17.-segmentación y caracterización en imágenes termográficas

Segmentación y Caracterización en imágenes termográficas

para diagnóstico de lesiones mamarias

J Massa1, P. Escobar

2, M. Del Fresno

3, M. Santiago

4, E. Arguiñarena,

5

E-mail: [email protected]

Abstract. En este trabajo se presenta un conjunto de técnicas de procesamiento digital de

imágenes para segmentar y caracterizar regiones de interés en imágenes termográficas para

evaluación en aplicaciones de diagnóstico temprano de lesiones mamarias. En las termografías

las zonas de temperatura uniforme respecto a su contorno conforman regiones de interés que

pueden asociarse a fenómenos fisiológicos o patológicos, tales como enfermedad fibroquística,

procesos infecciosos, enfermedades vasculares y otros. La caracterización de estas zonas es de

gran interés en el diagnóstico médico tanto para evaluar la evolución temporal en un mismo paciente como para analizar la diferencia frente a patrones predefinidos o regiones anatómicas

simétricas. Las herramientas disponibles actualmente se orientan a la captura, visualización y

realce de las imágenes, pero no para la segmentación, caracterización y comparación precisa de

regiones u objetos de interés. Respecto de la segmentación se ha utilizado un método basado en

region-growing. La caracterización se basó en una combinación de técnicas clásicas y una

técnica de caracterización del contorno según su dimensión fractal. Se presentan los resultados

de la aplicación de estas técnicas sobre un conjunto de imágenes para caracterización de

regiones de interés.

1. Introducción Las imágenes termográficas aparecieron en escena desde hace varios años como una herramienta de

aplicación en entornos industriales, sus aplicaciones en medicina son incipientes y recién están

comenzando a explorarse. No obstante, presentan un campo de acción potencialmente muy grande, al

ser una técnica no invasiva y que no está basada en radiaciones ionizantes.

La termografía es una técnica de imagen que emplea detectores sensibles al rango infrarrojo para

generar un mapa térmico de un objeto, al captar su emisión de calor. Su uso puede extenderse a todas

las zonas del cuerpo que no pueden ser expuestas directamente a la radiación para obtener una imagen.

1 INTIA, Fac. Cs. Exactas, UNICEN, Campus, Tandil, Argentina 2 INTELLIMEC, Fac. Ingeniería, UNICEN, Olavarría, Argentina 3 PLADEMA, Fac. Cs. Exactas, UNICEN, Tandil, Argentina 4 IFAS, Fac. Cs. Exactas, UNICEN, Tandil, Argentina

5 Fac. Cs. Exactas, UNICEN, Tandil, Argentina

XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011

En el ámbito médico, específicamente en el área del diagnóstico por imágenes, la termografía presenta

algunas ventajas sobre técnicas convencionales como ser la no invasividad al momento de la captura,

la velocidad y simpleza del proceso de adquisición de la imagen y el bajo costo de su utilización

comparado con otras tecnologías de imágenes. A partir de dichas ventajas y el amplio rango de

aplicaciones que se presentan, surge la inquietud de aplicar técnicas de procesamiento de imágenes

convencionales y la posibilidad de desarrollar otras para generar un aporte extra que asista al

especialista en su diagnóstico.

Pueden encontrarse en la literatura antecedentes recientes de aplicaciones exitosas en los sistemas

empleados en aeropuertos para la detección de personas con patrones febriles, indicadores de

enfermedades infectocontagiosas como la influenza AH1N1, influenza aviar y otras [1]. Sin embargo,

la tecnología permite numerosas aplicaciones no circunscritas únicamente a este contexto sino también

en otras áreas importantes como la deportología [2], la kinesiología [3], el análisis de lesiones y

tumores mamarios [4], problemas posturales, control de infecciones respiratorias [5], el seguimiento

de tumores superficiales y de lesiones neurológicas y artromusculares [6].

Desde el punto de vista médico, una lesión esta generalmente relacionada con variaciones de flujo

sanguíneo las cuales impactan directamente sobre la temperatura de la superficie de la piel. Es así que

las imágenes térmicas pueden mostrar gráficamente funciones fisiológicas que estén relacionadas con

cambios de temperatura, arrojando como beneficio inmediato la detección de lesiones antes de que

sean clínicamente evidentes.

