Contenido principal del artículo

La detección de bordes toma importancia en los sistemas de procesamiento de imágenes para
el diagnóstico asistido por ordenador, donde se analizan los cambios bruscos en la intensidad
de los píxeles para obtener información rápida y precisa sobre las regiones de interés para el
especialista. Se desarrolló un método para el realce de caracteristicas y detección de bordes
en imágenes médicas utilizando procesamiento de imágenes analizando el histograma de
distribución de píxeles y la operación de gradiente morfológico. Se utilizaron imágenes del
conjunto de datos MINI MIAS y del conjunto de datos COVID-CT. El método se basa en
procesamiento de imágenes y se aplica a las imágenes de mamografía y TAC de tórax, donde
los pasos de filtrado de desenfoque se acompañan de filtrado de gradiente morfológico,
además de obtener el umbral para detectar el borde mediante el análisis del punto de máxima
concentración de píxeles según el histograma de distribución. El procesamiento se presenta
en una interfaz gráfica de usuario desarrollada en lenguaje Python. El método se valida
mediante la comparación con otras técnicas de detección de bordes como el Algoritmo
Canny, y con métodos de aprendizaje profundo como el Holistically-Nested Edge Detection.
El método propuesto mejora la calidad de la imagen tanto en mamografías como en TAC en
comparación con otras técnicas. También presenta el mejor rendimiento teniendo en cuenta
la detección de bordes internos y externos, así como un tiempo medio de respuesta de 1.054
segundos y 2.63 % de requerimiento de la Unidad Central de Procesamiento. El sistema
desarrollado se presenta como una herramienta de apoyo para su uso en procesos de
diagnóstico asistido por ordenador debido a su alta eficiencia en la detección de bordes.

1.
Niño Rondón CV, Castellano Carvajal DA, Castro Casadiego SA, Medina Delgado B, Guevara Ibarra D. Una aproximación a la detección de bordes en imágenes médicas mediante análisis de histograma y gradiente morfológico. inycomp [Internet]. 26 de mayo de 2022 [citado 26 de junio de 2022];24(02):18. Disponible en: https://revistaingenieria.univalle.edu.co/index.php/ingenieria_y_competitividad/article/view/11352

Larrazabal AJ, Nieto N, Peterson V, Milone DH, Ferrante E. Gender imbalance in medical

imaging datasets produces biased classifiers for computer-aided diagnosis. Proc Natl Acad Sci

U S A. 2020;117(23):12592–4. https://doi.org/10.1073/pnas.1919012117

Kido S, Hirano Y, Hashimoto N. Detection and classification of lung abnormalities by use of

convolutional neural network (CNN) and regions with CNN features (R-CNN). In: 2018

International Workshop on Advanced Image Technology, IWAIT 2018. 2018. p. 1–4.

https://doi.org/ 10.1109/IWAIT.2018.8369798

Fujita H. AI-based computer-aided diagnosis (AI-CAD): the latest review to read first. Radiol

Phys Technol. 2020;13(1):6–19. https://doi.org/10.1007/s12194-019-00552-4

Mohammed ZF, Abdulla AA. Thresholding-based White Blood Cells Segmentation from

Microscopic Blood Images. UHD J Sci Technol. 2020;4(1):9–17.

https://doi.org/10.21928/uhdjst.v4n1y2020.pp9-17

Mohite V, Deoghare AB, Pandey KM. Modeling of Human Airways CAD model Using CT

Scan Data. Mater Today Proc. 2019;22:1710–4. https://doi.org/10.1016/j.matpr.2020.02.189

Huang Z, Xiao J, Xie Y, Hu Y, Zhang S, Li X, et al. The correlation of deep learning-based

CAD-RADS evaluated by coronary computed tomography angiography with breast arterial

calcification on mammography. Sci Rep. 2020;10(1):1–8. https://doi.org/10.1038/s41598-

-68378-4

Xia K, Gu X, Zhang Y. Oriented grouping-constrained spectral clustering for medical imaging

segmentation. Multimed Syst. 2020;26(1):27–36. https://doi.org/10.1007/s00530-019-00626-

Freitas-Junior R, Rodrigues DCN, Corrêa RS, Oliveira LFP, Couto LS, Urban LABD, et al.

Opportunistic mammography screening by the Brazilian Unified Health System in 2019.

Mastology. 2020;30:1–4. https://doi.org/1029289/25945394202020190039

Nizamuddin MK, Kirthana S. Reconstruction of human femur bone from CT scan images

using CAD techniques. IOP Conf Ser Mater Sci Eng. 2018;455(1):1–9.

Gómez-Ríos D, López-Agudelo VA, Urrego-Sepúlveda JC, Ramírez-Malule H. Research on

repurposed antivirals currently available in Colombia as treatment alternatives for COVID19. Ing y Compet. 2021;23(1):1–24. https://doi.org/10.25100/iyc.23i1.10290

Sweetlin JD, Nehemiah HK, Kannan A. Feature selection using ant colony optimization with

tandem-run recruitment to diagnose bronchitis from CT scan images. Comput Methods

Programs Biomed. 2017;145:115–25. http://dx.doi.org/10.1016/j.cmpb.2017.04.009

Yadav SP, Yadav S. Image fusion using hybrid methods in multimodality medical images.

Med Biol Eng Comput. 2020;58(4):669–87. https://doi.org/10.1007/s11517-020-02136-6

Luque Sulbaran GC, Walbaum García BV, Camus Appuhn M, Domínguez Covarrubias F,

Merino Lara T, Acevedo C F, et al. Cáncer de mama triple negativo: terapias sistémicas

actuales y experiencia local. Rev Cir (Mex). 2021;73(2):188–96.

http://dx.doi.org/10.35687/s2452-45492021002942

Natanael G, Zet C, Fosalau C. Estimating the distance to an object based on image processing.

