Resultados de búsqueda para ...

Innovación sistémica para una economía sin banderas ras la segunda guerra mundial el sistema económico sueco dependía de las grandes compañías proveedoras de acero, papel o madera que habían emergido con fuerza tras la segunda guerra mundial. Estas exitosas corporaciones fomentaron una política de innovación basada en el subsidio de la I+D llevada a cabo por ellas. Sin embargo, entre los 70 y los 80, estas empresas comenzaron a experimentar problemas estructurales y se mostraron incapaces de reaccionar. La política de innovación mostraba sus debilidades: Suecia acusaba falta de capacidad de reacción y cultura emprendedora. Durante los 90, las adquisiciones y fusiones dejaron el control de muchas empresas suecas fuera del país. Volvo Cars fue comprada por Ford. Saab Automóvil fue adquirida por General Motors. Astra se convirtió en parte de Astra Zeneca, y Pharmacia se unió con Upjohn. Algunas de estas empresas han mantenido sus unidades de I+D en Suecia, otras no. Igualmente, en Estados Unidos hace ya tiempo que muchas empresas comenzaron no sólo a deslocalizar plantas de fabricación y centros de atención al cliente, “Mientras que los países del norte de Europa se han mostrado tradicionalmente menos partidarios de medidas proteccionistas, Francia e Italia (o España) son quizá el ejemplo antagónico” Telecos e innovación Innovación sistémica para una economía sin banderas Durante muchos años un gran número de países centraron sus políticas de innovación en el subsidio de las prácticas de I+D realizadas en las grandes empresas del país. Sin embargo, a mediados de los 60 comenzó a surgir un nuevo contexto financiero internacional crecientemente caracterizado por fenómenos como el corporativismo y la globalización. Hoy, estas grandes empresas ya no son españolas, americanas o japonesas, sino globales. Esta transformación ha dirigido un profundo cambio en las políticas de innovación, ahora sistémicas y enfocadas en la construcción de esa manida sociedad del conocimiento. La alternativa proteccionista languidece ante las ventajas competitivas que ofrece la innovación. T David Arias Ingeniero de Telecomunicación y Msc Management and Economics of Innovation Analista en Naider [email protected] TELECOS E INNOVACIÓN. Innovación sistémica para una economía sin banderas sino también su I+D. Muchas de las empresas de Silicon Valley han trasladado sus centros de I+D a países como India, Taiwán o Brasil. HP, IBM, Microsoft y Cisco, entre otros, aseguran haber invertido más de un billón de dólares en India. En España, resulta especialmente destacado el caso de las empresas textiles: Zara, Mango o Cortefiel han conseguido una gran competitividad internacional gracias en parte a la deslocalización. En el sector tecnológico Telefónica e Indra hace tiempo que son empresas globales. Algunas de estas empresas todavía mantienen su control en los países donde nacieron, mientras otras pierden inexorablemente todo resquicio de identidad nacional. Por ejemplo, ¿de dónde es Skype? Hoy pertenece a eBay, tiene sus oficinas centrales en Luxemburgo, sus fundadores son de origen escandinavo, su centro de desarrollo está en Estonia y posee delegaciones en Londres, Tartu, Praga y San Diego. Con este nuevo contexto económico las políticas de innovación ya no pueden tener sus bases en la subvención de la I+D de las empresas de bandera. Ya no se puede calificar estas empresas como suecas, americanas o españolas, con gran parte del control y actividad fuera del país. Hoy, su dirección estratégica está en EEUU o Reino Unido, su idioma de trabajo es el inglés y gran parte de su fabricación está ubicada en China. ¿Proteccionismo o innovación sistémica? Tal vez la primera y más inmediata reacción a esta nueva amenaza se ha encontrado en el proteccionismo. Mientras que los países del norte de Europa se han mostrado tradicionalmente menos partidarios de medidas proteccionistas, Francia e Italia (o España) son quizá el ejemplo antagónico. En efecto, durante el 2006 fuimos testigos de varias maniobras proteccionistas en Europa. En España, los casos de EON y Endesa, o el de Arcelor coparon los medios una dilatada temporada. También el caso entre la Italiana Enel y la francesa Suez tuvo gran impacto mediático. Pero existe otra sólida defensa: las políticas de innovación sistémica que comenzaron a surgir desde principios de siglo. Mientras las grandes corporaciones traspasan sus fronteras y cada aspecto de su cadena de valor se encuentra sujeto a la competitividad internacional, los territorios deben comenzar a competir globalmente por cada nueva inversión en I+D (y producción). Esto hace necesario un cada vez mayor esfuerzo en I+D por parte de los gobiernos, así como de una capacidad de respuesta superior. Una nueva fase de “competitividad regional” ha comenzado en la cual se debe forjar el arquetipo de la manida “sociedad del conocimiento”. Los territorios “Los territorios hoy necesitan construir una sociedad constituida por una población instruida con un alto nivel de doctores y licenciados” TELECOS E INNOVACIÓN. Innovación sistémica para una economía sin banderas hoy necesitan construir una sociedad constituida por una población instruida con un alto nivel de doctores y licenciados; una universidad de calidad; soporte a las infraestructuras y un entorno amable, integrador, abierto, confortable. Deben crear un espacio en el que las mejores mentes deseen prosperar. Y al mismo tiempo es necesario preparar las bases para la creación de negocios nuevos y de alto valor añadido: esto requiere de políticas sistémicas de innovación, más amplias, que se articulen mediante estrategias de innovación nacionales, políticas regionales de desarrollo bottom-up, ministerios del crecimiento y agencias de innovación. También, la disponibilidad del capital riesgo se erige como elemento fundamental para impulsar la creación de nuevos negocios, que deberán presentar gran potencial de crecimiento. Estos “territorios innovadores” deben forjarse sobre cinco sólidos pilares: una base de conocimiento para la innovación; innovación en comercio y en industria; una inversión pública innovadora y la creación una población innovadora. Competitividad regional Ha surgido pues una nueva competitividad entre territorios para la atracción de los mejores talentos, sabia de las empresas del futuro. Estos territorios deben configurarse como innovadores, pero también deben conjugar alta calidad de vida y crecimiento sostenible, impulsando una renovación constante, como resultado de un enérgico capital riesgo y de la creación de capital humano emprendedor. Se vuelve crítico innovar en entornos y en personas, mediante una educación de calidad, una oferta de I+D local, unos mejores servicios públicos y mediante la garantía de unas condiciones de igualdad y libertad. ¿Cuál es el siguiente paso? Mientras las empresas ya no tienen banderas, las políticas económicas no logran escapar de éstas. Se necesitan políticas de innovación con mayor alcance, más globales. El esfuerzo directriz de las políticas y ayudas a la innovación de la Unión Europea dentro del Séptimo Programa Marco son en este sentido clave. La competitividad futura de las empresas europeas dependerá no sólo de la creación de “sociedades de conocimiento inconexas”, sino más aún de la generación de meta-territorios en los que existan intensos flujos de conocimiento, tecnología, personas y capital. Las futuras políticas de innovación deberán hacer un esfuerzo para catalizar estos flujos. “Mientras las empresas ya no tienen banderas, las políticas económicas no logran escapar de éstas”

