ppi 201502ZU4659
Esta publicación cientíca en formato digital es
continuidad de la revista impresa
ISSN 0254-0770 / Depósito legal pp 197802ZU38
UNIVERSIDAD DEL ZULIA
Una Revista Internacional Arbitrada
que está indizada en las publicaciones
de referencia y comentarios:
• SCOPUS
• Compendex
• Chemical Abstracts
• Metal Abstracts
• World Aluminium Abstracts
• Mathematical Reviews
• Petroleum Abstracts
• Current Mathematical Publications
• MathSci
• Revencyt
• Materials Information
• Periódica
• Actualidad Iberoamericana
DE LA FACULTAD DE INGENIERÍA
REVISTA TÉCNICAREVISTA TÉCNICA
“Buscar la verdad y aanzar
los valores transcendentales”,
misión de las universidades en
su artículo primero, inspirado
en los principios humanísticos.
Ley de Universidades 8 de
septiembre de 1970.
“Buscar la verdad y aanzar
los valores transcendentales”,
misión de las universidades en
su artículo primero, inspirado
en los principios humanísticos.
Ley de Universidades 8 de
septiembre de 1970.
VOLUMEN ESPECIAL 2020 No.1
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2020, No. 1, pp. 03-55
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2020, No. 1, 40- 47
Parallel segmentation of DICOM X-Ray images with mobile
agents
Washington Ramírez Montalvan1,2* , Anabely Fernández Toapanta2 , Fausto Freire
Carrera3 , Jesús Arámburo Lizárraga1
1Universidad de Guadalajara,C.P. 45100, Zapopan, Jalisco, México.
2Departamiento de Ciencias de la Computación, Universidad Politécnica Salesiana,C.P. 70606, Quito, Ecuador.
3Facultad Ciencias de la Ingeniería e Industrias, Universidad UTE, Quito, Ecuador
*Autor de Contacto:wramirez@ups.edu.ec
https://doi.org/10.22209/rt.ve2020a06
Recepción: 31/10/2019 | Aceptación: 31/01/2020 | Publicación: 01/03/2020
Abstract
The development of technology has transformed the clinical practice, and nowadays, it is common the use of
applications on mobile devices for healthcare; in the detection of breast cancer medical digital images are a powerful tool
for diagnosis, however, their size drawbacks their display resolution on mobile devices, to improve the performance of the
devices parallelization and specialization of hardware is used. In this work, we present a proposal to resolve this problem
through the implementation of a parallel application on CPUs and GPUs, which uses agent`s technology and was developed
in JADE for Android platforms, the assessment of the application was carried out with 53 INbreas images, of which 25
improved in 6.81%.
Keywords: digital X-Ray image; mobile devices; agents; mathematical morphology; watershed.
Segmentación paralelizada de imágenes por Rayos X DICOM
conagentes móviles
Resumen
El desarrollo de la tecnología ha transformado la práctica clínica, y hoy en día, es común el uso de aplicaciones
en dispositivos móviles para la salud; en la detección del cáncer de mama en medicina las imágenes digitales son una
herramienta poderosa para el diagnóstico, sin embargo, el tamaño de las mismas genera inconvenientes al momento de ser
ostradas en dispositivos móviles, para mejorar el rendimiento de los dispositivos se utiliza la paralelización y especialización
de hardware. En este trabajo, se presenta una propuesta para resolver este problema mediante la implementación de una
aplicación paralela en CPU y GPU, que utiliza la tecnología de agentes y se desarrolló en JADE para la plataforma Android,
la evaluación de la aplicación se realizó con 53 imágenes INbreas, de las cuales 25 imágenes de masas y 28 imágenes de
Palabras clave: imagendeRayos X digital;Dispositivos móviles;Agentes; Morfología matemática;Watershed.
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2020, No. 1, pp. 03-55
41
Segmentación paralelizada de mamografias DICOM en agentes moviles
Introducción
El desarrollo de la tecnología ha transformado
la práctica clínica, y en la actualidad es común el uso de
aplicaciones de salud en dispositivos móviles. Visualizar
las imágenes digitales médicas con estos dispositivos, se
han convertido en una potente herramienta de ayuda,
para el diagnóstico médico del cáncer de mama, pero
las imágenes son de gran tamaño y gestionar grandes
cantidades de datos, utilizando métodos tradicionales
[1] presenta varios inconvenientes como: lentitud
en consultas de los expedientes, perdida de archivos,
imágenes defectuosas, entre otros. Para solucionar estos
problemas existen técnicas que permiten mejorar el
rendimiento y la optimización de los recursos [2] como:
Enfoque de interpolación no uniforme, Enfoque de
dominio de frecuencia, Enfoque de reconstrucción SR
(Súper Resolución) regularizado.
