Академический Документы
Профессиональный Документы
Культура Документы
ReconocimientoAutomticodelaEdadsea
FernandoMontoyaManzano1,SalvadorE.AyalaRaggi1,SusanaSnchezUrrieta1,
AldrinBarretoFlores1,JosFranciscoPortilloRobledo1,PatriciaAyalaRaggi2
BenemritaUniversidadAutnomadePuebla,
1
FacultaddeCienciasdelaElectrnica,2ImagenologaMdicaS.C.,
Av.SanClaudioy18sur,Col.JardinesdeSanManuel,C.P.72570,Puebla,Puebla,
Mxico.231OrienteNo.208A,C.P.72530,Puebla,Puebla,Mxico.
fmm_ferix@hotmail.com,2payala@exakta.mx
{saraggi,surrieta,abarreto,portillo}@ece.buap.mx
Introduccin
Apesardequemuchosdelosatlasutilizadoshansidocuidadosamentediseados
porexpertosenelcampoelhechodeutilizarunsoloprototipodeimagenpodraser
inadecuadoporlagranvariacinenlaaparienciadelasmanoshumanas.Porotro
lado, otra propuesta utilizada por algunos radilogos se basa en el clculo de
diferentes resultados de diferentes grupos de huesos para despus obtener un
promedio de los clculos realizados. Este proceso es imprctico y subjetivo para
bastantesmdicosapesardesermsprecisoquemtodosanteriores[3][4].
Se han propuesto sistemas automticos para abordar el problema de la
subjetividad. Niemeijer y otros [5] proponen un sistema automtico basado en el
mtododeTanneryWhithouseelcualconsisteenutilizarungrannmerodeROIs
(RegindeIntersporsussiglaseningls)etiquetadasconedadesporunradilogo.
Luegoparacadaedadsecomputaunaimagenpromedio.Despus,alingresaruna
imagen nueva marcada con ROI (para clasificarse) un ASM (Modelo Activo de
Forma porsussiglaseningls) seemplea para ajustarse a laforma. Finalmente,
utilizando un algoritmo de correlacin se selecciona la edad asignada a la forma
mediaquemejorseajustaalaimagendeentrada.Enstapropuestaseobservandos
desventajas:Primero,laimagenmediautilizadanocontienelavariabilidadquese
observaenlasimgenesoriginalesqueseusaronparaformarla.Segundo,lacantidad
deedades etiquetadas esfinita,porlotanto,laedadestimada noesunavariable
continua,esdecir,siendolasedadesAyB,alahoradeestimarlaedadnosepuede
tenercomoresultadoningunaedadquenoseaAoB.En[3],Hsiehyotrosproponen
extraerparmetrosgeomtricosdeloshuesoscarpalesdeformamanualconedades
deentre1y8aos,yentoncesutilizarANN(RedesNeuralesArtificialesporsus
siglaseningls)comomtododeclasificacin.En[17],DanielAbadproponeun
mtododeestimacindeedad seaautomticabasadoenlasegmentacindelos
huesosqueutilizafiltrosdepreprocesamientodedeteccindebordesyrellenadode
contornospararecrearlaestructuraseadeunaradiografaentrante.Despusrealiza
unclculodelasdistanciaseuclidianasquehayentreloshuesosylosncleosde
crecimiento.LuegocalculalaedadseademanerasimilaralmtododeTannery
Whitehouse. A pesar de sus resultados prometedores y precisin, este mtodo
depende de los mismos parmetros de etiquetado que el mtodo de Tanner y
Whitehouse.
La propuesta en este trabajo no es la de automatizar los mtodos clnicos de
estimacindeedadseaconocidos[1][2]comosehanhechoentrabajosanteriores
[6].Enlugardeesoseinvestigydiseunsistemaparalaestimacindeedadsea
elcualescapazdeaprenderdelosejemplosdepruebaparamejorarsudesempeo.
Comoconocimientoprevioslolasetiquetasdelasedadesdelosejemplosdeprueba
sernusadas.Sehanrealizadoesfuerzosparalograralgoritmosdeestimacindeedad
sea basados en el aprendizaje de parmetros estadsticos de un gran nmero de
ejemploscomoen[7][8]peronosehanvistotalesparadisearunsistemaparala
estimacindelaedadseaconlacapacidaddemejorarsudesempeoyaprender
mientras ms ejemplos se presenten en el sistema. Sera de gran utilidad que un
sistemapuedamejorarsudesempeoinclusosinlanecesidaddereentrenarlo.Un
algoritmotpicodeclasificacinqueesinherentementeincrementalenesesentidoes
elalgoritmodelosKvecinosmscercanos.