Actualmente las aplicaciones de la termografía en medicina se centran fundamentalmente en el

screening (detección temprana) de regiones anatómicas que no deben exponerse a rayos X como

método de imagen, o bien, donde la imagen de ecografía resulta insuficiente. Esto es, zonas

extremadamente sensibles a la radiación como gónadas (testículos, ovarios), tiroides, retina y

glándulas mamarias, siendo especialmente útil para el seguimiento de mujeres cursando embarazos, donde las mamas sufren cambios constantemente y sólo puede recurrirse a la ecografía mamaria para

diagnóstico, a pesar de las limitaciones de esta técnica basada en ultrasonidos. Es de vital importancia

evaluar la factibilidad del uso de la termografía como técnica avanzada para screening de cáncer de

mama [7] y otras patologías asociadas a dicha región anatómica, tales como enfermedad fibroquística,

infecciones, enfermedades vasculares, rechazo de prótesis, etc.

La detección temprana es fundamental para evitar la indicación diagnóstica de una mamografía, además de poseer otras ventajas sobre esta última técnica tales como no irradiar al paciente y no

necesitar un volumen de mama mínimo, para que el mamógrafo pueda comprimir la mama, fijar el

área bajo estudio y tomar la imagen, lo cual conlleva a la reducción de los tiempos de estudio y a un

mayor confort para el paciente. En cuanto a los parámetros de imagen, la imagen térmica es mucho

menos sensible a la borrosidad cinética ocasionada por los movimientos del paciente y también a la

presencia de artefactos, en virtud de la propia naturaleza de la formación de la imagen. En cuanto a la resolución, las dimensiones de la imagen adquirida son importantes, pero es aún más crítica la

resolución en temperatura, siendo necesario contar con una resolución mínima de una décima de

grado, considerando un factor de emisividad para la piel del cuerpo humano de 0.98 (ε) según tablas

de emisividad disponibles.

Investigaciones previas han demostrado que las imágenes térmicas de ambos lados del cuerpo humano son generalmente simétricas. Cualquier asimetría de más de 0.7 °C puede ser definida como anormal e

indicar una variante fisiológica o anatómica en la región bajo estudio. Mediante comparación de

ambos lados, es posible detectar problemas antes de que sean clínicamente relevantes. En la diagnosis

del cáncer de mama, este tipo de imágenes permite evaluar la actividad cinética y metabólica de la

mama, ya que, ante la existencia de un carcinoma en el interior pude llegar a presentar un gradiente

térmico en la piel con una temperatura de diferenciación del orden de algunos grados.

Específicamente en Argentina, se ha empleado la imagen termográfica en deportología para el control

y seguimiento de lesiones en deportistas de alto rendimiento, también se ha utilizado de manera

experimental en el seguimiento de pacientes con diversos tipos de patologías neuromotrices y en

veterinaria para el control del celo de animales y para seguimiento de lesiones. En el ámbito de la


medicina diagnóstica, no existen experiencias previas en el país y tampoco hay profesionales

entrenados en el diagnóstico basado en imágenes termográficas. El Hospital Municipal de Olavarría

junto con la Universidad Nacional del Centro se encuentra efectuando en forma conjunta un protocolo

de estudio para el análisis de la factibilidad de uso de la termografía como herramienta para screening

de distintas patologías, cuyos resultados se incluyen en este trabajo [8]. A nivel internacional, existen

algunos centros donde se emplea regularmente la técnica para imágenes diagnósticas de regiones

corporales diversas [9].

Las herramientas informáticas disponibles en su mayoría se encuentran ligadas a los fabricantes de

cámaras. Entre sus características principales se encuentran la posibilidad de controlar los parámetros

de captura, visualizar, colorear y realzar las imágenes. Esto es suficiente para lograr un análisis

cualitativo de la información brindada por las imágenes, pero es insuficiente para realizar un

seguimiento temporal del crecimiento o localización precisa de alguna lesión o para comparar

fehacientemente la diferencia entre un patrón de temperatura en una región anatómica respecto de su

región simétrica. Para esto se necesita una herramienta que permita describir con precisión las lesiones

y así realizar un análisis cuantitativo de éstas. Si bien algunas herramientas propietarias como la

comercializada por la firma Meditherm [10] para la interpretación y el análisis de estas imágenes,

proveen mecanismos de caracterización de regiones, no se han reportado hasta el momento

herramientas basadas en métodos libremente disponibles para su utilización. Existen algunas aplicaciones de procesamiento de imágenes térmicas desarrolladas en el país, como el

software de post-procesamiento de imágenes termográficas realizado en la Universidad Nacional del

