Académique Documents
Professionnel Documents
Culture Documents
) , ( ) , (
(1.2)
30
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
La PSF puede ser expresada como una funcin que depende de las coordenadas del campo
focal (
q p,
) y de las coordenadas de la imagen (
y x,
), de la forma
) , , , ( y x q p PSF
; as, la
radiancia
) , ( y x R
de un pxel de la imagen, que procede de un objeto espacial en el campo
focal
) , ( q p g
, se expresa mediante una convolucin ecuacin 1.3.
dpdq q p g p y p x PSF y x R ) , ( ) , ( ) , (
(1.3)
La determinacin experimental de PSF de la ecuacin 1.3 es una tarea complicada y en
pocos casos se aporta una representacin o funcin que la define a tal efecto, resulta
instructivo el trabajo de Mannstein and Gesell [6] en el que presentan una aproximacin del
PSF. En cualquier caso, se puede imaginar que esta funcin es muy cercana a una gaussiana
2D, cuyo eje vertical representa la sensibilidad del sensor para ponderar la radiancia
proveniente de cada punto del campo focal. En este caso la funcin PSF vendra dada por una
expresin del tipo:
1
]
1
2
2 2
2
) ( ) (
exp ) , , , (
u y u x
v u y x PSF
(1.4)
Donde: x e y son las coordenadas cross-track y along-track del pxel en la imagen,
u y v son las coordenadas en el espacio imagen y
determina la dispersin el tamao del pxel del sensor.
1.4. Imgenes Digitales
Una imagen digital es un arreglo bi-dimensional de datos obtenidos al muestrear y
cuantificar una imagen contina generada por medios pticos. El muestreo se realiza con una
red rectangular de sensores igualmente espaciada. En el Centro de Microscopa Electrnica
Ernesto Palacios Pru, se utiliza un microscopio de luz de alta resolucin Polyvar Reichert-
Jung (Figura 1-13). Las imgenes de las arborizaciones dendrticas de las CP provenientes de
31
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
secciones de corteza cerebelosa de ratones adultos jvenes, se adquieren a una resolucin de
4096x5120x3 y 8 bits de profundidad (Figura 1-14).
Figura 1-13. Microscopio Polyvar Reichert-Jung. (Fuente: Centro de Microscopa Electrnica Dr. Ernesto
Palacios Pr)
Figura 1-14. Imagen de la arborizacin dendrtica de una CP, a una resolucin de 4096x5120x3 y 8 bits de
profundidad
Teniendo en consideracin el espesor del corte (90 a 150 m) y la distribucin
tridimensional de las clulas neurales (Figura 1-15), se presentan algunas dificultades para la
cuantificacin de las espinas dendrticas, debido a que las imgenes son capturadas a
diferentes planos focales, presentando variacin en su centro focal y variacin en el contraste,
lo cual dificulta la superposicin de diferentes imgenes sin un previo pre-acondicionamiento.
32
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 1-15. Segmento del rbol dendrtico de una CP, impregnada con el mtodo de Golgi y sin ningn
preprocesamiento.
1.4.1. Tcnicas bsicas de procesamiento
A las imgenes de CP, se les aplicar un realce, que es una de las principales tcnicas
bsicas de procesamiento digital de imgenes. Las operaciones que componen esta tcnica se
dividen en operaciones de procesamiento pxel por pxel [6] donde el valor de la imagen
realzada en un pxel est en funcin del valor de su pxel correspondiente en la imagen
original, y filtrado espacial que es una operacin de procesamiento por grupo de pixeles o
vecindades.
a) Filtraje por convolucin: Para aplicar un filtro espacial a una imagen
) , ( y x f
es
necesario definir una matriz que contendr los coeficientes del filtro, lo que a su vez define los
pxeles del entorno que sern utilizados como argumento del filtro que alterar el valor del
pxel; a esta matriz se le denomina mscara
) , ( t s w
y tiene una dimensin
[ ] n m,
. Se
utilizaron mscaras impares ya que dan un nico punto central, en la aplicacin del filtro
espacial se utiliz la ecuacin 1.5.
) , ( ) , ( ) , ( t y s x f t s w y x g
a
a s
b
b t
+ +
(1.5)
33
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
En la ecuacin 1.5, se cumple que: 1 2 + a m y 1 2 + b n . Siendo
a
y b las
coordenadas del centro de la mscara y
) , ( t s w
representa los trminos de la matriz de la
mscara de cuyo tamao es
[ ] n m,
y ) , ( t y s x f + + el valor de los pxeles de la vecindad
definida por la mscara.
Por otra parte, las operaciones espaciales, engloban las tcnicas de tipo convolutivo [6]. Un
filtro de convolucin para una imagen digital, en el espacio real
) , ( y x
, puede representarse
como una matriz cuadrada o rectangular (matriz de convolucin), de dimensiones
[ ] n m,
mucho ms pequeas que la de la imagen. La matriz de convolucin se desplaza sobre la
imagen de tal forma que el elemento central de la matriz de convolucin coincida con cada
uno de los pxeles de la imagen. En cada posicin, se multiplica el valor de cada pxel de la
imagen que coincida en posicin con un elemento de la matriz de convolucin, por el valor de
ste. El pxel de la imagen, que coincide con el elemento central de la matriz de convolucin,
es sustituido por la suma de los productos. La convolucin es una operacin matemtica que
tiende a conferir a una funcin
) , ( y x f
la forma de otra funcin
) , ( y x g
, como lo muestra
la ecuacin 1.6.
M
k
N
l
l y k x h l k f y x h y x f y x g
1 1
) , ( ) , ( ) , ( * ) , ( ) , (
(1.6)
Donde:
] , [ N M
es el tamao de la imagen
) , ( y x f
y
) , ( y x h
es la repuesta al impulso
del sistema.
Por tanto, al aplicar a una imagen
) , ( y x f
una convolucin con una funcin gaussiana
) , ( y x h
lo que se hace es forzar a que las variaciones de brillo existentes en la imagen se
parezcan ms a la forma de una gaussiana, haciendo suave el cambio de colores, lo cual
produce un efecto de desenfoque gaussiano.
b) Transformaciones por puntos: Al aplicar a la imagen de la Figura 1-15 una
transformacin puntual, que ajusta los tonos de gris del rango [0 255], utilizando la ecuacin
1.7 de la recta.
34
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
[ ]
( ]
0 60
( )
255 60 255
'
aX si X
Y T X
si X
(1.7)
As, se obtiene la imagen mostrada en la Figura 1-16 observndose que el filtro puntual
realza la estructura de CP, pero no se destacan claramente las espinas dendrticas de CP.
c) Filtro de mediana: es un filtro espacial (Figura 1-17) que corresponde a una tcnica no
lineal, y en este caso para una secuencia impar de k nmeros, se define como el nmero que
cumpla que es mayor que
1
2
k
nmeros, y menor que los otros
1
2
k
. Se utiliza en la
reduccin del ruido, sin difuminar la imagen.
Se puede observar en la Figura 1-17 contrastando la imagen original y la filtrada con el
filtro de mediana que la imagen sufre un suavizado y realce del rbol dendrtico de CP, pero
no se destacan las caractersticas fundamentales como lo son las espinas dendrticas de CP.
Figura 1-16. (a) Imagen de CP, sin procesar (b) Imagen de CP, preprocesada utilizando transformacion
puntual
35
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 1-17. (a) Imagen de CP, sin procesar (b) Imagen de CP, procesada con un filtro de mediana
d) Filtro media: es un filtro espacial que sustituye la intensidad de cada pixel de la imagen
por el promedio de los pixeles vecinos, es decir, sea una imagen
) , ( y x f
el procedimiento
consiste en generar una nueva imagen
) , ( y x g
, cuya intensidad para cada pxel se obtiene
promediando los valores de intensidad de los pxeles
) , ( y x f
incluidos en un entorno de
vecindad predefinido de tamao
] , [ n m
, ver ecuacin 1.8. Se caracteriza por difuminar el
ruido en la imagen.
+ +
a
a s
b
b t
t y s x f t s w y x g
mxn
t s w
) , ( ) , ( ) , (
1
) , (
(1.8)
x, y: varan dependiendo del tamao de la imagen
En la Figura 1-18 se observa un suavizado en la imagen y un aumento de densidad en la
estructura del rbol dendrtico de CP, tambin se produjo un realce del rbol dendrtico pero
no se destacan claramente las espinas dendrticas de CP.
36
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 1-18. (a) Imagen sin procesar de CP. (b) Imagen de CP procesada con un filtro de media
e) Filtro gaussiano: presentado en la ecuacin 1.9, permite que el valor de cada punto
sea el resultado de realizar la promediacin ponderada con distintos pesos representados por
una funcin gaussiana. El valor mximo aparece en el pixel central y disminuye hacia los
extremos tanto ms rpido cuanto menor sea el parmetro de desviacin (
).
) , ( ) , ( ) , (
2
) , (
2
4
) (
2
2 2
t y s x f t s w y x g
e
t s w
a
a s
b
b t
t s
+ +
(1.9)
t s,
: Varan dependiendo del tamao de la ventana o vecindad
y x,
: Varan dependiendo del tamao de la imagen
: Varianza
Se observa en la Figura 1-19, la imagen del rbol dendrtico de CP, realzada pero no se
resaltan los detalles como lo son las espinas dendrticas.
37
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 1-19. (a) Imagen de CP, sin procesar. (b) Imagen de CP procesada con un filtro gaussiano
f) Realce logartmico: segn la ecuacin 1.10 es una transformacin puntual donde se
ajusta la informacin de la imagen hacia una curva logartmica, se utiliza para mejorar
imgenes demasiado oscuras.
) 1 ) , ( ( log ) , ( + y x f N y x g
(1.10)
N : Factor de escala que fija el mximo nivel de salida
En la Figura 1-20, se observa que el filtro de realce logartmico realiz en la imagen de
CP, un realce extraordinario del rbol dendrtico de CP con respecto a los filtros anteriores,
este realce es mucho mejor pero de igual manera no realz las espinas dendrticas de CP.
38
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 1-20. (a) Imagen de CP, sin procesar. (b) Imagen de CP procesada con un realce logartmico
Se puede observar que en las tcnicas utilizadas no se visualizan cambios en el realce de
las espinas dendrticas de CP, que posibilite el conteo manual de dichas espinas.
39
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
2. Captulo II
2. UTILIZACIN DE FILTROS DE MEDIANA Y
TRANSFORMADA WAVELET EN EL ANLISIS DIGITAL
DE IMGENES NEURALES
2.1. Introduccin
El procesamiento de imgenes de espinas dendrticas neurales para la cuantificacin
presenta algunas dificultades, debido a que estas imgenes son capturadas a diferentes planos
focales, presentando variacin en su centro focal y variacin en el contraste, lo cual dificulta la
superposicin de diferentes imgenes sin un previo pre-acondicionamiento. Algunos autores
delimitan el procesamiento a una regin de la imagen, con el fin de disminuir el grado de
dificultad en el procesamiento de la imagen.
Fleuret y otros [6], utilizaron tcnicas estadsticas donde describen los resultados
preliminares respecto al seguimiento de las dendritas expandidas de una neurona en
imgenes de microscopa confocal. Sobre un nmero pequeo de imgenes, ellos obtienen
buenos resultados usando un algoritmo basado en la tcnica de Expectacin-Maximizacin (E-
M), para la estimacin de la probabilidad de que un pxel pertenezca al rbol dendrtico de
una neurona, para ello utilizan las propiedades globales del rbol del conjunto completo de
dendritas. El algoritmo EM se usa en estadstica para encontrar estimadores de mxima
verosimilitud de parmetros en modelos probabilstico que dependen de variables no
observables.
40
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Young y otros [6], realizaron anlisis de imgenes celulares en tres dimensiones y
demuestran con resultados experimentales la viabilidad del seguimiento automatizado del
rbol dendrtico de las neuronas, con datos adquiridos por microscopa de fluorescencia
confocal. La salida del sistema es una representacin grfica etiquetada de la topologa neural
y esta espacialmente alineada con la data de la imagen en 3D. Una variedad de anlisis
topolgicos y mtricos se puede realizar usando esta representacin, como por ejemplo
mediciones precisas de volmenes longitudes, dimetros y tortuosidades. Se hace sobre
fracciones especficas de la neurona.
Bai y otros [6] realiza estudios en las espinas dendrticas ya que juegan un papel muy
importante en el sistema nervioso central y la tcnica de protenas fluorescente facilita la
bsqueda de espinas. Para analizar, cuantitativamente, las espinas dendrticas en las imgenes
adquiridas en microscopa de fluorescencia, se propone un mtodo para el anlisis
automtico de las espinas dendrticas. Debido al lmite de la resolucin axial, el mtodo se
dise para procesar la imagen de la proyeccin a lo largo del eje de z y analizar las espinas
dendrticas laterales. El mtodo puede extraer, automticamente, las lneas centrales de las
dendritas y el segmento de las espinas a lo largo de la dendrita de acuerdo a criterios basados
en el ancho. El criterio es utilizar caractersticas morfolgicas comunes de las espinas. Puede
detectar algunas formas de espinas perdidas no detectadas por otros mtodos. Para validar el
mtodo desarrollado el nmero de espinas, longitudes y densidades se analizaron de manera
manual y automtica.
Estos trabajos muestran resultados que tuvieron gran impacto, pero su desventaja es que
para su buen funcionamiento necesitan mucha intervencin manual por parte del especialista,
lo cual hace que el estudio sea lento y muy laborioso. Las imgenes de CP han sido poco
estudiadas desde el punto de vista de la ingeniera biomdica y el presente estudio se enfoca
hacia la bsqueda de una herramienta que atenu el ruido y a su vez realce la morfologa de las
imgenes de CP, especialmente en reas pequeas de las ramificaciones dendrticas, ms que
en el rbol dendrtico completo. Adicionalmente, que se considera que este estudio es
importante ya que permite realizar medidas comparativas del nmero de espinas durante las
diferentes etapas del desarrollo de las CP, aspecto importante en caso de enfermedades
neurales durante la infancia.
41
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Tratando de conseguir un mejor realce morfolgico celular de CP, se utilizan filtros de
Mediana [6,6,6] y la transformada wavelet [6,6] que son herramientas que muestran buenos
resultados para el preprocesamiento de datos en las referidas imgenes.
