso de su interconexión (valor neto). Si el peso es positivo, la conexión se
denomina excitatoria; si es negativo, se denomina inhibitoria.
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 41
2. Una función de activación, que modifica a la anterior. Puede no existir, siendo
en este caso la salida la misma función de propagación. Una clase especial de
funciones de activación conocidas como Funciones de Base Radial (RFB) son
usadas en Redes neuronas de base radial, las cuales son extremadamente
eficientes como funciones universales de aproximación. La función de
activación de base radial que se ocupa más frecuentemente es la Gaussiana:
!
" # i( )exp $# i $ ci
2
2% 2
&
' ( (
)
* + + 2.25
Donde ci es el vector representando la función central y ! es el parámetro que
afecta la magnitud del radio. [11].
3. Una función de transferencia, que se aplica al valor devuelto por la función de
activación. Se utiliza para acotar la salida de la neurona y generalmente viene
dada por la interpretación que queramos darle a dichas salidas. Algunas de las
más utilizadas son la función sigmoidea (para obtener valores en el intervalo
[0,1]) y la tangente hiperbólica (para obtener valores en el intervalo [-1,1]). [12].
La ecuación 2.26 muestra la expresión de una función de activación.
!
P t( ) =1
1+ e" t 2.26
Con un paradigma convencional de programación en ingeniería del software, el
objetivo del programador es modelar matemáticamente (con distintos grados de
formalismo) el problema en cuestión y posteriormente formular una solución
(programa) mediante un algoritmo codificado que tenga una serie de propiedades que
permitan resolver dicho problema. En contraposición, la aproximación basada en las
RNA parte de un conjunto de datos de entrada suficientemente significativo y el
objetivo es conseguir que la red aprenda automáticamente las propiedades deseadas.
En este sentido, el diseño de la red tiene menos que ver con cuestiones como los
flujos de datos y la detección de condiciones, y más que ver con cuestiones tales
como la selección del modelo de red, la de las variables a incorporar y el pre-
procesamiento de la información que formará el conjunto de entrenamiento. Asimismo,
el proceso por el que los parámetros de la red se adecuan a la resolución de cada
problema no se denomina genéricamente programación sino que se suele denominar
entrenamiento neuronal [10].
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 42
2.5.1. Red neuronal de base radial.
La Figura 2.16 muestra una Red Neuronal Artificial de Base Radial.
Figura.2.16. Red Neuronal Artificial de Base Radial (RBFN).
Las capas de una red neuronal de base radial son tres:
• Capa de entrada: reciben las señales del exterior, no realizan ningún pre-
procesado.
• Capa Oculta: reciben las señales de la capa de entrada y realizan una
transformación local y no lineal sobre dichas señales.
• Capa de Salida: Se realiza una combinación lineal de las activaciones de las
neuronas de la capa oculta y actúa como salida de la red.
• Activaciones de las neuronas en una RBFN
Capa Salida: Cada elemento de procesado calcula su valor neto como una
combinación lineal de las salidas de los elementos de procesado de la capa oculta. La
función de activación y transferencia es lineal, por lo tanto: Para un patrón n,
!
x n( ) = x1 n( ),x2 n( ),!,xp n( )( ) 2.27
la salida de la red asociada a cada elemento k de la capa de salida se obtiene de la
siguiente manera:
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 43
!
yk n( ) = wikzi n( ) + µk para k =1,2,…,ri=1
m
" 2.28
Donde los wik son los pesos asociados al elemento k de la capa de salida y el
elemento i de la capa oculta, que ponderan cada uno las salidas zi n( ) del elemento
de procesado de la capa oculta correspondiente. El término µk es un término
denominado umbral y está asociado a cada uno de los elementos de procesado de la
capa de salida.
Capa Oculta: Cada elemento de procesado i , de la capa oculta tiene asociada una
función de base radial de tal manera que representa una clase o categoría, donde
dicha clase viene dada por ci ,d i( ) . ci representa un centro de cluster (pesos
asociados a cada neurona i ) y d i representa la desviación, anchura o dilatación de la
función de base radial asociada a dicho elemento. La salida de cada elemento de la
capa oculta zi n( ) se calcula como la distancia que existe ente el patrón de entrada
x n( ) al centro del cluster ci ponderada inversamente por d i y aplicando después a
ese valor una función de base radial.
!
zi n( ) ="
x j n( ) # cij( )2
j=1
p
$%
& ' '
(
) * *
12
di
%
&
' ' ' ' ' '
(
)
* * * * * *
para i =1,2…m 2.29
Donde ! es una función de base radial, dentro de éstas la más utilizada es la función
Gaussiana:
!