EnestetrabajosehautilizadounaversinregresivadelclsicoalgoritmodelosK
vecinoselcualsebasaenelusodeunafuncinradial.Aprimeravistapareceposible
el agregar nuevas imgenes al sistema cada vez que se quiera incrementar el
aprendizajeyporconsiguientemejorareldesempeoenelprocesodeclasificacin
tambin.Sinembargo,yconsiderandoquelasimgenesoriginalesnoestnalineadas
es necesario un considerable nmero de imgenes de entrenamiento para poder
obtenerunaclasificacinaceptable.Paraenfrentaresteproblemasehaimplementado
un algoritmo de alineacin previo a la clasificacin basado en un preentrenado
ModeloActivodeAparienciaelcualsegmentalaregindeintersdelamanoy
luegotrasladasutexturahaciaunaformademanonormalizada.Lanormalizacinen
formapermitetenerenelmismomarcodereferenciatantoalaformacomoala
texturatrasladada.DentrodelajustedelAAMseaplicatantoaformacomoatextura
unanlisisestadsticoparareducirsudimensionalidadyobtenerunconjuntoreducido
deparmetrosdeformaytextura.Latexturatrasladadaalaformanormalizadayel
conjuntoreducido deparmetros deformadevueltosporel procesodeajustedel
AAM(ModelosActivosdeAparienciaporsussiglaseningls)seunenenunnuevo
vector de parmetros el cual puede ser agregado a una Base de Conocimiento o
conjuntodeejemplosdeentrenamientoconlacualelalgoritmodelosKNN(K
vecinosmscercanosporsussiglaseningls)realizalaclasificacinyfinalmenteel
clculodelaedadseautilizandoregresinlinealparapermitirquelaedadsetrate
comocontinuaapesardelnmerofinitodeedades.
Resumendelsistema
cualesunconjuntodevectoresdeparmetros.Aliniciodelaetapadeusocuandono
sehaingresadoimagenparaprobarlabasedeconocimientoestformadaporlos
vectoresdeparmetroscorrespondientesalasimgenesutilizadasparaentrenaral
modeloAAM.LaFig.1muestraelprocesocompleto.
Fig.1.Diagramadelprocesoengeneral.
de
unaimagenparticular.Porlotanto,luegodelprocesodealineacinseaplicaPCAal
conjuntode para obtener unconjuntoreducido decomponentes o eigenformas
capaces de representar un alto porcentaje de la variacin den forma vista en el
conjuntodeentrenamiento.Porotrolado,lastexturascontenidasdentrode estn
normalizadasenformaporuntrasladodetexturao warping hacialaformamedia
antesdeaplicarlesPCAtambin.Deigualmodoqueconlasformas,alaplicarPCAa
lastexturasseobtieneunconjuntoreducidodecomponenteso eigentexturas [10]
capazderepresentarunaltoporcentajedelavariacinentexturavistaenelconjunto
de entrenamiento. Esta capacidad de alta representacin utilizando un reducido
conjunto de eigenparametros (eigenformas+eigentexturas) es posible gracias a la
gran similitud que existe entre las imgenes de entrenamiento. Computando una
combinacinlinealdeloseigenparametrospodemosreconstruircadamanodentrodel
conjuntodeentrenamiento oinclusocrear unasntesisdeunaimagennueva.Los
coeficientes comnmente llamados pesos de esas combinaciones lineales son los
parmetrosdelmodeloAAM.
UnavezqueelmodeloAAMhasidocreadopuedeserutilizadoparaalinearsea
una imagen entrante utilizando un algoritmo de ajuste iterativo similar al
implementado en [11] con lo que es posible recobrar los parmetros de forma y
texturadelmodeloquemejorseajustenalamanodelaimagenentrante.
Paraconstruirelmodelodeformasediseunaplantillaadecuadadepuntoso
landmarks as como una malla de tringulos (para trasladar la textura) que
geomtricamentenosevolteenniseencimenacausadelasvariacionesenforma
presentadas en el conjuntode entrenamiento. EnlaFig.2semuestra laplantilla
propuestade landmarks mientras queenlaFig.3seilustranuestra triangulacin
manual utilizada en ste trabajo comparada con una triangulacin delaunay [12]
calculada automticamente con Matlab. Se puede apreciar que la triangulacin
propuestaesmsrobustaalavariacinencuantoaposicindeloslandmarksquela
triangulacin delaunay ya que algunos landmarks de algunos tringulos son casi
colineales.