Nordeste, en Argentina [11]. Este aplica diferentes algoritmos de procesamiento digital de imágenes

(PDI) a imágenes termográficas de cualquier tipo, ya sean, médicas, industriales o cualquier otro tipo

de imagen. Otra más específica, es la que se presenta en este trabajo en la cual se proveen diferentes

mecanismos de caracterización de regiones, basados en indicadores. El indicador más utilizado para caracterizar una lesión es el tamaño de la misma. En sistemas de

imágenes que permiten disponer de información en 3 dimensiones el indicador del tamaño es el

volumen, en sistemas de 2 dimensiones como rayos x, ecografía y termografía se utilizan mediciones

sobre un plano de proyección como indicador de tamaño.

Además del tamaño de una lesión, es de gran interés caracterizarla mediante otros indicadores que

brindan mayor información. Por ejemplo, la medición de ejes como el mayor y el menor, junto con los momentos de primer y segundo orden podrían caracterizar la dirección de crecimiento o movimiento

de la lesión en el caso de lesiones circulatorias o edemas.

En el caso de lesiones tumorales malignas uno de los indicadores que las diferencian de lesiones

benignas es la morfología descripta principalmente por la simetría de la lesión y la rugosidad del

contorno. Lesiones simétricas y poco rugosas suelen estar relacionadas con eventos benignos y por el

contrario lesiones asimétricas y muy rugosas pueden estar relacionadas con tumores malignos [12]. La simetría de una lesión puede ser caracterizada mediante indicadores como el índice de circularidad,

relación entre los ejes mayor y menor y momentos entre otros. La medición de la rugosidad es más

dificultosa ya que no existen estándares para su medición por tratarse de una medida que posee una

cierta ambigüedad en su definición y el ojo humano la percibe por asociación con otros objetos de la

vida diaria. Generalmente el indicador empleado para caracterizar la rugosidad de un objeto es la

dimensión fractal, calculada en la mayoría de los casos con métodos como el Box-Counting. Este

indicador ha sido empleado para caracterizar lesiones asociadas a tumores de mama en imágenes

radiológicas y otros usos [13],[14].

En el presente trabajo se describen la implementación de estos métodos dentro de una herramienta de

aplicación general para el análisis de imágenes termográficas diagnósticas, se presentan resultados y se

brindan consideraciones para su discusión.

2. Estado del arte A continuación se presentan algunos trabajos relacionados con la caracterización de regiones de

interés en imágenes térmicas.


2.1 Soluciones disponibles para descripción de lesiones en imágenes termográficas

Como se mencionó en la sección 1, la firma Meditherm [10] ha desarrollado un software denominado

Meditherm IRIS Interpreter que permite obtener características cuantitativas de determinadas áreas de

interés de las imágenes analizadas. Se seleccionan manualmente las áreas a analizar y a partir del

análisis realizado se emite un reporte con los resultados obtenidos de acuerdo al diagnóstico del

paciente.

Por otra parte, Wiecek y Danich[15] desarrollaron una herramienta de procesamiento de imágenes que

se aplica a imágenes térmicas y visuales (radiografías). Esta herramienta aplica algoritmos de

segmentación a regiones de interés seleccionadas por el usuario en cada tipo de imagen y luego

compara las regiones obtenidas. De este modo, se obtienen dos tipos de análisis diferentes del mismo

paciente, los cuáles resultan complementarios entre sí. En la Figura 1 se observa una comparación

visual utilizando esta técnica.

