UNA APLICACIN DE LAS MQUINAS DE SOPORTE VECTORIAL SVM EN EL RECONOCIMIENTO DE LOS VALORES DE SEVERID

1
UNA APLICACIÓN DE LAS MÁQUINAS DE SOPORTE
VECTORIAL (SVM) EN ELRECONOCIMIENTO DE LOS
VALORES DE SEVERIDAD DE HIPERPLASIA DEL
EPITELIOLAMELAR EN CACHAMA BLANCA (Piaractus
brachypomus)
Jorge Eduardo Ortiz T jeortizt_at_unal.edu.co http//
dis.unal.edu.co/profesores/jortiz Profesor
Departamento de Ingeniería de Sistemas e
Industrial Universidad Nacional De
Colombia-Bogotá Pedro René Eslava Universidad
de los Llanos
Jeison Darío Gutiérrez Diego Esteban
Cruz Universidad de los Llanos
2
Contenido

• Introducción
• Descripción del problema
• Objetivos
• Justificación
• Marco Teórico
• Procesamiento y Extracción de características
• Prototipo
• Resultados
• Conclusiones
• Recomendaciones
• Bibliografía

3
Introducción

• la solución a un problema particular de
  clasificación según el nivel de severidad de la
  lesión que integra procesamiento digital de
  imágenes y aprendizaje de máquina mediante
  máquinas de vector de soporte SVM.

4
Descripción del problema

• Diagnosticar severidad de la lesión branquial
  hiperplasia del epitelio lamelar (HPLE) es una
  tarea que se realiza por inspección directa por
  patólogos y en general médicos veterinarios,
  requiere
• Personal capacitado y experimentado
  (costoso).
• Cantidad de tiempo.

5

• Este es un proceso altamente subjetivo debido a
  la influencia de algunos factores intrínsecos
  como son
• Fatiga de la visión
• Calidad de las imágenes
• Estado de los equipos
• Se reflejan en
• Tiempo de procesamiento.
• Precisión de la clasificación
• Frecuentes diferencias de criterio entre los
  especialistas

6
Objetivo General

• Desarrollar un prototipo de software para evaluar
  los valores de severidad de la lesión de
  hiperplasia del epitelio lamelar en imágenes del
  arco branquial del sistema respiratorio de la
  Cachama Blanca (Piaractus brachypomus) utilizando
  la técnica de clasificación máquinas de soporte
  vectorial (SVM).

7
Objetivos Específicos

• Identificación de los aspectos visibles de la
  HPLE en branquias de Cachama blanca.
• Implementación de técnicas para el procesamiento
  de las imágenes digitales
• Implementación de máquinas de soporte vectorial
  para la clasificación del valor de severidad.
• Establecer una herramienta diagnóstica de soporte
  a los procesos de investigación en
  histopatológica branquial en peces.

8
Justificación

• En los peces, el sistema respiratorio es uno de
  los más vulnerables y frecuentemente afectados,
  las interacciones con el medio ambiente
  desencadenan signos de enfermedad que pueden
  estar relacionados con la calidad del agua.
• Las principales alteraciones branquiales son
• Pérdida de Lamelas
• Hiperplasia del epitelio lamelar
• Inflamación del arco y de los filamentos.
• La Cachama es la especie de mayor explotación
  comercial de la región

9

• Alta frecuencia de ocurrencia de HPLE

Meta Casanare
Tomado de Iregui 2001
10
Arquitectura Branquial
11
Hiperplasia del epitelio lamelar
Proliferación celular en el epitelio
lamelar Respuesta a condiciones del
ambiente Busca disminuir el área de exposición al
medio
12

Tabla de Bernet
Severidad es la intensidad del daño, la
agresividad con que se presenta la lesión.
13
Grados de severidad
14
Procesamiento digital de imágenes

• Conjunto de técnicas para el procesamiento de
  datos de una imagen
• para la interpretación autónoma por una máquina.
• Se reportan trabajos como
• Diagnostico de cáncer cervico-uterino asistido
  por visión
• por computadora Barreto 2003
• Clasificador de leucocitos mediante procesamiento
  digital de imágenes Paguini y colaboradores
  2000
• Análisis de muestras a nivel del epitelio vaginal
  mediante procesamiento digital de imágenes Muñoz
  2001
• Multiclass cancer classification by using fuzzy
  svm and binary decision tree with gene selection
  Mao 2005

15
Heterogeneidad de las imágenes
16
Segmentación
Extracción de Características
Segmentación
0
1
2
3
Vector de características
SVM
4
5
17
Escala de grises

• A partir de la imagen a color se obtiene una
  nueva imagen con 256 niveles de gris.