TELECOS E INNOVACIÓN. Avances en el procesamiento de imágenes biológicas a nivel microscópico n un artículo editorial de la revista de divulgación Proceedings of the IEEE de 2006, uno de los editores, Fawwaz Ulaby, se planteaba cómo hacer ingeniería en la era de la biología. Desde muchos sectores es cierto que se reconoce actualmente a la biología como uno de los terrenos científicos que más rápido está avanzando en la comprensión de los fenómenos que estudia, gracias a los nuevos descubrimientos (en gran parte favorecidos por los avances técnicos desde otras áreas) que se están produciendo a nivel tisular (de tejidos), celular y molecular. Es evidente que una de las posibles formas de contribuir a este progreso desde la ingeniería es la de participar en las mejora de las técnicas necesarias en los diferentes aspectos que se necesitan en la investigación biológica científica. “Desde muchos sectores se reconoce actualmente a la biología como uno de los terrenos científicos que más rápido está avanzando en la comprensión de los fenómenos que estudia, gracias a los nuevos descubrimientos (en gran parte favorecidos por los avances técnicos desde otras áreas)” Telecos e innovación Avances en el procesamiento de imágenes biológicas a nivel microscópico La biología es actualmente uno de los campos científicos con mayor nivel de acumulación de conocimientos debido a los descubrimientos celulares, moleculares y genéticos que se están llevando a cabo. El análisis de estas grandes cantidades de datos es particularmente poderoso cuando se pueden interpretar de una forma gráfica mediante imágenes que representen cómo se producen los diferentes eventos a nivel celular y a nivel molecular. Esto nos lleva a imágenes de objetos en el rango microscópico. Existen diversas técnicas de adquisición de esta información, cada vez más potentes, pero cuyas imágenes deben ser procesadas para poder destacar aquella parte de la información más relevante. Es en este punto donde los ingenieros de telecomunicación juegan un papel fundamental, puesto que el procesamiento de imágenes no es más que un procesamiento de señales bidimensionales, y el procesamiento de señales es algo muy conocido en nuestra ingeniería. E Carlos Óscar Sánchez Sorzano Profesor adjunto y coordinador del área de teoría de la señal y las comunicaciones de la Universidad San Pablo CEU José Mª Carazo García Director de la unidad de biocomputación del Centro Nacional de Biotecnología del CSIC Microscopía óptica TELECOS E INNOVACIÓN. Avances en el procesamiento de imágenes biológicas a nivel microscópico Uno de estos campos es sin duda el procesamiento de imágenes, algo habitualmente estudiado en nuestras escuelas de ingeniería y que es utilizado por la biología y otras ciencias de la vida para poder describir con profundidad un determinado fenómeno. Es decir, no describirlo tan sólo desde su aspecto fenotípico y bioquímico sino también estructural, de cómo realmente se disponen en el espacio los diversos elementos que participan en un determinado proceso y cómo es cada uno de ellos por separado. Para adquirir esta información no hay más remedio que recurrir a técnicas microscópicas que nos permitan visualizar el proceso estudiado desde diferentes puntos de vista y resoluciones. Vamos a hacer un barrido de las diferentes técnicas microscópicas y mencionaremos aquellos puntos de la ingeniería más activos en la actualidad en cada una de ellas. Conceptos básicos de microscopía Casi todos los dispositivos microscópicos se basan en la iluminación de una muestra con un haz de partículas. Las partículas (o el haz) al interaccionar con la materia modifican algunas de sus propiedades físicas y es esta modificación la que se recoge en el llamado plano de formación de imagen. Haz de partículas: Las primeras partículas que se utilizaron evidentemente fueron los fotones y la propiedad que se modificaba era principalmente la cantidad de fotones (y su color) presentes en el haz (éste era el principio de acción del microscopio óptico de Anton van Leeuwenhoek en 1650). Es decir, cuando se hace incidir un haz de luz blanca sobre un objeto y se recoge la imagen a su través que resulta ser, por ejemplo, de color rojo, realmente la información que recogemos es que los fotones de otros colores son absorbidos por la muestra y la intensidad de rojo registrada es proporcional a la absorción de la muestra de los fotones de la longitud de onda (o conjunto de longitudes de onda) del color observado. Longitud de onda: Es por tanto la longitud de onda una cualidad fundamental del haz de exploración. Por este motivo, el avance en el diseño de nuevos microscopios ha estado muy ligado al uso de longitudes de onda menores, como es el caso del microscopio de rayos X (1940) y del microscopio electrónico (1938), si bien el funcionamiento del microscopio electrónico no se basa en la absorción de los electrones sino en la reflexión de electrones secundarios emitidos por la superficie o en los cambios de fase que sufren los electrones al interaccionar con la muestra. Resolución: La resolución se define como la separación mínima entre dos puntos tal que pueden ser observados como dos puntos independientes y no como uno sólo. Intuitivamente la resolución se relaciona con el tamaño de los objetos más pequeños que somos capaces de observar con una determinada técnica. Es este punto uno de los más activos desde el punto de vista de la ingeniería, puesto que continuamente se están proponiendo nuevas técnicas de procesamiento de imágenes con el objetivo de alcanzar mejores resoluciones con los mismos dispositivos de adquisición. Coherencia de haz: Uno de los aspectos en los que más se ha avanzado últimamente en microscopía es en el de conseguir haces de partículas cada vez más coherentes, es decir, todos emitidos con una fase común. Este avance ha sido posible gracias al descubrimiento del láser que ha dado lugar a nuevos tipos de microscopías que aprovechan la coherencia del haz para descubrir facetas antes desconocidas. Transmisión, reflexión o emisión: Lo más habitual es iluminar externamente la muestra con un una fuente de partículas controla- “Actualmente un microscopio óptico puede llegar a un poder de magnificación de 5.000 veces con luz azul monocromática” Microscopía de rayos X TELECOS E INNOVACIÓN. Avances en el procesamiento de imágenes biológicas a nivel microscópico da por el operador. La imagen se forma, por tanto, por el registro de las propiedades de las partículas que llegan al punto de observación, bien sea por transmisión (parte del haz atraviesa el objeto) o por reflexión (parte del haz se refleja en el objeto). Sin embargo, aparecen nuevos tipos de microscopía en los que la fuente de partículas se encuentra situada dentro del mismo objeto. Éste es el caso de la autoradiografía (la muestra contiene isótopos radiactivos que son detectados desde el exterior) o la fosforescencia (la muestra emite fotones en el rango visible y no contiene isótopos). La fluorescencia es similar a la fosforescencia ya que la muestra es iluminada con un haz de una determinada longitud de onda (normalmente en el rango del ultravioleta), la muestra absorbe estos fotones, se excita y posteriormente se relaja en un tiempo muy corto (ésta es su principal diferencia con respecto a la fosforescencia) emitiendo fotones de una longitud de onda mayor en el rango del visible. Tipos de microscopía El primer microscopio óptico se diseñó en Holanda en 1650. Durante casi tres siglos los avances en microscopía se han limitado a las mejoras constructivas de las lentes, los microscopios, mejoras en la calidad de imagen, etc. Actualmente un microscopio óptico puede llegar a un poder de magnificación de 5.000 veces con luz azul monocromática. Sin embargo, los avances de la física cuántica y física atómica a principios del siglo XX posibilitaron un avance espectacular en la microscopía. En primer lugar se diseñó el microscopio electrónico en 1932 (los autores del mismo recibieron el premio Nobel de física en 1986). Luego sobrevino el microscopio de emisión de campo (1936), el microscopio de rayos X (1940), el microscopio de iones de campo (1951), el microscopio confocal de barrido (1957), y el microscopio electrónico de barrido y de efecto túnel (1981) también premio Nóbel de física en 1986. Los diferentes tipos de microscopía difieren en: – La fuente energética utilizada, que pueden ir desde una simple lámpara (microscopía óptica), un láser (microscopía confocal), un sincrotrón (microscopía de rayos X), o una fuente de electrones (microscopía electrónica). – La colocación de la fuente energética: externa a la muestra o interna. – La disposición geométrica entre la fuente, la muestra y