Además, Head y Wang [16] realizaron un estudio de la eficacia de la termografía en la detección del

cáncer de mama. Realizaron el seguimiento de 600 mujeres durante un periodo de 10 años para

obtener un cálculo estadístico de los resultados de esta técnica. A su vez, además de evaluar la técnica

calculando el porcentaje de falsos positivos y falsos negativos obtenidos, también realizaron un

estudio estadístico de la población para obtener distintas características de la enfermedad, como por

ejemplo las edades más comunes en que se presenta. Además del estudio realizado por ellos, también

recopilan datos de estudios de otras entidades realizados con las técnicas de termografías y

mamografías para complementar los resultados.

Adicionalmente Kuruganti y Qi [17] presentan un análisis computacional automatizado de asimetría

en termografías. Los resultados del algoritmo se obtienen de la comparación de características de las

zonas segmentadas. Dichas características son momentos de intensidad, pico de intensidad de la

imagen correlativa, entropía y entropía conjunta. El algoritmo implementado consiste en los siguientes

pasos: segmentación de las imágenes basándose en la detección de bordes y la transformada de Hough,

análisis de características y análisis automático de asimetría para detectar la presencia de ellas.

Figura 1. Comparación de imágenes termográfica y radiológica.

3. Método Propuesto El trabajo se ha concentrado en dos procesos fundamentales del procesamiento digital de imágenes: la

segmentación y la caracterización de los objetos segmentados. En el caso de las imágenes

termográficas, la segmentación se realizó aplicando algoritmos de Umbralado y Crecimiento por

Regiones (region-growing). Esta decisión fue realizada considerando entre otras cosas que el análisis

de los histogramas de un conjunto de imágenes no mostró gran variación en las intensidades para las

regiones a identificar, esto implica que las regiones de interés son claramente identificables. La idea es

realizar un umbralado manual siempre que se pueda y en casos donde los límites de regiones


anatómicas son difusos, aplicar Crecimiento por Regiones. De este modo se optimiza el costo temporal

de procesamiento, aplicando solamente ésta ultima técnica en los casos donde resulte necesario.

3.1. Crecimiento por Regiones

El método se implementó como un algoritmo recursivo que a partir de un píxel definido como semilla,

selecciona pixeles adyacentes que cumplen con cierto criterio de pertenencia a la región. El criterio de

pertenencia en este caso es que la intensidad del pixel candidato pertenezca a una lista de intensidades

previamente elegidas. Por lo cual, las regiones de interés obtenidas luego de aplicado el método son

consideradas como un objeto de interés.

3.2. Ubicación de objetos anatómicamente simétricos

En el proceso de segmentación de imágenes médicas es de interés la segmentación automática del

objeto anatómicamente simétrico. En el caso de las imágenes térmicas uno de los indicadores de

mayor utilización por parte de los médicos es la comparación de temperaturas con la región

anatómicamente simétrica, ya que se considera que una diferencia mayor a 0.7 ºC puede vincularse

con un proceso patológico subyacente. Una vez segmentado un objeto, para poder ubicar las regiones

anatómicas simétricas se desarrollaron dos métodos: uno manual y otro automático. En el método

manual se requiere que el usuario ubique visualmente la región simétrica y seleccione una semilla para

aplicar el algoritmo de Crecimiento por Regiones. En el método semi-automático, el algoritmo

establece una semilla en la región simétrica tomando como referencia la ubicación de la semilla en la

región inicial y utilizando como sistema de ubicación elementos anatómicos de interés. En particular,

en este trabajo se utiliza como elemento anatómico el borde lateral del paciente que se calcula con un

método de recorrido simple. Teniendo esta ubicación y la distancia conocida de la semilla, se calcula

el elemento atómico simétrico y se busca una nueva semilla con una ubicación y temperatura similar a

la semilla inicial. Esta búsqueda se realiza mediante un método de visita píxel a píxel.

De esta manera es posible segmentar semi-automáticamente dos regiones simétricas, estableciendo manualmente una semilla en una de ellas.

3.3. Caracterización de objetos

Para la caracterización de los objetos de interés obtenidos en la etapa de segmentación, se propuso

inicialmente la construcción de un vector característico conteniendo el área, perímetro, índice de

circularidad y rugosidad.

Este último indicador merece especial atención, es un parámetro que se utiliza para cuantificar la calidad de la topografía de una superficie. Es la forma de representar la irregularidad del borde de un

objeto. Para su obtención en este trabajo se emplearon tres algoritmos: Rugosidad por cambio de

pendiente en perímetro, por distancia respecto de perímetro y por dimensión fractal.