In: EPE 2018 - Proceedings of the 2018 10th International Conference and Expositions on

Electrical And Power Engineering. 2018. p. 211–6.

https://doi.org/10.1109/ICEPE.2018.8559642

Khatami A, Nazari A, Khosravi A, Lim CP, Nahavandi S. A weight perturbation-based

regularisation technique for convolutional neural networks and the application in medical

imaging. Expert Syst Appl. 2020;149:113196. https://doi.org/10.1016/j.eswa.2020.113196

Lin WC, Wang JW. Edge detection in medical images with quasi high-pass filter based on

local statistics. Biomed Signal Process Control. 2018;39:294–302.

http://dx.doi.org/10.1016/j.bspc.2017.08.011

Mattioli Della Rocca F, Mai H, Hutchings SW, Abbas T Al, Abbas T Al, Buckbee K, et al. A

× 128 SPAD motion-triggered time-of-flight image sensor with in-pixel histogram and

column-parallel vision processor. IEEE J Solid-State Circuits. 2020;55(7):1762–75.

https://doi.org/10.1109/JSSC.2020.2993722

Sheela CJJ, Suganthi G. Morphological edge detection and brain tumor segmentation in

Magnetic Resonance (MR) images based on region growing and performance evaluation of

modified Fuzzy C-Means (FCM) algorithm. Multimed Tools Appl. 2020;79(25–26):17483–

https://doi.org/10.1007/s11042-020-08636-9

Kimura-Sandoval Y, Arévalo-Molina ME, Cristancho-Rojas CN, Kimura-Sandoval Y,

Rebollo-Hurtado V, Licano-Zubiate M, et al. Validation of Chest Computed Tomography

Artificial Intelligence to Determine the Requirement for Mechanical Ventilation and Risk of

Mortality in Hospitalized Coronavirus Disease-19 Patients in a Tertiary Care Center In

Mexico City. Rev Investig Clínica. 2021;73(2):1–9. https://doi.org/10.24875/RIC.20000451

Khuriwal N, Mishra N. Breast Cancer Detection from Histopathological Images Using Deep

Learning. 3rd Int Conf Work Recent Adv Innov Eng ICRAIE 2018. 2018;2018(November):1–

https://doi.org/10.1109/ICRAIE.2018.8710426

Divyashree B V., Kumar GH. Breast Cancer Mass Detection in Mammograms Using Gray

Difference Weight and MSER Detector. SN Comput Sci. 2021;2(2):1–13.

https://doi.org/10.1007/s42979-021-00452-8

Shuja J, Alanazi E, Alasmary W, Alashaikh A. COVID-19 open source data sets: A

comprehensive survey. Appl Intell. 2021;51:1296–325. https://doi.org/10.1007/s10489-020-

-6

Niño Rondón CV, Castro Casadiego SA, Medina Delgado B, Guevara Ibarra D, Camargo

Ariza LL. Comparativa entre la técnica de umbralización binaria y el método de Otsu para la

detección de personas. Rev UIS Ing. 2021;20(2):65–73.

https://doi.org/10.18273/revuin.v20n2-2021006

Singhal P, Verma A, Garg A. A study in finding effectiveness of Gaussian blur filter over

bilateral filter in natural scenes for graph based image segmentation. In: 2017 4th International

Conference on Advanced Computing and Communication Systems, ICACCS 2017. 2017. p.

–9. https://doi.org/10.1109/ICACCS.2017.8014612

Firoz R, Ali MS, Khan MNU, Hossain MK, Islam MK, Shahinuzzaman M. Medical Image

Enhancement Using Morphological Transformation. J Data Anal Inf Process. 2016;04(01):1–

https://doi.org/10.4236/jdaip.2016.41001

Zhao F, Ma Y, Zhang J. Medical image processing based on mathematical morphology. In:

Proceedings of the 2012 International Conference on Computer Application and System

Modeling, ICCASM 2012. 2012. p. 0948–50.

Xu H, Xu X, Zuo Y. Applying morphology to improve Canny operator’s image segmentation

method. J Eng. 2019;2019(23):8816–9. https://doi.org/10.1049/joe.2018.9113

Ilhan HO, Serbes G, Aydin N. Automated sperm morphology analysis approach using a

directional masking technique. Comput Biol Med. 2020;122:103845.

https://doi.org/10.1016/j.compbiomed.2020.103845

Gao X, Pan Z, Gao E, Fan G. Reversible data hiding for high dynamic range images using

two-dimensional prediction-error histogram of the second time prediction. Signal Processing.

;173:1–17. https://doi.org/10.1016/j.sigpro.2020.107579

Li W, Huang Q, Srivastava G. Contour Feature Extraction of Medical Image Based on MultiThreshold Optimization. Mob Networks Appl. 2020;26:381–9.

https://doi.org/10.1007/s11036-020-01674-5

Petrović N, Moyà-Alcover G, Varona J, Jaume-i-Capó A. Crowdsourcing human-based

computation for medical image analysis: A systematic literature review. Health Informatics J.

;26(4):2446–69. https://doi.org/10.1177/1460458220907435

Hrgarek N. Certification and regulatory challenges in medical device software development.

In: 2012 4th International Workshop on Software Engineering in Health Care, SEHC 2012 -

Proceedings. 2012. p. 40–3. https://doi.org/10.1109/SEHC.2012.6227011

Descargas

Los datos de descargas todavía no están disponibles.