el punto de información. – El principio de interacción con la materia (absorción, reflexión, cambio de fase, etc.). Las diferentes combinaciones de elementos en cada uno de estos puntos dan lugar a una infinidad de distintas microscopías, cada una con sus puntos fuertes y sus puntos débiles, por lo que cada una de ellas termina encontrando su nicho de aplicación. Problemas de procesamiento de imágenes asociados Los problemas de tratamiento de imágenes relacionados con el procesamiento de imágenes microscópicas son muy numerosos. En este artículo nos limitaremos a mencionar algunos de ellos: Eliminación de aberraciones: Los microscopios pueden ser modelados con una función de transferencia que da cuenta de cómo una imagen ideal es visualizada en la práctica (esto es, relaciona la imagen ideal con la real). Idealmente esta función de transferencia sería la función identidad (de forma que ambas imágenes sean iguales). Sin embargo, es de prever que éste no es el caso en ningún microscopio (entonces se dice que el microscopio introduce “Los avances de la física cuántica y física atómica a principios del siglo XX posibilitaron un avance espectacular en la microscopía” Microscopía confocal TELECOS E INNOVACIÓN. Avances en el procesamiento de imágenes biológicas a nivel microscópico aberraciones). Posteriormente, hay que corregir las imágenes adquiridas, intentando que se parezcan lo más posible a las imágenes ideales, dando lugar a un proceso que se conoce como restauración de imágenes y que en el caso de modelos lineales recibe el nombre de deconvolución. Eliminación de ruido: Los microscopios y los sistemas de digitalización de imágenes introducen ruido en el sistema en diferentes puntos del proceso de adquisición de imágenes. Es importante caracterizar estas fuentes de ruido y diseñar las técnicas de procesamiento de señal adecuadas para disminuir su influencia sobre la imagen final. Segmentación: La segmentación es el proceso mediante el cual se selecciona de forma automática la parte “interesante” de nuestra imagen, es decir, se delimitan los contornos de nuestros objetos de interés. Hay mucha investigación en desarrollar métodos automáticos de segmentación de imágenes. Todos ellos deben contar con información a priori de lo que el usuario entiende por “interesante”. Esta información previa puede venir en forma de una descripción estadística, semántica, formal o de cualquier otro tipo de las características buscadas, o bien por una colección de ejemplos. En este punto el procesamiento de imágenes se une en gran medida con las técnicas de análisis de datos y reconocimiento de patrones provenientes de la estadística y con las técnicas de inteligencia artificial provenientes de las ciencias de la computación. Reconstrucción: En muchas ocasiones la información visual de un objeto no viene dada por una única imagen, sino que se encuentra dispersa en varias imágenes. La información sobre nuestro objeto se encuentra repartida entre varias señales y debemos desarrollar el procedimiento de tratamiento de señal adecuado capaz de extraer la información de las diferentes partes e integrarlas en un todo. Dependiendo de cómo se encuentre la información dispersa, este problema recibe el nombre de fusión de imágenes, tomografía, interpolación, técnicas de mosaico, registro de imágenes, mejora de la resolución, etc. Integración y representación: la información recogida sobre un objeto biológico puede ser muy diversa y proveniente de diferentes tipos de microscopía e incluso otras técnicas experimentales no visuales. Es importante poder integrar toda esta información en un único modelo de representación que permita al usuario “navegar” de forma intuitiva y cómoda por la enorme cantidad de información espacial y contextual del objeto estudiado, permitiéndole en cada caso visualizar únicamente aquella información que le resulte relevante en ese momento. Interpretación: Por último, los datos visuales pueden ser sometidos a un posterior procesamiento que intente extraer información “oculta”, o por lo menos no obviamente visible. En este punto, las tareas de investigación están muy relacionadas con las técnicas de minería de datos y con las técnicas de reconocimiento de patrones. Del mismo modo encuentran aplicación en esta tarea técnicas de inteligencia artificial. Conclusiones Es muy difícil concebir el avance científico sin tener en cuenta la capacidad de las imágenes de representar grandes cantidades de datos de una forma que permite la exploración interactiva. Las técnicas microscópicas proveen dicha información visual, aunque en muchas ocasiones, dicha información se encuentra enmascarada por aberraciones, ruido, dispersa en varias piezas de información, etc. La investigación desarrollada por los ingenieros de telecomunicación en este campo (debido sobre todo a su formación en el procesamiento de señales) es fundamental para lograr alcanzar una mayor comprensión de los procesos biológicos que se llevan a cabo. De hecho, hay grandes grupos y centros interdisciplinarios (como el National Center for Microscopy and Imaging Research en La Jolla, California) cuyo objetivo es el de concentrar en un mismo recinto a científicos de las ciencias de la vida y a matemáticos, físicos e ingenieros de todas las disciplinas para avanzar en nuestra comprensión de los fenómenos biológicos a través de su visualización. Microscopía electrónica

bit 169 JUN.-JUL. 2008 63 TELECOS E INNOVACIÓN. Avances en el procesamiento de imágenes biológicas a nivel microscópico os microscopios, como cualquier otro dispositivo de adquisición de señales del mundo real, introducen una cierta distorsión a la señal adquirida. Esta distorsión puede tener diferentes naturalezas: oclusiones (parte del objeto no sería visible), transformaciones lineales (convolución de la señal ideal adquirida con una determinada respuesta al impulso), transformaciones no lineales (por ejemplo devolver el logaritmo de la señal de entrada, esto es muy habitual en dispositivos ópticos que devuelven la densidad óptica en lugar de la intensidad transmitida), distorsiones geométricas (por ejemplo el efecto de barrel/pincushion producidos en sistemas con varias lentes), diferencias de iluminación entre diferentes zonas, aberraciones cromáticas (diferentes longitudes de onda de la radiación incidente son tratadas de forma diferente), diferencias de foco, diferencias en el ángulo del haz de luz (astigmatismo), etc. En las figuras que ilustran este artículo se muestran algunas distorsiones debidas al astigmatismo, a la aberración cromática, y a la aberración esférica. Como se puede observar, las aberraciones debido al astigmatismo, aberración cromática y aberración esférica resultan en un emborronamiento de la imagen, aunque este emborronamiento se puede hacer de forma localizada (aberración esférica), de forma generalizada en una dirección preferente (astigmatismo) o por longitudes de onda (diferentes longitudes de onda se emborronan de forma diferente, aberración cromática). Los principios ópticos detrás de estos emborronamientos están fuera del alcance de este artículo. Bástenos saber que en una aproximación de primer orden podemos suponer que la imagen ideal se convoluciona con una respuesta al Telecos e innovación Avances en el procesamiento de imágenes biológicas a nivel microscópico: restauración de imágenes En el artículo anterior presentamos los principales conceptos de microscopía y los problemas de procesamiento de imagen asociados. En esta entrega nos centraremos sobre el primero de los problemas que presentábamos: ¿cómo corregir las imperfecciones o aberraciones del microscopio? Es lo que se conoce como restauración de imágenes, y en el caso lineal, deconvolución. Como veremos, la restauración de imágenes permite mejorar por métodos de procesado de señal las limitaciones físicas de los microscopios. L Carlos Óscar Sánchez Sorzano Profesor adjunto y coordinador del área de teoría de la señal y las comunicaciones de la Universidad San Pablo CEU José Mª Carazo García Director de la unidad de biocomputación del Centro Nacional de Biotecnología del CSIC 64 bit 169 JUN.