" r( ) = e#r 2
2 2.30
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 44
Aprendizaje y entrenamiento de la red neuronal.
El entrenamiento de este tipo de redes, determina todos los parámetros de la red.
• Parámetros de la capa de entrada.
• Parámetros de la capa de salida: Pesos, W
• Parámetros de la capa Oculta: Centros, C y desviaciones asociadas d.
La determinación de los parámetros de la capa oculta, se realiza mediante la
optimización en el espacio de entradas, ya que cada neurona va a representar una
zona diferente en dicho espacio. La determinación de los parámetros de la capa de
salida y la optimización se realiza en base a las salidas que se desea obtener (salidas
deseadas), ya que en general, las redes de base radial se utilizan para aproximar
relaciones entre el conjunto de variables de entrada y salida que definen el problema.
2.6. INTERFAZ EN MatLab.
Una interfaz gráfica de usuario (Graphical User Interface, GUI) es una interfaz
generada con objetos gráficos como botones, campos de texto, menús, etc. Estos
objetos permiten al usuario interaccionar con la computadora, de forma que alguna
acción realizada sobre un objeto cualquiera se traduce en un efecto correlativo. Por
ejemplo, si se utiliza un slider, cuando éste se mueve cambia el valor de alguna
variable. Si se oprime un botón puede aparecer un cuadro de diálogo con información
relevante para el usuario, etc.
La interfaz que se realizó es con un ambiente amigable para el usuario que la utilice
no requiera de conocimiento en MatLab. La interfaz cuenta con dos menús: Archivo y
Herramientas. En el Menú Archivo se encuentran la función Abrir que es la que se
encarga de abrir el banco de datos con los archivos de las muestras de médula ósea
que se desea analizar. La función Cerrar se encarga de salir del programa. En el menú
Herramientas se encuentran tres funciones: Seleccionar, Zoom y Segmentar. La
función de Seleccionar como su nombre lo indica tiene la facultad de seleccionar
(decisión del usuario) parte de la imagen a analizar. Función Zoom tiene cuatro sub-
funciones: Zoom, Restablecer, Corte eje X y Corte eje Y. La función Segmentar, esta
función segmenta de manera manual el núcleo o el citoplasma, esta función también
es consideración del usuario.
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 45
Dentro de la interfaz encontramos también los botones de Luminosidad máxima y
Luminosidad mínima, estos botones nos indica el cambio o alteración del brillo de la
imagen. Los botones N/C (Relación Núcleo Citoplasma), Área Núcleo, Área
Citoplasma, Forma del Núcleo y Forma del Citoplasma, nos dan la información
obtenida en el análisis de la imagen a analizar.
Finalmente tenemos el botón ANALIZAR este es el botón que se encarga de mandar a
analizar la imagen seleccionada. La interfaz es la que se encarga de unir el programa
(algoritmo propuesto) con el usuario.
2.7. CONCLUSIONES
En este capítulo se dio una breve explicación de las diferentes etapas de
procesamiento para el algoritmo de diagnóstico de la Leucemia Linfoblástica Aguda.
En la primera etapa de procesamiento: Imagen de Entrada se realizó una base de
datos que contiene todas nuestras imágenes a analizar. En esta etapa también se
convierte la imagen a escala de grises ya que el método de segmentación que vamos
a utilizar es bidimensional.
Después de pasar por la 1ra etapa de procesamiento la imagen seleccionada fue
analizada por seis métodos para la detección de bordes, ocupamos las mascaras de
gradiente (Sobel, Prewitt, Roberts, Laplaciano de método Gaussiano, Zero – Cross y
Canny); se realizó el histograma de la imagen analizada con los seis métodos para ver
cual era mas conveniente para el trabajo. Se escoge el método de Sobel ya que tiene
una umbralización y un suavizado que ayuda a la reducción de ruido. Teniendo la
segmentación de los bordes de la imagen, dilatamos la mascara del gradiente,
continuamos dilatando la imagen para rellenar los huecos y limpiamos los bordes
extras de la imagen y finalmente segmentamos la imagen.
En la tercera etapa de procesamiento teniendo la imagen segmentada
adecuadamente, podemos clasificar nuestra imagen. Se miden los parámetros a
analizar y con nuestras funciones de membresía podemos clasificarla de acuerdo con
la tabla 2.2. En nuestra cuarta etapa de reconocimiento los datos son introducidos en
nuestra red neuronal artificial de base radial, para así tener en la etapa de salida una
respuesta. Esto es, si nuestra imagen de entrada es una célula sana o una célula con
LLA.