2.2. Materiales y Mtodos
Para este estudio, se gener una base de datos que consta de 35 imgenes (4096x5120 y 8
bits de profundidad) de CP del cerebelo de ratones adultos jvenes, adquiridas utilizando un
microscopio Polyvar Reichert-Jung. A los cerebelos se les aplic la tcnica de impregnacin
cromo-argntica o mtodo de Golgi, modificada por Palacios-Pr [6]. Las imgenes fueron
obtenidas en el Centro de Microscopa Electrnica Dr. Ernesto Palacios Pr de la
Universidad de Los Andes (Mrida, Venezuela), visualizando los cortes con microscopa de
luz de alta resolucin digital (MLARD). Las diferentes tcnicas que se utilizaron para procesar
las imgenes de CP fueron: filtro de mediana, filtro de mediana ponderado, filtro de mediana
ponderado ptimo y transformada wavelet (TW). Estas tcnicas se usaron con el fin de
mantener las caractersticas relevantes de la imagen original. Se proces con estos filtros una
seccin de una imagen de CP de tamao 1024x1024 y 8 bit, en los filtros de mediana las
ventanas fueron de tamao impar y vecindad cuadrada, el tamao de la ventana se seleccion
de forma heurstica hasta encontrar un tamao optimo.
2.2.1. Filtro de mediana
Una de las tcnicas no lineales ms utilizadas para el procesamiento de imgenes, en cuanto
a la eliminacin de ruido, es el filtro de mediana. La mediana (operador median(.) ) de una
secuencia impar de k nmeros se define como el nmero que cumpla que es mayor que
2
) 1 ( k
nmeros, y menor que los otros
2
) 1 ( k
. Diversos autores [6] han demostrado las ventajas de
utilizar esta tcnica en el preprocesamiento de imgenes. La ecuacin 2.1, define
matemticamente este tipo de filtro.
42
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
)) ( ),... ( ),... ( ( ) (
R L
N n x n x N n x median n y +
(2.1)
Donde:
L R
N N N +
:
Tamao de la ventana de observacin
) (n x
: Elementos de la ventana de observacin
) (n y
: Salida del filtro
.
2.2.2. Filtro de mediana ponderado
Los Filtros de mediana sin ponderaciones son temporalmente ciegos todas las muestras en
la ventana de observacin son tratadas iguales sin importar su localizacin pero las
ponderaciones permiten realzar y/o despreciar la importancia de las muestras en la ventana de
observacin. El funcionamiento del filtro de mediana ponderado, cuya expresin matemtica
se presenta en la ecuacin 2.2, es similar al filtro de mediana ya descrito, pero se le asigna a
cada elemento de la matriz de coeficientes, una ponderacin que indica cuantas veces se repite
el valor del pxel [6].
( ) ( ) ( )) ) sgn( ,... ) sgn( , ) sgn( ( ) (
2 2 2 1 1 1 N N N
x W W x W W x W W median n y
(2.2)
Dnde:
N
W W W ...
2 , 1 : Son los coeficientes de ponderacin
N
x x x ...
2 , 1 : Representan el Nivel de Gris de cada pxel de la imagen
N : Tamao de la vecindad
:
Operador de repeticin que indica el nmero de veces que se repite el pxel de la
imagen segn la ponderacin ( i
W
)
) (n y
: salida del filtro
n
: Valor en el tiempo
sgn: Extrae el signo de su argumento
43
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
2.2.3. Filtro de mediana ponderado ptimo
En la aplicacin del filtro de mediana ponderado optimo se vectorizan las matrices de las
imgenes de igual tamao, este filtro se fundamenta en un proceso de optimizacin del vector
de ponderacin utilizando recursividad, donde la salida previa es usada para determinar la
salida actual. El nmero de iteraciones depende del nmero de componentes del vector
imagen. Durante este proceso se mide el error segn la ecuacin 2.3. Tal error es la
diferencia en valor absoluto del vector ideal
) (n D
y el vector con ruido procesada con el
filtro de mediana ponderado ) (
) ( (( ) ( n D n D abs n e
(2.3)
)) (
) ( sgn( * )) ( sgn( )) (
) ( ( ) ( ) 1 (
1
n D n S n W n D n D n W n W
j j j j
+ +
+
(2.4)
Donde:
) (n e
: Error
j
W
: Coeficientes previos de ponderacin
1 + j
W
: Coeficientes actuales de ponderacin
) (n D
: Imagen deseada
) (
(2.5)
Donde x
k
y y
k
son respectivamente traslaciones en los ejes coordenadas x, y la TW
Inversa bidimensional. se representa mediante la ecuacin 2.6
( )
( ) ( )dxdy y x y x f y x y x f C
donde
y x C y x f
ky kx j ky kx j ky kx j
j kx ky ky kx j ky kx j
, * ) , ( , ) , (
, ) , (
, , , , , ,
, , , ,
(2.6)
El proceso de reconstruccin, tambin denominado sntesis, se encarga de la obtencin de
la imagen a partir de los detalles y aproximaciones. ste proceso se lleva a cabo con la
transformada wavelet inversa (TWI).
2.3.Resultado
45
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Mediante la aplicacin de las diferentes tcnicas mencionadas se encontraron resultados
que demuestran su efectividad en cuanto al realce de la imagen, cuando se compara el
resultado con la imagen de CP original MLARD.
2.3.1 Filtro de mediana
Cuando se utiliz el filtro de mediana [6], con una vecindad 5x5, se observ la atenuacin
de ruido impulsivo de alta frecuencia; mientras que los bordes de las CP se realzan (Figura 2-
21b), y se mantienen inalteradas algunas estructuras de la imagen, como son las espinas
dendrticas.
En la aplicacin de este filtro se utilizaron mscaras o vecindades cuadradas de orden
impar y el tamao de la mscara optima se encontr utilizando una metodologa heurstica, es
decir, se ensayo con mscaras de tamao 3x3, 5x5, 7x7 25x25 y se observ un mejor realce
en la imagen de CP con la mscara de 5x5.
Figura 2-21. (a) Dendritas de CP, sin ningn preprocesamiento. (b) Dendritas de CP despus de utilizar
filtro de mediana, con una vecindad 5x 5.
2.3.2 Filtro de mediana ponderado
Al aplicar el filtro de mediana ponderado [6] se puede observar que se mantienen las
caractersticas fenotpicas de CP (Figura 2-22b), sin embargo, se aprecia cambios en el
contraste y suavizado en la imagen de CP. El filtro de mediana ponderado se caracteriza
46
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
porque a cada elemento de la mscara o vecindad cuadrada de tamao impar, se le asigna una
ponderacin ( i
W
). Los valores de ponderacin se seleccionan en forma: aleatoria,
heursticamente, considerando un Filtro de Repuesta Impulsiva Finita (FIR), entre otros. En
nuestro caso se utilizaron los coeficientes de un filtro FIR pasa banda normalizado con
respecto a la frecuencia de Nyquist, de orden 24 N (genera 25 coeficientes, para una
vecindad de 5x5 y frecuencia
7 . 0 1 . 0
n
f
). En el desarrollo del presente estudio se
modific heursticamente el tamao del filtro (N) y se modificaron los valores del intervalo en
n
f
, hasta observar mejoras en el realce de la imagen de CP.
Figura 2-22. (a) Dendritas de CP, sin ningn preprocesamiento. (b) Dendritas de CP despus de utilizar el
filtro de mediana ponderado, con una vecindad 5x5
2.3.3 Filtro de mediana ponderado ptimo
Se observa en la imagen obtenida por el filtro de mediana ponderado ptimo (Figura 2-
23b) que se obtiene una imagen con un mejor contraste y realce, que la imagen deseada
(Figura 2-24b), pero se observan algunos artefactos que distorsionan la imagen, estos se
muestran en el recuadro rojo donde se encierra unas franjas verticales que se originaron como
resultado al aplicar el filtro.
En la implementacin del filtro de mediana ponderado ptimo, es necesario inicializar los
pesos ( i
W
). Para ello se consideran los coeficientes del filtro FIR mencionado en la seccin
47
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
2.3.2. Tambin es necesaria una imagen de referencia
) (n D
y la imagen a procesar
) (
n D
de
CP (Figura 2-24) ambas imgenes estn vectorizadas. ) (
n D
Se obtiene aplicndole a la
imagen, que se desea optimizar, un filtro de mediana ponderado y
la imagen de referencia es
una imagen de CP restaurada mediante el algoritmo de Lucy-Richardson (ver captulo III) [6].
La Figura 2-25 muestra una curva de aprendizaje de error que se obtiene restando en valor
absoluto ) (
n D
y
) (n D , generando una curva envolvente del error. Para cada valor del error
se genera un vector de ponderacin de 25 componentes, utilizando la ecuacin 2.4. La mejor
ponderacin se obtiene cuando la curva envolvente del error se hace mnima (Figura 2-25) y
se logra en la iteracin 16000.
Figura 2-23. (a) Dendritas de CP, sin ningn preprocesamiento. (b) Dendritas de CP despus de utilizar filtro
de mediana ponderado ptimo, con una vecindad 5x5.
48
Artefactos Artefactos
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 2-24. (a) Dendritas de CP, sin ningn preprocesamiento. (b) Dendritas de CP deseada
0 2000 4000 6000 8000 10000 12000 14000 16000
0
10
20
30
40
50
60
70
80
90
100
Numerodeiteraciones
E
r
r
o
r
Figura 2-25. Curva de error
2.3.4 Transformada Wavelet
En cuanto al procesamiento utilizando TW, inicialmente, se procedi a realizar la
descomposicin y procesamiento, considerando un solo nivel de descomposicin obtenindose
49
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
cuatro coeficientes, conocidos como: aproximacin, detalles horizontales, detalles verticales y
detalles diagonales (Figura 2-26). En la descomposicin se utiliz la Daubechies (db1)
originando resultados aceptables en el realce de CP. En la seleccin de la wavelet no existe
una transformada wavelet nica que resuelva los problemas a priori en la imagen tratada
(compresin, eliminacin de ruido, segmentacin de imagen,...), lo que se hace es busca la
familia de wavelets (Haar, Daubechies, Coiflets,...) que mejor realcen las caractersticas de la
imagen a estudiar generando mejores resultados en la imagen a procesar.
En la descomposicin de la imagen utilizando TW, los coeficientes de aproximacin
contiene la mayor parte de la energa de la imagen, mientras que los detalles (horizontal,
vertical y diagonal) tienen valores prximos a cero, la transformada wavelet permite aplicar
tcnicas de procesamiento de imgenes a cada uno de sus coeficientes.
Figura 2-26. Descomposicin de la TW de CP, con la wavelet db1
50
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Los coeficientes fueron procesados utilizando tcnicas de procesamiento de imgenes
procesamiento pxel por pxel o filtrado espacial. Obtenindose mejores resultados aplicando
el filtro laplaciano de una gaussiana (matlab: fspecial('log',[17 17], 0 .07) ) a los coeficientes
de aproximacin, seguidamente se le aplico la transformada wavelet inversa, obteniendo un
realce del rbol dendrticos y las espinas de CP, para lo cual se muestran secciones de las
imgenes de CP para observar en detalle el realce de espinas dendrticas. (Figura 2-27a y
Figura 2-27b).
Figura 2-27. (a) Imagen aumentada de las dendritas de CP, correspondiente a una seccin de la imagen. (b)
Aplicacin de la TWI
51
a
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
2.4. Conclusiones
El procesamiento de imgenes de CP con filtros de mediana y TW es una metodologa
novedosa, a la cual se le ha dedicado poca atencin. Esto puede concluirse debido a la escasa
literatura encontrada al respecto. Los resultados obtenidos sugieren que las tcnicas estudiadas
podran ser una importante herramienta de procesamiento para este tipo de imgenes. En
cuanto a los resultados, el filtro de mediana ponderado es el que produce mejores resultados.
El filtro de mediana ponderado ptimo presenta como limitante el requerimiento de una
imagen de referencia, la cual en esta aplicacin no siempre est disponible. Por su parte, la
TW resalta y ofrece informacin importante relativa a los bordes de las CP, permitiendo una
mejor definicin de aquellos sitios donde las espinas dendrticas aparecen borrosas.
Las tcnicas de procesamiento propuestas resultan tiles para producir un realce adecuado
de las CP, lo cual puede contribuir a mejorar el procedimiento de cuantificacin de espinas
dendrticas que normalmente se realiza en forma manual.
52
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
3. Captulo III
3. PREPROCESAMIENTO DE IMGENES DE CLULAS
DE PURKINJE UTILIZANDO DECONVOLUCIN
3.1. Introduccin
Las imgenes obtenidas con microscopa de luz de alta resolucin digitalizada (MLARD) a
partir de secciones de tejido de 90 a 150 de espesor son imgenes bastante ntidas; sin
embargo, algunas son borrosas debido a los diferentes planos focales existentes por el espesor
del corte, lo cual produce un proceso de degradacin lineal e invariante espacial que afecta a
cada uno de los pixeles de la imagen en igual proporcin. Esta degradacin se model como
una convolucin matemtica bidimensional de una funcin
) , ( y x f
representativa de la
imagen original [6], con otra funcin de propagacin puntual (PSF), que modela el proceso de
degradacin de cada punto
) , ( y x h
, obtenindose una imagen degradada
) , ( y x g
. El
problema consiste en realizar la operacin inversa que permita recuperar la imagen original
) , ( y x f
a partir de la versin degradada
) , ( y x g
y del conocimiento que se tenga del
sistema ptico de adquisicin de imgenes representada por la funcin
) , ( y x h
, esto se
conoce como deconvolucin [6,6]. La deconvolucin, en este caso, es la correccin de los
efectos instrumentales originada por las aberraciones de los sistemas pticos.
Diversos autores han realizado trabajos utilizando la tcnica de deconvolucin en algunas
modalidades de imgenes. En este sentido, Poindexter (2008), realiz un estudio de
visualizacin y localizacin de los antimicrobios humanos beta 1, 2 y 3, alfa defensina
neutrfilos y LL-37, en piel [6]. Para ello, tom muestras de tejido en el cual las clulas
fueron marcadas con anticuerpos secundarios. Estas muestras fueron observadas con
53
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
microscopa de fluorescencia, las imgenes obtenidas fueron restauradas por deconvolucin
generando una secuencia adecuada para la posterior cuantificacin de las clulas en estudio.
Por otra parte, Park y otros [6], aplicaron la referida tcnica, conjuntamente con la PSF,
para ubicar con precisin la ubicacin del baricentro de los anillos que generan unas
micropartculas al analizar un movimiento tridimensional.
De igual manera, Maierhofer y otros [6], aplicaron la tcnica en la compresin de
enfermedades a nivel celular, analizando el ADN de manera eficiente en una celda a partir de
clulas de tejido en el contexto natural. Sin embargo, el anlisis de ADN en las clulas es til
para la comprensin del cncer. En el estudio presenta una hibridacin fluorescente in situ,
tcnica basada en la deconvolucin multicolor. Se utilizaron siete canales para la deteccin de
la sonda, que permite la localizacin simultnea en alta resolucin en una muestra biolgica
con un espesor de hasta 30 micras. Tambin utiliz un etiquetado de los ncleos que ofrece
una segmentacin simultnea.
