Universidad Nacional de San Agustn Escuela Profesional de Ingeniera de Sistemas

MODELO HBRIDO PARA DIAGNSTICO DE CNCER PULMONAR EN IMGENES ESTTICAS USANDO PATRONES CASO: CLULAS NO PEQUEAS

Josimar Chire Saire Jecs89@gmail.com

1. Introduccin 1.1. Motivacin Actualmente, el nmero de pacientes con cncer ha aumentado considerablemente siendo ms comn el cncer pulmonar. Existen diversas formas de tratarse, el inicio es una tomografa para determinar comienzas o rastros de carcinomas en el pulmn. Sin embargo el paciente debe esperar mucho tiempo para recibir un resultado con cierto grado de precisin, por lo anterior se plante este trabajo con el fin de apoyar en el diagnstico de cncer pulmonar. Otra motivacin de la propuesta es el aprendizaje de las tcnicas necesarias para la implementacin del modelo hibrido. 1.2. Definicin del Problema El proyecto de Inteligencia Artificial consiste en el desarrollo e implementacin de un sistema capaz de reconocer carcinomas en una tomografa (imagen esttica). El problema del reconocimiento de carcinomas en una tomografa se define: Dado uno o ms carcinomas en la tomografa, se debe identificar los carcinomas presentes en la tomografa 1.3. Objetivos 1.3.1. Objetivo General Proponer un modelo de Sistema Hibrido para el apoyo en el diagnstico de cncer pulmonar en tomografa (imgenes digitales). 1.3.2. Objetivo Especficos - Estudiar una tcnica de optimizacin (algoritmos genticos) para la arquitectura de la red neuronal. - Lograr que el sistema sirva para reconocer carcinomas en tomografas. - Demostrar el uso de las redes neuronales y algoritmos genticos es una combinacin que puede ser extendida para casos de optimizacin. 1.4. Formulacin de Hiptesis El modelo hbrido reconoce carcinomas en tomografa. 1.5. Justificacin La Inteligencia Artificial es un medio para resolver este tipo de problemas y mediante este proyecto se pretende dar a conocer a todos aquellos que no estn familiarizados con esta rama, lo que se puede llegar hacer si se aplican estos conocimientos para un problema especfico, en este caso el reconocimiento carcinomas en una tomografa.

1.6. Delimitacin del Trabajo El presente proyecto solo realiza el reconocimiento de carcinomas en una tomografa (digitales), la cual es axial computarizada. El modelo hibrido presentado reconocer los carcinomas en las tomografas. 2. Marco de Referencia 2.1. Marco Terico 2.1.1. Antecedentes
El cncer de pulmn era poco comn antes de la aparicin de los cigarrillos. Incluso no era reconocida como enfermedad hasta 1761. Diferentes aspectos fueron descritos despus en 1810. En 1878 conformaba 1% de todos los casos de cncer, aument a 15% en 1900. En 1912, slo se contaban 374 casos a nivel mundial, una revisin en las autopsias mostr incremento de 0.3% a en 1852 a 5.66% en1952. En Alemania en 1929, reconoci la relacin entre el cncer y el tabaquismo y en 1964 en USA se recomend a los fumadores dejar sus hbitos. La relacin con el gas radn se identific por primera vez en mineros de Sajonia, la extraccin comenz en 1470, estas minas son ricas en uranio y en consecuencia radio y gas radn. Los mineros desarrollaron enfermedades pulmonares, un 75% de los ex-mineros murieron por cncer pulmonar. La primera neumonoctoma fue realizada con xito en 1933. La radioterapia se ha utilizado desde la dcada de los 40. En la dcada de 1970, la quimioterapia se ha desarrollado con xito. Desde 1956, que se establecen las bases para funcionar como campo independiente a la Inteligencia Artificial. Las aplicaciones en varias reas de la medicina han sido diversas, desde visin artificial hasta sistemas expertos. En 1970 comienza Vision Computer, abocada a la extraccin de informacin desde una imagen. Investigadores como Fangzhen Li, pertenciente al instituto de Biofsica en China; ha abocado sus esfuerzos en esta investigacin y temas afines. Un trabajo tituladoAutomatic recognition of small cell carcinoma base on the self-organizing neural network. Y as en varios pases existen reas abocadas a la investigacin para realizar aportes en reas de la medicina.

2.1.2. Estado del Arte En la actualidad, el desarrollo de sistemas de reconocimiento de imgenes, sean estticas, diversos formatos, dinmicas u otras, es llevado a cabo por empresas comerciales. Aunque el campo que abarca el reconocimiento de imgenes es relativamente amplio, los sistemas que se han desarrollado se han encaminado a detectar y reconocer imgenes bajos unas determinadas condiciones. El estudio del reconocimiento de imgenes nos plantea un problema de reconocimiento bidimensional.