-JUL. 2008 TELECOS E INNOVACIÓN. Avances en el procesamiento de imágenes biológicas a nivel microscópico impulso del microscopio (llamada Point Spread Function, PSF) que puede ser la misma a lo largo de toda la imagen (astigmatismo y aberración cromática) o puede ir variando en diferentes zonas de la imagen (aberración esférica) aunque ya no se puede hablar de convolución pero sí de respuesta lineal. Si tomamos un modelo óptico más complejo, el sistema ya no es lineal sino que tiene una dependencia más compleja. Los algoritmos de restauración de imágenes intentan recuperar la imagen original a partir de: 1. Una única imagen microscópica y el conocimiento de la PSF por medio de una calibración anterior. Esta técnica es lo que se conoce como deconvolución. 2. Una única imagen microscópica y la estimación sobre la misma de la PSF utilizando información a priori bien sobre la PSF (esta técnica realiza un primer paso de identificación del sistema y paso posterior de deconvolución) o de la imagen ideal (ésta es una técnica muy en boga actualmente denominada restauración ciega). 3. Varias imágenes del mismo objeto adquiridas con diferentes PSFs desconocidas todas ellas. Es lo que se conoce como fusión de imágenes y es actualmente un campo muy activo. Sin embargo, durante la adquisición de las imágenes no sólo emborronan las imágenes, sino que además se les añade ruido. La restauración de las imágenes en presencia de ruido impone serias restricciones al algoritmo de restauración puesto que en caso de no hacerse con cuidado puede amplificar el nivel de ruido existente. La forma de no amplificar el ruido suele ser por medio de una regularización del funcional a minimizar. Esta regularización busca minimizar. por ejemplo. la varianza de la imagen restaurada, o alguna función no necesariamente lineal relacionada con sus derivadas. La restauración de imágenes ha sido aplicada a prácticamente todos los tipos de microscopías. Sin embargo, en los últimos años ha tenido mucha importancia la restauración de imágenes en microscopía confocal y microscopía de flurorescencia, ya que estos dos tipos de microscopías han sido de los últimos en incorporarse al abanico de posibilidades. La restauración de imágenes puede basarse en diferentes principios algorítmicos: – Deconvolución por filtrado inverso. – Solución de mínimos cuadrados a la deconvolución. – Restauración de máxima entropía. – Métodos bayesianos. – Métodos basados en variación total. – Restauración ciega por proyección en conjuntos convexos y conjuntos difusos. – Deconvolución ciega. – Fusión de imágenes. Cada uno de estos métodos puede ser aplicado en una gran multitud de espacios: el espacio de los píxeles, el espacio de los coeficientes de la transformada de Fourier, el espacio de los coeficientes de la transformada wavelet, y un sin fin más de transformadas dando lugar a una amplia variedad de métodos. Además la forma concreta del funcional minimizado y el término de regularización empleado aumentan aún más las posibilidades algorítmicas. Actualmente la tendencia es a seguir explorando nuevos espacios donde realizar la restauración de imágenes, a prestar especial atención a los bordes (por lo tanto a usar métodos bayesianos y de variación total), a extender los métodos para poder corregir degradaciones no lineales, y a admitir nuestro desconocimiento sobre la función exacta de degradación (métodos ciegos o semiciegos). El resultado de todas estas técnicas es la superación por métodos de procesado de señal de algunas de las limitaciones físicas de los diferentes tipos de microscopios.

I+aD 2c008ión Las Jornadas Telecom I+D, después de diecisiete ediciones, son ya un punto de encuentro anual entre Administraciones, empresas, universidades, colegios y asociaciones profesionales vinculados con el sector de las Telecomunicaciones. Este año la responsabilidad de organizar las XVIII Jornadas Telecom I+D recae en la Escuela Técnica Superior de Ingeniería de Bilbao de la Universidad del País Vasco / Euskal Herriko Unibertsitatea. La Escuela, una institución que este año cumple 111 años de existencia, imparte hoy en día, entre otras, las titulaciones de Ingeniería de Telecomunicación y dos Ingenierías Técnicas de Telecomunicación. Esta edición tiene varios cambios en el formato, vinculados a la celebración de la misma en el auditorio del Museo Guggenheim de Bilbao y a un deseo de mejorar la presencia en las aulas remotas de las sesiones de pósters y de demostradores. El lema escogido este año para las Jornadas es: “Tú eres la vanguardia”. Con este lema, vinculado como es inevitable al escenario en el que se van desarrollar las mismas, se hace referencia a dos aspectos complementarios: – Destacar las personas como destinatarios, pero también artífices de los nuevos servicios, contenidos y tecnologías. – Recordar y animar a los investigadores y desarrolladores de empresas, universidades y centros de investigación, que con su actividad promueven este cambio de paradigma. El programa de las Jornadas es denso. Tienen oportunidad de juzgarlo por ustedes mismos en este número de la revista. En esta reseña queremos sintetizar de manera muy rápida los contenidos, alineados con el lema, en torno a los que se van a girar las mesas redondas y los diversos tutoriales: “Ambient Intelligence: entornos ¿Inteligentes? de usuario. Realidad y perspectiva futura”, “Future Internet: lo que viene después de la actual Internet”, “Convergencia: ¿Estrategia del operador o necesidad del usuario?”, “Banda ancha en movilidad” y “NFC móvil”. Tendremos oportunidad de conocer diversos puntos de vista sobre estos temas y tecnologías de la mano de expertos. Telecom I+D 2008 La persona como motor de la innovación tecnológica en Telecomunicaciones L Eduardo Jacob ETSI de Bilbao, UPV/EHU

Hace apenas 10 años surgió el término “Ambient Intelligence” para referirse a una visión en la que la tecnología proporcionaba acceso a información y servicios a las personas en sus actividades cotidianas, desde cualquier lugar y contexto. Se basaba en el concepto de “computación ubicua”, acuñado años antes por Marc Weiser. La tecnología, invisible e integrada en el entorno, proporciona los servicios interaccionando con la persona de una manera sencilla y útil. Quizá por obvio y asumido, el término ha ido desapareciendo prácticamente de la literatura científica y tecnológica. Sin embargo, sus principios se siguen plasmando y no es difícil encontrar ejemplos de cómo las tecnologías de interacción natural, los mecanismos de comunicación ubicuos y los sistemas de información cooperantes están haciendo a muchos entornos cotidianos avanzar en esta dirección día a día: vehículos más inteligentes, hogares transparentes. El entorno se convierte en un espacio inteligente capaz de entender las necesidades de las personas y adaptarse a las mismas. Esto plantea como requisito indispensable disponer de interfaces flexibles y transparentes que reconozcan el contexto y faciliten la acción. Se trata de los “entornos inteligentes”, ya propuestos en el VI Programa Marco de la Unión Europea, dentro de la Prioridad Temática “Tecnologías para la Sociedad de la Información” (IST). El ISTAG (Information Society Technologies Advisory Group), proponente de dicho concepto, lo definió en los siguientes términos: “el entorno da importancia a una mayor amigabilidad de los sistemas para los usuarios y a unos soportes de servicios más eficientes, da más poder al usuario y mejora el soporte para la interacción humana. En esta visión, las personas estarán rodeadas de interfaces intuitivos e inteligentes que estarán incorporados (empotrados) en los objetos que nos rodean a diario, formando parte de un entorno (ambiente) que reconocerá y responderá de forma invisible ante la presencia de los individuos, todo ello en el año 2010“. Atributos de estos sistemas serían la consciencia del medio, estar orientado a objetivos, ser adaptable al usuario, interactivo, multimodal y pervasivo. La expectativa de esta propuesta era grande, como intensos han sido muchos de los esfuerzos realizados para ponerla en marcha. El usuario, de nuevo, toma el papel De los entornos inteligentes a la internet del futuro Guillermo