Históricamente para mejorar el tiempo
de los procesos y aumentar el rendimiento de un
dispositivo informático se trabajaba en la mejora de
los semiconductores. Actualmente se utilizan dos
conceptos para mejorar el rendimiento de dispositivos, la
paralelización, y la especialización[3].
Asimismo, desde hace varios años, el paradigma
de programación orientada a agentes se considera como
una de las tecnologías más innovadoras para el desarrollo
de sistemas de software distribuidos [4]. La tecnología
de agentes en la ingeniería de software es un campo
que se está investigando para poder brindar estabilidad,
escalabilidad y rendimiento a diferentes áreas de
Tecnología de Información (TI).
Se desarrolló un método para reducir regiones
obtenidas después de la segmentación, mejorando y
resaltando áreas sospechosas con malignidad. El método
propuesto detecta las estructuras curvilíneas aplicando
Sobel con una máscara de 11x11, luego se calcula la
gradiente de la imagen utilizando Canny, posteriormente
se realiza el cálculo de gradiente proporcionando los
puntos mínimos en la región de la imagen, y para reducir
la sobre-segmentación se aplica la máscara encontrada
con la gradiente de la imagen. Finalmente se aplica
Watershed (WS) en la imagen resultante. Este método se
resultados[5].
Utilizando un histograma local, morfología
matemática para escala de grises y WS, se mejora y
suaviza la imagen, y posteriormente aplican la gradiente
que resulta en regiones segmentadas. Se utilizó la dataset
MIAS, 8 imágenes con masas circunscritas y 8 imágenes
con masas espiculadas. Sin embargo, para obtener buenos
Se han propuesto técnicas de administración de
energía, desarrolladas en programación paralela OpenMP
biblioteca invocadas y uso dinámico de CPU dependiendo
del tamaño de la aplicación. Como resultado al apagar
los núcleos innecesarios disminuyo el consumo de
energía en un 18% en comparación con otros métodos de
administración de energía convencionales[7].
presentaron dos patrones de diseño paralelos basados
en una cuadrícula, denominado método de Lattice-
Boltzmann (LBM) en un dispositivo móvil con Android.
Los diseños fueron, memoria compartida basada en tareas
y memoria distribuida basada en hilos[8].
El Median Filter se usa normalmente para
reducir el ruido en una imagen [9], esta técnica considera
cada píxel de una máscara, de la cual el centro es el punto
semilla y se busca a los vecinos cercanos (pixeles) para
decidir si son representativos o no de su entorno [10].
Umbral Otsu selecciona un valor de umbral de
nivel de gris óptimo para separar los objetos del fondo
de una imagen en función de su distribución de nivel de
gris [11]. El histograma de nivel de gris de una imagen
generalmente se considera como una herramienta
imagen. La creación de umbrales crea imágenes binarias
a partir de imágenes de nivel de gris al convertir todos los
píxeles debajo de algún umbral a cero y todos los píxeles
sobre ese umbral a uno. El umbral de Otsua diferencia de
K Means, calcula histogramas a nivel de grises, lo cual es
muy útil al momento de utilizar en imágenes médicas que
contengan ruido de sal y pimienta [12].
La morfología matemática es un conjunto de
operaciones matemáticas de procesamiento de imágenes
basadas en geometría. Las operaciones morfológicas
transforma la forma o estructura de los objetos de una
imagen, proporcionando información útil [13], las cuales
sirven para el procesamiento de imágenes, análisis,
análisis de texturas y espacios de escala [14]. La técnica
maneja ciertas operaciones morfológicas como: Dilatation,
Erosion, Opening, Closing [13, 14]. La morfología
matemática extrae estructuras geométricas de formas
conocidas tales como: círculo, cuadrado, rectángulo,
cruz. La forma y el tamaño se escogen dependiendo a la
extracción de forma que se desea obtener [15].