En el proceso de deconvolucin existen diversas formas de enfocar la tcnica, entre ellas
se pueden mencionar los mtodos basados en alcanzar una solucin de mxima verosimilitud
(maximum likelihood), mtodos basados en la probabilidad Bayesiana, y mtodos de
deconvolucin a ciegas (blind deconvolution) [6]. Entre los mtodos de mxima verosimilitud
estn los mtodos iterativos para minimizar la diferencia entre la imagen distorsionada original
y la convolucin de la imagen verdadera con el PSF. Con respecto a los mtodos Bayesianos
destaca el algoritmo Pixon [6], este algoritmo permite la incorporacin de informacin a
priori, tales como restricciones de suavidad, para as mejorar la calidad de la imagen. El
algoritmo iterativo de Lucy-Richardson, se basa en alcanzar una solucin de mxima
probabilidad [6]. Los mtodos de deconvolucin a ciegas buscan extraer una PSF plausible a
partir de la informacin existente en la imagen y de cierto conocimiento a priori del contenido
de la misma. En nuestro caso, se implementarn los algoritmos iterativos [6] de los filtros de
regularizacin, filtro Winner y filtro de Lucy-Richardson. Dicha implementacin permitir
establecer comparaciones en cuanto al desempeo de tales algoritmos iterativos.
De lo descrito anteriormente, se puede intuir que los instrumentos pticos producen
ligeras desviaciones en la trayectoria de los fotones, lo que se traduce en aberraciones en la
54
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
imagen, de modo que sta nunca es una copia exacta del objeto real y ser necesario recurrir a
tcnicas de restauracin, para optimizar el posterior proceso de cuantificacin de la imagen.
3.2. Materiales y Mtodos
En la presente investigacin se adquiri una base de datos de 35 imgenes, con una
resolucin de 4096x5120 pxeles y una profundidad de 8 bits. Las imgenes de CP son de un
corte del cerebelo de un ratn adulto joven, adquiridas utilizando un microscopio fotnico
Polyvar Reichert-Jung con un objetivo de 100X y una cmara fotogrfica Infinity. Al cerebelo
se le aplic el mtodo de Golgi modificado por Palacios-Pr [6]. Se visualizaron cortes (90
de espesor) con MLARD a diferentes planos focales. La tcnica utilizada para procesar las
imgenes de CP fue la deconvolucin, la cual fue implementada para realzar las caractersticas
ms importantes de las espinas de las ramificaciones dendrticas de CP.
3.2.1 Convolucin
La convolucin es una operacin matemtica que corresponde al filtraje de una funcin
) , ( y x f
con un cierto ncleo funcional h(x,y) para producir la forma de otra funcin
) , ( y x g
, como lo indica la ecuacin 3.1.
M
k
N
l
l y k x h l k f y x h y x f y x g
1 1
) , ( ) , ( ) , ( * ) , ( ) , (
(3.1)
Por tanto, al aplicar a una imagen una convolucin (Figura 3-28) con una funcin
gaussiana (Figura 3-29), lo que se hace es forzar a que las variaciones de brillo existentes en la
imagen se parezcan ms a la forma de una gaussiana, haciendo el cambio de colores suave, lo
cual produce un efecto de desenfoque gaussiano. En la formacin de la imagen expresa que lo
obtenido, cuando se adquiere cualquier imagen de un objeto real, es bsicamente el resultado
55
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
de una convolucin, donde la PSF (
) , ( y x h
) es una funcin que caracteriza las
imperfecciones de los dispositivos de adquisicin (microscopio y cmara LCC). En otras
palabras la PSF es la funcin matemtica que describe la distorsin que sufre un punto terico
de luz al atravesar un medio de difraccin (lente) como lo modela la ecuacin 3.2
R y x h y x f y x g + ) , ( * ) , ( ) , (
(3.2)
) , ( y x g
: Imagen observada
) , ( y x f
: Imagen real
) , ( y x h
: PSF
R : Ruido
*: Operador de convolucin
En condiciones ideales de observacin, en un microscopio con lentes con grado de
aberracin igual a cero, la PSF sera una delta de Dirac (funcin impulso), funcin
consistente en un pico nico cuya anchura tiende a cero y rea a uno. En estas condiciones la
convolucin sera una identidad, es decir, no modificara el objeto en observacin.
Figura 3-28. Ejemplo de la operacin de convolucin
56
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 3-29. Funcin de propagacin de puntos (
) , ( y x h
)
3.2.2 Deconvolucin
La deconvolucin (Figura 3-30), es la inversa de la convolucin con ausencia de ruido (
0 R ). Conocido el resultado de una convolucin y sabiendo qu forma tiene la PSF, es
posible revertir el proceso para obtener la funcin original
) , ( / ) , ( ) , ( y x h y x g y x f
donde
el smbolo / representa la deconvolucin. Esto es cierto en teora, pero no es tan sencillo en
la prctica. Trabajando con imgenes reales, no se puede llegar a un resultado razonable
aplicando una deconvolucin de forma fcil y hay varias razones para ello. Una, muy
importante, es que las imgenes digitales son representaciones discretas. Todo proceso de
muestreo necesariamente se realiza con un rango finito de frecuencias, con lo cual una parte de
la informacin se pierde de forma irreversible. Otra razn, igualmente importante, es que en
realidad no se conoce la PSF, debido a las perturbaciones que intervienen durante la
adquisicin de una imagen en microscopa, slo se puede modelar de forma aproximada, por
lo tanto una pequea variacin en la PSF tiene efectos muy importantes en el resultado de la
deconvolucin. Tambin hay que tener en cuenta en la adquisicin de imgenes, la presencia
del ruido ( R ), que es un componente aditivo que complica la solucin del problema. Esto es
debido a que es muy difcil caracterizarlo correctamente, y adems, porque es an ms difcil
separarlo de la imagen, ya que no se sabe de forma exacta que es el objeto y que es el ruido.
Otra causa es que PSF, posee valores igual a cero, y divisiones de ese tipo generan error. Por
todas estas razones, la deconvolucin de imgenes reales es un problema bastante complejo,
57
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
debido a esto se recurre a la implementacin de tcnicas basadas en algoritmos de
deconvolucin que se implementan mediante mtodos numricos.
Figura 3-30. Ejemplo de la operacin de deconvolucin
Los mtodos numricos que se utilizaron en la deconvolucin fueron los algoritmos de
regulacin, el de Wiener y el de Lucy-Richardson. Tales Algoritmos son procedimientos
iterativos que se utilizan para la restauracin de una imagen, que ha sido distorsionada por
una PSF.
Antes de definir los filtros anteriores se har referencia a los mtodos iterativos. Un
mtodo iterativo es un mtodo que progresivamente va calculando aproximaciones a la
solucin de un problema. Matemticamente, en un mtodo iterativo se repite un mismo
proceso de mejora sobre una solucin aproximada: se espera que lo obtenido sea una solucin
ms aproximada que la inicial. El proceso se repite sobre esta nueva solucin hasta que el
resultado ms reciente satisfaga ciertos requisitos. A diferencia de los mtodos analticos, en
los cuales se debe terminar el proceso para obtener la respuesta, en los mtodos iterativos se
puede suspender el proceso al trmino de una iteracin y se obtiene una aproximacin a la
solucin. Por ejemplo un mtodo iterativo ser encontrar la raz a una ecuacin cuadrtica,
donde se utiliza el mtodo de Newton, pero un mtodo directo consiste en aplicar la ecuacin
solucin por factorizacin, solucin por completacin de cuadrados o solucin por la
58
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
ecuacin general. La desventaja de los mtodos iterativos respecto a los mtodos directos es
que los iterativos calculan aproximaciones a la solucin. Los mtodos iterativos se usan
cuando no se conoce un mtodo para obtener la solucin en forma exacta.
Filtro de regularizacin: El algoritmo de regularizacin [6], es la aproximacin de un
problema mal condicionado, por medio de problemas bien condicionados similares. En
general la regularizacin conlleva a realizar ciertas suposiciones acerca de la solucin con
respecto a su tamao o suavidad de una imagen. Supngase que se tiene una imagen borrosa
con la cual se forma un vector b , por otro lado se tiene la imagen
x
vectorizada que se
quiere recuperar y el aparato con el que se adquiri la imagen representado por una matriz A
(PSF), de
nxn
, en otra palabras, una imagen
x
se captura mediante el dispositivo A para
obtener una imagen b , esto es equivalente a aplicar una transformacin lineal A a un vector
x
.
b Ax (3.3)
El problema se reduce a encontrar
x
que resuelva la ecuacin 3.3, desafortunadamente,
resolver el sistema de ecuaciones por cualquier mtodo numrico, no resulta factible debido al
mal condicionamiento de la matriz A, conduciendo a la propagacin de errores numricos y
as generar una imagen de mala calidad, debido a eso se utilizan los filtros de regularizacin
que consisten en reemplazar el problema mal condicionado b Ax por la
)
x que minimiza el
funcional (3.4).
b A I A A x x b Ax
T
n
T 1
2 2
) ( 0 ;
+ > +
(3.4)
: Parmetro de regularizacin
n
I
: Matriz identidad
nxn
Filtro de Wiener: El algoritmo de Wiener se dise para trabajar en los casos donde el
ruido (
) , ( y x N
) es significativo, este filtro requiere que se conozca en detalle el tipo de
ruido presente en la imagen. Es un filtro lineal de mnimos cuadrados para reducir al mnimo
la distancia media entre la seal de salida y una seal deseada. Dicho algoritmo es usado para
la restauracin de imgenes. Para disearlo se necesita tener un conocimiento previo
59
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
apropiado de las propiedades estadsticas de la imagen de entrada, el problema reside en que
este conocimiento no se puede obtener en forma precisa, en su lugar se usan filtros
adaptativos, que hacen uso de los datos de entrada para aprender los datos estadsticos
requeridos [6].
Figura 3-31. Modelo de restauracin
El modelo de la Figura 3-31, se representa mediante la ecuacin 3.5
[ ] ) , ( * ) , ( ) , ( * ) , ( ) , (
y x H y x N y x H y x F y x F
R D I I
+
(3.5)
Aplicando la transformada de Fourier, se tiene la ecuacin 3.6
[ ] ) , ( * ) , ( ) , ( * ) , ( ) , (
y x R y x y x D y x I y x I
w w h w w n w w h w w f w w f +
(3.6)
Donde
y x
w w ,
: son la frecuencia correspondiente a cada uno de los ejes de la trasformada de Fourier
bidimensional
) , ( ), , ( ), , ( ), , ( ), , (
y x R y x y x D y x I y x I
w w h w w n w w h w w f w w f
Son las transformadas de
Fourier de
) , ( ), , ( ), , ( ), , ( ), , (
y x H y x N y x H y x F y x F
R D I I
Aplicando mnimos cuadrados al error (3.7) que se obtiene entre la imagen deseada y la
imagen de salida
[ ] { }
2
) , (
) , ( y x F y x F E E
I I
(3.7)
60
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
La minimizacin de la ecuacin 3.7 conduce a estimar el filtro de Wiener que est dado por la
ecuacin 3.8.
) , (
) , (
) , (
y x
F
F
y x
F
F
y x R
w w W
w w W
w w H
O
O
O
I
(3.8)
Donde
) , (
y x
F
F
w w W
O
I
: es la correlacin entre la seal de entrada y la repuesta deseada ( Figura 3-
31)
) , (
y x
F
F
w w W
O
O
: Autocorrelacin de la entrada
En el caso de existir ruido de tipo aditivo ( Figura 3-31) entonces
) , (
y x
F
F
w w W
O
I
y
) , (
y x
F
F
w w W
O
O
se sustituyen por las ecuaciones 3.9 y la ecuacin 3.10 respectivamente en la
ecuacin 3.11.
) , ( ) , ( ) , (
*
y x F y x D y x
F
F
w w W w w H w w W
I
O
I
(3.9)
) , ( ) , ( ) , ( ) , (
2
y x N y x F y x D y x
F
F
w w W w w W w w H w w W
I
O
O
+
(3.10)
) , ( ) , ( ) , (
) , ( ) , (
) , (
2
*
y x N y x F y x D
y x F y x D
y x R
w w W w w W w w H
w w W w w H
w w H
I
I
+
(3.11)
Filtro Lucy-Richardson: En el presente estudio se utiliz el algoritmo de Lucy-
Richardson, debido a que genera excelentes resultados en el procesamiento de CP. Ellos
reportan [6] reportan resultados que se adquieren aplicando mtodos probabilsticos de
restauracin de imgenes degradadas por altos niveles de ruido. En el desarrollo de la tcnica
se asume que la degradacin de una imagen H es de la forma S W H * , donde W es la
61
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
imagen original, S es la funcin de dispersin puntual (PSF) y * denota la operacin de
convolucin (Figura 3-32). Se considera que W , S y H son una medida de la frecuencia
de ocurrencias de un evento en un punto dado.
Figura 3-32. Degradacin espacial de una imagen
Dada la imagen degradada H, la funcin de dispersin de puntos S, y el requerimiento de
conseguir la imagen original W, se puede recurrir al teorema de Bayes. Dicho teorema
establece la probabilidad condicional del evento
i
W
dado el evento
k
W
y se puede estimar
de acuerdo a la ecuacin 3.12.
K k J j I i
W P
W
H
P
W P
W
H
P
Wi P
j
i
i
k
i
i
k
.. 1 , .. 1 , .. 1
) ( ) (
) ( ) (
) (
(3.12)
Donde:
i
H
: Es la i-esimo pixel de H
i
W
: Es la i-esimo pixel de W
Considerando todos los i
H
y su dependencia con respecto a i
W
segn S , se puede
escribir.
k
k
k
i
k i i
H P
H
W
P H W P W P ) ( ) ( ) ( ) (
(3.13)
62
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Como se cumple P (W H
k
) = P (W
i
H
k
)/1P (H
k
). Es posible obtener
k
j
j
j
k
k i
i
k
i
W P
W
H
P
H P W P
W
H
P
W P
) ( ) (
) ( ) ( ) (
) (
(3.14)
En la ecuacin 3.14
) (
i
W P
es considerada la solucin, pero en muchas aplicaciones del
teorema de Bayes el trmino no es conocido, por eso es necesaria la utilizacin de iteraciones
para estimar el valor
) (
i
W P
.
{ } ,.... 1 , 0 ;
) Pr( ) (
) ( ) ( ) (
) ( ) (
1
+
r
W
W
H
P
H P W P
W
H
P
W P W P
k
j
j
j
k
k i
i
k
i r i r
(3.15)
La ecuacin 3.15 es un procedimiento iterativo (r), inicializando
) (
0 i
W P
. La inicializacin
se puede realizar considerando una distribucin de probabilidad uniforme.
