Un equip d’investigadors de la Universitat de les Illes Balears proposa un nou sistema que millora la segmentació d’objectes que se superposen mitjançant sistemes de reconeixement automàtic d’imatges 

El reconeixement automàtic d'imatges fa possible identificar i interpretar automàticament els continguts d'una imatge mitjançant algoritmes i models computacionals. Mitjançant l'ús de tècniques avançades d'aprenentatge automàtic i processament d'imatges, aquesta tecnologia permet als sistemes informàtics comprendre i categoritzar elements visuals, com objectes, formes o patrons, sense intervenció humana. El reconeixement automàtic d'imatges té aplicacions àmplies en diversos àmbits, des de la detecció d'objectes en entorns industrials fins a la interpretació d'imatges mèdiques per al diagnòstic.

Ara bé, quan els objectes se superposen en la imatge es creen zones d’ocultació que redueixen la informació disponible i que introdueixen una complexitat enorme en el procés de segmentació dels objectes que fa difícil identificar-los de manera correcta. Aquest és el repte al qual ha fet front un equip d’investigadors del Departament de Ciències Matemàtiques i Informàtica de la Universitat de les Illes Balears en un article publicat recentment en la revista científica Multimedia Tools and Applications.

La detecció dels punts còncaus

Un dels mètodes que s’utilitzen per superar aquesta dificultat es basa en la detecció de punts còncaus. Aquests punts indiquen les posicions on els contorns dels diferents objectes se superposen i, alhora, són les ubicacions on l'objecte superposat passa d'un dels seus subobjectes a un altre. Un cop detectats els punts còncaus, es poden utilitzar diverses tècniques per dividir els objectes. L'avantatge de la detecció de punts còncaus és que és invariable a l'escala, el color, la rotació i l'orientació.

El mètode que proposen els investigadors de la UIB permet millorar la detecció de punts còncaus de darrera generació com a primer pas cap a la segmentació efectiva d'objectes superposats en imatges. L'enfocament es basa a analitzar la curvatura del contorn de l'objecte. Aquest mètode consta de tres passos principals. Primer, la imatge original es processa per obtenir el valor de curvatura a cada punt del contorn. En segon lloc, se seleccionen les regions amb curvatures més altes i s'aplica un algorisme recursiu per refinar les regions seleccionades anteriorment. Per acabar, per a cada regió s'obté un punt còncau gràcies a l’anàlisi de la posició relativa del seu entorn.

Els resultats experimentals indiquen que millorar la detecció de punts còncaus duu a una divisió de cúmuls millor. Per avaluar la qualitat de l'algorisme de detecció de punts còncaus, es va construir un conjunt de dades sintètic per simular la presència d'objectes superposats. Aquest conjunt de dades inclou la ubicació precisa dels punts còncaus, que serveixen com a veritat fonamental per a l'avaluació.

Aplicació en biomedicina

Com a cas d'estudi, es va avaluar el rendiment d'una aplicació ben coneguda, com la divisió de cèl·lules superposades en imatges de mostres de frotis de sang perifèric de pacients amb anèmia de cèl·lules falciformes. Es va utilitzar el mètode proposat per detectar punts còncaus en cúmuls de cèl·lules i després es varen separar aquests cúmuls mitjançant un ajustament d'el·lipses.

Els resultats experimentals han demostrat que el mètode proposat per l’equip de la UIB ha obtingut resultats més bons respecte l'estat de l'art, tant per a conjunts de dades sintètiques com reals. Es pot concloure que un mètode amb una precisió més elevada per trobar punts còncaus, com el mètode proposat, ajuda a obtenir una classificació de cèl·lules més positiva.

Finalment, és important destacar que aquest mètode no es limita al cas d'estudi realitzat en aquest treball; també es pot utilitzar per a altres aplicacions on es requereixi la separació entre objectes superposats. A més, els mètodes basats en la detecció de punts còncaus poden proporcionar una bona segmentació sense grans restriccions de conjunts de dades o mides d'imatges d'entrada, a diferència dels mètodes d'aprenentatge profund. A més, la detecció de punts còncaus per a la segmentació d'objectes superposats es pot considerar transparent, ja que presenta similitud, descomponibilitat i també transparència algorítmica.

Equip investigador

Els investigadors del Departament de Ciències Matemàtiques i Informàtica la Universitat de les Illes Balears que han participat en aquest estudi són el doctor Antoni Jaume i Capó, membre de la Unitat de Gràfics i Visió per Ordinador i IA (UGiVIA) i director del Laboratori d’Aplicacions d’Intel·ligència Artificial de la UIB (LAIA@UIB); el doctor Manuel González Hidalgo, investigador principal del grup de recerca en Soft Computing, Processament d'Imatges i Agregació (SCOPIA); el doctor Gabriel Moyà Alcover i Miquel Miró Nicolau són membres de la UGiVIA i LAIA@UIB.

L’estudi s’ha fet en el marc dels projectes d’R+D+I PID2019-104829RA-I00 EXPLainable Artificial INtelligence systems for health and well-beING (EXPLAINING) i PID2020-113870GB-I00 Desarrollo de herramientas de Soft Computing para la Ayuda al Diagnóstico Clínico y a la Gestión de Emergencias (HESOCODICE), finançats pel Ministeri de Ciència i Innovació, i l’Agència Estatal d’Investigació (MCIN/AEI/10.13039/501100011033/).

Referència bibliogràfica

Miró-Nicolau, M., Moyà-Alcover, G., González-Hidalgo, M. i Jaume-i-Capó, A. Improving concave point detection to better segment overlapped objects in images. Multimedia Tools and Applications (2023). https://doi.org/10.1007/s11042-023-15382-1 

Data de publicació: 28/11/2023