Fig.2.PlantilladeLandmarkscolocadosenpuntosdistintivosdelaestructurasea.
Fig.3.Modelodelaformamedia,triangulacinpropuestaytriangulacincalculada
conelmtododedelaunay.
Unavezquelasimgeneshansidoetiquetadasmanualmenteconunconjuntode
landmarks un proceso iterativo basado en el Anlisis de Procrustes [9][13] debe
aplicarsealconjuntodeformasparaalinearlasenescala,rotacinytraslacin.El
objetivoderealizarestaalineacineseldereducirladistanciaquehayentrelos
puntosdecadaformaylospuntoscorrespondientesdelaformamedia.EnlaFig.4se
veunejemplodealgunasformasalineadasaotraformaenparticular.
Fig.4.Particularmente,todaslasformasenstetrabajofueronalineadasalaforma
correspondientealejemplonumero5puestienepocavariacinvisualypermitever
cmoserlaformamediaaproximadamente.
Luego de aplicar PCA al conjunto alineado, cada forma en el conjunto de
entrenamientopuedeentoncesserreconstruidoporlasiguienteexpresin:
(1)
Donde es la forma de salida, es la forma media,
columnassonlaseigenformasy
esunvectordeparmetrosdeformaopesosde
forma.Elnmerodeeigenformas(yporlotantoelnmerodeparmetrosdeforma)
puede ser reducido si se preservan slo los parmetros que corresponden a sus
eigenvaloresmsgrandes.As,elnmerodeeigenformasocomponentesnecesarios
pararepresentarcadaimagendelconjuntodeentrenamientosermuchsimomenor
queelnmerodeimgenesdelconjuntodeentrenamiento.
Las texturas de las imgenes de entrenamiento pueden ser trasladadas hacia la
forma media utilizando la ecuacin 2 y su respectivo conjunto de formas
correspondienteacadaimagendeentrenamiento,creandoastexturasnormalizadas
enforma.LaFig.5ilustrasteproceso.Entonces,sepuedeaplicarPCAastenuevo
conjuntodetexturasnormalizadasenformaparaobtenereigentexturas[10].
Del mismo modo que con las formas una vez aplicado el PCA a las texturas
cualquiertexturadelconjuntodeentrenamientopuedeserrepresentadaentoncespor
lasiguienteexpresin:
(2)
Donde eslaforma de salida, es laforma media,
columnassonlaseigentexturasy
esuna matrizcuyas
esunvectordeparmetrosdetexturaopesosde
Fig.5.Ejemplodecmosevenlasimgenestrasladadashacialaformamedia.
LosparmetrosdelmodeloAAMestarncompletosunavezquelosparmetrosde
pose
(escala,rotacinytraslacinenxey)seanagregados.
(3)
3.1 AjustedelmodeloAAMaunaimagendemanoentrante
Sehautilizadoelalgoritmoiterativodescritoen[11]paraalinearelmodeloAAM
aunaimagenentrante.Aunqueenesenciaeselmismoalgoritmodealineacinse
hicieron algunas modificaciones para que funcionase de manera adecuada con
imgenesradiogrficasdemanosenlugarderostros.
Enunrostroelfondoesindependiente,losrostrosaparecencomoobjetossolidos
sobreelfondomientrasqueenelcasodelasmanosenradiografaslasmanosson
objetosconunciertogradodetransparencia,esdecir,hayhuecosentrelosdedos
volvindoseunobjetoirregularadiferenciadeunrostro.Porlotanto,unniveldegris
delfondoestpresenteenlaestructuradelamano.
El proceso de ajuste del modelo AAM a una imagen entrante es computado
utilizandounalgoritmoiterativoelcualcalculaelresidual
(laactualdiferencia
entreelmodeloylaimagen)encadaiteracin,steresidualessiempremedidoenun
marcodetexturanormalizadaenformaasumiendoquelarelacinquehayentreel
residual
Entoncesunincrementoadicionalparaelparmetro
iteracinpor:
puedesercomputadoencada
(4)
Donde esunamatrizJacobinacompuestaporunnmerodecolumnasigualal
nmerodeparmetros.LajsimacolumnadestaJacobinasecalculapreviamente
deformasistemticadesplazandocadaparmetrodesuvalorinicialparaelmodelo
deapariencia.Paraevitarerroresnumricoseincrementarlavelocidaddecmputose
haceusodelamatrizseudoinversadeMoorePenroseenlugardelamatrizinversa
normalduranteelclculodelamatrizR.
