Recursive Class Connectivity Classification (R3C) Applied to Binary Image Segmentation for Improved Infant Fingerprint Enhancement

Resumen Técnico: Clasificación de Conectividad de Clases Recursiva (R3C) para Mejora de Huellas Dactilares Infantiles

Enunciado del Problema
El reconocimiento de huellas dactilares infantiles enfrenta obstáculos significativos en comparación con la biometría de adultos debido a diferencias fisiológicas, que incluyen dimensiones más pequeñas de los dedos, estructuras de crestas más delgadas y maleabilidad de la piel. Estos factores resultan en una calidad de imagen deficiente, patrones de crestas-valles difusos y una definición de características inconsistente, incluso cuando se capturan con escáneres de alta resolución (por ejemplo, 5.000 ppp). Si bien los métodos de mejora estándar (como filtros de Gabor o modelos de aprendizaje profundo) son efectivos para adultos, a menudo fallan al capturar estructuras significativas en huellas dactilares infantiles, lo que conduce a tasas de identificación bajas. Además, la escasez de conjuntos de datos de huellas dactilares infantiles anotados limita el desarrollo de soluciones de aprendizaje profundo supervisado específicamente adaptadas a este grupo demográfico. Las técnicas de mejora existentes a menudo producen patrones de crestas fragmentados o fallan al segmentar regiones de baja calidad por completo, lo que obstaculiza la extracción y coincidencia de minucias.

Metodología: Clasificación de Conectividad de Clases Recursiva (R3C)
El artículo propone R3C, un marco novedoso diseñado para refinar iterativamente las salidas de segmentación binaria de métodos de mejora existentes sin requerir datos de entrenamiento ni modificaciones a los clasificadores subyacentes. A diferencia de enfoques anteriores que dependen de puntos de semilla explícitos o características de conectividad (como el marco ELEMENT para vasos retinianos), R3C opera alimentando recursivamente la salida clasificada de vuelta a la imagen de entrada.

El mecanismo central implica:

1. Inicialización: Una imagen de entrada $M$ es procesada por un clasificador binario $f$ para producir una segmentación inicial $C$.
2. Mezcla Recursiva: La segmentación $C$ se combina con la entrada original $M$ mediante una suma ponderada: $A = M + \alpha \times C$, donde $\alpha$ es un parámetro de mezcla que controla la transparencia de la superposición de la segmentación.
3. Iteración: La imagen combinada $A$ se convierte en la entrada para la siguiente iteración del clasificador. Este proceso se repite, permitiendo que el clasificador "vea" sus propias predicciones anteriores, propagando así la información de clase y extendiendo las estructuras de crestas.
4. Terminación: La recursión se detiene cuando la diferencia entre las salidas de segmentación consecutivas, $d(C_i, C_{i-1})$, cae por debajo de un umbral predefinido $\epsilon$.
5. Regularización: Para evitar que la expansión iterativa distorsione el ancho de las crestas, el método aplica un paso de esqueletización (algoritmo de adelgazamiento de Zhang y Suen) a la salida del clasificador antes de la mezcla. Además, se aplica una inversión de color para garantizar la compatibilidad entre la representación de cresta oscura/valle claro de las imágenes crudas y la salida de cresta blanca/valle oscuro de ciertos filtros de mejora.

Contribuciones Clave

• Marco Novel: Introducción de R3C, un método independiente del entrenamiento y agnóstico al clasificador que mejora la segmentación binaria aprovechando la conectividad de píxeles a través de bucles de retroalimentación recursiva.
• Independencia de Datos: El método opera sin requerir datos de entrenamiento de verdad fundamental, abordando la falta crítica de conjuntos de datos de huellas dactilares infantiles anotados.
• Amplia Aplicabilidad: El marco está diseñado para integrarse perfectamente con diversos clasificadores de mejora, incluidos métodos tradicionales basados en filtros (Gabor, FFT) y modelos de aprendizaje profundo (CNN, GAN).
• Mejora Cualitativa: El método demuestra la capacidad de reconectar patrones de crestas fragmentados y extender la cobertura de segmentación a regiones que anteriormente eran omitidas por clasificadores independientes.

Resultados Experimentales
El estudio evaluó R3C en tres conjuntos de datos: CMBD (niños de 18 meses a 4 años), NITG (niños, solo pulgares) y UTFPR-NFD (recién nacidos, de 3 horas a 3 días). Se probaron cuatro clasificadores: filtros de Gabor, NBIS (FFT), SegV4 (CNN comercial) y FingerGAN (GAN de mejora latente).

• Ganancias de Rendimiento:
  • Recién Nacidos (UTFPR-NFD): R3C produjo las mejoras más significativas. Para el clasificador SegV4, la Tasa de Aceptación Verdadera (TAR) a una Tasa de Falsa Aceptación (FAR) del 1,0% aumentó del 5,04% al 7,42% (una ganancia relativa de ~47%). FingerGAN, que no logró producir coincidencias en modo independiente en FAR=0,1%, alcanzó una TAR del 0,27% al integrarse con R3C.
  • Niños Mayores (CMBD): R3C proporcionó ganancias modestas pero consistentes. Para los filtros Gabor y NBIS, se observaron mejoras en la TAR de hasta un 4% en FAR=1,0%.
  • Conjunto de Datos NITG: Los resultados fueron mixtos; aunque se vieron algunas ganancias marginales, la integración de R3C con FingerGAN y NBIS en realidad degradó el rendimiento, lo que sugiere que el proceso recursivo puede introducir ruido en ciertos contextos.
• Limitaciones: El método incurre en un costo computacional debido a múltiples llamadas al clasificador por imagen. En algunos casos (por ejemplo, FingerGAN en CMBD/NITG), el proceso recursivo introdujo estructuras de crestas falsas (bifurcaciones espurias), lo que llevó a una disminución en la precisión de la coincidencia.
• Rendimiento Absoluto: A pesar de las mejoras, las tasas absolutas de identificación para recién nacidos permanecen bajas (por ejemplo, TAR máxima de 7,43% para recién nacidos en FAR=1,0%), destacando que R3C es una herramienta de mejora y no una solución completa al desafío biométrico infantil.

Significado y Afirmaciones
Los autores posicionan a R3C como una solución flexible y de amplia aplicación para mejorar la segmentación binaria en escenarios donde no se dispone de datos de entrenamiento. El artículo afirma que R3C extiende efectivamente la cobertura de mejora a regiones de huellas dactilares previamente omitidas por los métodos base, mejorando así la calidad visual de la segmentación y potencialmente ayudando a la extracción de minucias.

El estudio enfatiza que, si bien R3C mejora el potencial de coincidencia al refinar la conectividad de las crestas, no cierra completamente la brecha de rendimiento entre la biometría infantil y la de adultos. Los autores señalan que el "efecto de la edad" sigue siendo un factor dominante, presentando los recién nacidos los desafíos más significativos. Concluyen que R3C es particularmente valioso para el registro de huellas dactilares de recién nacidos, donde puede ayudar a capturar estructuras de crestas-valles que a menudo se pierden en el procesamiento estándar, pero advierten que su aplicación requiere un ajuste cuidadoso de parámetros (específicamente $\alpha$ y $\epsilon$) para evitar la sobresegmentación y la introducción de artefactos. El trabajo sugiere que los avances futuros probablemente requerirán una combinación de protocolos de adquisición mejorados, modelos especializados de aprendizaje profundo y marcos como R3C para lograr una identificación infantil fiable.