Redes neuronales para eliminar reflejos especulares en imágenes colposcópicas sin anotación previa
DOI:
https://doi.org/10.5281/zenodo.13916129Palabras clave:
cáncer de cuello uterino, imagen colposcópica, reflexión especular, aprendizaje supervisado, MSC 68T99, MSC 68U10Resumen
Las imágenes colposcópicas del cuello uterino son cruciales para la detección temprana de cáncer, pero los reflejos especulares en estas imágenes pueden ocultar porciones claves de ellas, y conducir a un diagnóstico erróneo. Este artículo propone una estrategia basada en redes neuronales para abordar este desafío. La estrategia aborda el desconocimiento de la "ground truth" de las regiones especulares, entrenando una red para restaurar detalles anatómicos ocultos en las imágenes. Para ello, primero se identifican y eliminan los reflejos especulares, y luego la red entrenada completa la información faltante. Los experimentos realizados demuestran la eliminación exitosa del reflejo especular en la mayoría de las imágenes, manteniendo la distribución y el contenido del color. Un especialista en patología de cuello uterino confirmó una mejor visibilidad de los elementos anatómicos después del procesamiento, validando el potencial de este enfoque para mejorar el diagnóstico del cáncer de cuello uterino.
Descargas
Citas
Ali, S., F. Zhou, A. Bailey, B. Braden, J. East, X. Lu, and J. Rittscher: A deep learning framework for quality assessment and restoration in video endoscopy. arXiv preprint arXiv:1904.07073, 2019. https://doi.org/10.1016/j.media.2020.101900.
Bai, B., P.Z. Liu, Y.Z. Du, and Y.M. Luo: Automatic segmentation of cervical region in colposcopic images using k-means. Australasian physical & engineering sciences in medicine, 41(4):1077–1085, 2018. https://doi.org/10.1145/1531326.1531330.
Barnes, C., E. Shechtman, A. Finkelstein, and D.B. Goldman: PatchMatch: A randomized correspondence algorithm for structural image editing. ACM Transactions on Graphics, 28(3):24, 2009. https://doi.org/10.1145/1531326.1531330.
Ciencias Médicas, Biblioteca Médica Nacional de Cuba Centro Nacional de Información de: Estadísticas Mundiales. Factográfico de Salud, 2020. http://files.sld.cu/bmn/files/2019/12/factografico-de-salud-diciembre-2019.pdf.
Das, A., A. Kar, and D. Bhattacharyya: Elimination of specular reflection and identification of roi: The first step in automated detection of cervical cancer using digital colposcopy. In 2011 IEEE International Conference on Imaging Systems and Techniques, pages 237–241. IEEE, 2011. https://doi.org/10.1109/IST.2011.5962218.
Gómez-Gómez, D.: Eliminación de zonas especulares en imágenes de colposcopía utilizando Factorizaciones Matriciales No-negativas. Tesis en opción al título de Licenciado en Ciencia de la Computación, Facultad de Matemática y Computación, Universidad de La Habana, Cuba, 2018.
Goodfellow, I., J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, and Y. Bengio: Generative adversarial nets. In Advances in Neural Information Processing Systems, pages 2672–2680, 2014. https://proceedings.neurips.cc/paper_files/paper/2014/hash/5ca3e9b122f61f8f06494c97b1afccf3-Abstract.html.
Huang, J.B., S.B. Kang, N. Ahuja, and J. Kopf: Image completion using planar structure guidance. ACM Transactions on Graphics, 33(4):1–10, 2014. https://doi.org/10.1145/2601097.2601205.
Iizuka, S., E. Simo-Serra, and H. Ishikawa: Globally and locally consistent image completion. ACM Transactions on Graphics, 36(4):1–14, 2017. https://doi.org/10.1145/3072959.3073659.
Lange, H.: Automatic glare removal in reflectance imagery of the uterine cervix. In Medical Imaging 2005: Image Processing, volume 5747, pages 2183–2192. International Society for Optics and Photonics, 2005. https://doi.org/10.1117/12.596012.
Lehmann, T.M. and C. Palm: Color line search for illuminant estimation in real-world scenes. Journal of the Optical Society of America A, 18(11):2679–2691, 2001. https://doi.org/10.1364/JOSAA.18.002679.
Li, W., J. Gu, D. Ferris, and A. Poirson: Automated image analysis of uterine cervical images. In Medical Imaging 2007: Computer-Aided Diagnosis, volume 6514, page 65142P. International Society for Optics and Photonics, 2007. https://doi.org/10.1117/12.708710.