Para calcular la rugosidad por el primer algoritmo se toman N puntos de referencia sobre el perímetro

de la región en cuestión. Para cada par de puntos de referencia (pr; pr +1) se calcula la pendiente entre

ellos, de la cual luego se obtendrá un promedio. En la ec. 1 se muestra el cálculo de este indicador según la pendiente.

(1)

Se considera que cuanto más rugoso sea el perímetro de una región, mayor será la pendiente promedio

entre cada par de puntos de referencia.

El algoritmo de distancia respecto del perímetro calcula el promedio de la relación distancia ideal de

un radio típico del objeto respecto del radio “real” es decir de la distancia al centro geométrico.

El tercer algoritmo empleado para el cálculo de la rugosidad se basa en la dimensión fractal del objeto

calculada por el método de Box-Counting. Este método se basa en correlacionar observaciones a

diferente escala de la misma escena con el fin de determinar si dicha escena posee características

N

pppendienteR

N

p rr

Sr

∑=

+

=1

)1,(


fractales. Estas observaciones se parametrizan midiendo la superficie recubierta por el conjunto de

puntos válidos de observación a diferentes escalas. Las mediciones se realizan mediante un

recubrimiento de cajas (box) sobre la escena con el posterior recuento de las que contienen motivos

del dominio de trabajo. Este proceso itera el recuento de cajas variando las dimensiones de estas de

forma sistemática. El resultado es una relación del número de cajas de costado E que se utilizan (o la

longitud del costado L dividida por E, L se suele normalizar a 1) y el número de cajas que recubre la

escena de interés N(E). La relación de estos dos términos indica la dimensión fractal D de la escena. Si

no se cumple la relación indica que a diferentes escalas no se observa autosimilitud.

(2)

Inicialmente, con el fin de ajustar el comportamiento de los algoritmos implementados tanto para la

segmentación, como para la ubicación de regiones simétricas y la caracterización final, se emplearon

objetos artificiales sobre las imágenes. En la Figura 2 se puede observar una imagen con dos objetos,

con diferente rugosidad y en la tabla 1 se muestra el cálculo de las características para cada uno de

ellos utilizando un conjunto de 16 y 20 puntos, correspondientes al valor N.

Figura 2. Ubicación de dos objetos artificiales utilizados

para el ajuste de los algoritmos de región growing,

ubicación de objeto simétrico y extracción de características

Tabla 1. Resultados de la aplicación

de los algoritmos sobre zonas

artificiales.

N Algoritmo Región 1 Región 2

16 Pendiente 1.30 1.11

16 Distancia 0.96 0.64

16 Dimensión

Fractal - ∞ 3.17



20 Dimensión

Fractal - ∞ 2.00

D

EEN )

1()( =


4. Resultados Se han aplicado los algoritmos descriptos en la sección anterior, sobre un conjunto de imágenes

obtenidas del proyecto de screening que se está desarrollando en el Hospital Municipal de Olavarría

[9]. Actualmente, está siendo evaluada la utilidad diagnóstica de los algoritmos para la detección de un

conjunto de patologías mamarias.

Las imágenes fueron preprocesadas empleando el software de la cámara termográfica FLIR Serie i

[18], con una resolución óptica digital de 2.3 Mpx y una resolución térmica de 0,1°C. Las cámaras de

la Serie T poseen una resolución térmica aún mayor: 0,05°C, asociada a aplicaciones de alta

resolución, como es el caso de la medicina [11].

Las paletas empleadas en el pre-procesamiento fueron: InvertedGrey, Medical y Rain-hi, por ser las

que mejor resaltaban y evidenciaban las áreas de interés. El efecto de estas paletas sobre una imagen

térmica original se puede apreciar en la figura 3.

(a) Imagen original

(b) InvertedGrey

(a) Medical

(a) Rain-hi

Figura 3. Efectos de las paletas de pre-procesamiento de las imágenes térmicas usando el

software FLIR.

Si bien en el proyecto aún no se ha alcanzado la etapa de evaluación diagnóstica, se ha realizado la

evaluación computacional de los algoritmos sobre imágenes que a priori presentan regiones

correspondientes a objetos de interés médico.