3.2.3 Relacin Seal a Ruido de Pico
La Relacin Seal a Ruido de Pico (PSNR: Peak Signal-to-Noise Ratio) es un trmino
utilizado en ingeniera para definir la relacin entre la mxima energa posible de una seal y
el ruido que afecta a su representacin fidedigna. Debido a que muchas seales tienen un gran
rango dinmico, el PSNR se expresa generalmente en escala logartmica, utilizando como
unidad el decibelio (dB). Para definir PSNR se hace indispensable la formulacin del error
cuadrtico medio representado en la ecuacin 3.16, que para dos imgenes
) , ( y x I
y
) , ( y x K
de tamao
] [ N M
se define el PSNR de acuerdo a la ecuacin 3.17.
2
1
0
1
0
1
) , ( ) , (
M
i
N
j
MN
j i K j i I MSE
(3.16)
63
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
El PSNR se define en la ecuacin 3.17 como:
,
_
MSE
PSNR
B
1 2
log * 20
10
(3.17)
B : Nmero de bits de profundidad en la representacin de la imagen
El uso del PSNR en este contexto es una medida cuantitativa de la calidad de una imagen
(
) , ( y x I
) que al aplicarle una convolucin con una PSF, genera una nueva imagen (
) , ( y x g
). La PSF (
) , ( y x h
) se representa por una gaussiana, con un tamao de ventana
de vecindad y varianza conocidas.
A partir de la imagen
) , ( y x g
se debe obtener una imagen ) , (
y x I muy aproximada a
) , ( y x I
. Para lograr esto se realiza una deconvolucin de
) , ( y x g
con una PSF (
) , ( y x h
)
de tipo gaussiana. Por lo tanto al calcular los PSNR, se genera una grfica modificando la
varianza y asumiendo una vecindad constante. En la grfica el pico ms alto, representa el
indicador del valor ptimo de varianza ya que es donde se lograr una mejor imagen ) , (
y x I
. El clculo del PSNR, se aplicar a la imagen de referencia con las diferentes tcnicas de
deconvolucin.
3.3. Resultados
3.3.1 Validacin de los algoritmos de restauracin
Antes de analizar los resultados obtenidos correspondientes a la restauracin de las
imgenes de CP por deconvolucin se realiz una validacin de la implementacin de los
algoritmos, basada en la imagen de Lena (Figura 3-34a) distorsionada con un ncleo
gaussiano. El objetivo es procesar la imagen distorsionada de Lena (Figura 3-34b) (que
emulara la imagen adquirida en un microscopio), que al aplicarle los mtodos numricos de
deconvolucin y luego estimar el PSNR permite estimar la imagen de Lena restaurada optima.
El procedimiento utilizado se muestra en la Figura 3-33, donde la imagen
) , ( y x f
convolucionada con la funcin gaussiana
) , ( y x h
con una vecindad cuadrada NxN de
64
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
15 15 x y varianza
5 , 2
permite generar la imagen
) , ( y x g
, que representa la imagen
distorsionada. Dicha imagen es procesada mediante filtros de deconvolucin que consideran
como informacin a priori diferentes ncleos PSF gausianos
) , ( y x h
i , obtenidos al
considerar diferentes valores para la varianza i
y x f
i
. Posteriormente
dicha imagen estimada se compara con la imagen original al calcular el valor de la relacin
seal ruido PSNR de pico expresada en decibeles. El proceso se repite para otro valor i
de
la PSNR considerada a priori para modelar la distorsin. De esta manera es posible generar
una grafica del PSNR en funcin de i
presenta una
imagen con un desenfoque mayor.
Figura 3-34. (a) Imagen de Lena (b) Imagen convolucionada con una gaussiana 5 , 2 (c) Clculo del
PSNR ptimo aplicando el filtro de regularizacin (d) Imagen restaurada con el filtro de regularizacin
En la Figura 3-35 se muestran los resultados obtenidos al realizar la restauracin usando el
filtro de Wiener. En este caso, (Figura 3-35b) la imagen restaurada muestra menos
desenfoque que el obtenido con el filtro de regularizacin. Es decir, se logra un mejor realce
de la imagen (Figura 3-35d). De la misma manera que en el caso anterior se logra un PSNR
ptimo, cuando el PSF a priori tiene
5 , 2
i
.
66
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 3-35. (a) Imagen de Lena. (b) Imagen convolucionada con una gaussiana 5 , 2 (c) Clculo del
PSNR ptimo aplicando el filtro de Wiener (d) Imagen restaurada con el filtro de Wiener
Los resultados obtenidos al realizar la restauracin de la imagen con el algoritmo de Lucy-
Richardson se muestran en la Figura 3-36b. En este caso se logran los mejores resultados en
cuanto a la restauracin. Esto se deduce por el hecho que el PSNR mximo es ms elevado
que para los filtros considerados previamente.
67
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 3-36. (a) Imagen de Lena. (b) Imagen convolucionada con una gaussiana 5 , 2 (c) Clculo del
PSNR ptimo aplicando el filtro de Lucy-Richardson (d) Imagen restaurada con el filtro de Lucy-Richardson.
3.3.2 Restauracin de Imgenes de Clulas de Purkinje
En la restauracin de imgenes de CP, se busc una PSF utilizando la funcin gaussiana
ya que modela la distorsin en las imgenes de CP, donde los parmetros de la funcin son el
tamao de la vecindad y la varianza, para encontrar el valor ptimo de los parmetros se
utiliz una vecindad de tamao NxN y varianza () . La PSF se utiliza en la deconvolucin
de las imgenes de CP (Figura 3-37, Figura 3-38 ,Figura 3-39) para atenuar el ruido y realzar
68
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
los bordes de las espinas dendrticas de CP mantenindose inalteradas algunas estructuras de
la imagen. Se emplearon vecindades cuadradas de orden impar utilizando una metodologa
heurstica, es decir, se ensayo con vecindades de tamao 3x3, 5x5, 7x7 25x25 y en cada
una de ellas se vari la varianza dentro del intervalo (010, incrementando en 0,5),
permitiendo as observar el realce en la imagen de CP en cada ajuste de la vecindad e
intervalo. Estos ensayos permitieron encontrar el PSF adecuado. Inmediatamente se aplic
un realce logartmico ver ecuacin 3.18, donde a las imgenes originales de CP, y las
imgenes de CP obtenidas en la deconvolucin se ajustan los pixeles hacia una curva
logartmica, permitiendo as mejorar imgenes demasiado oscuras.
) 1 ) , ( ( log ) , ( + y x f N y x g
(3.18)
N : Factor de escala fija el mximo nivel de salida
En la Figura 3-37, se observan los resultados de la restauracin de las CP utilizando el
filtro de regularizacin y una PSF con una ventana de 15x15 y =2,5. En la Figura 3-37b se
muestra que se produce un realce en el rbol dendrtico y se resaltan las espinas, tambin se
logra atenuar el ruido que contiene la imagen de CP original (Figura 3-37a), lo cual facilitara
la cuantificacin de las espinas dendrticas que se aprecian en la Figura 3.10b.
Se aplica realce logartmico a las imagen de CP Figura 3-37a y Figura 3-37b generando su
respectivo resultado en las Figura 3-37c y Figura 3-37d, observndose en las imgenes que se
logra un realce de la estructura del rbol dendrtico de CP, pero no un realce de los bordes de
las espinas dendrticas.
Utilizando el filtro de Wiener, se observa en la imagen de CP (Figura 3-38a), que la imagen
resultante es suavizada (Figura 3-38b) y la restauracin no es adecuada para realizar la
cuantificacin de las espinas de CP, la distorsin en la imagen se modela utilizando una PSF
con una ventana de 15x15 y =2,5.
Como se observa en la Figura 3-37c y Figura 3-37d, obtenidas por un realce logartmico de
las imgenes de las Figura 3-37a y Figura 3-37b donde se elimina gran cantidad de ruido pero
no se realzan las espinas dendrticas de CP.
69
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 3-37. (a) Imagen CP sin preprocesamiento (b) Imagen CP aplicando el algoritmo de regulacin con una
ventana de 15x15 y varianza 2,5 (c) Imagen original aplicando realce logartmico (d) Imagen de CP
obtenida por regulacin e inmediatamente se le aplica un realce logartmico
70
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 3-38. (a) Imagen CP sin preprocesamiento. (b) Imagen CP aplicando el algoritmo de Wiener con una
ventana de 17x17 y varianza 0,5 (c) Imagen original de CP aplicando realce logartmico (d) Imagen de CP
obtenida por Wiener y se le aplica un realce logartmico
En la Figura 3-39a se muestra la imagen de CP y en la Figura 3-39b el resultado del
proceso de restauracin utilizando el algoritmo de Lucy-Richardson, observndose que se
logra una excelente restauracin de las espinas dendrticas en la imagen de CP (ver Figura 3-
39b), lo cual facilitara la cuantificacin de las espinas dendrticas. En este caso la PSF que
modela la distorsin se considera como una funcin gaussiana de tamao 17x17 y con una
varianza 5. Luego se aplica un realce logartmico sobre las imgenes de CP Figura 3-39a y
Figura 3-39b presentndose los resultados en las Figura 3-39c y Figura 3-39d obtenindose
un mejor realce en las imgenes de CP.
71
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 3-39. (a) Imagen CP sin preprocesamiento. (b) Imagen CP aplicando el algoritmo de Lucy-Richardson,
con una ventana de 17x17 y varianza 5 (c) Imagen original de CP aplicando realce logartmico (d)
Imagen de CP obtenida por Lucy-Richardson y se le aplica un realce logartmico
3.4. Conclusiones
El mtodo numrico iterativo de deconvolucin, que genero mejores resultados fue el
algoritmo de Lucy-Richardson. De lo descrito anteriormente, se puede intuir que los
instrumentos pticos, durante los procesos de adquisicin (convolucin) de la imagen,
producen ligeras desviaciones en la trayectoria de los fotones, lo que se traduce en
aberraciones de la imagen, de modo que sta nunca es una copia exacta de lo real. Sin
72
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
embargo, mediante la utilizacin de algoritmos de restauracin iterativos es posible lograr un
buen realce de la imagen, lo cual permitir facilitar la cuantificacin de las espinas dendrticas.
Las imgenes obtenidas se utilizarn en el siguiente captulo para determinar el nmero de
espinas presentes en las dendritas de CP, utilizando para ello alguna tcnica de aprendizaje
supervisado.
73
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
4. Captulo IV
4. HERRAMIENTA DE CLASIFICACIN APLICADA A
IMGENES DE CLULAS DE PURKINJE
4.1. Introduccin
El conteo de espinas en las clulas de Purkinje (CP) constituye un problema de gran
inters para el Centro de Microscopa Electrnica Ernesto Palacios Pr, justificado por la
diversidad de enfermedades que pueden afectar tanto la estructura como la funcionalidad del
cerebelo. Este rgano posee como neuronas principales las CP, que son estructuras
encargadas de recibir, modular y transmitir toda la informacin, que se procesa en la corteza
cerebelosa, a travs de las sinapsis que establecen por medio de las espinas dendrticas. Este
tipo de espinas son estructuras especializadas a las cuales se les ha dedicado particular
atencin debido a que su aspecto morfolgico, su nmero y su distribucin espacial,
representan la expresin anatmica del funcionamiento del cerebelo. Entre las manifestaciones
patolgicas cerebelosas, ms comunes, se encuentran la disimetra, la ataxia de la marcha, la
hipotona muscular; mientras que las menos frecuentes son la degeneracin cerebelosa,
neoplasias, atrofias del cerebelo, dificultades para el aprendizaje no verbal, degeneraciones
espinocerebelosas y el sndrome hidroceflico, que es una anomala congnita del cerebelo
debida a una expansin qustica del cuarto ventrculo hacia el cerebelo. El nmero de espinas
y el crecimiento dendrtico son dos variables dinmicas, expresin de la plasticidad del
sistema nervioso, que van modificndose durante el proceso de desarrollo y maduracin de los
vertebrados. De all la importancia de conocer los patrones normales propios de cada una de
las etapas de desarrollo, para poder determinar cualquier alteracin que en la prctica se
traduce en manifestaciones clnicas y patolgicas [6]. En los estudios que se realizan en el
referido Centro, es importante disponer de la informacin relativa al nmero de espinas
74
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
dendrticas en CP, ya que dicha informacin permite expresar las condiciones funcionales del
cerebelo y, por tanto, del individuo.
El procesamiento de imgenes y el desarrollo de tcnicas automatizadas de clasificacin
son herramientas que podran resultar tiles para la cuantificacin de las imgenes de clulas
de Purkinje. Algunas de las investigaciones relacionadas con estas herramientas se presentan a
continuacin.
Vera y otros [6], desarrollan una tcnica para la deteccin automtica del corazn a partir
de imgenes de Tomografa Multi-corte (MSCT), la tcnica implementada consta de dos
etapas. En la primera se detect automticamente un conjunto de marcadores anatmicos
sobre el borde del corazn, empleando una mquina de soporte vectorial de mnimos
cuadrados entrenada usando patrones de tamao 31x31, asociados tanto a los Marcadores
como a otras estructuras presentes en las imgenes de MSCT, denominadas No Marcadores.
Mediante el entrenamiento se construy una superficie de decisin que permiti clasificar los
patrones de entrada como Marcadores y No Marcadores. Durante el proceso de deteccin se
obtiene un 95,84% de reconocimiento. Los marcadores detectados fueron ubicados mediante
sus respectivas coordenadas sobre la imagen. Tales coordenadas fueron utilizadas para obtener
mediante B-splines un conjunto de contornos que modelan el corazn. Durante la segunda
etapa, se implement un algoritmo de triangulacin, el cual permiti generar una superficie en
3-D a partir de los contornos proporcionados la cual es desplegada utilizando algoritmos de
rendering de superficie.
Garca y otros [6], presentan una herramienta de diagnstico histolgico en los tumores de
partes blandas el cual resulta til como fase previa al abordaje teraputico de estas lesiones.
Las tcnicas de reconocimiento de patrones pueden ser una herramienta muy til tanto en el
diagnstico como en la extraccin de la informacin relevante, utilizando imgenes de RM
(Resonancia Magntica) y datos epidemiolgicos. Se han obtenido muy buenos resultados, por
encima del 90% de acierto, al discriminar entre estirpes utilizando tcnicas de clasificacin,
tales como: clasificadores de distancia (los k vecinos), Clasificadores paramtricos (Bernoulli,
gaussiana y multinomial), rboles de decisin y Funciones discriminantes lineales (mquinas
de soporte vectorial). La exactitud al diferenciar entre una estirpe y las dems ha sido tambin
75
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
muy elevada. Estos resultados, junto con informacin sobre benignidad/malignidad con
modelos previamente descritos, proporcionan clasificadores a integrar en una herramienta
mdica de apoyo al diagnstico de los tumores de partes blandas.