Watershed es un algoritmo propuesto por [16], y
fundamentado en el concepto de inmersión. La inmersión
un lago a partir del mínimo valor de intensidad (agujero
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2020, No. 1, pp. 03-55
42 Ramírez Montalvan y col.
más bajo), el agua llenará progresivamente las diferentes
Conceptualmente, el algoritmo construye una represa para
evitar una situación en la que el agua proviene de dos o
más mínimos locales diferentes. El proceso de inundación
continúa hasta que las aguas de cuencas se unan,
formando líneas de unión que representarán las fronteras
de regiones homogéneas, y constituyen el resultado de
la segmentación [18]. Sin embargo, esta técnica produce
sobre segmentación, para resolver este problema utiliza
técnicas de pre y pos procesamiento. Entre los métodos
de pre-procesamiento, se propone la reducción de ruido
de suavizado, post-procesamiento utiliza técnicas basadas
en histogramas para encontrar nuevas regiones [17]. Para
implementar Watershed existen tres métodos:
Transformada de Distancia (DT): consiste en
la distancia (mascara) y busca en la máscara los pixeles
diferentes de cero más cercanos [18, 19]. Hay muchas
1,j1] y
[i2,j2] en una imagen [18] y son: Euclidiana, Cityblock,
Chessboard (Ecuaciones 1,2 y 3).
Método de Gradiente: se utiliza para procesar
una imagen en escala de grises, como resultado de este
método se obtiene valores de pixel alto a lo largo de
los bordes y valores bajos en los objetos de la imagen,
produciéndose sobre segmentación [18].
Acercamiento Controlado por marcador: un
marcador es un componente conectado que pertenece a la
de objetos con contornos cerrados, donde los límites
se expresan como crestas. Los marcadores se colocan
dentro de un objeto de interés; los marcadores internos se
asocian con objetos de interés y los marcadores externos
se asocian con el fondo. Después de la segmentación,
organizan en las crestas deseadas, separando así cada
objeto de sus vecinos [18].
Transforma el histograma (HS) de una imagen
de gris resaltados [20], y utiliza la ecuación 4. Es decir
primero mejora la imagen en escala de grises y luego los
niveles de gris se vuelven a correlacionar con los niveles
de gris existentes en el histograma [21].
Dónde:
(1)
(2)
(3)
(4)
k=0, 1, 2… L-1, P(ri) = pixel en escala de grises.
OpenMP es una API (ApplicationProgramming
Interface), que representa a un modelo de paralelismo
(incremental) multihilo (estático y/o dinámico), portable
e independiente del hardware, para bucles y secciones en
sistemas de memoria compartida, mediante sincronización
y comunicación utilizando variables compartidas. Está
conformado de componentes como, directivas, funciones
de librería y variables de entorno [22].
JADE (Java AgentDevelopment Framework),
es una herramienta utilizada para el desarrollo de
sistemas multi-agentes [23]. Un agente es un programa
autónomo con características propias [24] y tiene varios
estados como: Iniciado, Activo , Suspendido, Espera,
Eliminado, Tránsito, Copiar y Gone. JADE-LEAP es una
dispositivos con recursos limitados, como dispositivos
móviles, y utiliza algunos estados de JADE [25].
En este trabajo se presenta una propuesta para
resolver este problema mediante la implementación de
una aplicación paralelizada sobre CPU´s y GPU´s, que
utiliza la tecnología de agentes y fue desarrollada en JADE
para la plataforma Android.
Materiales y Métodos
Para realizar el aplicativo Jade-Leap para
segmentación se utilizó en siguienteprocedimiento:
Inicia el contenedor principal de JADE, y el
contenedor secundario con el agente en el dispositivo
móvil. La opción abrir (Figura 1B) envía un archivo zip con
las imágenes que serán analizadas en el dispositivo móvil.
El agente aSegDICOM está localizado en el contenedor
secundario JADE-LEAP y los estados abrir, enlazar y
copiar se encuentran en tránsito, la clase descomprime
se encuentra en estado suspendido y espera, que el
archivo zip se encuentre en el repositorio secundario. El
agente aSegDICOM es el encargado de los procesos de
segmentación (Fig.1C y 1D) de imágenes.
Figura 1.Escenario de Jade, B) App en el dispositivo, C)
pre-procesamiento de imagen con 626 segmentos, D)
post-procesamiento de imagen con 482 segmentos
Los pasos que contempla la segmentación son:
Pre-procesamiento, Watershed, Post-procesamiento,
Paralelización y Rendimiento.
