generación y clasificación de patrones en...
TRANSCRIPT
Colaboradores: MI. Jonás Grande Barreto
Dra. María Del Pilar Gómez Gil Dr. Jesús González Bernal
Dr. Juan Manuel Ramírez Cortés
Generación y Clasificación de Patrones en micro-tomografías
V: 14-10.2016
Jonás
Pilar [email protected]
Jesús
Manuel [email protected]
Colaboradores en este proyecto
2 08/10/2016 (c) Grande et. al, INAOE
(c) P.Gómez Gil, INAOE 2016 3
Un poco
sobre nuestro grupo PSIC…
ψυχ
El grupo Procesamiento de Señales e Inteligencia Computacional (PSIC)
• Está integrado con estudiantes e investigadores de Ciencias de la computación e Ingeniería electrónica del INAOE y otras universidades: UDLAP y Univ. autónoma de Tlaxcala
• Investigadores participantes (en orden alfabético) – Dr. Vicente Alarcón Aquino- UDLAP – Dr. Israel Cruz Vega- Catedrático Conacyt -INAOE – Dr. Edgar García-Treviño – emprendedor – Dra. María del Pilar Gómez Gil-INAOE – Dr. Ever Juárez Guerra – Univ. Autónoma de Tlax. – Dra. Haydé Peregrina Barrerto - INAOEP – Dr. Juan Manuel Ramírez Cortés- INAOE – Dr. José Rangel Magdaleno – INAOE
(c) P.Gómez Gil, INAOE 2016 4
ψυχ
(c) P.Gómez Gil, INAOE 2016 5
Áreas de conocimiento aplicadas en PSIC • Usamos y desarrollamos técnicas basadas en:
– Aprendizaje basado en ejemplos e inteligencia computacional, para escribir algoritmos de clasificación y predicción, como redes Neuronales Artificiales (RNA), deep learning, Lógica Difusa y Algoritmos Evolutivos
– Procesamiento digital de señales, para extraer características necesarias para clasificar o predecir
Características de nuestra investigación RETOS AREAS DEL CONOCIMIENTO AREAS DE APLICACIÓN
Con respecto a DATOS: • ruidosos • clases sobre-puestas • muy pocos • difíciles de caracterizar • se requieren fusionar • etc…
•Clasificación estática •Clasificación temporal •Predicción •Teoría de RNA •Deep learning
•Brain Computer Interfaces • Biométrica • Diagnóstico médico • Economía y Finanzas • Astrofísica • Reconocimiento de escritura
(c) P. Gómez, INAOE 2015 [email protected] 6
Trabajamos con señales “difíciles” (altamente no lineales)
7
(c) P.Gómez Gil, INAOE 2016
0 100 200 300 400 500 600 0.4
0.6
0.8
1
1.2
1.4 Mackey-Glass data for A=0.2, B=0.1, tao=17 h=0.9. 550 points of good2.dat
ATM withdraws (NN5-001) (Crone 2008)
Mackey-Glass time series (Glass 1987)
)()(1
)()(10
tbxtx
tax
dt
tdx
Case K.2
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1 90 179 268 357 446 535 624 713 802 891 980 1069 1158 1247 1336 1425 1514 1603 1692 1781 1870 1959 2048
n
expected
prediction
Long-term prediction of an ECG (Gomez-Gil et al., 2011)
EEG of an ictal state (Juarez-Guerra, 2015)
Sobre el proyecto “Generación y Clasificación de Patrones en micro-tomografías”
08/10/2016 8 (c) Grande et. al, INAOE
• Red de tejido óseo con características anisotrópicas1 en constante adaptación [Thevenot,
2014]. • Existen dos clases principales a identificar: hueso y
no hueso [Bouxsein, 2010]. • Parámetros de interés:
– TV.- Volumen total de la región de interés (mm3). – BV-Volumen del hueso (mm3). – BS.-Superficie del hueso (mm2) – BV/TV.- Fracción de volumen (%) – BS/TV.- Densidad de superficie (mm2/mm3). – BS/BV.- Superficie específica (mm2/mm3).