18
Binarización
Se obtiene una imagen en blanco y negro,
separando el fondo y los objetos a través de
19
Llenado de Huecos
Se añaden al objeto regiones excluidas por error
en el proceso de binarización, utilizando el
algoritmo de llenado a lo ancho que a partir de
un punto inicial convierte la región en un grafo
conexo.
20
Obtención del filamento principal
Se evalúa el área de todas las regiones blancas
de la imagen y solo se conserva la que tenga
mayor área.
21
Segmentación completa
Se compara la imagen procesada con la imagen
original generando una nueva imagen que contiene
el objeto de interés (filamento).
22
Obtención del Borde
Se consigue el contorno de la región mediante las
relaciones de vecindad de cada píxel de la imagen
completamente segmentada.
23
Síntesis del Procesamiento
Original
Escala de Grises
Binarización
Llenado de huecos
Detección del Filamento
Segmentación completa
24
Extracción de características
Extracción de Características
Segmentación
0
1
2
3
Vector de características
SVM
4
5
25
Extracción de características

• Medición de propiedades geométricas y texturales
  sobre el filamento que brinden información sobre
  el nivel de severidad (o grado) de la lesión.
• Geométricas forma, posición, tamaño y
  orientación.
• Texturales suavidad, rugosidad y regularidad

26
(No Transcript)
27
Extracción de Características
Segmentación
0
1
2
3
Vector de características
SVM
4
5
28
Selección efectiva de Características

• Capacidad discriminante
• Confiabilidad
• Ausencia de correlación

29
Análisis estadístico de Características

• Análisis Normal.
• Discriminante de Fisher.
• Análisis de correlación lineal

30
Análisis normal

• Bajo el supuesto de normalidad de los datos se
  hallaron las medias y las desviaciones para cada
  una de las características por clase.
• Se graficó cada una de las curvas normales de las
  características.
• Se rescataron las que ofrecieron mayor
  separabilidad

31
Descriptores útiles
32
Descriptores útiles
33
Descriptores no útiles
34
Descriptores seleccionados
35
Clasificación
Extracción de Características
Segmentación
0
1
2
3
Vector de características
SVM
4
5
36
Interpretación geométrica
cómo clasificar estos datos?
37
Interpretación geométrica
cómo clasificar estos datos?
38
Interpretación geométrica
cómo clasificar estos datos?
39
Interpretación geométrica
cómo clasificar estos datos?
40
Interpretación geométrica
Cualquiera puede ser buena, pero cuál es la
mejor?
41
Interpretación geométrica
wxb0
Definimos el hiperplano
42
Interpretación geométrica
Definimos el margen
43
Interpretación geométrica
La idea es maximizar el margen.
44
Interpretación geométrica
El hiperplano que tenga el mayor margen es el
mejor clasificador de los datos. Esta es la
clase más simple de SVM, la LSVM.
45
Interpretación geométrica
Los vectores de soporte son los puntos que tocan
el límite del margen.
46
Interpretación geométrica
Veamos los hiperplanos positivo y negativo
47
Interpretación geométrica
wxb 1
wxb -1
hiperplano positivo wxb 1 hiperplano
negativo wxb -1
d
d-
margen
48
Clasificación
Extracción de Características
Segmentación
0
1
2
3
Vector de características
SVM
4
5
49
El Prototipo

• Metodología de Desarrollo.
• El uso del desarrollo por prototipos permitió.
• Una interacción constante con el usuario
• Hacer cambios sobre la marcha
• Alcanzar los objetivos a corto plazo

50
El Prototipo

• Herramientas utilizadas
• Interfaz y PDI Qt de Trolltech
• Compilador G
• SVM Libsvm LIBSVM
• Documentación

51

• Ejecutar la Aplicación

52
Resultados obtenidos
Extracción de Características
Segmentación
0
1
2
3
Vector de características
SVM
4
5
53
Resultados obtenidos

• Luego de clasificar 75 imágenes

Separación de las observaciones
54
Conjuntos de imágenes
55
Resultados obtenidos

• Luego de clasificar 75 imágenes

Separación de las observaciones
56
Comparación entre las clasificaciones
Experto-Máquina
Resultado clasificador
Experto
Errores de cruce interclase
57
Origen de la matriz de confusión
Grado N
Grado N
58
Matriz de confusión Grado uno
Resultado clasificador
Experto
59

• Sensibilidad Capacidad de clasificar
  correctamente una imagen que presenta un
  determinado grado de la lesión
• Especificidad Capacidad de rechazar
  correctamente una imagen que no presente un
  determinado grado de la lesión

60
Similitudes interclases

• Grado cero Grado uno

61
Similitudes interclases

• Grado dos Grado tres

62
Diferencias intraclases

• Grado cinco Grado cinco

63
Resultados obtenidos asumiendo como aciertos el
evento en que se clasifica un nivel por encima o
por debajo del nivel determinado por el experto.
Separación de las observaciones (corregida)

64
Imágenes descartadas

• El prototipo no clasifica correctamente imágenes
  con las siguientes características.

65
Filamentos gruesos

• El filamento se hace más grueso sin influir en la
  severidad de la lesión

66
Filamentos necróticos

• Desaparece la estructura del filamento

67
Lesiones Multifocales

• La severidad no es generalizada.

68
Lesiones asimétricas

• Diferente grado de severidad a cada costado del
  filamento.