CAPÍTULO II ETAPAS DE PROCESAMIENTO PARA EL DESARROLLO DEL ALGORITMO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 46
2.8. BIBLIOGRAFÍA
[1] Richard Goering, "MatLab edges closer to electronic design automation world,"
EE Times, 10/04/2004.
[2] Mark S. Nixon & Alberto S. Aguado. Feature Extraction & Image Processing.
Newnes. Primera Edición. 2001.
[3] Detección de bordes en una imagen. Departamento de Ingeniería electrónica,
Telecomunicación y Automática. Área de Ingeniería de Sistemas y Automática.
2006.
[4] Arturo de la Escalera, Visión por computador, fundamentos y métodos (Prentice
Hall, 2001).
[5] Nick Efford, Digital Image Processing, a practical introduction using JAVA
(AddisonWesley, 2000).
[6] Gonzalez, R. C. , and Woods, P., Digital Image Processing, Addison Wesley,
2002.
[7] Pierre Soille; Heidelberg. Morphological Image Analysis: Principles and
Applications. Springer, 2ª ed., 2003.
[8] Jean Serra. Image Analysis and Mathematical Morphology: Volume 1, Londres:
Academic Press, 1982.
[9] S. N. Sivanandam, S. Sumathi and S. N. Deepa. Introduction to Fuzzy Logic
using MatLab, Springer. 2007.
[10] MARTIN DEL BRIO, Bonifacio, Sanz, Alfredo, Redes Neuronales y Sistemas
Difusos, 2 ed., Alfaomega, 2002.
[11] Haykin, Simon (1998). Neural Networks: A Comprehensive Foundation (2
edición). Prentice Hall.
[12] Tom M. Mitchell, Machine Learning, WCB-Mc Graw-Hill, 1997.
[13] Guía de Referencia Rápida. Leucemia Linfoblástica Aguda. Instituto Mexicano
del Seguro Social. Dirección de Prestaciones Médicas. Unidad de Atención
Médica. Coordinación de Unidades Médicas de Alta Especialidad. División de
Excelencia Clínica. 2009.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 47
CAPÍTULO III PRUEBAS Y RESULTADOS
3.1. INTRODUCCIÓN
En este capítulo se muestran las diferentes pruebas que se realizaron para llegar a los
resultados finales del trabajo. Explicaremos paso a paso como se obtuvieron los
resultados, para ello vamos a ir de la mano con el capítulo 2.
Recordando el diagrama a bloques de las etapas de procesamiento del capítulo 2, se
presenta de nuevo en la Figura 3.1.
Figura.3.1. Diagrama a bloques de las etapas de procesamiento
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 48
3.2. IMAGEN DE ENTRADA
La imagen de entrada se selecciona de un banco de datos donde se encuentran todas
las muestras de medula ósea, tal como lo muestra la Figura 3.2.
Figura. 3.2. Banco de datos.
A continuación se muestran alguna de las imágenes del banco de datos. Las
imágenes fueron donadas por el Hospital de PEMEX, con asesoría del Dr. Julio
Martínez Salazar. Contamos con 190 imágenes ya previamente diagnosticadas.
Algunas de estas imágenes se presentan en la Figura 3.3.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 49
a) b)
c) d)
e) f)
g) h)
Figura. 3.3. Imágenes de la medula ósea sanas: a), b), c), d), e), f),g), h).
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 50
i) j)
k) l)
m) n)
ñ) o)
Figura. 3.4. Imágenes de medula ósea enfermas: i), j), k), l), m), n), ñ), o).
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 51
Las 190 imágenes que fueron proporcionadas por el Hospital PEMEX fueron obtenidas
diferentes zoom, el zoom al que fueron tomadas es desconocido por eso se presentan
a diferentes tamaños las células, por ello se estandarizo las imágenes a un mismo
tamaño.
Después de seleccionar la imagen del banco de datos, se convierte a escala de grises
ya que los métodos de segmentación utilizados son bidimensionales, como se vio en
el capítulo 3, sección 3.2. Las Figuras 3.5 y 3.6 muestran las imágenes resultantes de
aplicar la conversión a escala de grises en el caso de una imagen sana y otra enferma
[1].
a) b)
Figura. 3.5. a) Imagen Original a color. b) Imagen a escala de Grises. Conversión de la imagen
original de una célula sana a escala de grises.
a) b)
Figura. 3.6. a) Imagen Original a color. b) Imagen a escala de Grises. Conversión de la imagen
original de una célula enferma a escala de grises.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 52
3.3. SEGMENTACIÓN DE BORDES
La ecualización del histograma se aplica cuando se desea lograr una distribución más
uniforme entre el número de pixeles referido a los diferentes niveles de intensidad
presentes en la imagen, esto es, un histograma que se extienda en el intervalo de
niveles de gris [0, Imax]. La extensión de los valores de niveles de gris se realiza
utilizando información presente en la propia imagen [1]. Las imágenes ecualizadas y
sus histogramas a partir de las imágenes de las Figuras 3.5 y 3.6 se muestran en las
Figuras 3.7 a 3.10.
