Algoritmo para Estimar la Edad Ósea, Diapositivas Exposición.

ALGORITMO PARA ESTIMAR LA EDAD ÓSEA EN NIÑOS DE LA PRIMERA INFANCIA MEDIANTE PROCESAMIENTO DE

IMÁGENES RADIOLÓGICAS DE MANO Y MUÑECA

AUTORES ANDRÉS ROBERTO DÍAZ PASCUAS

DAVID LEONARDO TORRES RODRÍGUEZ

DIRECTOR ING ASTRID RUBIANO FONSECA

GRUPO DE INVESTIGACIÓN TIGUM PROGRAMA DE INGENIERÍA EN TELECOMUNICACIONES

UNIVERSIDAD MILITAR NUEVA GRANADA BOGOTÁ D.C

24/11/2011

AGENDA

PLANTEAMIENTO DEL PROBLEMA 1

2

OBJETIVOS 2

JUSTIFICACIÓN 3

ANTECEDENTES 4

MARCO TEORICO 5

CONCLUSIONES 7

DESARROLLO DEL PROYECTO 6

PLANTEAMIENTO DEL PROBLEMA

3

Planteamiento del Problema

Objetivos Justificación Antecedentes Marco Teórico

Desarrollo del

proyecto Conclusiones

TRANSTORNOS DEL CRECIMIENTO ESTIMACIÓN DE EDAD

ÓSEA DEMANDA COMPLEJIDAD

EN EL PROCESO

¿Qué algoritmo permite la estimación de la edad ósea mediante procesamiento de

imágenes radiológicas de mano y muñeca facilitando el diagnóstico del profesional

en el área?

OBJETIVO GENERAL

4



Desarrollo del


Desarrollar un algoritmo que logre estimar la edad ósea en niños de la primera infancia comprendida entre los cero y seis años, mediante el procesamiento de imágenes radiológicas de mano y muñeca.

OBJETIVOS ESPECÍFICOS

5



Desarrollo del


Realizar una recopilación de imágenes radiológicas de mano y muñeca con el fin de elaborar una base de datos.

Identificar las técnicas a emplear en el procesamiento de imágenes radiológicas.

Definir el algoritmo a emplear para la estimación de edad ósea.

Validar el algoritmo definido, mediante la experimentación con imágenes radiológicas de mano y muñeca de niños de la primera infancia, evaluando los resultados obtenidos con los métodos de diagnóstico tradicionales.

JUSTIFICACIÓN

6



Desarrollo del


ASPECTO TECNOLÓGICO

• Asistencia tecnológica en estimación de edad ósea

ASPECTO SOCIAL

• Agilizar el proceso de cálculo de la estimación de edad ósea

ANTECEDENTES

7



Desarrollo del


2007 2008 2009 2010 2001

MARCO TEÓRICO

8



Desarrollo del


ANATOMIA ÓSEA DE LA MANO Y MUÑECA

METODOS DE ESTIMACIÓN DE LA EDAD ÓSEA

9



Desarrollo del


METODO DE TANNER AND WHITEHOUSE

METODO DE GREULICH PYLE

OPERACIONES CON HISTOGRAMA

10



Desarrollo del


ECUALIZACIÓN

El histograma de una imagen es una función discreta que representa el número de pixeles en la imagen en función de los niveles de intensidad

OPERACIONES CON HISTOGRAMA

11



Desarrollo del


MATCHING

Imagen e histograma original

Imagen e histograma de referencia

Histograma resultante

DETECCIÓN DE BORDES

12



Desarrollo del


Borde: Transición o frontera con niveles de intensidad significativamente distintos

Detección de bordes usando el algoritmo de Canny

OPERACIONES MORFOLÓGICAS

13



Desarrollo del


DILATACIÓN

El objeto original (a) es dilatado por un elemento estructural (b) y

genera un nuevo objeto expandido (c)

OPERACIONES MORFOLÓGICAS

14



Desarrollo del


EROSIÓN

El objeto original (a) es erosionado por un elemento estructural (b) y

genera un nuevo objeto con elementos eliminados (c)

COMPONENTES CONECTADOS

15



Desarrollo del


IMAGEN BINARIZADA IMAGEN CON COMPONENTES

CONECTADOS

DESARROLLO DEL PROYECTO

16



Desarrollo del


Documentación

Análisis de las técnicas de

procesamiento de imágenes médicas

Recopilación de carpogramas

Almacenamiento y Clasificación de los

carpogramas

Diseño del algoritmo

Implementación del algoritmo

Evaluación del algoritmo

Análisis y validación de los

resultados


17



Desarrollo del


Documentación





carpogramas





resultados

DOCUMENTACIÓN

18



Desarrollo del


FUENTES PRIMARIAS

Dr. Danilo Cifuentes B. Médico Radiólogo del Hospital Militar Central

Ing. Cesar Leonardo Niño Barrera: Profesor Asociado del Departamento de Electrónica de la Universidad Javeriana

FUENTES SECUNDARIAS

Buscadores específicos como Google Scholar, Pubmed y Scirus

Bases de datos en línea como: IEEE Xplore, ScienceDirect, Redalyc e Image Sciences Institute

Libros de referencia citados en varios artículos los cuales se ubicaron principalmente en Google Books.