Dentro de dicho estudio, la mayor parte del trabajo realizado abarca la lectura tomografas axiales digitales obtenidas por un tomgrafo, aunque en los ltimos aos la tendencia es que se investiguen sistemas capaces de soportar diversos formatos de tomografas. Debido a que esta tcnica da mejores resultados que una radiografa y permite un mejor diagnstico. Para realizar los reconocimientos de carcinomas en tomografas, se dispone de dos procedimientos que engloban distintas tcnicas y sistemas. Por un lado estn los sistemas tradicionales de reconocimiento de imgenes y por otro con los sistemas adaptativos de reconocimiento ptico de imgenes. La diferencia fundamental entre ambos procedimientos reside en que los sistemas tradicionales son capaces de reconocer imgenes, dentro de un conjunto limitado de smbolos y bajo unas determinadas directrices, mientras que los sistemas adaptativos, ms recientes, son capaces de adaptar su motor de reconocimiento a partir del reconocimiento tradicional. 2.2. Marco Conceptual 2.2.1 Cncer Pulmonar Los pulmones son un par de rganos que dan oxgeno a nuestro y expulsa el dixido de carbono.Los bronquios son unos tubos que llevan el aire inspirado desde la boca hasta los pulmones y stos a su vez se dividen en tubos ms pequeos llamados bronquiolos; hasta forma los alvolos dnde se produce el intercambio de gases con la sangre venosa. El cncer del pulmn se produce por el crecimiento exagerado de clulas malignas en este rgano, si no se diagnostica a tiempo puede llegar a afectar otro rganos. Segn la OMS, el cncer pulmonar produce 1.4 millones de muertes anualmente. Existen tres causas principales: carcingenos fsicos(radiacin), carcingenos qumicos(alflatoxinas) y carcingenos biolgicos(bacterias, parsitos). Existen dos tipo de cncer pulmonar: cncer pulmonar de clulas no pequeas(CPCNP) y el cncer pulmonar de clulas no pequeas.

2.2.2 Tomografa Axial Computarizada( TAC)

Tomografa viene del griego tomos que significa corte o seccin y de grafa que

significa representacin grfica. Por tanto la tomografa es la obtencin de imgenes de cortes o secciones de algn objeto.

 La palabra axial significa "relativo al eje". Plano axial es aquel que es perpendicular

al eje longitudinal de un cuerpo. La tomografa axial computarizada o TAC, aplicada al estudio del cuerpo humano, obtiene cortes transversales a lo largo de una regin concreta del cuerpo (o de todo l).
Computarizar significa someter datos al tratamiento de una computadora.

Muchas veces el objeto es parte del cuerpo humano, puesto que la TAC se utiliza mayoritariamente como herramienta de diagnstico mdico. La TAC es una tecnologa sanitaria de exploracin de rayos X que produce imgenes detalladas de cortes axiales del cuerpo. En lugar de obtener una imagen como la radiografa convencional, la TAC obtiene mltiples imgenes al rotar alrededor del cuerpo. Una computadora combina todas estas imgenes en una imagen final que representa un corte del cuerpo como si fuera una rodaja. Esta mquina crea mltiples imgenes en rodajas (cortes) de la parte del cuerpo que est siendo estudiada. Se trata de una tcnica de visualizacin por rayos X. Podramos decir que es una radiografa de una fina rodaja obtenida tras cortar un objeto. En la radiografa se obtiene una imagen plana (en dos dimensiones) de un cuerpo (tridimensional) haciendo pasar a travs del mismo un haz de rayos X. Principio de funcionamiento El aparato de TAC emite un haz muy fino de rayos X. Este haz incide sobre el objeto que se estudia y parte de la radiacin del haz lo atraviesa. La radiacin que no ha sido absorbida por el objeto, en forma de espectro, es recogida por los detectores. Luego el emisor del haz, que tena una orientacin determinada (por ejemplo, estrictamente vertical a 90) cambia su orientacin (por ejemplo, haz oblicuo a 95). Este espectro tambin es recogido por los detectores. El ordenador 'suma' las imgenes, promedindolas. Nuevamente, el emisor cambia su orientacin (segn el ejemplo, unos 100 de inclinacin). Los detectores recogen este nuevo espectro, lo 'suman' a los anteriores y 'promedian' los datos. Esto se repite hasta que el tubo de rayos y los detectores han dado una vuelta completa, momento en el que se dispone de una imagen tomogrfica definitiva y fiable.