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2020, No. 1, pp. 03-55
43
Segmentación paralelizada de mamografias DICOM en agentes moviles
Pre-Procesamiento:
La entrada y salida de datos de imágenes
se realiza con OpenCV, que es una librería de visión
mejor manejo imágenes en dispositivos móviles [26]. A
continuación se transforma la imagen en escala de grises
Esta transformación resulta útil para varias tareas de
análisis de imágenes [27]. La imágenes pueden contener
ruido o degradación de la misma, la cual produce pérdida
de calidad [28]. Para solventar este problema se utilizó
Median Filter con una máscara de 3x3 para la eliminación
de ruido [5, 14]. Para separar el área de estudio y el fondo
de la imagen se utilizó Otsuy calcular el umbral automático
de la imagen en escala de grises; transformando los
datos de grises a binario [29]. Por otro lado para aplicar
de los segmentos, para este caso se utilizó una elipse, y
luego se aplicó Opening y Closing con tres iteraciones [14].
Watershed (WS):
Para aplicar WS previamente se aplicó la
transformación de distancias de ocho pixeles técnica
utilizada para el cálculo de segmentos[19]. Finalmente
se aplicó WS a la imagen mejorada con Median Filter,
para poder visualizar de mejor manera los segmentos, y
también la coloración de cada segmento encontrado [30].
Post-Procesamiento:
Después de aplicar WS a las imágenes
segmentadas es posible mejorar el resultado [5], aplicando
HS, la cual compara el segmento obtenido con todos los
segmentos de la imagen; busca histogramas similares y
tiene en cuenta la distancia de los segmentos, el uso de
esta técnica reduce el número de segmentos encontrados
[21].
Paralelización:
Para optimizar la aplicaciónmóvil se realiza
paralelización de procesos en los bucles con OpenMP.
La estructura de la paralelización es la siguiente:
#pragmaompparallel, es la etiqueta que inicia la
paralelización en la aplicación, el proceso se realizó para
CPU y GPU, por lo que se utilizó la siguiente etiqueta
#pragmaomp target teamsdistributeparallelforque
corresponde a GPU. Ya que WS es un cálculo que necesita la
mayoría de los recursos se utiliza la etiqueta #critical[31].
Rendimiento:
Para evaluar el rendimiento de las técnicas se
utilizaron métricas tales como Mean Square Error (MSE),
y PeakSignaltoNoise Ratio (PSNR).
Resultados y discusión
Los resultados del experimento se evaluaron en
dos escenarios, ejecución secuencial utilizando CPU’s, y
ejecución en paralelo utilizando CPU’s y GPU’s.
En primera instancia se evaluó la carga y
transformación a escala de grises, y posteriormente las
técnicas de segmentación.
En el experimento se utilizaron 53 imágenes
de INbreast, organizadas de la siguiente manera: 25
para las masas: 13 imágenes con vista craneocaudal
(CC) y 12 con vista en medio lateral oblicua (MLO); para
con vista MLO. El tamaño de las imágenes para masas y
MCs varía entre 3328x2560 y 4084x3328 pixeles. Para
ejecutar los escenarios se utilizó un dispositivo Android
con procesador Exynos 9610, con una CPU de 8 Cores y
una GPU Mali-G72 con 18 Cores, y memoria RAM de 4GB.
Para el primer escenario se evaluó procesos
implementadas en secuencia, y se extrajoel tiempo de uso
del CPU (T-CPU) y tiempo de ejecución (T-E) en segundos
de cada técnica. Los resultados que se describen a
continuación corresponden a la ejecución de 53 imágenes.
Para la transformación a escala de grises 31,21%
de T-CPU y 19,32% de T-E. Para Otsu 17,39% de T-CPU y
9,82% de T-E. Para Morfología Matemática 31,70% de
T-CPU y 21,42%. Para Distancia 4,33% de T-CPU y 21,48%
de T-E. Para Watershed 7,06% de T-CPU y 16,54% T-E.
Para Histograma 8,31% de T-CPU y 11,37% de T-E.
En la Tabla 1, se resume y organizan los
resultados, de imágenes (MLO y CC) con senos izquierdos
y derechos.
Para el segundo escenario se evaluaron las
implementadas en paralelo, y se extrae el tiempo de uso
del CPU (T-CPU), tiempo de uso del GPU (T-GPU) y tiempo
de ejecución (T-E) de cada técnica en segundos. Para la
transformación a escala de grises 1,38% de T-CPU, 2,77%
de T-GPU, 11,64 de T-E, 7% CORES y 11% HILOS. Para
Otsu 0,41% de T-CPU, 0,91% de T-GPU, 6,06 de T-E, 11%
CORES y 15% HILOS. Para Morfología Matemática 19,26%
de T-CPU, 8.01 de T-GPU, 12,30% T-E, 18% CORES y 15%
HILOS. Para Distancia 14,21% de T-CPU, 25,70% de T-GPU,
20.02% de T-E, 16% CORES y 17% HILOS. Para Watershed
38,10% de T-CPU, 8,01% T-GPU, 25,96% T-E, 24% CORES
y 23% HILOS. Para Histograma 26,64% de T-CPU, 54,59%
de T-GPU, 24,12% T-E, 24% CORES y 19% HILOS.