Encontrándose un total de 83 artículos y 3 tesis relacionadas directamente con el tema, de las cuales 54 se citan en un documento de revisión desarrollado por los autores.


19



Desarrollo del


Documentación





carpogramas





resultados

ANÁLISIS DE LAS TÉCNICAS

20



Desarrollo del


EXTRACCIÓN DE LA REGIÓN DE INTERÉS

PRE-PROCESAMIENTO

SEGMENTACIÓN

EXTRACCIÓN DE CARACTERÍSTICAS

CLASIFICACIÓN Y ESTIMACIÓN EDAD ÓSEA


21



Desarrollo del


EXTRACCIÓN DE LA REGIÓN DE INTERÉS

(a) Extracción manual de la (b) Región de interés


22



Desarrollo del


PRE - PROCESAMIENTO

a) Filtro de mediana

b) Ajuste de la imagen

c) Ecualización de histograma

d) Matching


23



Desarrollo del


SEGMENTACIÓN

a) Detección de bordes usando el algoritmo de Canny

b) Operación morfológica de llenado

c) Operación morfológica de apertura


24



Desarrollo del


EXTRACCIÓN DE

CARACTERÍSTICAS

1068 pixeles

𝑝𝑖𝑥𝑒𝑙𝑒𝑠

1𝑚𝑚=

1068 𝑝𝑖𝑥𝑒𝑙𝑒𝑠

153.2 𝑚𝑚


1𝑚𝑚= 6,97

𝑝𝑖𝑥𝑒𝑙𝑒𝑠𝑚𝑚

153.2mm


1𝑚𝑚=

𝐴𝑛𝑐ℎ𝑜 𝑑𝑒 𝑙𝑎 𝑖𝑚𝑎𝑔𝑒𝑛 𝑑𝑖𝑔𝑖𝑡𝑎𝑙 𝑒𝑛 𝑝𝑖𝑥𝑒𝑙𝑒𝑠

𝐴𝑛𝑐ℎ𝑜 𝑟𝑒𝑎𝑙 𝑑𝑒 𝑙𝑎 𝑖𝑚𝑎𝑔𝑒𝑛 𝑒𝑛 𝑚𝑖𝑙í𝑚𝑒𝑡𝑟𝑜𝑠


25



Desarrollo del


CLASIFICACIÓN Y ESTIMACIÓN EDAD ÓSEA

Longitud del eje mayor y área


26



Desarrollo del


Documentación





carpogramas





resultados

RECOPILACIÓN DE CARPOGRAMAS

27



Desarrollo del


se recopilaron 283 imágenes de

las cuales 62 corresponden a

niños colombianos


28



Desarrollo del


Documentación





carpogramas





resultados

ALMACENAMIENTO DE CARPOGRAMAS

29



Desarrollo del



30



Desarrollo del


BASE DE DATOS


31



Desarrollo del


FORMULARIO DE INGRESO A LA BASE DE DATOS

MEDIANTE USUARIO Y CONTRASEÑA


32



Desarrollo del


FORMULARIO DE INGRESO DE INFORMACIÓN DE LA IMAGEN


33



Desarrollo del


FORMULARIO DE INGRESO DE LA IMAGEN


34



Desarrollo del


FORMULARIO DE CONSULTA


35



Desarrollo del


Documentación





carpogramas





resultados


36



Desarrollo del


Documentación





carpogramas





resultados

IMPLEMENTACIÓN DEL ALGORITMO

37



Desarrollo del



38



Desarrollo del



39



Desarrollo del



40



Desarrollo del


Documentación





carpogramas





resultados

EVALUACIÓN DEL ALGORITMO

41



Desarrollo del


Constantes

• Resolución de la imagen

• Escala de la imagen

Independientes

• Longitud del eje mayor

• Áreas

Dependientes

• Edad ósea

DISEÑO DEL EXPERIMENTO – VARIABLES DE INGENIERIA

DISEÑO DEL EXPERIMENTO

42



Desarrollo del


TAMAÑO MUESTRAL IDEAL

Población Total: 3’062.311

Nivel de confianza: 95%

Precisión: 3%

Proporción: 5%

Tamaño Muestral: 203


43



Desarrollo del


Edad Biológica

Peso y talla adecuado

según tablas de crecimiento

OMS

Primera estimación

Dr. Miguel Hernando

Ángel (IDIME).