1. Aquellas que varían según la dirección en que son medidas
Hueso trabecular (esponjoso)
08/10/2016 9
Micro-tomografía (µ-CT) del hueso trabecular.
(c) Grande et. al, INAOE
• Se encarga del estudio de objetos y estructuras con dimensiones por debajo de 200µm [Bouxsein, 2010]. – Pequeños cambios en la estructura de
los objetos. – Paquetes desde 100 a 1,000 imágenes – Resolución radiométrica: 8-12 bits. – Resolución pixel: 256x256-512x512
pixeles. – Intensidad en escala de gris.
Micro-tomografía (µ-CT)
08/10/2016 10 (c) Grande et. al, INAOE
Tomado de Bouxsein, et al (2010), Journal of Bone and Mineral Research.
•La segmentación de estructuras a nivel microscópico, mediante procesamiento digital de imágenes en huesos, resulta un proceso complejo debido a:
– Diferencias en las características de los diferentes tejidos. – Un pixel puede cubrir dos o más tejidos por la baja resolución de
digitalización; mayor resolución podría generar mas clases no interesantes.
•Esto da origen a pixeles no homogéneos, los cuales se presentan principalmente en los bordes de los objetos y provienen de diferentes clases. Estos se conocen como pixeles mixtos o mezclados
Planteamiento del problema
08/10/2016 11 (c) Grande et. al, INAOE
Un píxel mezclado o mixto es un elemento de imagen que representa un área ocupada por más de un tipo de cobertura [Klein1998]. – Baja mineralización (nivel de
gris bajo para ser hueso, alto para ser no hueso).
– Efecto de volumen parcial.
¡La resolución espacial no es la mejor respuesta!
Pixeles mezclados
08/10/2016 12 (c) Grande et. al, INAOE
Tomado de (Klein, 1998).
Solución preliminar propuesta – entrenamiento
08/10/2016 13 (c) Grande et. al, INAOE
Imágenes
Definir medida de similitud
Diseñar patrones de segmentación
Construir clasificador
adaptivo
pP
p
cpRP ggsLBP 2)(1
0
,
0,0
0,1)(
x
xxs
Medida
Parámetros del
clasificador
Solución preliminar propuesta - identificación
08/10/2016 14 (c) Grande et. al, INAOE
Imagen Caracterizar
mixtos
Clasificador Puros
No hueso Hueso
Identificación de pixeles
Mezclados
Configuración de patrones
08
/10/2
016
15
Tomada de Ojala 2002
Tomada de Zhou 2007
(c) Grande et. al, INAOE
• Un clasificador de pixeles mixtos en µ-CT del hueso trabecular. • Una medida de similitud que permita la clasificación de pixeles
mixtos .
• En el trabajo futuro se considera: – Reconstrucción en 3 dimensiones. – Apoyo al diagnóstico médico.
Contribuciones esperadas
08/10/2016 16 (c) Grande et. al, INAOE
Referencias
• ZHOU, Hui; WANG, Runsheng; WANG, Cheng. A novel extended local-binary-pattern operator for texture analysis. Information Sciences, 2008, vol. 178, no 22, p. 4314-4325.
• OJALA, Timo; PIETIKAINEN, Matti; MAENPAA, Topi. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on pattern analysis and machine intelligence, 2002, vol. 24, no 7, p. 971-987.
• BOUXSEIN, Mary L., et al. Guidelines for assessment of bone microstructure in rodents using micro–computed tomography. Journal of bone and mineral research, 2010, vol. 25, no 7, p. 1468-1486.
• THEVENOT, Jérôme, et al. Local binary patterns to evaluate trabecular bone structure from micro-CT data: application to studies of human osteoarthritis. En European Conference on Computer Vision. Springer International Publishing, 2014. p. 63-79.
• KLEIN GEBBINCK, Maurice Stefan; BIBLIOTHEEK, Cip-gegevens Koninklijke; KLEIN, Maurice Stefan. Decomposition of mixed pixels in remote sensing images to improve the area estimation of agricultural fields. 1998.
08/10/2016 17 (c) Grande et. al, INAOE