Figura. 3.7. Imagen a escala de grises con su ecualización de histograma de la Figura 3.5.
Figura. 3.8. Histograma de la Figura. 3.7. a) Imagen a escala de grises. b) Imagen Ecualizada.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 53
Figura. 3.9. Imagen a escala de grises con su ecualización de histograma de la Figura 3.6.
Figura. 3.10. Histograma de la Figura. 3.9. a) Imagen a escala de grises. b) Imagen Ecualizada.
Teniendo la imagen a escala de grises y ecualizada, se procesa con la máscara del
gradiente, para la detección de bordes. Se usan los seis métodos discutidos en el
Capítulo III para seleccionar cual mascara es la que vamos a utilizar. Para el trabajo
resulta más apropiada la mascara de Sobel [2]; ver Figuras 3.11 - 3.14.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 54
a)
b)
c)
Figura. 3.11. Métodos para detectar los bordes en una célula sana. Métodos de EDGE: a)
Sobel, b) Prewitt, c) Roberts.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 55
d)
e)
f)
Figura. 3.12. Métodos para detectar los bordes en una célula sana. Métodos de EDGE: d)
Laplaciano, e) Cruce por Cero y f) Canny.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 56
a)
b)
c)
Figura. 3.13. Métodos para detectar los bordes en una célula enferma. Métodos de EDGE: a)
Sobel, b) Prewitt, c) Roberts.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 57
d)
e)
f)
Figura. 3.14. Métodos para detectar los bordes en una célula enferma. Métodos de EDGE: d)
Laplaciano, e) Cruce por Cero y f) Canny.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 58
3.4. HISTOGRAMA
Se calcula el histograma en cada método de detección de contornos EDGE para ver
cuantos pixeles en nivel de grises se tiene en cada uno [3]. El histograma se
encuentra normalizado, 0 son los niveles de gris en negro y 1 son los niveles de gris
en blanco. El nivel de 1 indica el número de pixeles en blanco es decir, cuantos
detalles se conservan en cada imagen.
En las Tablas 3.1 y 3.2 se muestran los valores de los histogramas obtenidos de las
imágenes de prueba.
Tabla 3.1. Histograma de los métodos de EDGE de una célula sana.
Método de EDGE 0 = Nivel de gris negro 1 = Nivel de gris blanco
Sobel 27781 1471
Prewitt 27832 1420
Roberts 28195 1057
Log 25595 3657
Cruce por Cero 25595 3657
Canny 24960 4292
Tabla 3.2. Histograma de los métodos de EDGE de una célula enferma.
Método de EDGE 0 = Nivel de gris negro 1 = Nivel de gris blanco
Sobel 204863 9025
Prewitt 205033 8855
Roberts 205499 8389
Log 195160 18728
Cruce por Cero 195160 18728
Canny 189329 24559
Para beneficio del trabajo se eligió el método de Sobel, notamos que no es el que
conserva mas detalles ya que dentro de su características tiene un threshold (umbral),
es decir, un umbral de suavizado de la imagen que elimina ruido innecesario. Sin
embargo en el trabajo no es necesario conservar tantos detalles, porque con solo
tener la circunferencia de la célula podemos hacer una clasificación, con el método de
Sobel es suficiente para la detección de bordes.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 59
3.5. OPERADORES MORFOLÓGICOS
En la parte de morfología ocupamos las ecuaciones de dilatación (ecuación 3.12 y
3.13) y las ecuaciones de erosión (ecuación 3.14 y 3.15) [4-5]. Utilizando operadores
morfológicos básicos podremos llegar a la segmentación de las células, ver Figuras
3.15 - 3.19.