Método Greulich y

Pyle

Segunda estimación

Dr. Danilo Cifuentes del

(Hospital Militar)

método de Greulich y

Pyle,

procedimiento doble ciego

Tercera estimación

Mediante la aplicación en

Matlab usando criterios de longitud de eje mayor y

área


44



Desarrollo del


EXTRACCIÓN DE CARACTERÍSTICAS DE POBLACIÓN BASE

(14 Imágenes de niños con peso y talla adecuado)

Rango de Valores

Sumatoria de Longitud del

Eje Mayor (mm)

Sumatoria de Áreas

(mm^2)

Menor a 1 Año y 6

Meses x≤13,9 x’≤460

2 Años 13,9<x≤16 460<x’≤564

2 Años 6 Meses 16<x≤19 564<x’≤700

3 Años 19<x≤29 700<x’≤1150

3 Años 6 Meses 29<x≤37 1150<x’≤1250

4 Años 37<x≤42 1250<x’≤1700

5 Años 42<x≤53 1700<x’≤1900

6 Años 53<x≤62 1900<x’≤2300


45



Desarrollo del


DISTRIBUCIÓN DE INDIVIDUOS DE PRUEBA

0

1

2

3

4

5

6

7

8

9

10

1A-2A 2A-3A 3A-4A 4A-5A >5

Nú

mero d

e i

nd

ivid

uos

Rango de Edades

Número de Individuos por Edad

Número de Ind


46



Desarrollo del


PRUEBAS

(29 Imágenes de niños con peso y talla adecuado)

• Dr. Danilo Cifuentes del (Hospital Militar)

método de Greulich y Pyle,

Primera estimación

• Mediante la aplicación en Matlab usando criterios de longitud de eje mayor.

Segunda estimación

• Mediante la aplicación en Matlab usando criterios del área.

Tercera Estimación


47



Desarrollo del


Documentación





carpogramas





resultados

ANÁLISIS Y VALIDACIÓN DE RESULTADOS

48



Desarrollo del


84%

16%

SEGMENTACIÓN PARA IMÁGENES

ANALOGICAS DIGITALIZADAS

CORRECTA

INCORRECTA

82%

18%

SEGMENTACIÓN PARA IMÁGENES

DIGITALES

CORRECTA

INCORRECTA

RESULTADOS

PRE-PROCESAMIENTO Y SEGMENTACIÓN


49



Desarrollo del


0

0,2

0,4

0,6

0,8

1

1,2

1,4

1,6

1,8

Cifuentes LEM Área

Relación entre Varianza

Varianza


50



Desarrollo del


Región de

aceptación

Región de

rechazo 3,105 F= 0,0798

P=0,92 α = 0,05

(Valor critico)

PRUEBA DE HIPÓTESIS

𝐻0: µ𝑐 = µ𝑙 = µ𝑎

𝐻1: µ𝑐 ≠ µ𝑙 ó µ𝑎 ≠ µ𝑙 ó µ𝑎 ≠ µ𝑙


51



Desarrollo del


0

0,05

0,1

0,15

0,2

0,25

0,3

0,35

0,4

1A-2A 2A-3A 3A-4A 4A-5A >5

Rango de edades

Relación de Varianza

Varianza

CONCLUSIONES

52



Desarrollo del


Se validó el algoritmo mediante un análisis de

varianza en el cual la hipótesis nula fue verdadera, determinando que la relación entre promedios no muestra diferencias estadísticamente significativas.

Se obtuvo una base de datos con un total de 283 imágenes las cuales validaron los procesos de pre-procesamiento y segmentación, sin embargo únicamente 43 contaban con una escala referente a su tamaño real, la cual permitía realizar una relación de pixeles contra milímetros, que se requería para estimar la edad.

El proyecto se perfila con el fin de plantear una base de apoyo social en el diagnóstico de desnutrición y problemas de crecimiento mediante la estimación de edad ósea.

CONCLUSIONES

53



Desarrollo del


Se implemento una técnica de corte de la región de

interés que puede permitir al radiólogo verificar la correcta segmentación del carpo, que es escalable a otras regiones, disminuyendo la complejidad en las fases de pre - procesamiento y segmentación al

eliminar niveles de intensidad e grises no relevantes.

RECOMENDACIONES

54



Desarrollo del


Para poder generar un estándar y obtener resultados más precisos se recomienda ampliar la muestra estadística y así generar un referente a nivel nacional.

Se recomienda Incluir el sexo femenino e implementar el algoritmo en edades mayores a 6 años.

Como trabajo futuro es fundamental desarrollar un software que implemente el algoritmo el cual pueda ser integrable a los sistemas de información radiológica disponibles en los equipos médicos de toma de imágenes.

Para la estimación más precisa de la edad de un ser humano se pueden usar técnicas de radiografía panorámica dental para determinación de maduración de los terceros molares inferiores, radiografía del pie y radiografía cervical y poder incluir para exámenes de resonancia magnética.

Algoritmo para Estimar la Edad Ósea, Diapositivas Exposición.

Documents

Transcript of Algoritmo para Estimar la Edad Ósea, Diapositivas Exposición.