En las Tablas 2 y 3, se resume y organizan los
resultados, de imágenes (MLO y CC) con senos izquierdos
y derechos.
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2020, No. 1, pp. 03-55
44 Ramírez Montalvan y col.
Tabla 1. Resumen de procesos y técnicas en secuencia.
Detalle #imga
Escala Gris
(s)
Otsu
(s)
Morfología
(s)
Histogramas
(s)
Distancia +Watershed
(s)
CPU T CPU T CPU T CPU T CPU T CPU T
Masas
CC 06 L 273,87 487,82 262,97 298,27 256,95 450,01 235,82 388,72 234,35 450,01 247,52 976,06
07 R 559,55 451,76 349,40 204,34 435,06 626,32 16,90 178,24 6,97 626,32 28,38 248,64
MLO 05 L 635,88 616,81 290,28 228,44 793,72 654,85 151,08 431,36 5,86 654,85 25,88 256,66
07 R 557,08 463,43 227,29 295,21 572,46 513,68 21,22 190,01 7,54 513,68 28,60 248,45
MCs
CC 09 L 0,94 0,54 0,34 0,33 0,86 0,50 5,32 0,53 6,89 0,68 28,08 0,32
05 R 1,22 0,50 0,45 0,34 1,07 0,46 33,42 0,28 5,51 0,69 42,33 0,33
MLO 08 L 0,90 0,59 0,33 0,31 0,77 0,62 6,63 0,66 6,92 0,68 22,96 0,31
06 R 1,03 0,45 0,38 0,36 1,03 0,46 18,04 0,27 7,73 0,77 35,30 0,35
a L = Izquierda. R = Derecho. T = Tiempo de ejecución.
Tabla 2. Resumen de Técnicas en Paralelo.
Detalle #imga
CPU
Escala Gris
(s)a
Otsu
(s)
Morfología
(s)
CPU GPU T C HCPU GPU T C HCPU GPU T C H
Masas
CC 06 L 1,87 1,02 0,40 2 17 0,21 0,25 0,21 2 26 1,46 1,30 0,52 4 26
07 R 0,68 0,52 0,38 1 18 0,25 0,25 0,18 3 26 85,50 10,12 0,44 4 26
MLO 05 L 0,56 0,75 0,54 1 18 0,21 0,30 0,20 2 25 1,47 1,21 0,57 5 34
07 R 0,68 0,50 0,46 1 18 0,24 0,15 0,18 2 27 1,53 1,32 0,50 5 33
MCs
CC 09 L 0,67 0,56 0,38 5 28 0,24 0,18 0,23 8 36 0,60 0,10 0,34 11 35
05 R 0,84 0,55 0,36 4 27 0,32 0,20 0,23 8 37 0,78 0,26 0,33 11 35
MLO 08 L 0,64 0,66 0,42 4 28 0,23 0,19 0,22 8 37 0,53 0,28 0,44 10 35
06 R 0,72 0,66 0,31 4 28 0,27 0,20 0,26 8 37 0,73 0,50 0,32 12 35
a L = Izquierda. R = Derecho. T = Tiempo de ejecución. C= Cores. H=Hilos
Tabla 3. Continuación: Resumen de Técnicas en Paralelo
Detalle #imga
Distancia +Watershed
(s)
Histogramas
(s)
CPU GPU T C H CPU GPU T C HCPU GPU T C H
Masas
CC 07 R 35,21 25,49 2,39 5 32 36,11 1,30 5,83 11 45 54,5 40,62 1,07 11 45
05 L 4,95 3,50 0,43 5 34 19,75 10,12 0,20 11 46 10,12 9,52 0,22 11 46
MLO 07 R 3,94 4,20 0,41 5 33 17,85 1,21 0,17 10 46 4,81 2,31 1,38 10 46
09 L 5,32 2,30 0,45 5 34 19,67 1,32 0,19 12 45 11,54 9,35 2,95 12 45
MCs
CC 05 R 4,79 3,20 0,48 8 38 19,99 0,10 0,22 9 51 4,13 2,25 0,40 9 35
08 L 3,87 3,24 0,46 9 39 28,84 0,26 0,22 10 50 23,64 25,32 0,20 10 36
MLO 06 R 4,81 3,24 0,47 8 38 16,26 0,28 0,21 9 53 6,74 2,23 0,38 9 36
07 R 5,43 3,24 0,54 8 38 24,70 0,50 0,25 9 52 12,61 11,20 0,19 10 36
a L = Izquierda. R = Derecho. T = Tiempo de ejecución. C= Cores. H=Hilos
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2020, No. 1, pp. 03-55
45
Segmentación paralelizada de mamografias DICOM en agentes moviles
En las Figura 2 y Figura 3, se puede observar los
resultados del experimento durante la implementación
realizada en paralelo empleando OpenMP; disminuye
considerablemente el tiempo de procesamiento y
de ejecución con respecto a las implementaciones
secuenciales, lo que se traduce en la posibilidad de
procesar imágenes DICOM de gran tamaño en menor
tiempo. El tiempo paralelo es comparado con el tiempo
secuencial, donde el procesamiento en paralelo disminuye
considerablemente, lo que representa una mejora del
81,35%
Figura 2. Tiempo de uso de CPUs con procesos en se-
cuencia y uso de CPUs con GPUs con procesos en paralelo.