Gil Director Unidad TECNALIA Telecom Carlos A. López Barrio ETSI Telecomunicación, UPM Estructura centrada en el usuario de un entorno inteligente participativo1. H central de la actividad de innovación para conseguir su participación activa en la Sociedad de la Información. Recientemente ha surgido un nuevo término sobre el que merece la pena reflexionar: Future Internet. Internet es obviamente una parte fundamental de nuestra sociedad y en gran medida ha hecho posible esta visión de Ambient Intelligence comentada anteriormente. Desde sus orígenes, ha evolucionado exponencialmente hasta convertirse en lo que es hoy en día. Sin embargo, y por primera vez en este periodo de desarrollo de Internet, se reivindica la necesidad de repensar su arquitectura y de analizarla “desde cero” con mecanismos revolucionarios. Se considera que no será posible lograr una infraestructura que sea capaz de proporcionar los servicios de dentro de unos años, con una estrategia meramente evolutiva de mejora incremental de la Internet actual. Es por tanto el momento de pensar en una nueva Internet para una futura sociedad interconectada, lo que representa una enorme oportunidad. Es preciso que la empresa y los agentes de I+D tengan para esta próxima generación de Internet una participación mucho más activa de lo que tuvieron en el pasado. No es casualidad que quienes tuvieron precisamente esa participación activa en el pasado, sean hoy las sociedades más avanzadas: se da la correlación entre participación activa en la construcción de la Sociedad de la información y progreso social. Nota 1 Figura extraída de ”Ambient Intelligence: from Vision to Reality”, IST Advisory Group (ISTAG), cap. 4 de Ambient Intelligence, G. Riva, F. Vatalaro, F. Davide, M. Alcañiz (Eds.). IOS Press, 2005. as comunicaciones se han personalizado y queda lejos la época en que se reducían a tener teléfono fijo compartido por todos los miembros de la familia, si acaso una conexión de datos en el trabajo y, más recientemente, un teléfono móvil en que estar localizable para casos de urgencia. La revolución digital ha aterrizado en nuestras vidas y todos, en mayor o menor medida, hemos incorporado a nuestro vocabulario términos como VoIP, redes sociales, banda ancha, IPTV, mensajería instantánea, ADSL, mundos virtuales, SMS, Internet móvil, etc. No sólo hablamos de ello, sino que, consciente o Movilidad y Banda Ancha / Convergencia L

Las comunicaciones se han personalizado y queda lejos la época en que se reducían a tener teléfono fijo compartido por todos los miembros de la familia, si acaso una conexión de datos en el trabajo y, más recientemente, un teléfono móvil en que estar localizable para casos de urgencia. La revolución digital ha aterrizado en nuestras vidas y todos, en mayor o menor medida, hemos incorporado a nuestro vocabulario términos como VoIP, redes sociales, banda ancha, IPTV, mensajería instantánea, ADSL, mundos virtuales, SMS, Internet móvil, etc. No sólo hablamos de ello, sino que, consciente o Movilidad y Banda Ancha / Convergencia

TELECOS E INNOVACIÓN. Avances en el procesamiento de imágenes biológicas a nivel microscópico l ruido ha sido un “enemigo” tradicional de las comunicaciones puesto que degrada la calidad de las transmisiones y es uno de los factores limitantes de la máxima distancia a la que se puede transmitir una señal. Por este motivo, los ingenieros de telecomunicación se han esforzado desde los comienzos de las comunicaciones radioeléctricas por combatir este indeseado compañero, en primer lugar de forma analógica, y con la revolución digital, mediante complejos algoritmos de filtrado. Como nota histórica, es importante destacar que el origen del “ruido” no pudo explicarse hasta que en 1905 Einstein predijera la existencia de átomos a través del ruido y Perrin confirmara sus predicciones, e incluso es curioso saber que se utilizara el ruido para calcular el número de Avogadro. El artículo de Cohen en 2005 es una magnífica revisión de la historia del ruido a través de la física atómica. Fuentes de ruido Aunque el ruido, en su concepción más purista, proviene del movimiento aleatorio de los átomos, en términos prácticos podemos designar como ruido toda aquella señal que interfiere con la señal de interés. En microscopía existen varias fuentes de ruido. En primer lugar, considerando que las imágenes se forman por la recolección de partículas, una fuente obvia de ruido es la naturaleza aleatoria de la llegada de partículas (fotones en el caso de microscopía óptica o de rayos X; electrones en el caso de microscopía electrónica; y partículas radiactivas en el caso de autorradiografías) al receptor (es decir, si ponemos una muestra en el microscopio y la observamos dos veces es muy probable que en un mismo punto y para una misma duración de la observación recolectemos un número diferente de partículas, esto es lo que se conoce como shot noise). Se suele asu- Telecos e innovación Avances en el procesamiento de imágenes biológicas a nivel microscópico: eliminación de ruido Continuamos en este artículo revisando los diferentes aspectos de procesamiento de imagen en microscopía considerando, esta vez aquellos algoritmos diseñados para la reducción del ruido. El ruido es un concepto bien ubicuo en la ingeniería de telecomunicación, y es de hecho nuestra profesión la que lidera el diseño de este tipo de procesos orientados a combatir estas interferencias aleatorias. E Carlos Óscar Sánchez Sorzano Profesor adjunto y coordinador del área de teoría de la señal y las comunicaciones de la Universidad San Pablo CEU José Mª Carazo García Director de la unidad de biocomputación del Centro Nacional de Biotecnología del CSIC “Es importante destacar que el origen del “ruido” no pudo explicarse hasta que en 1905 Einstein predijera la existencia de átomos a través del ruido y Perrin confirmara sus predicciones, e incluso es curioso saber que se utilizara el ruido para calcular el número de Avogadro” TELECOS E INNOVACIÓN. Avances en el procesamiento de imágenes biológicas a nivel microscópico mir que dicha llegada de partículas sigue una distribución de Poisson. Sin embargo, dado que normalmente el número de partículas que llega es muy elevado, se puede aproximar bien esta distribución por una gaussiana. Hay aplicaciones en las que esto no es así como son las autorradiografías (se inyecta una sustancia radiactiva a un tejido, con tendencia a acumularse en determinadas estructuras y se observan las partículas beta o gamma emitidas), en este caso, el número de partículas no es lo suficientemente elevado como para considerar el ruido como una gaussiana. La segunda fuente de ruido obvia la constituye el receptor utilizado para detectar los fotones o electrones. En el caso de utilizar una cámara CCD tendremos, como en todos los dispositivos electrónicos, ruido térmico y el ruido introducido por los amplificadores detrás del detector CCD. Si en su lugar lo que se utiliza es una película, entonces tendremos el ruido asociado a la microestructura de cristales presente en la película (film grain noise, cuando uno de estos pequeños cristales cambia sus propiedades físicas por efecto de la luz; cambia todo el cristal al mismo tiempo, con lo cual tendremos “cambios en bloque” de forma local), el ruido debido a los cambios de textura del papel o medio en el que se revele la película, el ruido del scanner si posteriormente se digitaliza la imagen, etc. (ver Figuras 1 y 2). Al igual que en comunicaciones, también se considera ruido en imágenes a cualquier señal interferente con respecto a la señal de interés. Éste es el caso de la microscopía electrónica de partículas individuales. Las macromoléculas observadas en el microscopio se encuentran inmersas en hielo amorfo durante su visualización en el microscopio. El resultado es que en una misma micrografía se ve la estructura de la proteína en la que estamos interesados así como la estructura del hielo que lo rodea (ver Figura 3). De este modo, el hielo actúa de ruido frente a la señal de interés (la proteína). Las imágenes de microscopía electrónica pueden tener una relación de señal a ruido por debajo de 1/3 (es decir, tener 3 