a)
b)
Figura.3.15. Morfología de una célula sana. a) Imagen con mascara de gradiente (Sobel), b)
Imagen dilatada.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 60
c)
d)
Figura.3.16. Morfología de una célula sana. c) Imagen con huecos rellenos, d) Imagen dilatada,
limpiando los bordes.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 61
e)
f)
Figura.3.17. Morfología de una célula sana. e) Imagen segmentada, f) Imagen segmentada
sobrepuesta a la imagen original.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 62
a)
b)
c)
Figura.3.18. Morfología de una célula enferma. a) Imagen con mascara de gradiente (Sobel), b)
Imagen dilatada, c) Imagen con huecos rellenos.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 63
d)
e)
f)
Figura.3.19. Morfología de una célula enferma. d) Imagen dilatada, limpiando los bordes, e)
Imagen segmentada, f) Imagen segmentada sobrepuesta a la imagen original.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 64
3.6. CLASIFICACIÓN
Habiendo realizado la segmentación adecuadamente podemos pasar a la parte de
clasificación. A continuación se muestran las funciones de membresía que se
implementaron, para ello utilizamos los conjuntos difusos según la sección 2.4 y la
Tabla 2.2 [6]. Estos valores difusos nos servirán para clasificar si la célula a analizar
es sana o no lo es y así poder dar un diagnóstico.
Para la primera regla difusa tenemos la variable lingüística T , que se refiere al
tamaño de la célula. Para caracterizar el tamaño de la célula definimos las funciones
de membresía en la ecuación (3.1).
Figura. 3.20. Conjunto difuso para el tamaño celular.
Pequeña =
1 0 !T ! 3.155"T( )1.85
3.15<T ! 5
0 T > 5
#
$
%%
&
%%
Normal =
T "3.15( )1.85
3.15!T ! 5
6.85"T( )1.85
5<T ! 6.85
0 3.15>T > 6.85
#
$
%%%%
&
%%%%
Grande =
0 T ! 5T "5( )1.85
5<T ! 6.85
1 T > 6.85
#
$
%%
&
%%
3.1
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 65
En la segunda regla difusa que nos sirve para ver la circularidad de la célula, tenemos
que la función de membresía esta dada por la ecuación (3.2). Donde denotamos a la
variable lingüística C como a la circularidad de la célula.
Figura. 3.21. Conjunto difuso para la circularidad de la célula.
L =
1 0 !C ! 0.81"C( )0.2
0.8 <C !1
0 C >1
#
$
%%
&
%%
N =
C "0.80.2
0.8 !C !1
1.20"C( )0.2
1<C !1.20
0 0.80 >C >1.20
#
$
%%%
&
%%%
L2 =
0 C !1C "1( )0.2
1<C !1.20
1 C >1.20
#
$
%%
&
%%
3.2
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 66
La tercera regla difusa nos sirve para establecer la relación que existe entre el núcleo
y el citoplasma, donde denotamos a la variable lingüística RNC como la Relación
Núcleo – Citoplasma su funcion de membresía esta descrita en la ecuación (3.3).
Figura. 3.22. Conjunto difuso para la Relación Núcleo Citoplasma.
LL1=
1 0 ! RNC ! 3.256.50" RNC( )
3.25 3.25< RNC ! 6.50
0 RNC > 6.50
#
$
%%
&
%%
Nor =
RNC "3.253.25
3.25! RNC ! 6.50
9.75" RNC( )3.25
6.50 < RNC ! 9.75
0 3.25> RNC > 9.75
#
$
%%%
&
%%%
LL2 =
0 RNC ! 6.50RNC "6.50( )
3.25 6.50 < RNC ! 9.75
1 RNC > 9.75
#
$
%%
&
%%
3.3
Utilizando los valores de membresía que se obtuvieron por los conjuntos difusos
(ecuaciones 3.1, 3.2 y 3.3) se proponen las reglas difusas.
REGLA DIFUSA1: SI tc ES pequeña OR grande ENTONCES célula ES
enferma
REGLA DIFUSA 2: SI tc ES normal ENTONCES célula ES sana
3.4
Donde tc es el tamaño de la célula.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 67
REGLA DIFUSA 3: SI fn ES L1 OR L2 ENTONCES cell ES enferma
REGLA DIFUSA 4: SI fn ES n ENTONCES cell ES sana, 3.5
donde fn es la forma que tiene el núcleo.
REGLA DIFUSA 5: SI rnc ES LL1 OR LL2 ENTONCES cel ES enferma
REGLA DIFUSA 6: SI rnc ES nor ENTONCES cel ES sana, 3.6
donde rnc indica la relación que existe entre el núcleo y el citoplasma.