Gonzlez y otros [6], proponen la utilizacin de descriptores de textura conocidos en la
clasificacin de clulas espermticas en funcin de la distribucin intracelular que presentan.
Se emplean estadsticos de segundo orden derivados de la matriz de co-ocurrencia y se
comparan los resultados con los obtenidos utilizando caractersticas geomtricas. El
clasificador utilizado es el de k vecinos ms prximos. Los resultados indican que los
descriptores derivados de la matriz de co-ocurrencia clasifican este tipo de imgenes con un
error menor que los derivados de las caractersticas geomtricas.
Huang y otros [6], presentan un mtodo para la clasificacin del carcinoma prstatico en
imgenes patolgicas. Dado que la clasificacin realizada en forma manual es subjetiva y
lenta, este trabajo presenta un sistema automatizado para clasificar imgenes patolgicas
segn el grado de acuerdo al sistema de clasificacin de Gleason, que es el mtodo ms
utilizado para la clasificacin histolgica de los tejidos finos de prstata. Los autores proponen
dos mtodos de extraccin de caractersticas basadas en la dimensin fractal para analizar las
variaciones de la intensidad y la complejidad de la textura en las regiones de inters. Cada
imagen se puede clasificar en un grado apropiado de la escala de Gleason, utilizando Tcnicas
bayesianas, redes neurales y mquinas soporte vectorial (SVM). Los resultados experimentales
demuestran que el 91,2%, 93,7%, y el 93,7% de Tasas Correctas de Clasificacin (CCR) se
puede alcanzar por mtodos Bayesiano, redes neurales y clasificadores SVM, respectivamente,
para un conjunto de 205 imgenes patolgicas de la prstata. Si el sistema de base fractal de
caractersticas es optimizado la seleccin del CCR se puede mejorar hasta 94.6%, 94.2%, y
94.6%, respectivamente, usando cada uno de los tres clasificadores antes dichos. Los
resultados experimentales demuestran que el sistema de caracterstica es mejor que los
sistemas de caracterstica extrados de multi-wavelets, filtro Gabor y los mtodos de matriz de
la co-ocurrencia del nivel de gris.
En el procesamiento de las imgenes que contienen las CP, se utilizaron tcnicas de
deconvolucin, como se explic en el captulo III, obtenindose as un realce de las espinas
dendrticas de las CP, que permiti implementar un modelo, basado en mquinas de soporte
76
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
vectorial de mnimos cuadrados [6], para la clasificacin de las espinas dendrticas de CP.
Para ello, se realiz una revisin del estado del arte acerca de las Mquinas de Soporte
Vectorial de Mnimos Cuadrados, su idea original, sus extensiones propuestas, sus algoritmos
de entrenamiento y su aplicacin a la clasificacin de imgenes.
4.2. Materiales y Mtodos
Para desarrollar el presente trabajo, se utiliz un procedimiento de clasificacin automtico
estructurado en dos etapas denominadas entrenamiento y deteccin. En primera instancia, se
implement la etapa de entrenamiento. Durante esta etapa, a partir de caractersticas
especificas de datos etiquetados, obtenidos de un conjunto de imgenes de entrenamiento, se
gener una superficie de decisin que asigna etiquetas a la informacin contenida en cualquier
imagen de entrenamiento y por ende permite clasificar los objetos presentes en ella. Luego, se
implement la etapa de deteccin, mediante la cual se asigna una etiqueta a cada uno de los
objetos presentes en imgenes no utilizadas durante la fase de entrenamiento.
La clasificacin fue aplicada a una base de datos que consta de 25 imgenes (1024x1024
a 8 bits de profundidad en niveles de gris) de CP, que se pre-procesaron con el algoritmo de
deconvolucin de Lucy-Richardson y realce logartmico para realzar las espinas dendrticas y
as poder utilizar las herramientas de clasificacin como lo son las mquinas de soporte
vectorial. Los resultados se presentan en la seccin 4.2.3.2. Antes de aplicar las herramientas
de clasificacin en CP, se realizaron validaciones de la tcnica de reconocimiento con un
conjunto de imgenes sintticas, que contienen formas conocidas para su identificacin y
clasificacin. Los resultados de esta validacin se presentan en la seccin 4.2.3.1.
4.2.1 Mquina de soporte vectorial (SVM)
Las SVM fueron desarrolladas por Vapnik [42] y constituyen un conjunto de algoritmos de
aprendizaje de tipo supervisado. Para resolver un problema de clasificacin las SVM deben
77
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
generar una superficie de decisin adecuada, basndose en el conjunto de datos de
entrenamiento. Para el caso especifico de mquinas de aprendizaje binarias, la superficie de
decisin es un hiperplano que separa los patrones de entrenamiento en dos clases. (Figura 4-
40).
Figura 4-40. Hiperplano de separacin optimo W.x+b
En la Figura 4-40 se dispone de un conjunto de N datos de entrenamiento llamados
patrones, de la forma
n
N N N
R x y x y x ), , ( ..., ), , (
1 1
, cada escalar i
y
(etiqueta) se
identifica con
{ } 1 t
, llamndose as vector de etiquetas
y
( )
N
y y y ... , ,
2 1
.
Problemas linealmente separables: existen muchos hiperplanos que pueden clasificar los
datos pero las mquinas no hallan uno cualquiera de estos hiperplanos, sino el nico que
maximiza la distancia entre el hiperplano y el dato ms cercano de cada clase, esta distancia
es llamada margen y el hiperplano que la maximiza se le llama el mejor hiperplano separador
(hiperplano de mximo margen). El hiperplano separador esta dado por la ecuacin.
) . ( x W 0 +b
x W,
R b R
n
,
(4.1)
78
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
El trabajo consiste en hallar el vector W de pesos que contiene la ponderacin de cada
atributo, indicando que tanto aporta en el proceso de clasificacin, en tanto que b define el
umbral de decisin. Para encontrar el hiperplano optimo se utiliza una funcin (d)
discriminante de distancia
Wx+b
W
W
, = W.W
d b)= (x,W,
(4.2)
Donde
W
es la norma asociada al producto escalar en
n
R
. Como se trata de patrones
linealmente separables, se puede re-escalar
W
y b , resultando la ecuacin
d b)= (x,W,
1
W
Wx + i b =1
(4.3)
As se obtiene el hiperplano de mximo margen cannico en el cual los patrones de
entrenamiento ms cercanos al plano tienen distancia normalizada
( d , ,W x 1 ) b
y los
dems patrones distancia
( d , ,W x 1 ) b
. Hallar el mejor hiperplano separador es un
clsico problema de maximizacin con restricciones de la ecuacin 4.3, el cual se puede
transformar en un problema ms sencillo utilizando el principio de dualidad, quedando como
W
2
min
(4.4)
Sujeto a:
y Wx + i i b >1, i=1...N
Clasificadores no lineales mediante kernel: se utilizan cuando no existe una superficie
lineal de decisin que separe los datos, en el espacio de entrada, se considera la
correspondencia del vector de entrada
W
a un espacio de mayor dimensin
c
R llamado
espacio caracterstico
(4.11)
Donde:
VP: Verdaderos positivos
FN: Falsos negativos
.4.2.3 Resultados
88
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
.4.2.3.1. Mquina de soporte vectorial de mnimos cuadrados aplicados
a imgenes sintticas
En la validacin de la tcnica de la LSSVM se utiliz un conjunto de imgenes sintticas
de 256x256 y 8 bits de profundidad. En el desarrollo de los ensayos con las imgenes
sintticas se sigui el diagrama de la Figura 4-47, en el diagrama se inicia con un conjunto de
imgenes que permiten construir un grupo de imgenes de entrenamiento y un grupo de
imgenes de validacin. Del grupo de imgenes de entrenamiento se seleccionarn los
Marcadores considerando una vecindad circular con 15 pixeles de radio. Adicionalmente
una de estas imgenes se utiliza para seleccionar los No Marcadores con una vecindad de
radio 15 pixeles. La cantidad de No Marcadores depende de la relacin de trabajo elegida
entre los Marcadores y los No Marcadores. Es decir, por cada Marcador se tendrn 30 No
Marcadores. Continuando con el diagrama mostrado en la Figura 4-47, se construyen los
vectores de atributos vectorizando las vecindades de los Marcadores y No Marcadores, esta
vectorizacin consiste en recorrer cada pixel de la imagen con la vecindad de 15 pixeles de
radio e irlos agregando como componentes en un vector. En este caso, las componentes de los
vectores estn definidas por la intensidad del gris de los elementos de la vecindad. Los
vectores de atributos sern los datos de entrada en la LSSVM, conjuntamente, con el valor de
las etiquetas -1 o +1 segn sea un Marcador (-1) o No Marcador (+1) y unos hiperparmetros
denominados sigma y gamma, tal como se explic anteriormente. Seguidamente se realiza el
proceso de test de entrenamiento o prueba, utilizando imgenes del grupo de entrenamiento,
de esta manera se puede determinar si existen falsos positivos o negativos. En caso de existir
falsos positivos o falsos negativos se deben variar los hiperparmetros para realizar un nuevo
entrenamiento de las LSSVM. Por ltimo, se realiza el test de validacin que consiste en
presentar una imagen vectorizada, a la entrada de la mquina para que realice la clasificacin
y detectar marcadores en el caso de las imgenes sintticas serian los signos (- +).
89
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 4-47. Diagrama del algoritmo de las LSSVM
90
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
4.2.3.1.1 Primer Ensayo
Se defini un conjunto de 9 imgenes sintticas, que contienen distribuido la simbologa
del signo (- + definidos como los Marcadores y los signos incompletos conjuntamente con
el fondo se definen como los No Marcadores). El ensayo tiene como objetivo clasificar
aquello que sea un signo (+ -) que serian los Marcadores de aquello que no es un signo
definindose como un No Marcadores. Del conjunto de imgenes sintticas, se seleccionaron
cinco imgenes para el entrenamiento y el resto de imgenes se asignaron para la validacin.
Entrenamiento: se seleccionaron los marcadores con una vecindad circular (Figura 4-48.b)
de radio 15 pixeles y luego de extrados de la imagen, los espacios es rellenaron con un nivel
de gris (Figura 4-49), estas imgenes, posteriormente, se utilizarn para extraer los No
Marcadores de una de ellas, con una vecindad circular de radio 15 pixeles, para obtener un
total de 51076 vecindades. Para hacer la vectorizacin de los Marcadores como los No
Marcadores se recorre cada vecindad de radio 15 pixeles, y se coloca cada elemento de la
vecindad como una componente de un vector generando un vector de 709 componentes.
Figura 4-48. Imagen sinttica de entrenamiento 256x256 pixeles y 8 bit de profundidad (a) imagen con los
marcadores (b) se seleccionan los marcadores
91
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 4-49. Imagen sinttica sin marcadores utilizada para extraer los No Marcadores
En el entrenamiento de la LSSVM se utiliz una relacin de 1:30, los No Marcadores se
seleccionaron en forma aleatoria, sin reemplazo.
Este tipo de entrenamiento es supervisado por lo cual se tienen dos clases: clase -1 se
asigna a los patrones correspondientes a los Marcadores y la clase +1 a los No Marcadores.
Adems, se utilizaron como valores de los hiperparmetros (gamma = 5 y sigma=0,01)
seleccionados heursticamente como aquellos que permiten optimizar la capacidad de
reconocimiento.
Validacin: Luego de entrenar las LSSVM, se realiza un test de validacin, para lo cual,
se introducen imgenes del grupo de validacin para realizar la clasificacin, como se puede
observar en la Figura 4-50, estas imgenes tienen que ser vectorizadas para introducir a la
mquina, para ello se utiliza una vecindad de igual tamao que la utilizada en los Marcadores
y No Marcadores que es desplazada sobre toda la imagen. Luego estas vecindades son
vectorizadas. Al realizar el test se observa qua la LSSVM, clasific correctamente los signos
que se utilizaron como Marcadores.
92
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 4-50. Imgenes sintticas de validacin del clasificador LSSVM, (a) se encontraron 10 marcadores
(b) se encontraron 14 marcadores
4.2.3.1.2 Segundo Ensayo
Se construy un conjunto de 10 imgenes sintticas que contienen letras distribuidas,
aleatoriamente, y a cada imagen se les agreg ruido gaussiano (sigma=0,04). Los Marcadores
se definen por las primeras cuatro letras (A, B, C, D) y el resto de las letras conjuntamente
con el fondo se consideraron como No Marcadores. Del conjunto de las 10 imgenes se realiz
una seleccin segn su posicin, par para el grupo de entrenamiento e impar grupo de
validacin.
Entrenamiento: se seleccionan los Marcadores (A, B, C, D) en las diferentes posiciones de
las 5 imgenes y de una de ellas se seleccionan los No Marcadores, para as, realizar el
entrenamiento de la mquina hasta encontrar los valores ptimos de los hiperparmetros de la
LSSVM .
Validacin: Son imgenes utilizadas para el test de validacin de la LSSVM, dicha
validacin consiste en encontrar los Marcadores en imgenes que provienen de la misma base
de datos y que no se han usado en el entrenamiento de la LSSVM.
93
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
a b
Figura 4-51 (a) Imagen de entrenamiento ( b) Imagen de validacin
Tabla 4-1. Resultados aplicando la LSSVM a las imgenes de Entrenamiento
Imagen Marcadores Marcadores
LSSVM
1 9 9
3 8 8
5 7 7
7 7 7
9 8 8
Tabla 4-2. Resultados aplicando la LSSVM a las imgenes de validacin
Imagen Marcadores Marcadores
LSSVM
2 8 6
4 11 11
6 8 8
8 6 6
10 3 3
Se puede observar, segn los resultados obtenidos en las Tabla 4-1 y Tabla 4-2, que la
LSSVM reconoci los marcadores tanto en el grupo de imgenes de entrenamiento como en
el grupo de validacin.
94
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
4.2.3.1.3 Tercer Ensayo
Consiste en generar una imagen asignndole niveles de grises diferentes al fondo de la
imagen (FI=128), elementos Marcadores (A=150, C=190, G=90, I=50, K=10) y elementos No
Marcadores (J=30, H=70, F=110, B=170, D=210) (ver Figura 4-52) para generar la imagen
sinttica que se muestra en la Figura 4-53.