Para comprender qu hace el ordenador con los datos que recibe lo mejor es examinar el diagrama que se aprecia lneas abajo.

La figura '1' representa el resultado en imagen de una sola incidencia o proyeccin (vertical, a 90). Se trata de una representacin esquemtica de un miembro, por ejemplo un muslo. El color negro representa una densidad elevada, la del hueso. El color gris representa una densidad media, los tejidos blandos (msculos). El hueso, aqu, deja una zona de 'sombra'. Los msculos, una zona de 'penumbra'.

En la figura '4' el ordenador dispone de datos de cuatro incidencias: 45, 90, 135 y 180. Los perfiles de la imagen son octogonales, lo que la aproximan mucho ms a los contornos circulares del objeto real.

Una vez que ha sido reconstruido el primer corte, la mesa donde el objeto reposa avanza (o retrocede) una unidad de medida (hasta menos de un milmetro) y el ciclo vuelve a empezar. As se obtiene un segundo corte (es decir, una segunda imagen tomogrfica) que corresponde a un plano situado a una unidad de medida del corte anterior. A partir de todas esas imgenes transversales (axiales) un computador reconstruye una imagen bidimensional que permite ver secciones de la pierna (o el objeto de estudio) desde cualquier ngulo. Los equipos modernos permiten incluso hacer reconstrucciones tridimensionales. Estas reconstrucciones son muy tiles en determinadas circunstancias, pero no se emplean en todos los estudios, como podra parecer. Esto es as debido a que el manejo de imgenes tridimensionales no deja de tener sus inconvenientes. Un ejemplo de imagen tridimensional es la imagen 'real'. Como casi todos los cuerpos son opacos, la interposicin de casi cualquier cuerpo entre el observador y el objeto que se desea examinar hace que la visin de ste se vea obstaculizada. La representacin de las imgenes tridimensionales sera intil si no fuera posible lograr que cualquier tipo de densidad que se elija no se vea representada, con lo que determinados tejidos se comportan como transparentes. Aun as, para ver completamente un rgano determinado es necesario mirarlo desde diversos ngulos o hacer girar la imagen. Pero incluso entonces veramos su superficie, no su interior. Para ver su interior debemos hacerlo a travs de una imagen de corte asociada al volumen y aun as parte del interior

no siempre sera visible. Por esa razn, en general, es ms til estudiar una a una todas las imgenes consecutivas de una secuencia de cortes que recurrir a reconstrucciones en bloque de volmenes, aunque a primera vista sean ms espectaculares. 2.2.1. Redes Neuronales Las redes de neuronas artificiales (denominadas habitualmente como RNA) son un paradigma de aprendizaje y procesamiento automtico inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexin de neuronas en una red que colabora para producir un estmulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales. Las redes neuronales consisten en una simulacin de las propiedades observadas en los sistemas neuronales biolgicos a travs de modelos matemticos recreados mediante mecanismos artificiales (como un circuito integrado, un ordenador o un conjunto de vlvulas). El objetivo es conseguir que las mquinas den respuestas similares a las que es capaz de dar el cerebro que se caracterizan por su generalizacin y su robustez.

Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a travs de interconexiones y emite una salida. Esta salida viene dada por tres funciones: 1. Una funcin de propagacin (tambin conocida como funcin de excitacin), que por lo general consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexin (valor neto). Si el peso es positivo, la conexin se denomina excitatoria; si es negativo, se denomina inhibitoria.

2. Una funcin de activacin, que modifica a la anterior. Puede no existir, siendo en este caso la salida la misma funcin de propagacin. 3. Una funcin de transferencia, que se aplica al valor devuelto por la funcin de activacin. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretacin que queramos darle a dichas salidas. Algunas de las ms utilizadas son la funcin sigmoidea (para obtener valores en el intervalo [0,1]) y la tangente hiperblica (para obtener valores en el intervalo [-1,1]).

2.2.2. Algoritmos Genticos Un caso concreto de algoritmos evolutivos son los denominados algoritmos genticos. Estos algoritmos se caracterizan por utilizar operadores de cruce en el proceso de alteracin de la poblacin. Teniendo en cuenta lo anterior, los conceptos bsicos que se manejan en la teora de los algoritmos genticos son los siguientes: Individuo o cromosoma: Un individuo determina una potencial solucin del problema que se pretende resolver mediante el algoritmo gentico. Poblacin: Conjunto de individuos con los que se trabaja en el algoritmo gentico. En un algoritmo gentico los individuos que constituyen la poblacin van cambiando pero generalmente el tamao de la misma permanece constante. Funcin fitness: Se trata de una funcin evaluadora de la calidad de un individuo como solucin a nuestro problema. Permite la ordenacin de los individuos de la poblacin en cuanto a bondad de los mismos. Cruce: es una de las operaciones fundamentales que intervienen en todo algoritmo gentico. Como norma general se aplica despus de un proceso de seleccin de dos individuos y consiste en una combinacin de los mismos para obtener como resultado otros dos nuevos individuos.