Figura 3. Tiempo de ejecución de técnicas entre procesos
secuenciales con CPUs y procesos en paralelo con CPUs y
GPUs
En la fase pre-procesamiento se utilizan técnicas
como Otsu y Morfología Matemática, y a continuación
se aplica la técnica de Watershed, y para la fase de post-
procesamiento los resultados obtenidos luego de aplicar
Watershed se aplica Histogramas. Los resultados de
segmentación obtenidos en pre-procesamiento para masas
fueron 11113 segmentos y para MCs 17742 segmentos;
para post-procesamiento, se generan 9416 segmentos
para masas, y para MCs se generan 15760 segmentos. En
consecuencia, al aplicar la fase de pos-procesamiento se
obtiene una mejora del 6.81% (Figura 4). Asimismo, se
evidenció un incremento de 12% en el uso de memora
RAM cuando el proceso se realiza en paralelo. En la Tabla
4, se resume y organizan los resultados, por conjunto de
imágenes de masas y MCs con vista MLO y CC.
Figura 4. Segmentos generados utilizando Watershed en
imágenes con masas y MCs
Tabla 4. Segmentos para Pre-Procesamiento y Post-
Procesamiento
Detalle #img
# Segmentos
Rendimiento
RAM (Mb)
PreProcesa-
miento
PostProcesa-
miento Secuencial Paralelo
Masas
CC
06 L 2166 2084 311,15 348,33
07 R 3658 3014 297,94 339,65
MLO
05 L 2723 2308 290,76 322,82
07 R 2566 2007 370,92 390,32
MCs
CC
09 L 5005 4741 388,30 434,89
05 R 2675 1989 393,78 433,16
MLO
08 L 4796 4538 357,55 396,88
06 R 5266 4492 404,82 445,30
a L = Izquierda. R = Derecho. T = Tiempo de
ejecución. C= Cores. H=Hilos
El rendimiento promedio global de las técnicas
se agrupa en pre-procesamiento y post-procesamiento.
Para pre-procesamiento se evalúa Median Filter con el
conjunto de imágenes. Para masas, la comparación entre
la imagen original y la imagen aplicada los resultados
con MSE fueron 0.24 y con PSNR fue 55.34dB. Para las
MCs, la comparación entre la imagen original y la imagen
aplicada los resultados con MSE fueron 126, y PSNR con
52.27dB. Para post-procesamiento se evalúa Watershed y
se utiliza G-GU, G-GC, D-PE y D-ND para masas y MCs y los
resultados se resumen en la Tabla 4.