Se ha podido segmentar, ubicar regiones simétricas y caracterizar un conjunto de objetos sobre un

grupo de imágenes de testeo.


En la figura 4 se observa la aplicación de los algoritmos de cálculo de rugosidad para una imagen

representativa del grupo.

Figura 4. Detección de objetos por Crecimiento por Regiones y

detección automática de objeto simétrico.

Tabla 2. Resultados de la aplicación de los

algoritmos sobre la imagen de la Figura 4.

N Algoritmo Región Izq. Región Der.



16 Dimensión

Fractal 2.10 2.40



20 Dimensión

Fractal 3.17 3.98



24 Dimension

fractal 2.32 3.00



30 Dimension

fractal -1.35 2.81


En la Tabla 2, se observa el resultado de los algoritmos de rugosidad según la cantidad de puntos

utilizados en el cálculo de cada algoritmo para dos regiones anatómicas que muestran diferente

rugosidad según un criterio visual. Se puede ver que el algoritmo de cálculo según pendiente muestra

una diferencia entre las regiones 1 y 2 para diferentes cantidades de puntos tomadas como referencia.

Por otra parte el cálculo según el algoritmo de distancia no muestra grandes diferencias para todos los

conjuntos de puntos. Finalmente se puede observar que el algoritmo que utiliza el método de Box-

Counting muestra una diferencia cada vez mayor a medida que se incrementa la cantidad de puntos.

Se espera que incrementando la cantidad de imágenes sobre las cuales aplicar los algoritmos, se pueda

parametrizar la cantidad de puntos a utilizar de modo de poder describir la rugosidad con mayor

eficacia.

5. Discusión y trabajo futuro La aplicación de la termografía como técnica de imagen complementaria a la mamografía y a la

ecografía mamaria posee múltiples ventajas mencionadas en este trabajo como la no invasividad, el

bajo costo, la visualización inmediata sin necesidad de un receptor de imagen. Demuestra ser

especialmente útil en la exploración de zonas sensibles a la radiación y donde la ecografía es

insuficiente o poco práctica a raíz de sus propias limitaciones.

Una de las desventajas es la carencia de especialistas entrenados para el diagnóstico basado en

termografías, pero esta situación será revertida rápidamente a medida de que la técnica comience a

ganar espacios y a resultar de amplia utilidad para el diagnóstico y seguimiento de pacientes.

El uso de paletas en el pre-procesamiento de las imágenes ha demostrado ser muy efectivo, porque

permite realzar y mejorar el contraste entre zonas de diferente temperatura, detectando rápidamente

anomalías cuando aún no son evidentes en una inspección visual de la mama o en una auscultación. El

análisis posterior de su tamaño y rugosidad permite cuantificar los valores que describen estas zonas

anómalas de modo de poder realizar un seguimiento temporal o una comparación según la simetría anatómica.

Una ampliación del protocolo de estudio está propuesta, mediante la cual se pretende extender y

mejorar el diseño y uso de la herramienta a otras patologías. Se planea incrementar la funcionalidad de

la herramienta que implementa los algoritmos propuestos en este trabajo, a través de la

implementación de una comunicación directa con el dispositivo de captura y la conexión con un

sistema de almacenamiento y comunicación de imágenes médicas (PACS). Respecto de los algoritmos de segmentación de regiones, se planea utilizar métodos avanzados de crecimiento de regiones

utilizando técnicas de snakes y contornos para mejorar este proceso. Respecto de la caracterización, se

propone utilizar métodos estadísticos de correlación para analizar la textura de las regiones de interés

y poder mejorar la comparación entre las mismas. Adicionalmente se planea realizar un estudio de

sensibilidad de resultados frente a los parámetros del sistema.

Finalmente, sería de gran utilidad un estudio de correlación entre información diagnóstica aportada por los profesionales médicos y la información cualitativa que brindan los algoritmos.

6. Referencias bibliográficas.

[1] Ming-Fu Chiang, Po-Wei Lin, Li-Fong Lin, Hung-Yi Chiou, Ching-Wen Chien, Shu-Fen

Chu and Wen-Ta Chiu. “Mass Screening of Suspected Febrile Patients with Remote-sensing

Infrared Thermography: Alarm Temperature and Optimal Distance”. Journal of the Formosan

Medical Association, Volume 107, Issue 12, December 2008, Pages 937-944.