69
Conclusiones

• El nivel de desempeño de los algoritmos de
  preprocesamiento, especialmente el de
  segmentación para extraer el filamento branquial
  está ligado a la normalización de las técnicas
  para la captura de las imágenes.
• La evaluación de la características empleando
  el análisis normal permite obtener aquellas que
  son más discriminantes para la clasificación,
  teniendo como resultado las que describen en
  términos geométricos y texturales al filamento
  branquial. Sin embargo, estas no son suficientes
  para separar los diferentes categorías de
  severidad de la lesión HPLE, razón por la cual se
  tienen errores de clasificación que resaltan la
  similitud entre algunas de las categorías,
  particularmente entre los grados 2 y 3 y los
  grados 4 y 5.

70
Conclusiones

• El análisis de las características extraídas
  indica que la información de las categorías de la
  lesión no están tan contenidas en las
  características texturales sino más bien en las
  características geométricas, especialmente en las
  de perímetro y área.
• La SVM vio afectada su capacidad predictiva por
  la alta heterogeneidad de las imágenes , lo cual
  se refleja en un bajo rendimiento ante patrones
  nuevos, es decir, aquellos que no se utilizaron
  para generar el modelo, sin embargo, la
  clasificación SVM se puede considerar como
  promisoria, porque con el incremento del tamaño
  de muestra su comportamiento puede mejorar
  significativamente, al recoger información de un
  conjunto de datos mas significativo, Además,
  según 5, la SVM ha demostrado un buen
  comportamiento en un dominio amplio de problemas,
  lo que apoya la hipótesis del tamaño de muestra
  enunciado anteriormente.
• El hecho de enfrentar un problema con datos
  reales, supuso un reto superior, dada la
  posibilidad de encontrarse con dificultades no
  estimadas previamente o que no se pueden
  modificar en su desarrollo, como fue el caso de
  la captura de las imágenes, dado que no se
  normalizó el nivel del brillo, además, se eligió
  un formato de compresión con perdida, lo cual
  posiblemente afecto los patrones texturales de
  las imágenes evaluadas.

71
Recomendaciones

• Los resultados obtenidos usando la SVM, son
  viables de mejorar, pero sería necesario mejorar
  el conjunto de datos, tanto en calidad como en
  cantidad, para obtener rendimientos predictivos
  aceptables.
• Implementar un clasificador bayesiano para
  obtener además de la clase un porcentajes de
  confianza sobre esta respuesta.
• Determinar la relevancia de las características
  extraídas según criterios como análisis
  estadístico del espacio de características en
  clasificación múltiple y el análisis
  discriminante de Fisher, o el criterio de
  relevancia usando redes neuronales.
• Implementar otros clasificadores basados en
  redes neuronales complejas, o en lógica difusa, o
  bien en una fusión de clasificadores y
  experimentar con nuevas características que
  aumenten el desempeño de la clasificación.
• se propone reducir el numero de clases para
  reducir las diferencias de criterio.

72
Recomendaciones

• Adicionar opciones de configuración de los
  parámetros de la SVM y de los algoritmos de
  procesamiento de imágenes para los usuarios
  avanzados.
• Extender el prototipo a otro tipo de lesiones
  branquiales como pérdida de lamelas, necrosis
  epitelial, hipertrofia epitelio lamelar,
  infiltración de células inflamatorias en el arco
  branquial e infiltración de células inflamatorias
  en el filamento, y patologías en otros órganos
  como hígado, riñón, bazo y estómago.
• Generar modelos de tres dimensiones para
  facilitar la tarea de diagnostico del patólogo.

73
Agradecimientos

• Instituto de Acuicultura de la Universidad de los
  Llanos IALL

74
Bibliografía

• Barreto 2003 Barreto A., Diagnóstico de cáncer
  cervico-uterino asistido por visión por
  computadora, Instituto Nacional de Astrofísica,
  óptica y electrónica España (2003).
• Paguini 2000 Paguini A. Ramonet G. Graffigna
  J. Gomez D.Naranjo A., Clasificador de
  leucocitos mediante procesamiento digital de
  imágenes, Memorias Simposio argentino de
  informática y salud SADIO (2000).
• Muñoz 2001 Muñoz A.Arroyave J. Osorio G.
  Prieto F. Angulo F., Análisis de muestras a
  nivel del epitelio vaginal mediante procesamiento
  digital de imágenes, Inteligencia computacional 1
  (2001), no. 1, 5456.
• Mao 2005 Mao Y. Zhou X. Pi D. Sun Y. Wong
  Stephen, Multiclass cancer classification by
  using fuzzy svm and binary decision tree with
  gene selection, Journal of biomedicine and
  biotechnology (2005), no. 2, 160 171.
• Iregui 2003 Iregui C.A, Sistematización y
  caracterización productiva y sanitaria de
  explotaciones piscícolas de pequeños campesinos
  en los departamentos del Meta, Casanare,
  Cundinamarca, Huila y Tolima., Tech.
  report,Universidad Nacional de Colombia-Facultad
  de Medicina Veterinaria y de Zootecnia., 2003.
• Replay 1996 Replay B., Pattern recognition and
  neural netwoks, Cambridge U. Press,1996.

75
Preguntas ?