Comparación de técnicas de segmentación en imágenes de conjuntiva palpebral para obtener región de interés en detección de anemia

Abstract

El estudio evaluó el desempeño de cuatro técnicas de segmentación aplicadas a imágenes de la conjuntiva palpebral con el objetivo de detectar anemia: umbralización, K-means clustering, contornos activos y U-Net. Para ello, se utilizaron métricas cuantitativas ampliamente aceptadas en visión computacional: Dice Coefficient, IoU, Precisión y Recall. Cada una de estas métricas permitió analizar la capacidad de los algoritmos para identificar correctamente la región de interés (ROI) correspondiente a la conjuntiva. Los resultados evidencian que la umbralización, aunque sencilla y de bajo costo computacional, ofrece un rendimiento limitado (Dice: 0.68, IoU: 0.52), especialmente ante variaciones de iluminación y color. K-means presenta una mejora moderada (Dice: 0.74), siendo adecuado para segmentaciones basadas en diferencias cromáticas. Por su parte, los contornos activos destacan por su capacidad para adaptarse a formas irregulares y estructuras orgánicas, alcanzando un Dice de 0.82 y un alto recall (0.85), siendo especialmente útiles en bordes suaves como los de la conjuntiva. Finalmente, la técnica basada en redes neuronales convolucionales (U-Net) mostró el mejor desempeño general (Dice: 0.91, IoU: 0.85, Precisión: 0.92, Recall: 0.90). Esta arquitectura logró una segmentación precisa y robusta, incluso en presencia de variabilidad entre pacientes o condiciones de captura. En conjunto, estos resultados confirman que U-Net es la técnica más eficaz para la segmentación de la conjuntiva palpebral en entornos clínicos, recomendándose su implementación para tareas de diagnóstico automatizado de anemia.