[2] Hildebrandt, Carolin; Raschner, Christian; Ammer, Kurt. 2010. "An Overview of Recent

Application of Medical Infrared Thermography in Sports Medicine in Austria". Sensors 10, N°.

5: 4700-4715.

[3] C. Pichot. “Aplicación de la termografía en el dolor lumbar crónico”. Rev. Soc. Esp. Dol. 8:

Supl.II, 43-47, 2001


[4] Ohashi, Y.; Uchida, I. “Applying dynamic thermography in the diagnosis of breast

cancer”. Engineering in Medicine and Biology Magazine”. IEEE. May/Jun 2000 Vol: 19,

Issue:3, pages 42 - 51 , ISSN: 0739-5175.

[5] Ovechkin, Alexey. “Application of infrared thermography in diagnostics of acute viral

infections of respiratory system”. Medical Thermography - 2002, 1(2):70-76 ISSN 1684-2898.

[6] Saragaglia D. “Lesions of ligaments and menisci of the knee and the ankle”. Rev Prat. 2007 Feb

28;57(4):407-418.

[7] Nimmi Arora, M.D., Diana Martins, B.S., Danielle Ruggerio, B.S. “Effectiveness of a

noninvasive digital infrared thermal imaging system in the detection of breast cancer”. The

American Journal of Surgery (2008) 196, 523–526

[8] Proyecto UNCPBA – HMHC. Hospital Municipal de Olavarría “Dr. Héctor Cura”. Olavarría,

Pcia. De Buenos Aires, Argentina. Mayo, 2011.

[9] Thermography Diagnostic Centers. Resource available online at:

http://naturalhealthcenter.mercola.com/services/Thermography-listing.aspx

Last visit: 30/5/2011.

[10] Meditherm website. Resource available online at:

http://www.meditherm.com, last visit: 30/5/2011.

[11] Krenzinger Arno; Vera, Luis. “Desenvolvimento de Software de Pós- Processamento de

Imagens Termográficas”. ENCIT, Curitiba. Proceedings of the 11th Brazilian Congress of

Thermal Sciences and Engineering, 2006.

[12] Escher, Joachim; Matioc, Anca-Voichita. “Radially symmetric growth of nonnecrotic tumors”,

Nonlinear Differential Equations and Applications, Volume 17, Number 1, 1-20, DOI:

10.1007/s00030-009-0037-6 Issn: 1021-9722

[13] M. Santiago, V. Yannibelli, Y. Pacheco, P. Senor, M. Pecelis, E. Caselli, “Diagnóstico de

osteoporosis mediante análisis fractal de radiografías de fémur”, XV Congreso Argentino de

Bioingeniería, Paraná, 21-23 septiembre de 2005. Libro de Resúmenes T077PI 1.

[14] Rangayyan, R.M. Oloumi, F. Nguyen, T.M., “Fractal analysis of contours of breast masses in

mammograms via the power spectra of their signatures”, 32nd Annual International Conference

of the IEEE Engineering in Medicine and Biology Society (EMBC'10), 1:3463-6, ISBN: 978-1-

4244-4124-2 | ISSN: 1557-170X Buenos Aires, Argentina, 1st-4th September, 2010.

[15] B. Wiecek, R. Danych, Z. Zwolenik, A. Jung, and J. Zuber. “Advanced thermal image

processing for medical and biological applications”. Engineering in Medicine and Biology

Society Proceedings of the 23rd Annual International Conference of the IEEE, Vol 3:2805-

2807, 2001.

[16] JF. Head, F. Wang, CA. Lipari, and RL. Elliott. “The important role of infrared imaging in

breast cancer”. In Medical Thermal Diagnostics, Baton Rouge, USA, 2009.

[17] Phani Teja Kuruganti and Hirong Qi. “Asymmetry analysis in breast cancer detection using

thermal infrared images”. Proc. of the 2nd Joint EMBS-BMES Conference, Volume 2:1129-

1130, 2002.

[18] FLIR Website. Resource available online at: http://www.flir.com, last visit: 30/5/2011.


17.-segmentación y caracterización en imágenes termográficas

Documents