veces más ruido que señal) además de presentar muy bajo contraste de la proteína con respecto al hielo, por lo que este tipo de imágenes requieren de robustos algoritmos de procesamiento de imagen. Las propiedades estadísticas del ruido son muy importantes, no sólo cuál es su distribución en un determinado punto sino también si tenemos la misma distribución en todas las zonas de la micrografía (pudiera ser que determinadas zonas tengan más ruido que otras, es decir si el ruido es estacionario o no) o si el ruido en un punto está correlacionado con el ruido en otro punto cercano (es decir, si es ruido blanco o está coloreado). La caracterización estadística del ruido es fundamental para su posterior eliminación. También es fundamental saber si el ruido es independiente de la señal observada (ruido aditivo) o si es dependiente de la misma (ruido multiplicativo). En la mayoría de los casos de microscopía se suele tomar ruido aditivo, salvo en autorradiografía donde el nivel de ruido es obvio que depende de la cantidad de materia radiactiva acumulada. A partir de este momento nos centraremos en el ruido aditivo. Eliminación del ruido Las dos técnicas más clásicas y más conocidas por los ingenieros Fig.2. La presencia de cristales es lo que da el aspecto ruidoso a la fotografía analógica. Fig.1. Micrografía electrónica de los cristales de haluro de plata utilizados en una emulsión fotográfica. “Al igual que en comunicaciones, también se considera ruido en imágenes a cualquier señal interferente con respecto a la señal de interés. Éste es el caso de la microscopía electrónica de partículas individuales” de telecomunicación para la eliminación de ruido son el promediado y el filtrado en el espacio de Fourier. El promediado consiste en observar el mismo objeto varias veces, en cada una de las observaciones tendremos una componente constante (nuestra señal) y una componente aleatoria (el ruido). Si calculamos la media de las observaciones, y asumiendo que el ruido tiene media nula, cuanto más promediemos, más nos acercaremos a la señal y menos ruido tendremos puesto que los valores de ruido se irán cancelando unos con otros hasta alcanzar su media (este resultado intuitivo no es para nada obvio matemáticamente y es debido a la ley de los grandes números demostrada por Jacob Bernouilli en 1713 y Siméon Poisson en 1835; la demostración de este teorema le llevó unos 20 años a Bernouilli). El filtrado en el espacio de Fourier sigue una aproximación diferente: si descomponemos nuestra señal como suma de senos y cosenos, es posible que sepamos que la señal de interés utiliza preferentemente unas frecuencias frente a otras. El ruido blanco, por el contrario, las utiliza todas. Los filtros en el espacio de Fourier eliminan todos aquellos sumandos de la expansión en serie de la señal que utilizan frecuencias que sabemos que no provienen de nuestra señal y que, por tanto, deben provenir del ruido. Como bien saben los ingenieros, hay todo un arte en cómo diseñar los filtros para que sean computacionalmente eficientes y no modifiquen sustancialmente las fases de los coeficientes que pasan por el filtro (recordemos que en imágenes la mayor parte de la información se encuentra en las fases). Es importante destacar un concepto importante de la eliminación del ruido por filtrado en el espacio de Fourier: la respuesta que buscamos es una señal que se parece mucho a la señal que hemos observado (matemáticamente se parece en el sentido de minimizar la norma de la diferencia) y que es compatible con información a priori (en particular, que sólo utiliza unas frecuencias del espacio de Fourier). Esto es lo que se conoce como eliminación de ruido por medio de priors. Sin embargo, no son estas dos técnicas las que mejores resultados están dando ahora mismo para la eliminación de ruido. Las técnicas modernas de eliminación de ruido hacen uso de herramientas matemáticas mucho más potentes. Priors estadísticos sobre la distribución del ruido: La asunción más sencilla sobre el ruido es suponer que se trata de ruido blanco gaussiano (ésta es la base por ejemplo, de la eliminación de ruido mediante promediado). Sin embargo, podemos saber más sobre el ruido y podemos informar a nuestro algoritmo sobre la no gaussianidad del mismo (teniendo entonces algoritmos de máxima verosimilitud, maximum likelihood), que es gaussiano pero está correlado y sabemos su estructura de correlación (filtro de Wiener, 1949), que sabemos que es gaussiano y está correlado pero no sabemos su estructura de correlación (filtro de Kalman, 1960), o en el caso más general, que sabemos la familia de distribuciones a la que pertenece (el caso más habitual hoy día es suponer una mixtura de gaussianas) pero que no sabemos cuáles son los parámetros de esta mixtura ni su estructura de correlación (filtros de partículas, 2000). Hay otros trabajos que maximizan la verosimilitud de la imagen de salida utilizando la distribución estadística de los coeficientes en un espacio transformado (el más habitual es el espacio de ondículas (wavelets) y la distribución conjunta de los coeficientes a diferentes escalas). Priors de suavidad: Una observación importante es que nuestra señal varía lentamente a lo largo del espacio (como es el caso habitual de muchas imágenes en las que el valor de un píxel se parece mucho al valor de los píxeles adyacentes). A lo largo del tiempo TELECOS E INNOVACIÓN. Avances en el procesamiento de imágenes biológicas a nivel microscópico Fig.3. Ejemplo de micrografía electrónica en la que se han marcado dos proteínas. Obsérvese el bajo contraste y el alto nivel de ruido. “Las técnicas modernas de eliminación de ruido hacen uso de herramientas matemáticas mucho más potentes” se han propuesto una serie de técnicas que tratan de formalizar matemáticamente este concepto de suavidad. Por ejemplo, una forma de expresarlo es pedir que la energía de nuestra señal filtrada sea mínima (este prior lo que dice es que si hay dos señales filtradas que son igualmente compatibles, en el sentido , con nuestra observación, la que tiene menos energía es la más plausible, puesto que la que tiene más energía es posiblemente porque todavía contiene algo de ruido). En este sentido se han diseñado también filtros de gaussiana que convolucionan la imagen con una gaussiana (o, en general, con cualquier otro kernel cuya transformada de Fourier sea la de un filtro paso bajo) de forma que un píxel a la salida sea una media ponderada de los píxeles cercanos; los filtros bilaterales adaptan el tamaño local de la gaussiana en cada dirección intentando no sobrepasar los bordes de los objetos en la imagen. Los filtros basados en estadísticos de orden (la mediana es el más conocido) son también muy utilizados y en ellos subyace la idea de que la imagen es suave en un entorno local (el filtro de mediana sustituye el píxel central de una pequeña ventana por la mediana de los valores en la propia ventana). El prior de suavidad se puede expresar también de forma matricial, normalmente imponiendo que la norma del laplaciano discreto de nuestra señal filtrada sea pequeño (cómo se elige esta norma es también un campo muy activo de investigación y una de las técnicas más modernas utiliza los estimadores M de estadística robusta, 1990), o de forma continua, pidiendo que la norma del gradiente de nuestra señal filtrada sea pequeña, es lo que se conoce como variación total y difusión anisotrópica. Como vemos, la versión continua de este prior es mucho más moderna que la versión discreta y se ha derivado de trabajos recientes sobre la aplicación de técnicas de geometría diferencial al procesado de imágenes. Priors de dispersión: Otros priors relativamente modernos son el hecho de que si expresamos nuestra señal en el espacio adecuado, ésta utilizará menos coeficientes que el ruido (ésta es la base del filtrado de Fourier). Uno de los primeros espacios explorados en este sentido fue el de las wavelets con diferentes algoritmos de umbralización. Aún más moderno es el hecho de utilizar espacios (y bases) no ya genéricos, como podría ser la base de senos y cosenos, sino espacios “adaptados” (en un cierto sentido) al conjunto