Expresión algebraica de las reglas difusas (ecuación 3.4).
célula =pequeña tc( )+ grande tc( )+ normal tc( )!pequeña tc( )" grande tc( )"normal tc( )
#
$
%%
&
'
(( . 3.7
Expresión algebraica de las reglas difusas (ecuación 3.5).
cell = L1 fn( )+ L2 fn( )+ n fn( )! L1 fn( )! L2 fn( )!n fn( )( ) . 3.8
Expresión algebraica de las reglas difusas (ecuación 3.6).
cel =LL1 rnc( )+ LL2 rnc( )+ nor rnc( )!LL1 rnc( )" LL2 rnc( )"nor rnc( )
#
$
%%
&
'
(( . 3.9
Finalmente hacemos la operación en conjunto con todas las reglas difusas:
d = célula tc( )!cell fn( )!cel rnc( )( ) , 3.10
donde d es una variable de diagnóstico.
Estas reglas difusas no ayudan a clasificar si la imagen analizada esta enferma o no lo
esta.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 68
Las Tablas 3.3 y 3.4 muestran algunos resultados obtenidos de las pruebas, utilizamos
90 imágenes de prueba para comprobar el algoritmo usando dos métodos, el método
clásico sin lógica difusa y el método propuesto con lógica difusa. Recordamos que
contamos con 190 muestras ya previamente diagnosticadas.
Tabla.3.3. Resultados obtenidos con el Algoritmo sin Lógica Difusa.
# de Muestras Características
Tamaño Celular
um Forma del Núcleo
Relación Núcleo
- Citoplasma
1 3.4 0.98 3.18
2 4.5 1.01 6.15
3 5.1 0.9 4.98
4 2.9 0.97 9.49
5 3.6 0.87 14.78
6 4.5 0.89 5.53
7 5.3 1.03 4.61
8 6.3 1.01 6.30
9 5.8 0.75 8.63
10 3.9 0.85 9.71
11 5.02 094 11.73
12 2.8 1.03 10.40
13 5.7 0.93 5.20
14 4.6 0.99 4.98
.
.
.
.
.
.
.
.
.
.
.
.
90 6.2 1.02 9.30
El color azul indica que ese número de muestra es de una célula sana.
El color rosa indica que ese número de muestra es de una célula enferma.
El color negro indica que la clasificación de la medición fue correcta.
El color rojo indica que la clasificación de la medición fue errónea.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 69
Tabla.3.4. Resultados obtenidos del Algoritmo con Lógica Difusa.
# de Muestras Características
Tamaño Celular
um
Forma del
Núcleo
Relación Núcleo
- Citoplasma
1 3.4 0.98 3.18
2 4.5 1.01 6.15
3 5.1 0.9 4.98
4 2.9 0.97 9.49
5 3.6 0.87 14.78
6 4.5 0.89 5.53
7 5.3 1.03 4.61
8 6.3 1.01 6.30
9 5.8 0.75 8.63
10 3.9 0.85 9.71
11 5.02 0.94 11.73
12 2.8 1.03 10.40
13 5.7 0.93 5.20
14 4.6 0.99 4.98
.
.
.
.
.
.
.
.
.
.
.
.
90 6.2 1.02 9.30
El color azul indica que ese número de muestra es de una célula sana.
El color rosa indica que ese número de muestra es de una célula enferma.
El color negro indica que la clasificación de la medición fue correcta.
El color rojo indica que la clasificación de la medición fue errónea.
El color verde indica la corrección de la clasificación entre el método sin lógica y difusa
y con lógica difusa.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 70
Se miden las diferentes características de la célula como son: Tamaño Celular, Forma
del Núcleo, Nucléolo y Citoplasma; en la Tabla 3.3 y 3.4 se muestran los valores
obtenidos de las mediciones, notamos que los valores en ambas tablas son iguales ya
que las mediciones son las mismas, las diferencias entre las tablas es la clasificación
que se realiza con ambos algoritmos, es decir, en la Tabla 3.3 son los resultados
obtenidos de la clasificación del algoritmo sin lógica difusa, vemos que en esta tabla
obtuvimos valores erróneos en la clasificación. A diferencia en la tabla 3.4 mostramos
los resultados obtenidos de la clasificación del algoritmo con lógica difusa, notando
que los errores avistados en la tabla anterior fueron corregidos en su mayoria gracias
a la implementación de las reglas difusas.
También se muestran los resultados comparativos de los dos algoritmos usados en
términos de sensibilidad, especificidad y error [7]. La Tabla 3.7 presenta los resultados
de las primeras 90 muestras, ya que las otras 100 muestras se ocuparon para
comprobar el algoritmo final.
La sensibilidad es la probabilidad de clasificar correctamente a un individuo enfermo,
es decir, la probabilidad de que para un sujeto enfermo se obtenga en la prueba un
resultado positivo. La sensibilidad es, por lo tanto, la capacidad del test para
diagnosticar la enfermedad.