Meslouhi, O., M. Kardouchi, H. Allali, T. Gadi, and Y. Benkaddour: Automatic detection and inpainting of specular reflections for colposcopic images. Open Computer Science, 1(3):341–354, 2011. https://doi.org/10.2478/s13537-011-0020-2.
Murugesan, B., S.V. Raghavan, K. Sarveswaran, K. Ram, and M. Sivaprakasam: Recon-GLGAN: A Global-Local Context Based Generative Adversarial Network for MRI Reconstruction. In International Workshop on Machine Learning for Medical Image Reconstruction, pages 3–15. Springer, 2019. https://doi.org/10.1007/978-3-030-33843-5_1.
Nazeer, S. and M.I. Shafi: Objective perspective in colposcopy. Best Practice & Research Clinical Obstetrics & Gynaecology, 25(5):631–640, 2011. https://doi.org/10.1016/j.bpobgyn.2011.04.008.
Palmer San Pedro, A.: Eliminación de regiones especulares en imágenes colposcópicas de cuello de útero. Tesis en opción al título de Licenciado en Ciencia de la Computación, Facultad de Matemática y Computación, Universidad de La Habana, Cuba, 2015.
Pascanu, R., T. Mikolov, and Y. Bengio: On the difficulty of training recurrent neural networks. In International Conference on Machine Learning, pages 1310–1318, 2013. https://proceedings.mlr.press/v28/pascanu13.html.
Pathak, D., P. Krahenbuhl, J. Donahue, T. Darrell, and A.A. Efros: Context encoders: Feature learning by inpainting. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 2536–2544, 2016. https://doi.org/10.1109/CVPR.2016.278.
Robles, S.C.: Introduction to the special issue: Timely detection of cervical cancer. Bulletin of the Pan American Health Organization (PAHO); 30 (4), dec. 1996, 1996. https://iris.paho.org/bitstream/handle/10665.2/27360/ev30n4p285.pdf?sequence=1.
Shih, T.K. and R.C. Chang: Digital inpainting-survey and multilayer image inpainting algorithms. In Third International Conference on Information Technology and Applications (ICITA’05), volume 1, pages 15–24. IEEE, 2005. https://doi.org/10.1109/ICITA.2005.169.
Siavelis, P.R., N. Lamprinou, and E.Z. Psarakis: An improved gan semantic image inpainting. In International Conference on Advanced Concepts for Intelligent Vision Systems, pages 443–454. Springer, 2020. https://doi.org/10.1007/978-3-030-40605-9_38.
Wang, X., P. Li, D. Yongzhao, Y. Lv, and Y. Chen: Detection and inpainting of specular reflection in colposcopic images with exemplar-based method. In 2019 IEEE 13th International Conference on Anti-counterfeiting, Security, and Identification (ASID), pages 90–94. IEEE, 2019. https://doi.org/10.1109/ICASID.2019.8925202.
Xue, Z., S. Antani, L.R. Long, J. Jeronimo, and G.R. Thoma: Comparative performance analysis of cervix roi extraction and specular reflection removal algorithms for uterine cervix image analysis. In Medical Imaging 2007: Image Processing, volume 6512, page 65124I.
International Society for Optics and Photonics, 2007. https://doi.org/10.1117/12.709588.
Zeiler, M.D.: Adadelta: an adaptive learning rate method. arXiv preprint arXiv:1212.5701, 2012. https://arxiv.org/abs/1212.5701.
Zimmerman-Moreno, G. and H. Greenspan: Automatic detection of specular reflections in uterine cervix images. In Medical Imaging 2006: Image Processing, volume 6144, page 61446E. International Society for Optics and Photonics, 2006. https://doi.org/10.1117/12.653089.
Publicado
Versiones
- 2024-11-28 (6)
- 2024-11-20 (5)
- 2024-10-10 (4)
- 2024-10-10 (3)
- 2024-07-18 (2)
- 2024-07-18 (1)
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Lauren Jimenez Martin, Daniel Alejandro Valdés Pérez, Ana Margarita Solares Asteasuainzarra, Ludwig Leonard Méndez, Marta Lourdes Baguer Díaz-Romañach
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Esta licencia permite copiar y redistribuir el material en cualquier medio o formato bajo los siguientes términos: se debe dar crédito de manera adecuada, no se puede hacer uso del material con propósitos comerciales, y si remezcla, transforma o crea a partir del material, no podrá distribuir el material modificado. Bajo la licencia mencionada, los autores mantienen los derechos de autor de su trabajo.