En[11]elalgoritmodeajustedelAAMfuncionaperfectamenteenimgenescuyo
fondo esnegro si ysolo si la matriz R ha sidocomputada a partir de imgenes
sintticasderostrosconelfondonegro.Similarmente,enelcasodelasradiografas
unajusteadecuadoesposiblesiysolosilamatrizRhasidocomputadaapartirde
imgenessintticasdemanosconunfondoelcualdependadelniveldegrisdentrode
laestructuradelamano.Paraabordareserequisitounfondogrissintticohasido
generadoduranteelclculodelamatriz R.Despusdemuchaspruebassepropuso
queniveldegrissecalculeconlosiguiente:
(5)
Donde
eslamediadeintensidaddetodoslospixelesdelaregindelamano
sinttica(incluyendoentrelosdedos)y
esladesviacinestndardelaintensidad
delosmismospixeles.LaFig.6muestradoscasosenelprocesodeconstruccinde
lamatriz R.Enamboscasoslatexturamedia
fuealterada desplazando
sistemticamentelosparmetrospenincrementosde .LaFig.7ilustraelproceso
deajusteenunaradiografadeunbebdeunadolescente.
Fig.6.DoscasosenlaconstruccindelamatrizR.Izquierda:enstecasoelfondoes
completamentenegroylosresidualescalculadossondistintosnaturalmentealos
obtenidosduranteelprocesodeajuste,comoresultadoseproduceunajusteerrneo.
Derecha:elfondoescalculadoestadsticamenteconlospixelesdentrodelaestructura
delamano,incluyendolospixelesentrelosdedos,ylosresidualescalculadosson
similaresaloscomputadosduranteelprocesodeajuste.
Fig.7.ProcesoiterativodelajustedelmodeloAAMaunaimagendeentrada,en
ambosejemploslaconvergenciaseobtuvoalas78iteraciones,nosiempreseobtiene
laconvergenciaenlamismacantidaddeiteraciones.
ClasificacindelaEdadsea
Losparmetrosdeformadevueltosdelmodeloajustadoalaimagennuevason
unidosalatexturanormalizadaenformadelaimagenoriginalparacrearunvectorde
parmetrostilparalaclasificacinconlosKNN.Enteorasepuedenutilizarlos
parmetros de forma y textura devueltos por el proceso de ajuste del AAMpara
formar un vector reducido de parmetros el cual es adecuado para clasificar, sin
embargo,procederdesemodonopermiteelimplementarunprocesodeaprendizaje
incrementaldadoquesedeberaconstruirunnuevomodeloAAMcadavezquese
quieraagregarunnuevoejemploalabasedeconocimiento.Obviamenteesteesun
procesopesadocomputacionalmentehablando,porlotanto,paradisearunsistema
deaprendizajeincrementalprcticosepropusoformarelvectordeparmetrosconlos
parmetrosdeformadevueltosporelajusteiterativojuntoconlatexturaoriginal
normalizadaenforma
(6)
AsnosetienequereconstruirelmodeloAAMcadavezquesequieraingresarun
nuevo ejemplo ala base de conocimiento para aprender. De este modo,hay que
asegurarsequeelmodeloAAMestconstruidoconlasuficientevariacinenformay
texturaparasercapazdeajustarseacasicualquierimagendeentrada.Seeligieron3
ejemplos de cada edad partiendo de 1 ao hasta 19 aos dando un total de 57
ejemplos,delmismomodoseeligieron8ejemplosdedistintasedadesqueaportaran
variacionesenposeyformaquenoestuvieranpresentesenlosprimeros57ejemplos.
Estoconlafinalidaddequedentrodelentrenamientosetuvieralamayorcantidad
posibledeinformacindevariacinenposeyformaperoalmismotiempotuvieraun
equilibrioenlasedades.
4.1 ClasificacindeEdadusandoRegresinKNN
El vector de parmetros estimado F puede ser clasificado comparndolo con los
almacenados el conjunto que llamamos base de conocimiento. Para abordar la
clasificacinseimplementunalgoritmoderegresindelosKvecinosmscercanos
(KNN) [14] [15]. El proceso consiste en encontrar los K vectores de parmetros
almacenados en la base de conocimiento que son los ms cercanos en distancia
euclidiana. Utilizamos stas distancias
para computar los valores
respectivosdepeso
paracadavecinotalqueentremayordistanciaelpesoesmenor
(7)
Donde esunaconstantequeseobtieneapruebayerrorporloquelaedadsea
puedesercalculadacomounpromediodepesosdelasrespectivasedadesetiquetadas
deloskvecinos.