de imágenes características de la aplicación. En este caso se necesitarán aún menos coeficientes para expresar la imagen, aumentando la capacidad de filtrar el ruido. Esto es lo que se conoce como técnicas dispersas (sparse). Priors de repetición: Una observación importante en imágenes es que hay zonas de la imagen que se encuentran repetidas en otras regiones lejanas de la imagen (por ejemplo, en la Figura 2, tenemos cielo a la derecha y a la izquierda de la cúpula, la señal subyacente en estas dos regiones de la imagen es similar aunque geométricamente se encuentran muy distantes una de otra). Estos algoritmos tratan de identificar qué regiones están “repetidas” o son suficientemente similares, y a partir de ellas producen una “región” promedio. Son las técnicas de promediado no local. Resumen En general, en microscopía se utilizan las técnicas generales de eliminación de ruido que se emplean en procesamiento de imágenes teniendo cuidado en cada caso de introducir los priors correctamente y de utilizar la técnica que explote más eficientemente la información disponible en cada momento. Aquellos lectores interesados en las técnicas de eliminación de ruido pueden ampliar esta información en la revisión de Buades en al año 2005. Bibliografía Buades, A.; Coll, B. & Morel, J. M. A review of image denoising algorithms, with a new one. SIAM Multiscale Modelling and Simulation, 2005, 4, 490-530 Cohen, L. The history of noise. IEEE Signal Processing Magazine, 2005, 22, 20-45 TELECOS E INNOVACIÓN. Avances en el procesamiento de imágenes biológicas a nivel microscópico “En microscopía se utilizan las técnicas generales de eliminación de ruido que se emplean en procesamiento de imágenes teniendo cuidado en cada caso de introducir los priors correctamente y de utilizar la técnica que explote más eficientemente la información disponible en cada momento”

Avances en el procesamiento de imágenes biológicas a nivel microscópico a segmentación de imágenes es el proceso mediante el cuál asignamos una etiqueta a cada uno de los píxeles de una imagen, de manera que píxeles con características comunes son agrupados como pertenecientes a una misma entidad (ver Fig. 1). Nuestro objetivo es que estas entidades se correspondan con los diferentes objetos de una imagen. Sin embargo, como decían los antiguos griegos: “La belleza está en el ojo del observador”. En este caso, los objetos de interés también están en el ojo del observador o, dicho de otra forma, puede haber múltiples formas de entender cuales son los diferentes objetos de una imagen, lo que se traduce tanto en diversas metodologías de segmentación, como en el proceso de asignación de etiquetas a cada una de las clases. Tomemos como ejemplo la Figura 1, en la sección de la derecha se muestra una segmentación que ha clasificado los píxeles como pertenecientes a diferentes células, mientras que en la sección central los píxeles se han clasificado como pertenecientes al núcleo o al citoplasma. Vemos, así, que la segmentación es un proceso complejo, que depende en gran medida de lo que se esté buscando en una imagen. Es mas, a veces un proceso de segmentación de bajo nivel, como el que se muestra en la sección central de la Figura 1, sirve de entrada a una segmentación posterior de más alto nivel, como la realizada en la sección derecha de la figura. La segmentación no tiene por qué limitarse a la imagen bidimensional, sino que el mismo concepto puede ser extendido a volúmenes tridimensionales, análisis de secuencias de vídeo bidimensional, o vídeo tridimensional (ver Fig. 2). Las propiedades deseables de una región serían la homogeneidad del color o intensidad dentro de la misma, la homogeneidad de su textura y la existencia de bordes claros con las regiones adyacentes. Cómo medir la homogeneidad de la intensidad o la textura son puntos abiertos actualmente y continúan publicándose nuevos algoritmos que tratan de resolver este problema. La homogeneidad del color es aún un problema mayor, puesto que los sistemas estándares de representación de color (RGB, HSI, Telecos e innovación Avances en el procesamiento de imágenes biológicas a nivel microscópico: segmentación La segmentación de imágenes se refiere al proceso mediante el cual se agrupan determinados píxeles de una imagen como pertenecientes a un mismo objeto. Este procedimiento puede ser considerado como el paso de más bajo nivel hacia una comprensión de la semántica de una imagen: ¿qué es qué dentro de una imagen? En biología, la segmentación cada vez cobra más importancia, puesto que la creciente cantidad de imágenes producidas requieren de etiquetas que permitan el procesado automático de la información. Carlos Óscar Sánchez Sorzano Profesor adjunto y coordinador del área de teoría de la señal y las comunicaciones de la Universidad San Pablo CEU José Mª Carazo García Director de la unidad de biocomputación del Centro Nacional de Biotecnología del CSIC “La segmentación no tiene por qué limitarse a la imagen bidimensional, sino que el mismo concepto puede ser extendido a volúmenes tridimensionales, análisis de secuencias de vídeo bidimensional, o vídeo tridimensional” Avances en el procesamiento de imágenes biológicas a nivel microscópico HSV y CMYK) no son uniformes desde el punto de vista de la percepción humana: es decir, la distancia entre dos colores definidos como vectores en estos espacios no se corresponde con la distancia percibida por las personas. Es por ello que se han definido nuevos espacios de representación del color (CIE L*u*v* y CIE L*a*b*) más ajustados a la percepción humana de distancia entre colores. También son reseñables aquellos trabajos que intentan incorporar a la información de color estimaciones de la reflectividad del material (es decir, si se trata de un material metálico o un dieléctrico y cuál es su radiancia). Sin embargo, y debido a la evolución histórica de los algoritmos de segmentación, encontramos métodos operando en cualquiera de los espacios de color así como utilizando únicamente información de intensidad. De hecho, la segmentación en color no es todavía un estándar debido al aumento de la computación por el hecho de utilizar vectores tridimensionales en lugar de escalares, así como por el aumento de la complejidad técnica del algoritmo. Las técnicas de segmentación utilizadas en biología no difieren en absoluto de las técnicas estándar utilizadas en procesamiento de imágenes, si bien, y debido a la dependencia de la segmentación con los resultados deseados por el usuario, los programas suelen ofrecer soluciones semiautomáticas en las que el usuario indica algunos puntos pertenecientes a una misma región y el programa “completa” la región con el resto de puntos similares. Esta técnica se verá más abajo y es lo que se conoce como crecimiento de regiones. Las técnicas de segmentación se pueden dividir en técnicas basadas en el color o técnicas basadas en la imagen. Las primeras asignan la misma etiqueta a colores o intensidades similares, independientemente de si los píxeles etiquetados forman un conjunto espacialmente compacto. Las técnicas basadas en imagen asignan la misma etiqueta sólo a píxeles que forman una región compacta. Revisemos brevemente cada una de estas dos familias de técnicas. El lector interesado puede leer las revisiones del campo realizadas por Freixenet [1] y Lucchese [2]. Técnicas basadas en el color Estas técnicas utilizan la información de color o intensidad de un píxel y, en los algoritmos más avanzados en los que se incorpora información de textura, el color de sus vecinos a la hora de definir las diferentes regiones. Históricamente, las técnicas de umbralización se desarrollaron en la década de los 80, las de clustering a principios de los 90, y las de color local a finales de los 90. – Umbralización: quizás la técnica más simple de separar objetos en una imagen es asignando etiquetas diferentes a diferentes zonas del histograma de intensidades. Esta técnica se puede extender a varias clases simplemente dividiendo el histograma en más clases y a imágenes de color, aunque en este caso no es tan fácil la asignación de clases en los histogramas de las tres componentes