!
Sensibilidad =VP
VP + FN 3.11
La especificidad es la probabilidad de clasificar correctamente a un individuo sano, es
decir, la probabilidad de que para un sujeto sano se obtenga un resultado negativo. En
otras palabras, se puede definir la especificidad como la capacidad para diagnosticar a
los sanos.
!
Especificidad =VN
VN + FP 3.12
El error es el número de los errores en las muestras entre el total de muestras
analizadas.
Error = número de erroresnúmeros total de muestras
!100 3.13
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 71
Tabla 3.5. Relación entre el resultado de una prueba diagnóstica y la presencia o
ausencia de una enfermedad.
Resultado de la prueba
Diagnóstico Verdadero
Enfermo Sano
Positivo
Verdaderos Positivos
(VP)
Falsos Positivos
(FP)
Negativo
Falsos Negativos
(FN)
Verdaderos Negativos
(VN)
Tabla 3.6. Relación entre el resultado de una prueba diagnóstica y la presencia o
ausencia de una enfermedad sin lógica difusa.
Resultado de la
prueba
Diagnóstico Verdadero
Enfermo Sano
Positivo 45 20
Negativo 9 16
Tabla 3.7. Relación entre el resultado de una prueba diagnóstica y la presencia o
ausencia de una enfermedad con lógica difusa.
Resultado de la
prueba
Diagnóstico Verdadero
Enfermo Sano
Positivo 62 3
Negativo 2 23
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 72
Tabla.3.8. Comparación de ambos algoritmos.
sin Lógica Difusa con Lógica Difusa
Sensibilidad 83% 96%
Especificidad 44% 88%
Error 32.2% 5.5%
De la Tabla 3.8 vemos que el algoritmo propuesto con lógica difusa es mucho mejor
que el algoritmo tradicional sin lógica difusa, ya que el algoritmo tiene un error menor.
El error del 5.5% en el algoritmo con lógica difusa se debió a que las imágenes usadas
fueron mal tomadas, tienen una baja resolución, al pasar por la tinción se mantuvieron
mas tiempo que el establecido, etc., por lo cual no se pudieron clasificar
correctamente. Algunas de estas imágenes se presentan en la Figura 3.23.
a) b)
Figura. 3.23. Imágenes que no lograron ser clasificadas. a) Fue mal tomada. b) Pasó
mucho tiempo en tinción.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 73
3.7. RECONOCIMIENTO
Para hacer más robusto el algoritmo, con objeto de disminuir el error, se utiliza en la
parte de clasificación, la red neuronal artificial de base radial, explicada en el capítulo
2, sección 2.5 [6]. En esta etapa, se utilizaron tres variables de entrada según
ecuación la (ecuación 2.27): Tamaño celular, forma del núcleo y la relación núcleo –
citoplasma; valores que provienen de las reglas difusas.
Se le dieron diferentes valores de peso a la red neuronal (ecuación 2.28), como se ha
visto, los parámetros de forma de núcleo y la relación que existe entre el núcleo y el
citoplasma no se ven afectadas por el tamaño de la imagen o la resolución, por ello a
estos dos parámetros se les da mayor peso que al tamaño celular.
Tabla.3.9. Pesos de la Red Neuronal Artificial de Base Radial.
Razones de peso wik
Tamaño Celular 0.20
Circularidad 0.30
Relación Núcleo - Citoplasma 0.50
También se usaron las 90 muestras que ocupamos anteriormente, para así tener la
comparativa con cada una de ellas.
Se vuelve a sacar la sensibilidad, la especificidad y el error de cada algoritmo pero
ahora con la red neuronal artificial de base radial. La Tabla 3.10 presenta los
resultados de clasificación realizados con las 100 imágenes restantes del total del
banco de 190 imágenes.
Tabla.3.10. Comparación de ambos algoritmos con la Red Neuronal Artificial.
Sin lógica Difusa Con Lógica Difusa
Sensibilidad 86% 98%
Especificidad 46% 91%
Error 22.2% 3.3%
Notamos de la Tabla 3.10 que logramos hacer más robusto el algoritmo, reduciendo el
error del 5.5% al 3.3%.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 74
3.8. INTERFAZ DE USUARIO
Finalmente el trabajo fue pensado para ayuda o soporte del medico, por ello se realizó
una interfaz de usuario en MatLab, que es un vínculo entre el algoritmo propuesto y el
médico. Se realizó de una manera amigable y sencilla para que doctores y patólogos
puedan hacer uso del programa con facilidad y confianza. La interfaz de usuario se
presenta en la Figura 3.24.