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2020, No. 1, pp. 03-55
46 Ramírez Montalvan y col.
Tabla 5. Resultado de Métricas para Técnicas de Segmentación
Detalle #img Img (FxC) Median Filter Wathershed
MSE PSNR(dB) G-GU G-GC D-PE D-ND
Masas
CC 11 3328×2560 0,35 53,04 0,897 0,989 0,578 0,532
02 4084×3328 0,24 55,34 0,846 0,987 0,202 0,402
MLO 11 3328×2560 0,88 50,78 0,821 0,957 0,345 0,603
01 4084×3328 0,70 49,68 0,800 0,909 0,201 0,503
MCs
CC 14 3328×2560 158,01 51,47 0,808 0,901 0,301 0,545
06 4084×3328 126,00 52,27 1,000 0,999 0,231 0,654
MLO 15 3328×2560 185,44 51,32 0,825 0,997 0,211 0,578
05 4084×3328 229,14 48,84 0,852 0,989 0,201 0,575
a L = Izquierda. R = Derecho. T = Tiempo de ejecución. C= Cores. H=Hilos
Conclusiones
Para el desarrollo de la aplicación móvil se
implementó el paradigma fundamentado en agentes y se
utilizó el Framework de JADE sobre el sistema operativo
Se evidencia la necesidad de aplicar técnicas
de pre y post procesamiento para reducir el número
de segmentos generados por la aplicación de WS. En
consecuencia, al aplicar la fase de pre-procesamiento
(53,41%) y pos-procesamiento (46,59%) se obtiene una
mejora del 6,81%.
Se redujó el alto consumo computacional de
WS al aplicar técnicas en paralelo para CPU’s y GPU’s
utilizando OpenMP, alcanzando una optimización del
81,35% comparando los dos escenarios; donde el primer
escenario utilizó el 90,67% de tiempo de CPU y el segundo
escenario utilizo el 9,33% de tiempo de CPU y GPU.
Se alcanzó detectar que la mayor carga de
trabajo se realizó en la CPU, a pesar de que el proceso se
el 57,8% de uso y del GPU el 42,2% de uso durante el
procesamiento.
Agradecimientos
Los autores reconocen el apoyo de programa de
Ph.D. de Tecnología de la Información, campus de CUCEA,
esta investigación de la Universidad Politécnica Salesiana.
[1] Doi, K. “Computer-aided diagnosis in medical imag-
ing: historical review, current status and future po-
tential”. Computerized medical imaging and graph-
ics, Vol. 31, Nº 4-5, (2007), 198-211.
[2] Park S. C., Park M. K. and Kang M. G. “Super-reso-
lution image reconstruction: a technical overview”.
IEEE Signal Processing Magazine, Vol. 20, Nº 3,
(2003), 21-36.
[3] Pulli, K., Baksheev A., Kornyakov K. andEruhimovV.
“Real-time computer vision with OpenCV”.Commu-
nications of the ACM, Vol. 55, Nº. 6(2012), 61-69.
[4] García Flores R. «Ingeniería concurrente y
tecnologías de la información». Ingenierías, R. García
Flores, «Ingeniería concurrente y tecnologías de la
información,» Ingenierías, vol. 7, no. 22, pp. 39-44,
2004ol. 7, Nº. 22, (2004), 39-44.
[5] Sharma J.and SharmaS., “Mammogram image seg-
mentation using watershed”.Int J Info Tech and
Knowledge Management, Vol. 4, (2011), 423-425.
[6] GulsrudT. O, EnganK. and HanstveitT. “Watershed
segmentation of detected masses in digital mam-
mograms”.In 2005 IEEE Engineering in Medicine
and Biology 27th Annual Conference, (2005), 3304-
3307.
[7] Hwang Y.and ChungK.S. “Dynamic Power Manage-
ment Technique for Multicore Based Embedded Mo-
bile Devices”. IEEE Transactions on Industrial Infor-
matics, Vol. 9, Nº 3, (2013), 1601-1612.
[8] Harwood A. R.and RevellA. J. “Parallelisation of an in-
teractive lattice-Boltzmann method on an Android-
powered mobile device”. Advances in Engineering
Software, Vol. 104, (2017), 38-50.
[9] Boyle R. D. and ThomasR. C.“Computer vision: a
(1988).
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2020, No. 1, pp. 03-55
47
Segmentación paralelizada de mamografias DICOM en agentes moviles
[10] -
tering techniques”.Journal of global research in com-
puter science, Vol. 4, Nº 4, (2013), 166-171.
[11] OtsuN., “A threshold selection method from gray-lev-
el histograms”.IEEE transactions on systems, man,
and cybernetics, Vol. 9, Nº. 1, (1979), 62-66.
[12] ValaH. J. and BaxiA. “A review on Otsu image segmen-
tation algorithm”. International Journal of Advanced
Research in Computer Engineering & Technology
(IJARCET), Vol. 2, Nº 2, (2013) 387-389.
[13] TulsaniH., SaxenaS. and YadavN. “Segmentation us-
ing morphological watershed transformation for
counting blood cells”. IJCAIT, Vol. 2, Nº. 3, (2013),
28-36.