Figura 4-52. Representacin del nivel de gris utilizado en los Marcadores, No Marcadores y fondo de la imagen
95
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 4-53. (a) Imagen sinttica sin ruido (b) una de las imgenes sinttica con ruido (SNR=37,63 dB), utilizadas
en la prueba de desempeo de la LSSVM
Se tomo la Figura 4-53a, y se generaron 25 imgenes agregndole ruido de tipo gaussiano
(Figura 4-53b) con varianza igual a 0,0001 (SNR =37,63dB) e incrementndola para cada
nueva imagen en 0,0001, y se aplica en la imagen original, luego se definieron dos grupos uno
de entrenamiento y otro de validacin. Del conjunto de las 25 imgenes se realiz una
seleccin segn su posicin, par para el grupo de entrenamiento e impar grupo de
validacin.
Entrenamiento: el grupo est formado por 13 imgenes que se generaron y son utilizadas
para seleccionar los Marcadores de igual manera se emple una de ellas para seleccionar los
No Marcadores. En la Figura 4-55a se muestra una imagen que pertenece al grupo de
entrenamiento y se utiliz para realizar el test de entrenamiento de la LSSVM y se observ
que la mquina seleccion solo los Marcadores.
Validacin: las 12 imgenes restantes se utilizan para la deteccin de los Marcadores
realizando el test de validacin de la LSSVM, en la Figura 4-55b se observa que la mquina
selecciona tanto Marcadores como No Marcadores en esta imagen se tiene una relacin seal
ruido alta (SNR=49,76 dB) observndose en la imagen que la LSSVM selecciona tanto
Marcadores como No Marcadores, tambin se utiliz otra imagen la cual contienen una
relacin seal ruido ms bajo (SNR=23,74 dB) y se observa en la imagen que la mquina
96
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
selecciona tanto Marcadores como No Marcadores. Los resultados obtenidos en las imgenes
nos conducen a realizar una prueba de desempeo.
Figura 4-54. (a) Imagen sin ruido, la LSSVM seleccion los Marcadores en el test de entrenamiento (b) Imagen
con ruido donde la LSSVM seleccion los Marcadores, test de validacin (imagen1, SNR=49,76 dB)
Figura 4-55. (a) Imagen sin ruido, la LSSVM seleccion los Marcadores en el test de entrenamiento (b) Imagen
con ruido donde la LSSVM seleccion los Marcadores, test de validacin (imagen8, SNR=23,74 dB)
Prueba de desempeo: consiste en determinar la capacidad de la LSVM para clasificar
correctamente los elementos en el test de validacin, con las imgenes sintticas ubicando los
elementos en el grupo Marcadores o No Marcadores. Se trata de determinar cmo se ajustan a
97
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
la realidad los resultados de clasificacin en la imagen sinttica obtenidos, con la prueba, es
preciso conocer esa realidad mediante algn mtodo alternativo y completamente fiable, lo
que en ocasiones con imgenes de casos reales como las de CP no es posible. Antes de aplicar
la prueba de desempeo se definirn algunas variables tales como:
Verdadero positivo (VP): el Marcador est en la imagen y se selecciona como
Marcador.
Falso Positivo (FP): los No Marcadores son seleccionados como Marcadores.
Verdaderos negativos (VN): Los No Marcadores son seleccionados como No
Marcadores.
Falso negativo (FN): los Marcadores son seleccionados como No Marcadores
Estas variables se visualizan mediante la Tabla 4-3, permitiendo hacer la identificacin del
elemento seleccionado en la imagen sinttica por la LSSVM de forma ms sencilla.
Tabla 4-3. Prueba de desempeo
Marcadores No Marcadores
Positivo (Marcador) VP FP
Negativo (No Marcador) FN VN
Sensibilidad: Es la probabilidad de clasificar correctamente a un Marcador en una
imagen.
100 *
FN VP
VP
ad Sensibilid
+
(4.13)
Especificidad: Es la probabilidad de clasificar correctamente a un marcador, es
decir, la probabilidad de clasificar un Marcador como un No marcador.
*100
+
VN
Especificidad
VN FP
(4.14)
98
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Relacin seal ruido: es la diferencia en dB entre el nivel de gris en la imagen que se
seleccion del grupo de validacin ( I ) y la imagen con ruido (
I
,
_
M
i
M
j
M
i
M
j
I I
I
SNR
1 1
2
1 1
2
) (
) (
log 20
(4.15)
Curva ROC (Receiver Operating Characteristic, o Caracterstica Operativa del Receptor):
Recorriendo todo el rango de valores posibles de los puntos de corte (puntos de la prueba de
desempeo) se obtendr una serie de pares Sensibilidad y Especificidad, que definirn cada
prueba desempeo, definindose como el punto ptimo de desempeo como el que tiene el
mejor par Sensibilidad, Especificidad. La representacin grfica de todos estos puntos define
la curva ROC y se utiliza el par Sensibilidad (1-Especificidad) para su representacin
grfica. La lnea de puntos expresa la capacidad nula de discriminacin. Cuanto ms se
acerque la curva al extremo superior izquierdo de la cuadrcula la prueba de desempeo tendr
ms capacidad de discriminacin. La curva ROC es la representacin grafica de la
discriminacin (Figura 4-56). Se entiende como el rea bajo la curva ROC y se calcula
utilizando mtodos numricos, en este caso se utilizo la regla del trapecio. El rea indica la
probabilidad de clasificar correctamente un par de individuos positivo y negativo
seleccionados al azar. Los valores del rea bajo la curva ROC van entre 0.5 y el mximo que
es 1. Se suele aceptar como valor aceptable de discriminacin cuando supera el 0.7.
99
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 4-56 Curva ROC
4.2.3.1.3.1 Resultado de la prueba de desempeo
. A continuacin se presentan los resultados de la prueba de desempeo obtenidos con las
imgenes sintticas, los cuales son mostrados en la Tabla 4-4, acompaadas de la graficas y
un breve anlisis de estas.
La relacin seal ruido (SNR) se muestra en la Figura 4-57, observndose en la curva, que a
medida que se varia en la imagen el nivel de ruido, la SNR disminuye, por lo tanto esto
implica que las imgenes se van haciendo muy diferentes con respecto a la imagen original, es
decir, el margen que hay entre la potencia de la imagen original y la potencia del ruido en la
imagen la va corrompiendo hacindolas muy diferentes.
En la Figura 4-58, se puede observar la evolucin de la sensibilidad respecto a SNR y se
aprecia en la curva variaciones bruscas debido a que la informacin que se manipula es
reducida y discreta. A medida que la SNR aumente se puede inferir que la sensibilidad tambin
aumenta indicando que las imgenes a medida que tienen menor ruido o mayor SNR la
SVM detecta mayor cantidad de marcadores.
Pero en la Figura 4-59, se mide la especificidad, se observan en la curva cambios bruscos
que va en aumentado a medida que crece SNR, esto indica que a medida que la mquina
contine seleccionando marcadores en nuevas imgenes va a tender a equivocarse,
seleccionando no marcadores como marcadores.
100
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
La curva ROC en la Figura 4-60, indica que el mejor par Sensibilidad-Especificidad tiene
una probabilidad de 0,71 de poder diferenciar un Marcador de un No Marcador.
Tabla 4-4. Resultados de la prueba de desempeo en las imgenes sintticas
.
.
0 5 1 0 1 5 2 0 2 5
2 0
2 5
3 0
3 5
4 0
4 5
5 0
5 5
6 0
6 5
7 0
R e l a c i o n S e a l R u i d o (S N R )
V a r i a n z a
S
N
R
(
d
B
)
Figura 4-57. Relacin seal ruido
101
Imagen
No
Patrones
detectados
VP FP V N F N SNR
Sensibilidad Especificidad
(M->M) (NM->M) (NM->NM) (M->NM)
1
51 10 41 16 0 49,76 1,00 0,28
2 52 10 42 15
0 37,63 1,00 0,26
3 51 9 42 15
1 32,72 0,90 0,26
4 50 9 41 16
1 29,78 0,90 0,28
5 42 7 35 22
3 27,89 0,70 0,39
6 39 7 32 25
3 26,26 0,70 0,44
7 22 4 18 39
6 24,84 0,40 0,68
8 11 3 8 49
7 23,78 0,30 0,86
9 5 1 4 53
9 22,78 0,10 0,93
10 3 0 3 54
10 21,96 0,00 0,95
11 2 0 2 55
10 21,16 0,00 0,96
12 1 0 1 56
10 20,42 0,00 0,98
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
.
Figura 4-58. Grfica de Sensibilidad vs SNR (dB)
.
Figura 4-59. Grfica de Especificidad vs SNR (dB)
102
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 4-60. Grafica de ROC, con rea bajo la curva de 0,71
4.2.3.2 Mquina de soporte vectorial de mnimos cuadrados aplicados a
imgenes de CP
En el Centro de Microscopa Electrnica Ernesto Palacios Pru, se sigue un
procedimiento manual subjetivo en el que se invierte mucho tiempo para realizar el conteo de
espinas dendrticas de CP. En la identificacin de espinas dendrticas en imgenes de CP el
investigador debe tener experticia para identificar las espinas dendrticas, debido que estn
presentes en la imagen con diferente densitometra o nivel de grises. El conteo de espinas
dendrticas permite estudiar los efectos de sustancias nocivas en los individuos, midiendo el
grado en que se afecta la estructura del rbol dendrtico y a su vez el nmero de espinas
dendrticas. Para mejorar el conteo de espinas de CP, se implement una herramienta
automtica la cual permitir mejorar el tiempo de conteo, el cual fue utilizado previamente en
un conjunto de imgenes sintticas. Despus de haber explicado el procedimiento de
clasificacin utilizando las LSSVM en imgenes sintticas, se aplic la tcnica de
clasificacin a 25 imgenes de CP, dividindolas en dos grupos, 15 de entrenamiento y 10 de
validacin.
103
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Se les pidi a expertos que identificara las espinas en el grupo de imgenes de CP de
entrenamiento y validacin. Las espinas identificadas en el grupo de entrenamiento son las
espinas que sern seleccionadas como Marcadores y las espinas identificadas en el grupo de
validacin permitir contrastar los resultados de la LSSVM con los del experto.
Se debe hacer notar que la identificacin de espinas dendrticas por parte de los expertos es
un proceso subjetivo y por lo tanto el resultado vara, debido a la experticia de cada persona
para realizar la identificacin de espinas dendrticas en CP. Por lo general se considera el
promedio del conteo de espinas realizado por diferentes expertos. En la presente investigacin,
como el objetivo es mostrar las potencialidades del uso de mquinas de soporte vectorial en la
identificacin de espinas, se consideraron las imgenes con las espinas dendrticas marcadas
por un experto (Experto 2 indicado en la Tabla 4-5 y Tabla 4-6, que se muestran a
continuacin en la seccin 1), tanto para el grupo de entrenamiento y el de validacin.
Entrenamiento: En las imgenes se seleccionaron los Marcadores y No Marcadores
utilizando una vecindad con un radio de 10 pxeles, generando vectores de 317 componentes
y los valores de hiperparmetros sigma igual a 0,7 y gamma igual a 9, obtenidos de forma
heurstica tal como se explico en la seccin 4.2.2. Los resultados que se obtienen al realizar
el test de la etapa de entrenamiento son mostrados en la Figura 4-22b y Figura 4-23b. La
Figura 4-22 y Figura 4-23 muestra las imgenes 13, 14, 15 y 16 de CP del grupo de
entrenamiento, donde las espinas dendrticas de CP fueron sealadas por un experto (Figura
4-22a y Figura 4-23a). Las espinas seleccionadas por el experto son consideradas como
Marcadores e introducidas a la LSSVM para entrenarla e inmediatamente se realiza un test de
entrenamiento que permitir cotejar la posicin de las espinas en las imgenes de CP. Los
resultados de tal test son mostrados en la Figura 4-22b y Figura 4-23b. Se puede observar que
la mquina puede identificar 49, 59, 47 y 48 espinas de las 45, 58, 32 y 30 marcadas por el
experto. Tales resultados confirman la potencialidad de las mquinas de soporte vectorial para
realizar la identificacin automtica de las espinas dendrticas en CP.
Validacin: Despus de obtener resultados satisfactorios en el test de entrenamiento de la
LSSVM, se utilizaron imgenes de CP del grupo de validacin para realizar el conteo
104
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
automtico de espinas dendrticas utilizando la LSSVM. Dicha validacin permite demostrar
la efectividad de tal tcnica para realizar el conteo automtico de espinas dendrticas en CP.
En la Figura 4-63 y Figura 4-64, se muestra el conteo manual realizado por un experto (Figura
4-63a. y Figura 4-64a) y el resultado del test de validacin con la LSSVM (Figura 4-63b y
Figura 4-64b) en imgenes de CP del grupo de validacin, permitiendo estos resultados cotejar
resultados del conteo manual con el conteo automtico. En dicha imagen se observa que la
mquina de soporte vectorial detecta un nmero ms grande de espinas dendrticas que las
marcadas por los expertos. Sin embargo es importante recordar que el conteo es un proceso
subjetivo.
105
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 4-61. Imgenes de CP de entrenamiento (a) Conteo manual (b) Conteo automtico
.
106
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
.
.
.
Figura 4-62. Imgenes de CP de entrenamiento (a) Conteo manual (b) Conteo automtico
.
.
.
107
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
.
.
Figura 4-63. Imgenes de CP de validacin (a) Conteo manual (b) Conteo automtico
108
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Figura 4-64. Imgenes de CP de validacin (a) Conteo manual (b) Conteo automtico
4.2.3.2.1 Anlisis de resultados de la LSSVM aplicados a imgenes de CP
Despus de aplicar las LSSVM, a imgenes de CP, del grupo de entrenamiento y
validacin se obtuvieron los resultados del conteo automtico. Para poder realizar un anlisis
de los resultados del conteo automtico, tres expertos realizaron, de manera independiente, un
conteo manual de espinas dendrticas en cada una de las imgenes de CP. Los resultados
obtenidos por ellos, para las imgenes de entrenamiento se presentan en la btener un
109
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
acotamiento superior y as poder cotejar adecuadamente con los valores obtenidos de forma
automtica.; mientras que los obtenidos para la imgenes de validacin aparecen en la Tabla
4-6.
En el estudio no se utilizaron formas diferentes de combinacin entre los expertos para
crear grupos de resultados promedios, solo se consider los expertos que tenan valores muy
parecidos donde no existieran gran variacin entre los datos para tener un acotamiento inferior
y un grupo donde se consideraran el promedio de todos los expertos, para obtener un
acotamiento superior y as poder cotejar adecuadamente con los valores obtenidos de forma
automtica.
