Contusion (Bruise) Segmentation & Diagnosis: un enfoque de interfaz gráfica de usuario

Contusion (Bruise) Segmentation & Diagnosis: un enfoque de interfaz gráfica de usuario

Resumen: el campo de la medicina se ha centrado en la tecnología para proporcionar nuevos tratamientos, técnicas y protocolos. En la última década, la industria se ha vuelto fuertemente dependiente de la tecnología para mejorar enormemente la atención médica. Con la ayuda de las técnicas modernas de procesamiento de imágenes, el diagnóstico de muchas enfermedades se ha mejorado y la preparación para los procedimientos quirúrgicos, como la extirpación de tumores, se han vuelto más efectivos y han conducido a mejores resultados. Aunque ha habido un impacto significativo en estas áreas, todavía hay muchas áreas de tratamiento que podrían beneficiarse con la ayuda de técnicas de procesamiento de imágenes. Una de esas áreas es el diagnóstico y tratamiento de contusión (moretón). Este documento presenta dos tecnologías gráficas de interfaz de usuario que podrían ayudar a los profesionales médicos a diagnosticar y tratar los moretones de manera más efectiva.

Las técnicas de procesamiento de imágenes tienen una amplia variedad de aplicaciones, desde reconocimiento facial hasta edición de video. Al utilizar el procesamiento de imágenes, muchas industrias se han beneficiado. Por ejemplo, la industria de productos agrícolas ha implementado técnicas de procesamiento de imágenes para detectar daños por hematomas en varias frutas, como peras y manzanas [1, 2]. Con este éxito parece apropiado tratar de aplicar esto al diagnóstico y tratamiento de las contusiones humanas. A través de la finalización de este proyecto, se desarrollaron un par de algoritmos que reconocen y segmentan regiones de hematomas de la piel normal. Las características de contorno, área y color se cuantifican para producir medidas anatómicamente significativas que se pueden rastrear a lo largo del tiempo para monitorear el progreso y la eficacia del tratamiento. El análisis y el desarrollo de algoritmos se realizó utilizando MATLAB. Se exploraron diversas estrategias de segmentación de imágenes y registro de imágenes. Algunos desafíos que surgieron fueron diferencias en color, forma e intensidad, así como imágenes de baja resolución / calidad deficiente. Las estrategias exploradas para combatir estos desafíos incluyen el uso de aplicaciones MATLAB para explorar imágenes, preprocesamiento, segmentación de cuencas y segmentación morfológica. Este proceso iterativo resultó en dos GUI de MATLAB que efectivamente adquieren imágenes, las analizan y brindan retroalimentación apropiada y útil sobre el estado de una región de hematoma.

Segmentar y diagnosticar hematomas de forma eficiente en función de las características de la imagen puede resaltar las métricas que el análisis visual humano no puede cuantificar y que pueden pasar por alto. La coloración de contusión muestra muchas medidas de diagnóstico útiles, como la edad de la contusión, así como la afección y los procesos fisiológicos subyacentes que está sufriendo la contusión. Para aclarar, la coloración roja indica que hay sangre fresca en sus tejidos, la coloración azul indica que la sangre que se ha escapado de los vasos sanguíneos lesionados perdió el oxígeno que portaba, la coloración púrpura indica que pasaron de uno a tres días (dependiendo de la gravedad de su lesión) , la coloración verde se debe a la presencia de un producto de descomposición de la hemoglobina llamado biliverdina, la coloración amarilla proviene del producto final de degradación de la hemoglobina en la piel, un químico llamado bilirrubina[4]. A partir de esto, se puede determinar la etapa de contusión.

La Figura muestra una representación simple del moretón que vemos y el hematoma debajo de la piel. En colaboración con la segmentación, estas medidas de coloración se pueden cuantificar de manera óptima utilizando técnicas básicas de procesamiento de imágenes.

[pic 1]

MÉTODOS

Se exploraron muchas técnicas de procesamiento de imágenes. Se desarrollaron dos algoritmos de procesamiento de imágenes para una variedad de estrategias en las áreas de exploración de imágenes, preprocesamiento y seguimiento y error. Además, dado que ciertos valores de entrada fueron más eficaces en un amplio rango debido a las diferencias entre imágenes de hematoma (como color, forma, calidad, iluminación, etc.), se determinó que era más beneficioso para la precisión del algoritmo si se implementaba en GUIs. Con este enfoque, el usuario puede ver claramente qué se segmenta y tener más control sobre qué partes de la imagen / hematoma se incluyen o excluyen de la segmentación y el diagnóstico.

Aunque las GUI de segmentación y diagnóstico de hematomas son similares en su apariencia, utilizan enfoques fundamentalmente diferentes para la segmentación y los cálculos de diagnóstico. Cada uno tiene su propio valor inherente, ya que segmentan los hematomas y proporcionan un diagnóstico de una manera única y útil.

Como este es el caso, la decisión de qué aplicación usar puede considerarse situacional y objetiva. Para ver el diseño de cada una de las GUI, consulte las figuras 5 y 6 en el apéndice A.

GUI I

La primera aplicación gráfica de interfaz de usuario utiliza seis procesos, que finalmente produce una máscara de color definida por el usuario de la región de hematoma deseada y un diagnóstico de su tamaño y estado de curación. En primer lugar, un usuario puede cargar un archivo de imagen (jpg) haciendo clic en el botón "Seleccionar imagen" y desde allí navega hasta el archivo de imagen guardado deseado. Luego, al hacer clic en el botón "Analizar", se muestra una máscara de contusión de color y métricas de diagnóstico (área de hematoma, píxel y condición) en el campo correspondiente. Además, el usuario puede arrastrarse a través de la imagen original, el hematoma segmentado gris y el hematoma segmentado de color. Por último, y lo más importante, el usuario puede usar dos barras de desplazamiento para "Cerrar y suavizar los bordes" y / o "Eliminar puntos / motas". Estas dos opciones permiten que el algoritmo sea fácil de usar y potencialmente más efectivo. La Figura 2 muestra un diagrama de flujo de alto nivel de los procesos desde un punto de vista de algoritmo.

[pic 2]

Primero, la imagen ingresada se convierte a una imagen en escala de grises usando la función MATLAB rgb2grayO. La imagen en escala de grises se eligió como el punto de partida, ya que la mayoría de las veces el color del moretón 2 varía, por lo que el procesamiento en un espacio de color (rojo, verde o azul) es menos efectivo. A continuación, la región inicial de moretones enmascarados en blanco y negro se calcula utilizando las funciones graythreshO e im2bwO. Esto proporciona una máscara de segmentación de moretones general y rugosa utilizando el método de umbralización de Otsu.

...