Mutacin: Constituye otra operacin fundamental en un algoritmo gentico. En este caso se selecciona un individuo, el cual sufre una pequea modificacin aleatoria en su codificacin obtenindose otro individuo nuevo.

2.2.3 Particin Binaria Local El operador de Local Binary Pattern es introducido en 1996 por Ojala, Pietikinen y Harwood, como una forma de resumir la estructura de nivel de gris local. El operador toma una vecindad local alrededor de cada pxel, umbraliza los pxeles de la vecindad al valor del pxel central y usa el parche de valores binarios de la imagen resultante como un descriptor de la imagen local. Es un potente medio de descripcin de texturas y entre sus propiedades en aplicaciones del mundo real estn su poder de discriminacin, simplicidad computacional y tolerancia frente a cambios de escala de grises. Este operador fue definido originalmente para vecindades de 3 3, dando cdigos de 8 bits basados en los 8 pxeles alrededor del pxel central. El operador LBP original forma etiquetas para los pxeles de la imagen umbralizando dicha vecindad de cada pxel con el valor central y considerando el resultado como un nmero binario. El histograma de esas 28 = 256 etiquetas, celdas o cdigos LBP diferentes, puede entonces ser usado como un descriptor de textura. Las primitivas locales codificadas por estas celdas incluyen diferentes tipos de bordes curvados, manchas, reas planas, etc. El clculo de los cdigos LBP puede hacerse fcilmente en una simple pasada a travs de la imagen. Formalmente, el operador LBP toma la forma:

3. Anlisis y Diseo 3.1. Arquitectura

procesamiento imagenes <<file>> Extraccion.cpp

modelo hbrido <<file>> Red.cpp

Captura_Datos

<<file>> Acceso.cpp

<<file>> AG.cpp

<<file>> Red.h

<<file>> AG.h Resultados

<<file>> muestras.h

<<file>> funciones.cpp

Figura 3.1: Arquitectura del Sistema 3.2. Diagrama Casos de Uso Como nico actor para el diagrama de casos de uso se encuentra el usuario con los siguientes casos de uso:
Ingresar Imagen Mostrar Resultados <<include>> Usuario

Realizar Procesamiento

Figura 3.2: Diagrama de Casos de Uso

3.3. Diagrama de Clases

Figura 3.3: Diagrama de Clases

patrones +N_patrones: Int +Inputs: Double** +Outputs: Double** +archivo: Char* +Leer_archivo() 1 RedNeuronal 1..* 1 +patron: Patron +Entrenar_red() +Usar_red() 1 1

AG +tamPoblacion: Int +nroGeneraciones: Int +inicializar() +seleccion() +cruzamiento() +mutacion()

1 caracteristicas +vector_c: Int * +extraccion_c() 1 1 Imagen +nombre: Char* +imagen: Int ** +val_CvMat()

4. Pruebas y Resultados

5. Conclusiones Las redes neuronales son una solucin para el reconocimiento de carcinomas en pentagramas, a pesar de no llegar a una exactitud y precisin del 100%, se obtuvieron resultados favorables. El modelo de sistema propuesto cumpli con el objetivo propuesto en reconocer carcinomas en tomografas, segn las limitaciones fijadas en la delimitacin del trabajo. El campo del procesamiento de imgenes es muy amplio y en algunas ocasiones parece demasiado complejo el desarrollo de un sistema que pudiese reconocer correctamente cualquier imagen, ya que la cantidad de detalles que estas pueden incluir son muchas. 6. Referencias [1] Artificial Neural Networks vs Support Vector Machines for Skin Diseases Recognition, Michal Antkowiak [2] Application of Neural Network in Medical Image Processing, Zhenghao Shi and Lifeng He [3] Automatic Recognition of small cell carcinoma based on the self-organizing neural network, Fangshen Shi, Kuanghu Hu, Wanfang Su, Shuyu Li, Nian Cai, Zhiying Huang and Yingxiong Hu

[4] Deteccin De Normalidad Y Anormalidad En Radiografas De Trax Usando Lbp, Juan Manuel Carrillo de Gea [5] Algoritmos Geneticos, Natyhelem Gil Londoo [6] Training Feedforward Neural Networks Using Genetic Algorithms, David J. Montana and Lawrence Davis [7] Genetic Algorithms for Neural Network Training on Transputers, Bernhard Omer