Tabla 4-5. Imgenes de CP, para el entrenamiento de la LSVM
Imagen
N
Experto
1
Experto
2
Experto
3
Promedio
(Exp1,
Exp2)
Promedio
(Exp1,
Exp2,
Exp3) Automtico
Error1
(Exp1,
Exp2)
Error2
(Exp1,
Exp2,
Exp3)
11 45,00 50,00 124,00
47,50 73,00
56,00
8,50 17,00
12 42,00 48,00 98,00 45,00 62,67 60,00 15,00 2,67
13 40,00 50,00 112,00 45,00 67,33 49,00 4,00 18,33
14 62,00 55,00 157,00 58,50 91,33 61,00 2,50 30,33
15 35,00 30,00 117,00 32,50 60,67 47,00 14,50 13,67
16 33,00 27,00 88,00 30,00 49,33 48,00 18,00 1,33
17 36,00 40,00 83,00 38,00 53,00 47,00 9,00 6,00
18 20,00 25,00 67,00 22,50 37,33 42,00 19,50 4,67
19 19,00 20,00 65,00 19,50 34,67 40,00 20,50 5,33
20 21,00 26,00 100,00 23,50 49,00 37,00 13,50 12,00
21 24,00 20,00 95,00 22,00 46,33 38,00 16,00 8,33
22 24,00 22,00 70,00 23,00 38,67 34,00 11,00 4,67
23 20,00 18,00 108,00 19,00 48,67 25,00 6,00 23,67
24 29,00 31,00 97,00 30,00 52,33 28,00 2,00 24,33
25 18,00 23,00 62,00
20,50 34,33
21,00
0,50 13,33
Promedio 10,70 12,38
Desv Est 6,64 8,84
Min 0,50 1,33
Max 20,50 30,33
110
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
En los resultados obtenidos en el test de entrenamiento (btener un acotamiento superior y
as poder cotejar adecuadamente con los valores obtenidos de forma automtica.) los valores
del conteo manual por el Experto2 y el conteo automtico de las espinas dendrticas de CP
con las maquinas, no coinciden exactamente, ello podra ser debido a un conjunto de factores,
tales como: la mquina trabaja con niveles de gris y las espinas dendrtica tienen niveles de
gris parecidos a los no marcadores, permitiendo que la LSSVM los clasifique errneamente o
bien podra ser que se trate de espinas dendrticas que no fueron identificadas por el experto
debido a que el conteo del experto es subjetivo y est sujeto a errores.
Como continuacin del anlisis de la tabla en estudio se calcul el promedio entre las
columnas Experto1 y Experto2, dando como resultado la columna Promedio (Exp1, Exp2) .
En este caso se observa que los resultados no coinciden y son ms dispersos unos de otros,
con respecto a la comparacin con el conteo Automtico y Experto1.
Igual mente, se calcul el promedio entre los Experto1, Experto2 y Experto3, dando como
resultado la columna Promedio (Exp1, Exp2, Exp3), donde se observa que los resultados del
conteo automtico son mejores que los obtenidos mediante las comparaciones anteriores.
Para verificar cual de los resultados promedios presentan mejor resultado, se calcul el
error, es decir, Error1 (Exp1, Exp2), es la diferencia en valor absoluto de las columnas
Promedio (Exp1, Exp2) y Automtico, y el Error2 (Exp1, Exp2, Exp3) que es la diferencia en
valor absoluto de las columnas Promedio (Exp1, Exp2, Exp3) y Automtico. Para medir cual
de los resultados entre las columnas de errores es mejor, se utilizan los parmetros
estadsticos correspondientes al promedio, la desviacin estndar y el valor mnimo y mximo.
Analizando los resultados estadsticos en la Tabla 4-5 que pertenece al grupo de
entrenamiento, se tiene que el Error1 (Exp1, Exp2) es mejor que el Error2 (Exp1, Exp2,
Exp3), debido a que tiene un promedio de error menor 10,70 y desviacin estndar 6,64, con
un rango de variacin del error de 0,5 a 20,50.
111
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Tabla 4-6. Imgenes de CP, para la validacin de la LSVM
Imagen
N
Experto
1
Experto
2
Experto
3
Promedio
(Exp1,
Exp2)
Promedio
(Exp1, Exp2,
Exp3)
Automtico
error
(Exp1,
Exp2)
error
(Exp1,
Exp2,
Exp3)
1 20,00 25,00 35,00 22,50 26,67 20,00 2,50 6,67
2 27,00 30,00 44,00 28,50 33,67 22,00 6,50 11,67
3 30,00 39,00 83,00 34,50 50,67 26,00 8,50 24,67
4 43,00 50,00 93,00 46,50 62,00 27,00 19,50 35,00
5 39,00 30,00 117,00 34,50 62,00 70,00 35,50 8,00
6 34,00 35,00 133,00 34,50 67,33 65,00 30,50 2,33
7 39,00 57,00 102,00 48,00 66,00 70,00 22,00 4,00
8 43,00 50,00 121,00 46,50 71,33 98,00 51,50 26,67
9 31,00 35,00 116,00 33,00 60,67 70,00 37,00 9,33
10 51,00 45,00 124,00 48,00 73,33 98,00 50,00 24,67
Promedio 26,35 15,30
Desv Est 17,49 11,38
Min 2,50 2,33
Max 51,50 35,00
Adems, en la Tabla 4-6 del test de validacin se puede observar que no coinciden el
nmero de espinas obtenidas por conteo manual y el conteo automtico. Como se indic,
anteriormente, la mquina tiene una etapa de entrenamiento que consiste en darle una
configuracin que no debe ser cambiada en los test de validacin dndose las mismas
caractersticas indicadas en el entrenamiento.
Analizando los resultados estadsticos en la Tabla 4-5 que pertenece al grupo de validacin,
se tiene que el Error2 (Exp1, Exp2, Exp3) es mejor que el Error1 (Exp1, Exp2) , debido a que
tiene un promedio de error menor 15,30 y desviacin estndar 11,38, con un rango de
variacin del error de 2,33 a 35,00.
De lo anterior se puede intuir que la mquina presenta una estimacin del nmero de
espinas dendrticas de la CP, as como lo realizara un experto pero con una mejor precisin
ya que su rendimiento en la bsqueda depende solo del entrenamiento para conseguir los
hiperparametros ptimos y no estara sujeta a las limitaciones subjetiva humanas como en el
caso del expertos en la bsqueda de los marcadores.
Inmediatamente se realiz una prueba de diagnostico, que consiste en comparar en
nmero y posicin las espinas dendrticas en imgenes de CP del conteo manual y conteo
112
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
automtico en los grupos entrenamiento (Tabla 4-7) y validacin (Tabla 4-8). La prueba
consisti en cotejar el conteo manual y automtico para encontrar las espinas dendrticas que
coincidan segn su posicin. Adicionalmente, se cuenta el nmero de espinas dendrticas que
no coinciden segn su posicin en imgenes de CP. Las variables utilizadas fueron las
siguientes:
VP: verdaderos positivos esto indica el nmero de espinas dendrticas que coincidieron en
nmero y posicin espacial en las imgenes del conteo manual versus automtico.
FN: falsos negativos son el nmero de espinas dendrticas en el conteo manual que no
coincidieron espacialmente en las imgenes del conteo automtico.
Calculando el promedio en la sensibilidad en el grupo de entrenamiento, se puede afirmar
que la capacidad de la LSSVM para detectar espinas dendrticas a medida que se utilicen
nuevas imgenes, tiene una probabilidad del 72% de detectarlas en cada imagen segn el test
de sensibilidad.
Tabla 4-7. Resultados de la prueba de diagnstico en las imgenes de CP del grupo de entrenamiento
113
Imagen
N
Coincidieron VP Conteo manual
No coincidieron FN
Sensibilidad
(Segn la frmula de
la ecuacin 4-11)
1 24 21 0,53
2 33 9 0,79
3 23 17 0,58
4 41 21 0,66
5 29 6 0,83
6 23 10 0,70
7 25 11 0,69
8 16 4 0,80
9 16 3 0,84
10 16 4 0,80
11 18 6 0,75
12 15 9 0,63
13 13 7 0,65
14 22 7 0,76
15 14 4 0,78
Probabilidad 72%
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Tabla 4-8. Resultados de la prueba de diagnstico en las imgenes de CP del grupo de validacin
Imagen
N
Coincidieron VP Conteo manual No
coincidieron FN
Sensibilidad
(Segn la frmula de
la ecuacin 4-11)
1 10 10 0,50
2 16 11 0,59
3 24 6 0,80
4 25 18 0,58
5 27 12 0,69
6 23 11 0,68
7 31 8 0,79
8 35 8 0,81
9 27 4 0,87
10 41 10 0,80
Promedio 79%
Calculando un promedio en la sensibilidad en el grupo de validacin (Tabla 4-8), se puede
afirmar que la capacidad de la LSSVM para detectar espinas dendrticas a medida que se
utilizan nuevas imgenes, tiene una probabilidad del 79% de detectarlas en cada imagen
segn el test de sensibilidad.
Para poder discernir si las probabilidades conseguidas en la sensibilidad son buenas o
malas, se compararon las sensibilidades del grupo de validacin contra la del grupo de
entrenamiento, donde se observa, que la sensibilidad en el grupo de validacin est por
encima de la sensibilidad del grupo de entrenamiento, esto podra ser un ndice para
cuestionar los resultados ya que la maquina se entrena con el grupo de entrenamiento y la data
del grupo de validacin es desconocida. Se selecciona el indicador de esta manera, ya que no
tenemos casos de datas de CP con algn otro sistema de clasificacin automtico.
4.2.3.2.2 Discusin acerca de los resultados de la LSSVM aplicados a
imgenes de CP
En el Centro de Microscopa Electrnica Ernesto Palacios Pru, se sigue un
procedimiento manual subjetivo en el que se invierte mucho tiempo para realizar el conteo de
espinas dendrticas de CP. En la identificacin de espinas dendrticas en una imagen de CP el
investigador debe tener experticia para identificar las espinas dendrticas, debido que estn
114
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
presentes en la imagen con diferente densitometra o nivel de grises, se citarn artculos
desarrollados en el Centro de Microscopa electrnica Ernesto Palacios Pru, donde se
realiza el conteo de espinas dendrticas, por ende vesculas sinpticas ya que estas se
concentran en las espinas dendrticas.
Palacios-Pru y otros [6] indican que largos periodos de ejercicios produce severos cambios
morfolgicos en las uniones neuromusculares de los telesteos, los cambios consisten en la
disminucin progresiva de las vesculas sinpticas y ramificaciones laminares del las
terminaciones nerviosas. Se mantuvieron los peces nadando durante 1 hora, en contra de la
corriente de agua a un flujo de 3,5 lts/min se observa que el numero de vesculas se reduce en
un 70% despus de 10 minutos de ejercicio. Esta observacin indica que la formacin de las
vesculas no puede restaurarse a su nmero original y por lo tanto, bajo tales circunstancias, el
lanzamiento del transmisor puede ocurrir por un diverso mecanismo.
Para realizar el conteo de las espinas dendrticas, se utiliza una lamina de plstico trasparente
(acetatos) que contiene cuadriculas de dimensin 1x1 cm, esta lmina se sobrepone a la
imagen para sectorizar la fotografa de CP, con un lpiz se van seleccionando las espinas
dendrticas segn la experticia del investigador. Cuando en algunas imgenes el conteo de
espinas es realizado por ms de un investigador independiente con respecto a la misma imagen
de CP, los resultados obtenidos corresponden al promedio de los conteos realizados por los
expertos. Inmediatamente al realizar el conteo de espinas dendrticas, es necesario encontrar
una relacin de rea en la imagen de CP con respecto al nmero de espinas cuantificado en la
imagen de CP. En el clculo del rea es necesario un factor de escala de aumento de las
imgenes, este es obtenido en la calibracin del microscopio con una lmina graduada que
contiene una cierta cantidad de lneas separadas una de otra a una distancia dada en micras, la
imagen del factor de escala se imprime en papel para tomar de la imagen la medida
correspondiente en centmetros, la cual tiene su equivalente en micras con respecto a la
medida real (5 cm en la imagen de calibraciones es equivalente a 2 micras en la escala real de
calibracin). Con esta informacin se puede medir el rea de la imagen de CP y as encontrar
la relacin de las espinas dendrticas por rea. En este trabajo como el objetivo es evaluar el
funcionamiento de las mquinas de soporte vectorial en el conteo de espinas dendrticas y
115
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
adicionalmente trabajar con regiones de inters con un tamao pre-establecido nico, se est
ignorando dicho factor.
El conteo de espinas dendrticas permite estudiar los efectos de sustancias nocivas en los
individuos, midiendo el grado en que se afecta la estructura del rbol dendrtico y a su vez el
nmero de espinas dendrticas. Los estudios en el laboratorio son realizados con ratones en sus
diferentes etapas de desarrollo, tales como, prenatales, postnatal y adulto. Se estudian ratones
debido a que su estructura cerebral es muy parecida a la estructura del cerebro en el hombre.
Algunos autores escriben cmo realizar medidas en las estructuras nerviosas de imgenes
adquiridas por microscopa, entre ellos se tiene a Palay y otros [6]. El nmero de clulas
granulosas es grande y esta empaquetadas mostrndose como densidades en la corteza
cerebelosa de los vertebrados, estimando en el cerebelo humano una densidad de 3 a
6
7*10
celulares granulosas por
3
mm , con una relacin de una clulas granulosa con 1600 de CP.
Dichos autores, realizan la representacin de histogramas donde muestran la distribucin,
medida en intervalos de varices sinpticas de fibras paralelas. Tambin muestran
distribuciones grandes y pequeas varicosidades en las fibras paralelas, que se ubican de
acuerdo a su posicin en la capa molecular y su relacin con el rea.
4.2.3.2 Conclusiones
El conteo de espinas dendrticas en imgenes de CP, utilizando modelos de aprendizaje,
como las LSSVM constituye un enfoque de muy reciente aplicacin. Los resultados obtenidos
sugieren que la tcnica estudiada podra ser una importante herramienta de clasificacin para
este tipo de imgenes adquiridas por microscopa. En cuanto a los resultados, la LSSVM
pudo detectar mayor cantidad de espinas que las identificadas por el experto que realiz el
conteo manualmente, tanto para las imgenes de entrenamiento como para las imgenes de
validacin. Segn expertos la mayor cantidad de espinas dendrticas detectadas en el conteo
automtico por la LSSVM son espinas dendrticas de la CP.
Las tcnicas de clasificacin propuestas resultan tiles para clasificar adecuadamente las
espinas en CP, lo cual contribuye a mejorar el procedimiento de clasificacin de espinas
116
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
dendrticas que, normalmente, se realiza de forma manual en el referido Centro de
Microscopa Electrnica.
