Un equipo de investigadores de la Universidad de las Illes Baleares propone un nuevo método que mejora la segmentación de objetos que se superponen mediante sistemas de reconocimiento automático de imágenes 

El reconocimiento automático de imágenes hace posible identificar e interpretar automáticamente los contenidos de una imagen mediante algoritmos y modelos computacionales. Con el uso de técnicas avanzadas de aprendizaje automático y procesamiento de imágenes, esta tecnología permite a los sistemas informáticos comprender y categorizar elementos visuales, como objetos, formas o patrones, sin intervención humana. El reconocimiento automático de imágenes tiene aplicaciones amplias en diversos ámbitos, desde la detección de objetos en entornos industriales hasta la interpretación de imágenes médicas para realizar diagnósticos.

Ahora bien, cuando los objetos se superponen en la imagen, se crean zonas de ocultación, que reducen la información disponible e introducen una complejidad enorme en el proceso de segmentación de los objetos, que dificultan su correcta identificación. Este es el reto al que ha hecho frente un equipo de investigadores del Departamento de Ciencias Matemáticas e Informática de la Universidad de las Illes Balears en un artículo publicado recientemente en la revista científica Multimedia Tools and Applications.

La detección de los puntos cóncavos

Uno de los métodos que se utilizan para superar esta dificultad se basa en la detección de puntos cóncavos. Estos puntos indican las posiciones donde los contornos de los diferentes objetos se superponen y, al mismo tiempo, son las ubicaciones donde el objeto superpuesto pasa de uno de sus subobjetos a otro. Una vez detectados los puntos cóncavos, se pueden utilizar diversas técnicas para dividir los objetos. La ventaja de la detección de puntos cóncavos es que son invariables en la escala, el color, la rotación y la orientación.

El método propuesto por los investigadores de la UIB permite mejorar la detección de puntos cóncavos de última generación como primer paso para segmentar de modo efectivo objetos superpuestos en imágenes. El enfoque se basa en analizar la curvatura del contorno del objeto. Este método consta de tres pasos principales. Primero, la imagen original se procesa para obtener el valor de curvatura en cada punto del contorno. En segundo lugar, se seleccionan las regiones con curvaturas más altas y se aplica un algoritmo recursivo para refinar las regiones seleccionadas anteriormente. Finalmente, para cada región, se obtiene un punto cóncavo analizando la posición relativa de su entorno.

Los resultados experimentales indican que mejorar la detección de puntos cóncavos lleva a una mejor división de cúmulos. Para evaluar la calidad del algoritmo de detección de puntos cóncavos, se construyó un conjunto de datos sintético para simular la presencia de objetos superpuestos. Este conjunto de datos incluye la ubicación precisa de los puntos cóncavos, que sirven como verdad fundamental para la evaluación.

Aplicación en biomedicina

Como caso de estudio, se evaluó el rendimiento de una aplicación bien conocida como es la división de células superpuestas en imágenes de muestras de frotis de sangre periférica de pacientes con anemia de células falciformes. Se utilizó el método propuesto para detectar puntos cóncavos en cúmulos de células y luego se separaron estos cúmulos mediante un ajuste de elipses.

Los resultados experimentales han demostrado que el método propuesto por el equipo de la UIB ha obtenido mejores resultados respecto a los últimos avances, tanto para conjuntos de datos sintéticos como reales. Se puede concluir que un método con una mayor precisión para encontrar puntos cóncavos, como el método propuesto, ayuda a obtener una mejor clasificación de células.

Finalmente, es importante destacar que este método no se limita al caso de estudio realizado en este trabajo; también se puede utilizar para otras aplicaciones en que se requiera separar objetos superpuestos. Además, los métodos basados en la detección de puntos cóncavos pueden proporcionar una buena segmentación sin grandes restricciones de conjuntos de datos o tamaños de imágenes de entrada, a diferencia de los métodos de aprendizaje profundo. Además, la detección de puntos cóncavos para segmentar objetos superpuestos se puede considerar transparente, ya que presenta similitud, descomponibilidad, así como transparencia algorítmica.

Equipo investigador

Los investigadores del Departamento de Ciencias Matemáticas e Informática la Universidad de las Illes Balears que han participado en este estudio son el doctor Antoni Jaume i Capó, miembro de la Unidad de Gráficos y Visión por Ordenador e IA (UGiVIA) y director del Laboratorio de Aplicaciones de Inteligencia Artificial de la UIB (LAIA@UIB); el doctor Manuel González Hidalgo, investigador principal del grupo de investigación en Soft Computing, Procesamiento de Imágenes y Agregación (SCOPIA), y el doctor Gabriel Moyà Alcover y Miquel Miró Nicolau, miembros de la UGiVIA y LAIA@UIB.

El estudio se ha llevado a cabo en el marco de los proyectos de I+D+i PID2019-104829RA-I00 «EXPLainable Artificial INtelligence systems for health and well-beING (EXPLAINING)» y PID2020-113870GB-I00 «Desarrollo de herramientas de soft computing para la ayuda al diagnóstico clínico y a la gestión de emergencias (HESOCODICE)», financiados por el Ministerio de Ciencia e Innovación y la Agencia Estatal de Investigación (MCIN/AEI/10.13039/501100011033/).

Referencia bibliográfica

Miró-Nicolau, M., Moyà-Alcover, G., González-Hidalgo, M. & Jaume-i-Capó, A. Mejora de la detección de puntos cóncavos para segmentar mejor los objetos superpuestos en imágenes. Herramientas y aplicaciones multimedia (2023). https://doi.org/10.1007/s11042-023-15382-1.

Fecha de publicación: 28/11/2023