Figura. 3.24. Interfaz de usuario en MatLab.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 75
3.9. CONCLUSIONES.
Se realizó una base de datos que contiene todas nuestras imágenes a analizar. En
esta etapa también se convierte la imagen a escala de grises ya que el método de
segmentación que vamos a utilizar es bidimensional.
Después de pasar por la 1ra etapa de procesamiento la imagen seleccionada fue
analizada por los seis métodos para la detección de bordes, donde finalmente
utilizamos el de Sobel, a continuación utilizamos operadores morfológicos para
segmentarla.
Teniendo la imagen segmentada adecuadamente, es decir teniendo delimitada la
célula, podemos clasificar nuestra imagen, se miden los parámetros a analizar y con
nuestras funciones de membresía podemos clasificarla.
En la etapa de reconocimiento, los datos son introducidos en nuestra red neuronal
artificial de base radial, para así tener en nuestra etapa de salida una respuesta, esto
es si nuestra imagen de entrada es una célula sana o una célula con LLA.
Podemos concluir que el trabajo realizado es satisfactorio, sobrepasando las
expectativas ya que el algoritmo propuesto tiene una sensibilidad del 98% cuando un
médico o un patólogo tan solo tienen una certeza del 50% al 60%. Esto hace a al
algoritmo más confiable.
CAPÍTULO III PRUEBAS Y RESULTADOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 76
3.10. BIBLIOGRAFIA.
[1] Mark S. Nixon & Alberto S. Aguado. Feature Extraction & Image Processing.
Newnes. Primera Edición. 2001.
[2] Detección de bordes en una imagen. Departamento de Ingeniería electrónica,
Telecomunicación y Automática. Área de Ingeniería de Sistemas y Automática.
2006.
[3] Gonzalez, R. C. , and Woods, P., Digital Image Processing, Addison Wesley,
2002.
[4] Pierre Soille; Heidelberg. Morphological Image Analysis: Principles and
Applications. Springer, 2ª ed., 2003.
[5] Jean Serra. Image Analysis and Mathematical Morphology: Volume 1, Londres:
Academic Press, 1982.
[6] MARTIN DEL BRIO, Bonifacio, Sanz, Alfredo, Redes Neuronales y Sistemas
Difusos, 2 ed., Alfaomega, 2002.
[7] http://www.fisterra.com/mbe/investiga/pruebas_diagnostica/pruebas_diagnostic
as.asp
CAPÍTULO IV CONCLUSIONES Y TRABAJO A FUTIRO
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 77
CAPÍTULO IV CONCLUSIONES Y TRABAJO A FUTURO
4.1. CONCLUSIONES
Se realizó y se concluyó el trabajo convenientemente, teniendo los resultados
esperados, para así poder cumplir con el objetivo del proyecto. Se diseño un programa
que sirve de apoyo al especialista, medico o patólogo para poder diagnosticar de
manera temprana la Leucemia Linfoblástica Aguda Infantil, basándose en la lógica
difusa y técnicas de procesamiento de imágenes.
El algoritmo propuesto es un programa confiable y seguro con un error máximo de un
3.3% y una sensibilidad del 98%. Comparado con los métodos que utilizan los
especialistas o patólogos que son de un 50% o un 60% de sensibilidad; así el
programa representa un gran apoyo para diagnosticar a tiempo la LLA. Como se sabe
cualquier tipo de cáncer es una enfermedad silenciosa y lo importante es poder ser
detectada a tiempo para así poder combatirla.
4.2. TRABAJO A FUTURO
Este trabajo necesita perfeccionarse, para así poder tener un error menor en el
diagnóstico. El trabajo a futuro que se propone para mejorar esta tesis y así hacer más
robusto el algoritmo es:
1) Introducir dentro de la interfaz los datos clínicos del paciente.
2) Hacer una etapa de pre procesamiento para poder clasificar las células que en
este trabajo no se lograron clasificar por diferentes motivos.
3) Se puede realizar una etapa de segmentación utilizando lógica difusa.
4) Hacer una segmentación a color para poder utilizar la tinción de las células.
5) Utilizar parámetros como la textura de la célula, coloración, etc. para poder
aumentar la sensibilidad del algoritmo.
6) Investigar las características morfológicas de las células en un análisis
sanguíneo, para implementación en el algoritmo.
ANEXO PARTICIPACIONES EN CONGRESOS
Detección de Leucemia Linfoblástica Aguda Usando Lógica Difusa y Redes Neuronales 78
ANEXOS
Se muestran los congresos donde tuvo participación este trabajo.
Recommended