La clasificacin de las espinas dendrticas utilizando las LSSVM, se constituye en una
herramienta muy importante en estudios de clasificacin de espinas dendrticas, pero el tiempo
computacional para un ciclo en el test de entrenamiento para encontrar los hiperparmetros
ptimos es demasiado elevado, lo mismo pasa con el tiempo computacional en el test de
validacin y vectorizacin de las imgenes, esto indica que se debe seguir trabajando para
optimizar dichos tiempos operativos en el computador utilizando una mejor parametrizacin
de los Marcadores, No Marcadores y vectorizacin de las imgenes.
117
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
5. Conclusiones generales
Las neuronas de los diferentes centros de integracin del sistema nervioso central se
caracterizan por presentar una morfologa determinada, conocida como fenotpia, la cual
depende de la funcin que debe cumplir la neurona y permite distinguir un tipo de neurona de
otra. El objetivo de este trabajo fue proponer un esquema de procesamiento de imgenes
neurales, que permiti realzar, restaurar y cuantificar imgenes de microscopa de clulas
neurales, en este caso las clulas de Purkinje de la corteza cerebelosa de ratn. En este
estudio se utilizaron diversas tcnicas de procesamiento de imgenes, tales como: tcnicas de
restauracin y un sistema de reconocimiento de patrones. Como resultado de la aplicacin
sistemtica de tales tcnicas, se logr realzar la imagen, facilitando as el anlisis en forma
ms rpida, exhaustiva y precisa, en comparacin con el simple conteo manual de este tipo de
imgenes.
En el procesamiento de imgenes de clulas de Purkinje, inicialmente, se les realiz un
realce, con tcnicas bsicas de procesamiento digital de imgenes, tales como las operaciones
de procesamiento pxel a pxel y filtrado espacial o por vecindades. Es importante sealar que
dichas tcnicas no generaron cambios relevantes en las imgenes de clulas de Purkinje.
Debido a que los filtros anteriores no generaron resultados satisfactorios en las imgenes
de clulas de Purkinje, se utiliz el filtro de mediana con sus respectivas variaciones y la
transformada wavelet. En cuanto a los resultados del filtro de mediana el ponderado realiz
cambios en el realce de la imagen de clulas de Purkinje gerando un suavizado en la imagen,
presentando mejores resultados que los filtros anteriores y por su parte, la transformada
wavelet resalt la imagen ofreciendo informacin importante relativa a los bordes de las
clulas de Purkinje, permitiendo una mejor definicin de aquellos sitios donde las espinas
dendrticas aparecen borrosas, contribuyendo as a mejorar el procedimiento de cuantificacin
de espinas dendrticas que, normalmente, se realiza en forma manual.
Se aplicaron tambin a las imgenes de las clulas de Purkinje mtodos numricos de
deconvolucin (Regularizacin, Wiener y Lucy-Richardson) debido al desenfoque que se
118
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
produce en la adquisicin de las imgenes mediante un microscopio, los mtodos iterativos
generaron resultados muy novedosos en el realce de las imgenes, pero el que aporto un nivel
muy significativo en el realce de las mismas fue el algoritmo de Lucy-Richardson,
permitiendo el uso de herramientas de clasificacin supervisada como las mquinas de soporte
vectorial para realizar el conteo de espinas dendrticas.
En el conteo de espinas dendrticas de clulas de Purkinje, se sigue un procedimiento
manual subjetivo, en el que se invierte mucho tiempo por parte de los expertos, por esa razn
se desarroll un sistema de conteo automtico, utilizando como herramienta las mquinas de
soporte vectorial. El sistema automtico present resultados muy convincentes con respecto al
conteo manual, ya que estos resultados se pudieron cotejar entre cada una de las imgenes de
clulas de Purkinje procesadas. Tambin, se realiz la prueba de desempeo, para lo cual se
utiliz la sensibilidad dando como resultado promedio de 75%, indicando una elevada
probabilidad de seleccionar en una imagen, de clulas de Purkinje, una espina dendrtica.
En la validacin de la herramienta automtica de clasificacin, se utiliz un conjunto de
imgenes sintticas de 8 bits de profundidad y los resultados obtenidos, al procesar las
imgenes con la herramienta de clasificacin, fueron analizados a travs de la prueba de
desempeo, en la cual se midi la sensibilidad, especificidad y se gener la curva ROC
obtenindose resultados satisfactorios.
En la realizacin del trabajo se pudieron evaluar algunas tcnicas y herramientas para
procesamiento de imgenes, como alternativas distintas a otras metodologas que implican
gran costo y esfuerzo computacional. Las tcnicas elegidas son bastante sencillas y presentan
resultados satisfactorios.
En particular con la deconvolucin se apreciaron ciertas caractersticas de las imgenes
tratadas, especialmente, en sitios donde las espinas dendrticas aparecen borrosas en la
imagen, lo que permiti mejorar la visualizacin de bordes.
El procesamiento de imgenes de CP con las diferentes tcnicas propuestas,
proporcion una ayuda til para optimizar los anlisis manuales de conteo de espinas
dendrticas, al permitir mejorar el realce de la imagen.
La clasificacin con las mquinas de vector soporte de mnimos cuadrados para
realizar el conteo automtico de las espinas en la CP, di resultados satisfactorios.
119
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
Con los resultados obtenidos se puede afirmar que se cuenta con un procedimiento
adecuando para la clasificacin de CP, y se puede plantear, como trabajo futuro, la
implementacin en cdigo C de la tcnica desarrollada y adicionalmente se debe aplicar
tcnicas de minera de datos para extraer atributos de las imgenes y as poder minimizar los
tiempos de computo empleados por las tcnicas de clasificacin, as como tambin se podra
emplear otras tcnicas de clasificacin como redes neurales, clasificadores bayesianos, entre
otros.
Este estudio indico la importancia de realizar estudios de investigacin de procesamiento de
imgenes en el rea del microanlisis de imgenes adquiridas por microscopa, en el Centro de
Microscopa Electrnica, permitiendo obtener en las imgenes informacin que sin un
procesamiento metdico, sera imposible de generar.
120
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
6. Referencias
1. Williams, Warwick. GRAY ANATOMIA. Salvat Editors, S. A. Mallorca. Barcelona
(Espaa). Tomo II, pp1011-1021, 1985.
2. Palacios E. Two useful variations of the Golgi silver-chromate method. Acta Cientfica
Venezolana, 21: 105-106. 1970.
3. Gonzlez G, Fleuret F, Fua P. Automated Delineation of Dendritic Networks in Noisy
Image Stacks. Energy Minimization Methods in Computer Vision and Pattern
Recognition 6th International Conference, EMMCVPR 2007, Ezhou, China. pp 214 -227.
2007.
4. Shmulevich, L., & Arce, G., Generalized mallows optimization forweighted median
filters admitting negative weights. Tampere, Finland. Newark, Delaware, USA, 2002.
5. Yamada R, Ushiba J, Tomita Y, Masako Y. Decomposition of electromyographic signal
by principal component analysis of Wavelet Coefficient. IEEE EMBS Asian-Pacific
Conference on Biomedical Engineering, Keshena, Japan. 10.1109/APBME.1302612:
118-119, 2003.
6. Fleureau J, Garreau M, Hernndez A, Simn A, Boulmier D. Multi- object and N-D
segmentation of cardiac MSCT data using SVM classifiers and a connectivity
algorithm. In Computers in Cardiology.33:817820. 2006
7. Sancesario G, Morello M, Reiner A, Giacomini P, Massa R, Schoen S, Bernardi G.
Nitrergic neurons make synapses on dual-input dendritic spines of neurons in the cerebral
cortex and the striatum of the rat: implication for a postsynaptic action of nitric oxide. .
Neuroscience. 99(4): 627-42. 2000.
8. Palacios E, Mendoza R. Synaptogenetic mechanisms during chick cerebellar cortex
development. J. Submicroscopic Cytology. 13 (2): 145-167. 1981.
9. Parnass Z, Tashiro A, Yuste R. Analysis of spine morphological plasticity in developing
hippocampal pyramidal neurons. Hippocampus. 10: 561-568. 5618. 2000.
10. Morest D. The differentiation of cerebral dendrites: A study of the postmigratory
neuroblast in the medial nucleus of the trapezoid body. Z Anat Entwicklungsgesch. 128:
271-289. 1969.
11. Abramowitz M. Microscope Basis and Beyond Series. New York: Olympus America Inc.
1. 2003.
121
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
12. Pascual M, Calderon V. Microbiologa Alimentaria: Metodologa analtica para
alimentos y bebidas. Edita Daz de Santos S.A.28226 Madrid (Espaa). 1(1): 191-193.
2000.
13. Mikula S, Trotts I, Stone J, Jones E. Internet-enabled high-resolution brain mapping and
virtual microscopy. NeuroImage. 35: 9-15. 2007.
14. Aberraciones. Seminario de Ingeniera ptica. Departamento de Ingeniera Electrnica y
comunicaciones. Universidad de Zaragoza. Espaa. Recuperado en Noviembre 30, 2007,
de laWorld Wide Web: http://diec.unizar.es/asignaturas/defaultWebs/15719/Seminario1.pdf
15. Mannstein H, Gesell G. Deconvolution of AVHRR data. Proccedings of 5
th
AVHRR
data users meeting. Tromso, Norway. EUM P 09 (DarmstadtEberstadt: EUMETSAT).
pp. 53-58. 1991.
16. Maierhofer
C, Gangnus
R, Diebold
J, Speicher MR. Multicolor Deconvolution
Microscopy of Thick Biological Specimens. American Journal of Pathology. 162(2):
373-9. 2003.
17. Gonzalez R, Woods R. Digital Imagen Processing. Second Edition. Prentice Hall. pp
204. 2002.
18. Fleuret F, Pascal F. Dendrite tracking in microscopic images using minimum spanning
trees and localized E-M. CVLAB-EPFL, 2006.
19. Young P, Coleman C, Garvey W. Semiautomatic tracing of neural processes. Computer
Analysis of Neuronal Structures. pp 91109. 1977.
20. Bai W, Zhou X, Ji L, Cheng J, Wong S. Automatic dendritic spine analysis in two-
photon laser scanning microscopy images. Cytometry A. 71 (10): 18-26. 2007
21. Srinivasan E, Ebenezer D. A technique for improving the performance of median
smoothers at the corners characterized by low order polynomials. International Journal of
Electronics, Circuits and Systems, 1(3): 189-196. 2007.
22. Shmulevich I, Gonzalo R, Arce G. Spectral Design of Weighted Median Filters
Admitting Negative Weights. IEEE SIGNAL PROCESSING LETTERS. 8 (12): 313-
316, 2001.
23. Gonzalo R. A General Weighted Median Filter Structure Admitting Negative Weights.
IEEE Transactions on Signal Processing. 46(12). pp 348.1998.
24. Sidney C, Gopinath R. Guo H. Introduction to Wavelets and Wavelet Transforms.
Electrica and Computer Engineering Department and Computer and Information
Technology Institute Rice University. Houston Texas. Prentice Hall. pp 266.1998.
122
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
25. Yamada R, Ushiba J, Tomita Y, Masako Y. Decomposition of electromyographic signal
by principal component analysis of Wavelet Coefficient. IEEE EMBS Asian-Pacific
Conference on Biomedical Engineering, Keshena, Japan. 10.1109/APBME.1302612:
118-119. 2003.
26. Gonzalez R, Woods R, Eddins S. Digital Image Processing Using MATLAB (DIPUM).
Gatesmark Publishing. pp 827, 2009.
27. The MathWorks. Image Processing Toolbox Users Guide. Version 2.1. The MathWorks.
Inc. CRC Press. Boca Raton. USA. 1998.
28. Cecilia J, Moreno F, Garca J. Acelerando algoritmos de deconvolucin para imgenes de
microscopa usando GPUs. Proc. of II Workshop en Aplicaciones de Nuevas
Arquitecturas de Consumo y altas prestaciones. I.S.B.N: 978-84-692-7320-3. Madrid
(Spain). 2009.
29. Poindexter B. Wounds J. Immunofluorescence Deconvolution Microscopy and Image
Reconstruction of Human Defensins in Normal and Burned Skin. Journal of Burns and
Wounds. 4(7): 101-111. 2005.
30. Park J, Kihm K. Three-dimensional micro-PTV using deconvolution microscopy.
Experiments in Fluids. 40(3): 491-499.2006.
31. Pratt W. Point and spatial image restoration techniques. pp 319-371. En: Digital Image
Processing. PIKS Inside. Third Edition. John Wiley & Sons. 2001.
32. Qi S, Jiaya J. High-quality Motion Deblurring from a Single Image. ACM Transactions
on Graphics, 27(3): Article 73, 1-10. 2008.
33. Isaacson E. Keller H. Analysis of Numerical Methods. John Willy and Sons. New York.
pp 721 1996.
34. Richardson W. Bayesian-Based Iterative Method of Image Restoration. JOURNAL OF
THE OPTICAL SOCIETY OF AMERICA. 62(1). 1972.
35. Vera M, Medina R, Bravo A. Deteccin del corazn utilizando mquinas de soporte
vectorial de mnimos cuadrados, Memorias del X Congreso Internacional de Mtodos
Numricos en Ingeniera y Ciencias Aplicadas (CIMENICS 2010), Mrida, Venezuela,
Marzo, PS31-PS36, 2010.
36. Garca J, Vidal C, Bonmat L, Galant J, Robles M. Soft tissue tumours pattern
classification techniques using MR and epidemilogy data. Magnetic Resonance Materials
in Physics, Biology and Medicine 15: 274275. 2002.
123
VISUALIZACIN Y CUANTIFICACIN DE ESPINAS DENDRTICAS EN IMGENES POR MICROSCOPA DE LUZ
37. Snchez L, Alegre E, Fernndez R, Alegre B, Domnguez J. Comparison of texture
descriptors in automatic classification of boar semen. Reproduction in Domestic
Animals. 40(4). 377-391. 2005.
38. Huang W, Lee C. Automatic Classification for Pathological Prostate Images Based on
Fractal Analysis.Medical Imaging, IEEE Transactions on In Medical Imaging, IEEE
Transactions on, 28(7). 1037-1050. 2009.
39. Vapnik, V. The Nature of Statistical Learning Theory. Springer Verlag, New York,
1995.
40. Hearst M, Dumais S, Osman E, Platt J, Scholkopf B. Support vector machines.
Intelligent Systems and Their Applications, IEEE. 13 (4). 18-28. 1998.
41. Suykens J, Gestel T, Brabanter J, Moor B, J. Vandewalle, Least Squares Support Vector
Machines, World Scientific, Singapore, 2002.
42. Palacios E , Mendoza R, Palacios L, Colasante C. Morphological changes in
neuromuscular junctions during exercise. J Neurosci Res. 9(4):371-80.1983.
43. Palay S, Chan V. Cerebellar Cortex. Springer-Verlag. Berlin.Heidelberg. Neww York.
1994.
124