[14] Shareef, S. R. “Breast cancer detection based on
watershed transformation”. IJCSI International
Journal of Computer Science Issues, Vol. 11, Nº 1,
(2014),237-245.
[15] Ortiz Zamora F. G.“Procesamiento morfológico de
imágenes en color: aplicación a la reconstrucción
geodésica.Universidad de Alicante. Departamento
de física, Ingeniería de sistemas y Teoría de la señal,
(2002).
[16] Vincent L. and Soille P. “Watersheds in digital spaces:
-
tions” IEEE Transactions on Pattern Analysis & Ma-
chine Intelligence, Vol. 6, (1991), 583-598.
[17] Romero-ZalizR. and Reinoso-GordoJ. “An updated
review on watershed algorithms”. In Soft computing
for sustainability science, (2018) 235-258.
[18] KaurA.“Aayushi.Image Segmentation Using Water-
shed Transform “Blue Eyes Intelligence Engineering
& Sciences Publication Pvt. Ltd. International Jour-
nal of Soft Computing and Engineering (IJSCE) Vol.
4, (2014) 5-8.
[19] AcharjyaP.A.,Sinha, S. Sarkar, S. Dey, and GhoshS. “A
new approach of watershed algorithm using dis-
tance transform applied to image segmentation”.
International Journal of Innovative Research in Com-
puter and Communication Engineering, Vol. 1, Nº 2,
(2013) 185-189.
[20] Abdullah-Al-WadudM., KabirM. H., A. DewanM. A.
and ChaeO. “A Dynamic Histogram Equalization for
Image Contrast Enhancement”. IEEE Transactions
on Consumer Electronics, Vol. 53, Nº 2, (2007), 593-
600.
[21] RomaniS., SobrevillaP. and MontsenyE., “Obtaining
the relevant colors of an image through stability-
based fuzzy color histograms”. The 12th IEEE Inter-
national Conference on Fuzzy Systems, FUZZ ‘03,Vol.
2, (2003), 914-919.
[22] Barney, B. “Using the Sequoia and Vulcan BG/Q Sys-
tems. Tutorial Lawrence Livermore National Labo-
ratory, Lawrence Livermore National Laboratory”.
(2014). URL https://computing.llnl. gov/tutorials/
bgq/# ParallelIO, 8.
[23] BellifemineF., BergentiF., CaireG. and PoggiA. “JADE—
a java agent development framework,” Multi-Agent
Programming.Springer, (2005), 125-147.
[24] BellifemineF. L.,CaireG. and Greenwood D. “Develop-
ing multi-agent systems with JADE2.John Wiley &
Sons, (2007).
[25] CaireG.andPieriF., “Leap user guide” TILab, (2006).
[26] KaehlerA. and BradskiG.“Learning OpenCV 3: com-
Media, Inc.”, (2016).
[27] VincentL. “Morphological Grayscale Reconstruction
in Image Analysis: Applications and E cient Algo-
rithms”.IEEE transactions on image processing, Vol.
2, Nº 2, (1993), 176-201.
[28] PreimB.andBartzD.“Visualization in medicine: theo-
ry, algorithms, and applications”. Elsevier, (2007).
[29] Omer A. M. and ElfadilM. “Preprocessing of Digital
Mammogram Image Based on Otsu’s Threshold,”
-
ing, Technology, and Sciences (ASRJETS), Vol. 37, Nº
1, (2017), 220-229,.
[30] Lewis S. H. and DongA. “Detection of breast tumor
candidates using marker-controlled watershed seg-
mentation and morphological analysis”.In 2012 IEEE
Southwest Symposium on Image Analysis and Inter-
pretation, (2012), 1-4.
[31] KooJ. J. P. and QuintalL. F. C. «Análisis del desempeño
de aplicaciones paralelas con openMP en dispositivos
móviles multicore, caso de estudio: multiplicación de
matrices». Pistas Educativas, Vol. 36, Nº 114(2018),
6-17.
REVISTA TECNICA
DE LA FACULTAD DE INGENIERIA
UNIVERSIDAD DEL ZULIA
www.luz.edu.ve
www.serbi.luz.edu.ve
www.produccioncientica.luz.edu.ve
Esta revista fue editada en formato digital y publicada
en Febrero de 2020, por el Fondo Editorial Serbiluz,
Universidad del Zulia. Maracaibo-Venezuela
Volumen Especial, 2020, No. 1, pp. 03 - 55_________________