(8)
Donde sonlosvaloresdelasedadesdelosKvecinos.
ResultadosExperimentales
Paraprobarstemtododeestimacindeedadsea,sehizousodeunconjuntode
imgenescompuestopor165radiografas,todasellasrecortadasyredimensionadasa
256x256 pixeles. 125 imgenes fueron utilizadas para el entrenamiento y el
aprendizaje y las restantes 40 se reservaron para la etapa de prueba. Del
entrenamientoyelaprendizaje,seusaron65imgenesparaentrenamientodelmodelo
Fig.8.(A).ElRMSEfuemedidoinicialmentecon40ejemplos,encadaiteracin
fueronagregados10ejemplosmsalabasedeconocimientodemodoquesenotala
reduccindelerroralclasificarentre65imgenesenlabasedeconocimientohasta
125imgenes.(B).Edadesrealescontralasedadesestimadasalutilizar125ejemplos
enlabasedeconocimiento.
ConclusinyTrabajoFuturo
Enestetrabajosepropusoeimplementunsistemaautomticodereconocimientode
laedadseaconunaprecisinaceptable.Encontrasteconotrostrabajossepropuso
investigarelproblemadelaestimacindeedadseaenelcontextodelaprendizaje
supervisadobasadoennicamentedarlosejemplosdeentrenamientoylasetiquetas
de edad a la computadora. Slo las imgenes y las edades fueron dadas como
conocimientoprevio. Adems, sepropusouna metodologa simple deaprendizaje
incremental elcual reduce gradualmente elerror enlaclasificacin mientrasms
imgeneslessonpresentadasalsistemadurantelaetapadeprueba.Estacapacidadde
aprendizaje incremental no puede ser implementada usando slo los parmetros
devueltos por el AAM porque al agregar una nueva imagen se implica una
reconstruccindelmodeloAAMyesonoesprctico.Porotrolado,imgenesno
alineadaspuedenserutilizadasdirectamenteenclasificadorescomolosKNNoredes
neurales, pero requieren de una cantidad exorbitante de ejemplos para obtener
resultadosaceptables.Ensteenfoque,seproponeelusodemodelosAAMslopara
segmentar,alinearyajustar.Seproponeutilizarlatexturaoriginaltrasladadaala
formanormalizadajuntoconlosparmetrosdevueltosporelajustedelAAM.Porlo
tanto,utilizandounapequeacantidaddeimgenes,esposiblelograrclasificaciones
aceptables,comoyasehademostrado.
Como trabajo futuro, se propone investigar formas para reducir la cantidad de
ejemplos necesarios para el aprendizaje incremental de modo que ejemplos
redundantesseanevitadostalquesloinformacinnuevaseaingresadaalsistema.
Referencias
1.
2.
3.
4.
5.
6.
7.
Greulich,W.,Pyle,S.:Radiographicatlasofskeletaldevelopmentofhand
andwrist.StanfordUniversityPress,2nded.(1971)
Tanner,J.,Whitehouse,R.,Cameron,N.,Marshall,W.,Healy,M.,Goldstein,
H.:Maturityandpredictionofadultheight(tw2method).AcademicPress,
London,2nded.(1975)
Hsieh,C.W.,Jong,T.L.,Chou,Y.H.,Tiu,C.M.:Computerized geometric
featuresofcarpalboneforboneageestimation.ChineseMedicalJournal120
(2007)767770
Molinari, L., Gasser, T., Largo, R.H.: Tw3 bone age: Rus/cb and gender
differencesofpercentilesforscoreandscoreincrements.AnnalsofHuman
Biology31(2004)421435
Niemeijer, M., van Ginneken, B., Maas, C., Beek, F., Viergever, M.:
Assessing the Skeletal Age From a Hand Radiograph: Automating the
TannerWhitehouseMethod.InSonka,M.,Fitzpatrick,J.,eds.:SPIEMedical
Imaging.Volume5032,SPIE,SPIE(2003)11971205
AjaFernndez, S., de LuisGarcia, R., MartinFernandez, M.A., Alberola
Lpez,C.:Acomputationaltw3classifierforskeletalmaturityassessment.a
computing with words approach. Journal of Biomedical Informatics 37
(2004)99107
Liu,H.,Chou,Y.,Tiu,C.,Lin,C.,Chen,C.,Hwang,C.,Hsieh,C.,Jong,T.:
Boneagepreestimationusingpartialleastsquaresregressionanalysiswitha
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.