El reconocimiento automático de imágenes hace posible identificar e interpretar automáticamente los contenidos de una imagen mediante algoritmos y modelos computacionales. Mediante 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 el diagnóstico.

Ahora bien, cuando los objetos se superponen en la imagen se crean zonas de ocultación que reducen la información disponible y que introducen una complejidad enorme en el proceso de segmentación de los objetos que hace difícil identificarlos de manera correcta. 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 Islas Baleares 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 es invariable en la escala, el color, la rotación y la orientación.

El método que proponen los investigadores de la UIB permite mejorar la detección de puntos cóncavos de última generación como primer paso hacia la segmentación efectiva de 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. Para finalizar, para cada región se obtiene un punto cóncavo gracias al análisis de la posición relativa de su entorno.

Los resultados experimentales indican que mejorar la detección de puntos cóncavos lleva a una división de cúmulos mejor. 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 Captación

Como caso de estudio, se evaluó el rendimiento de una aplicación bien conocida, como la división de células superpuestas en imágenes de muestras de frotis de sangre periférico 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 resultados más buenos respecto al estado del arte, tanto para conjuntos de datos sintéticos como reales. Se puede concluir que un método con una precisión más elevada para encontrar puntos cóncavos, como el método propuesto, ayuda a obtener una clasificación de células más positiva.

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 donde se requiera la separación entre 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 la segmentación de objetos superpuestos se puede considerar transparente, ya que presenta similitud, descomponibilidad y también transparencia algorítmica.

Equipo investigador

Los investigadores del Departamento de Ciencias Matemáticas e Informática la Universidad de las Islas Baleares 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); el doctor Gabriel Moyà Alcover y Miquel Miró Nicolau son miembros de la UGiVIA y LAIA@UIB.

El estudio se ha realizado 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/).