Análisis de desempeño de segmentación sobre imágenes de muestras de sangre periférica
Palabras clave:
Mean-Shift, métricas, muestras de sangre periférica, segmentación y sicklemia.
Resumen
La sicklemia es una enfermedad con alta incidencia en la población cubana. Se caracteriza por la deformación del eritrocito y puede estudiarse empleando técnicas automatizadas para análisis de imágenes de sangre, que dependen de la calidad de los bordes detectados. En este trabajo se propone un estudio comparativo sobre el desempeño de cuatro métodos de segmentación (Umbralización, Mean-Shift, Level-Set y Chan-Vese) aplicados a este tipo de imágenes. La experimentación permitió demostrar la superioridad del método Mean-Shift, los resultados fueron evaluados empleando métricas de media, varianza, distancia de Baddeley e índice de Jaccard y Dice.
Descargas
La descarga de datos todavía no está disponible.
Citas
Altinsoy, E., Yilmaz, C., Wen, J., Wu, L., Yang, J., & Zhu, Y. (2019). Raw G-Band Chromosome Image Segmentation Using U-Net Based Neural Network. Artificial Intelligence and Soft Computing, 117-126. Springer, Cham. https://doi.org/10.1007/978-3-030-20915-5_11.
Fernández, J., Pérez, A., Fragoso, M. & Rivero, R. (2012). El diagnóstico temprano de la anemia falciforme: un problema no resuelto en África negra. Revista Cubana Hematología, Inmunología y Hemoterapia, 28(2), 195-197.
Getreuer, P. (2012). Chan-Vese Segmentation. Image Processing on Line, 5(2), 214-224.
Gil, J. (2011). Evaluación de calidad en la segmentación de imágenes. Reporte técnico de reconocimiento de patrones. RT _042, Serie Azul, (CENATAV), 14-15.
González, C., & Woods, E. (2018). Digital Image Processing. Addison – Wesley, 4th Edition.
Jinghua, L., Jie, C., Juan, Z. & Lihui z. (2011). Medical Image Segmentation Using Mean Shift Algorithm and General Edge Detection. Proceedings of the 18th World Congress the International Federation of Automatic Control Milano (Italy), 44(I), 9656 - 9661. https://doi.org/10.3182/20110828-6-IT-1002.02861.
Panduro, J. (2010). Estudio comparativo de algoritmos disponibles en itk para la segmentación de imágenes médicas. Aplicación al caso particular de la aurícula izquierda. (tesis de grado), Universidad de Sevilla. Biblioteca de la Escuela Superior de Ingenieros de Sevilla. http://bibing.us.es/proyectos/abreproy/11863/
Rahmat, R., Wulandari, F., Faza, S., Muchtar, M., & Siregar, I. (2018). The morphological classification of normal and abnormal red blood cell using Self Organizing Map. IOP Conference Series: Materials Science and Engineering, 308, 012015.
Vasundhara, A. & Preetham, K. (2017). Identification and Red Blood Cell Classification
using Computer Aided System to Diagnose Blood Disorders. 2017International Conference on Advances in Computing, Communications and Informatics, ICACCI - Manipal, Mangalore (India), 2098-2104
World Health Organization (WHO). (2001). Sickle-cell disease and other haemoglobin disorders: an increasing global health problem. Public Health Reviews, 79(8), 704-712.
Xin, J., Renjie, Z. & Shengdong, N. (2012). Image Segmentation Based on Level Set Method. 2012 International Conference on Medical Physics and Biomedical Engineering. Physics Procedia, 33(2012), 840 – 845. https://doi.org/10.1016/j.phpro.2012.05.143.
Fernández, J., Pérez, A., Fragoso, M. & Rivero, R. (2012). El diagnóstico temprano de la anemia falciforme: un problema no resuelto en África negra. Revista Cubana Hematología, Inmunología y Hemoterapia, 28(2), 195-197.
Getreuer, P. (2012). Chan-Vese Segmentation. Image Processing on Line, 5(2), 214-224.
Gil, J. (2011). Evaluación de calidad en la segmentación de imágenes. Reporte técnico de reconocimiento de patrones. RT _042, Serie Azul, (CENATAV), 14-15.
González, C., & Woods, E. (2018). Digital Image Processing. Addison – Wesley, 4th Edition.
Jinghua, L., Jie, C., Juan, Z. & Lihui z. (2011). Medical Image Segmentation Using Mean Shift Algorithm and General Edge Detection. Proceedings of the 18th World Congress the International Federation of Automatic Control Milano (Italy), 44(I), 9656 - 9661. https://doi.org/10.3182/20110828-6-IT-1002.02861.
Panduro, J. (2010). Estudio comparativo de algoritmos disponibles en itk para la segmentación de imágenes médicas. Aplicación al caso particular de la aurícula izquierda. (tesis de grado), Universidad de Sevilla. Biblioteca de la Escuela Superior de Ingenieros de Sevilla. http://bibing.us.es/proyectos/abreproy/11863/
Rahmat, R., Wulandari, F., Faza, S., Muchtar, M., & Siregar, I. (2018). The morphological classification of normal and abnormal red blood cell using Self Organizing Map. IOP Conference Series: Materials Science and Engineering, 308, 012015.
Vasundhara, A. & Preetham, K. (2017). Identification and Red Blood Cell Classification
using Computer Aided System to Diagnose Blood Disorders. 2017International Conference on Advances in Computing, Communications and Informatics, ICACCI - Manipal, Mangalore (India), 2098-2104
World Health Organization (WHO). (2001). Sickle-cell disease and other haemoglobin disorders: an increasing global health problem. Public Health Reviews, 79(8), 704-712.
Xin, J., Renjie, Z. & Shengdong, N. (2012). Image Segmentation Based on Level Set Method. 2012 International Conference on Medical Physics and Biomedical Engineering. Physics Procedia, 33(2012), 840 – 845. https://doi.org/10.1016/j.phpro.2012.05.143.
Publicado
2022-01-11
Cómo citar
Brown Grandales, H. T., Paz Soto, Y., & Herold García, S. (2022). Análisis de desempeño de segmentación sobre imágenes de muestras de sangre periférica. Orange Journal, 3(6), 21-33. https://doi.org/10.46502/issn.2710-995X/2021.6.03
Número
Sección
Artículos
