Segmentación de Imágenes Médicas aplicando ICA y Kernelized Fuzzy c-Means

Abstract

La segmentación de tejidos cerebrales es un reto importante, a la vez que tedioso, debido a que las imágenes de resonancia magnética tomadas de tejidos cerebrales presentan niveles de escala de grises muy similares, lo que hace que se puedan confundir unos tejidos con otros con cierta facilidad. En este trabajo se desarrollan diversas técnicas como K-Means, Fuzzy C-Means y clúster kernelizado con fuzzy c-means (KFCM) combinado con análisis de componentes independientes (ICA) que obtienen una segmentación de los distintos tejidos o regiones de interés en las imágenes cerebrales de resonancia magnética (MRI). El método propuesto parte imágenes cebrebrales multimodales denominadas T1-Weighted, T2- Weigthed y PD-Weighted. En primera instancia, se aplica a estas imágenes un pre-procesado en el que se elimina el cráneo de las imágenes cerebrales. A través del análisis ICA se extraen tres componentes independientes. Como las imágenes multimodales son consideradas como una combinación lineal de señales, aplicar ICA hace que se produzca una mejora en el contraste de las imágenes cerebrales. El resultado de extraer las tres componentes independientes será la entrada de los distintos algoritmos de clasificación para extraer los tejidos cerebrales. Haciendo un análisis de los resultados del experimento, el método propuesto es capaz de extraer con precisión formas complicadas de los tejidos cerebrales.