MAESTRO EN CIENCIAS EN INGENIERÍA ELECTRÓNICA Y COMPUTACIÓN

Abstract

La segmentación es considerada un paso fundamental en las técnicas de preprocesamiento para el análisis de imágenes. La segmentación automática de las imágenes de resonancia magnética (MR) del cerebro ha sido ampliamente investigada ya que, con una segmentación precisa se pueden identificar y diagnosticar varias enfermedades cerebrales. El umbral es una técnica simple pero eficiente de segmentación de imágenes. A lo largo de los años, se han propuesto varios enfoques para el umbral. Entre estos métodos, la mínima entropía cruzada (MCE) se ha aplicado ampliamente debido a su simplicidad. Aunque el MCE es bastante eficaz en un umbral de dos niveles, el costo computacional aumenta exponencialmente cuanto mayor es el número de valores de umbral a buscar. Por lo tanto, en este trabajo se presenta un nuevo método para umbralización multinivel basado en el algoritmo de Evolución Diferencial Auto-adaptativa (SADE). SADE es un algoritmo metaheurístico basado en vectores que puede resolver problemas generales de manera eficiente ya que, durante la evolución, la estrategia de aprendizaje adecuada y la configuración de parámetros se auto-adaptan gradualmente de acuerdo con la experiencia de aprendizaje. Los valores de umbral óptimos se encuentran minimizando la entropía cruzada utilizando el algoritmo SADE. El método propuesto se prueba en dos grupos de imágenes de referencia; el primer grupo se compone de imágenes de prueba estándar, mientras que el segundo grupo consiste en imágenes de resonancia magnética del cerebro. A su vez, el enfoque propuesto se compara con los algoritmos metaheurísticos, Optimizador del Lobo Gris (GWO) y el Algoritmo Competitivo Imperialista (ICA). A partir de los resultados experimentales, se observa que el método propuesto obtiene mejores resultados en términos de consistencia y calidad, en comparación con los métodos basados en GWO e ICA.