de color. Muchas veces la umbralización es manual, aunque hay algoritmos que tratan de hacer una segmentación automática por medio de watersheds (el histograma se interpreta como una serie de montañas y valles que al inundarse con agua van dejando diferentes “islas” o clases) o buscando umbrales que maximicen la entropía de las clases separadas. – Clustering: siempre que podamos codificar la información local de un píxel mediante un Fig.1. Ejemplo de segmentación en imágenes de microscopía. En la figura de la izquierda se muestran una células teñidas al microscopio de fluorescencia. En la imagen central se asigna una etiqueta diferente (representada con un color diferente) al núcleo y al citoplasma de varias células. En la figura de la derecha se asignan etiquetas según a la célula a la que pertenecen los píxeles. vector, podemos utilizar técnicas de agrupamiento de vectores (clustering) para definir las clases tales como k-medias, kmedias difusas, mapas autoorganizativos, división de grafos, etc. Un inconveniente habitual en todas estas técnicas de agrupamiento es que el usuario debe indicar el número de clases en las que quiere dividir la imagen (en el ejemplo central de la Fig.1 serían tres clases: núcleo, citoplasma, y fondo). Si se dispone de un conjunto de imágenes de entrenamiento, entonces se pueden emplear técnicas de clasificación de vectores en lugar de clustering. Entre estas técnicas figurarían las redes neuronales, las redes bayesianas, el análisis discriminante, las máquinas de vectores de soporte (Support Vector Machines), etc. – Color local: hay técnicas que adaptan los criterios de homogeneidad a las variaciones locales de color (ver Fig. 3) y así permiten el seguimiento de un mismo objeto a lo largo de la imagen aunque los niveles de intensidad del mismo y los del fondo varíen. La idea es que dos puntos pertenecen a un mismo objeto si puedo encontrar un camino entre ellos tal que las características locales del color no varían demasiado de un punto al siguiente en ese camino (así, estas técnicas son un híbrido entre las técnicas basadas en color y las basadas en la imagen). Técnicas basadas en la imagen Como hemos visto anteriormente, las técnicas basadas en el color (salvo las de color local) no consideran la proximidad espacial de los píxeles pertenecientes a una misma región, pero en ocasiones es interesante que las clases se correspondan con regiones compactas de la imagen (como es el caso de la segmentación de la derecha de la Fig. 1). Las siguientes técnicas se orientan hacia la consecución de regiones con esta propiedad. – Split-and-merge: La dinámica de estos algoritmos es bien sencilla: se comienza considerando la imagen completa como una única región. Luego se comprueba si la región es suficientemente uniforme. Si no lo es, se subdivide en cuatro regiones iguales, y para cada una de ellas se vuelve a aplicar el criterio anterior (es lo que se conoce como división en quad-tree). Una vez que se ha terminado de subdividir la imagen, se van uniendo regiones adyacentes que cumplan el criterio de homogeneidad. Existen multitud de algoritmos con variaciones sobre el criterio de homogeneibit Avances en el procesamiento de imágenes biológicas a nivel microscópico Fig.2. Ejemplo de la segmentación de las proteínas de un virus (izq.) y de una célula meristemática (der.) Fig.3. Ejemplo de variación local en una imagen. La imagen del 5 es difícilmente segmentable utilizando los valores de intensidad de forma global. “Las propiedades deseables de una región serían la homogeneidad del color o intensidad dentro de la misma, la homogeneidad de su textura y la existencia de bordes claros con las regiones adyacentes” dad y sobre la estrategia de unión de regiones adyacentes. Por su simplicidad, estas técnicas fueron desarrolladas a comienzos de los 80. – Crecimiento de regiones: Estas técnicas también se basan en una idea muy sencilla: a partir de una semilla perteneciente a una región, se van añadiendo píxeles adyacentes mientras se cumpla un criterio de homogeneidad de la región completa o local. Normalmente estas semillas son proporcionadas por el usuario, aunque también se pueden calcular de forma automática mediante operaciones de morfología matemática (erosiones y dilataciones), mediante la selección de puntos máximamente alejados de los contornos extraídos automáticamente de la imagen, o bien mediante watersheds – Contornos activos: Una de las subfamilias de esta técnica es conocida como modelos deformables o snakes, se basan en el hecho de que una región debe ser una zona del espacio con máxima homogeneidad interna y con máximas diferencias con las regiones circundantes. Por ello se diseña una curva (o una superficie en el caso de volúmenes), normalmente continua, que evoluciona por medio de una ecuación diferencial hasta maximizar un funcional que refleja estas dos propiedades de una región. Normalmente estas técnicas comienzan por la inicialización por parte del usuario de una curva aproximada que posteriormente es refinada mediante una ecuación diferencial. Esta técnica fue muy activa en los años 90 y aún hoy día siguen apareciendo un buen número de artículos. La otra subfamilia importante y actualmente más en auge sería la conocida como level sets. La idea es similar, pero en lugar de buscar una curva que delimite bien la región, se busca una superficie tal que su isocurva de nivel 0 (es decir la unión de todos los puntos de la superficie que tienen “altura” cero) es la curva que delimita la región. Esta subfamilia de métodos tiene la ventaja frente a las snakes que permiten la definición de regiones inconexas como pertenecientes a una misma región de una forma muy natural. Refinamiento del resultado Los algoritmos presentados hasta ahora pueden combinarse con algunos de los siguientes refinamientos orientados a mejorar los resultados de la segmentación: – Segmentación multirresolución: Si construimos una pirámide multirresolución de la imagen (por ejemplo, consideramos la imagen original de tamaño 300x300 píxeles, la misma imagen más pequeña a un tamaño de 150x150, y una aún más pequeña a 75x75), entonces un píxel de un nivel debe tener una etiqueta equivalente a la de su “padre” en una imagen más pequeña. – Segmentación de consenso: Dado que los algoritmos de segmentación tienden a quedarse atrapados en soluciones subóptimas, una idea puede ser ejecutar el mismo o diferentes algoritmos varias veces y combinar las diferentes segmentaciones en una segmentación de consenso. – Sobresegmentación: Siguiendo la idea anterior, podemos ejecutar el algoritmo de segmentación varias veces con parámetros que generan regiones más pequeñas que las realmente buscadas. Posteriormente estas regiones más pequeñas se agrupan (merge) en regiones mayores, buscando un consenso entre las diferentes segmentaciones. – Incorporación de información de bordes: Se pueden extraer previamente de forma automática los bordes de la imagen y utilizar esta información en la evaluación de las regiones, de forma que una región no es homogénea si contiene en su interior un píxel que ha sido clasificado como borde de la imagen. Como vemos, las técnicas de segmentación utilizadas para imagen microscópica no son diferentes de las empleadas en otros campos del procesamiento de imágenes. En este artículo hemos dado una visión muy genérica de las diferentes aproximaciones existentes. En muchos casos, la segmentación se realiza de forma semiautomática debido a que en gran medida el resultado de la misma depende del tipo de objetos que el usuario esté buscando. Como veremos en artículos posteriores, el disponer de un etiquetado de las diferentes zonas de una imagen es fundamental para permitir posteriores análisis automáticos. Bibliografía [1] Freixenet, J.; Muñoz, X.; Raba, D.; Martí, J. & Cufí, X. Yet another survey on image segmentation: region and boundary information integration Lecture Notes in Computer Science, 2002, 2352, 408-422 [2] Lucchese, L. & Mitra, S.K. Color Image Segmentation: A State-of-the-Art Survey Proc. Indian Natl. Science Academy, 2001, 67, 207-221 Avances en el procesamiento de imágenes biológicas a nivel microscópico