⚡ electrical engineering

Performance Benchmarking and Optimisation of Clustering Algorithms for Local and Non-Local Similarity Measure in Medical Image Analysis

Este artículo evalúa y optimiza cinco algoritmos de agrupamiento para el análisis de imágenes médicas, encontrando que el agrupamiento aglomerativo es el mejor para preservar detalles finos en resonancias magnéticas y ultrasonidos, el mini-batch k-means ofrece el mejor equilibrio para radiografías de tórax, mientras que el k-means estándar y el bisecting k-means tienen dificultades con la variabilidad intra-clúster, y BIRCH rinde consistentemente por debajo del nivel esperado en todas las modalidades.

Autores originales: Sisipho Hamlomo, Marcellin Atemkeng

Publicado 2026-07-14

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Sisipho Hamlomo, Marcellin Atemkeng

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes una foto masiva, de ultra alta definición, de un cerebro, un corazón latiendo o un pecho. Es tan detallada que es como una biblioteca que contiene millones de pequeñas y únicas piezas de rompecabezas. ¿El problema? Almacenar y enviar estas bibliotecas gigantescas es una pesadilla para los hospitales; ocupan demasiado espacio y se mueven muy lentamente.

Para solucionar esto, los científicos intentan comprimir las imágenes. Pero aquí está el truco: si exprimes la imagen con demasiada fuerza, podrías accidentalmente borrar los diminutos detalles vitales que un médico necesita ver.

Este artículo es como una historia de detectives donde los autores prueban cinco diferentes "organizadores" (algoritmos de agrupamiento o clustering) para ver cuál puede clasificar estas piezas de rompecabezas en montones ordenados e idénticos. ¿El objetivo? Agrupar las piezas que se ven exactamente iguales para que puedan ser comprimidas estrechamente sin perder información importante.

Los cinco contendientes

Los autores sometieron a cinco métodos de clasificación diferentes a un riguroso campamento de entrenamiento utilizando tres tipos de imágenes médicas: escaneos cerebrales (IRM), imágenes de ultrasonido y radiografías de tórax. No lo hicieron al azar; utilizaron una "búsqueda aleatoria" para ajustar cada configuración de cada método para asegurar que estuvieran rindiendo a su máximo nivel.

Los cinco métodos fueron:

K-means: El clasificador clásico y directo.
Mini-batch K-means: Una versión más rápida que clasifica en pequeños lotes.
Agrupamiento Jerárquico Aglomerativo (Agglomerative Hierarchical Clustering): Un método que comienza con cada pieza como su propio grupo y lentamente las fusiona, como si estuviera construyendo un árbol genealógico.
BIRCH: Un método diseñado para manejar datos masivos construyendo primero un árbol de resumen.
Bisecting K-means: Un método que comienza con un montón gigante y lo sigue dividiendo a la mitad hasta que termina.

La gran revelación: "Bueno" no siempre es "El mejor"

Aquí está el giro que el artículo descubre. Si solo miras la tabla de puntuación estándar (métricas como el coeficiente de silueta, el índice de Davies-Bouldin y el índice de Calinski-Harabasz), K-means y Bisecting K-means parecen los campeones. Obtienen las puntuaciones más altas, lo que significa que separan los grupos de forma muy clara.

Sin embargo, el artículo argumenta en contra de usarlos para el trabajo final.

Piénsalo de esta manera: K-means y Bisecting K-means son como un profesor estricto que pone a todos los estudiantes en solo dos o tres aulas enormes. Aunque las aulas están claramente separadas entre sí, ¡los estudiantes dentro son un caos! Un niño lleva un esmoquin, otro está en pijama y un tercero tiene un disfraz de superhéroe. Todos están en la misma habitación, pero son muy diferentes. Si intentaras comprimir esta habitación (el parche de la imagen), tendrías que ser muy cuidadoso, o arruinarías los detalles.

El artículo encontró que para las imágenes de IRM y Ultrasonido, el Agrupamiento Jerárquico Aglomerativo fue el verdadero héroe. Aunque requirió un poco más de potencia informática para ejecutarse, actuó como un bibliotecario meticuloso. Creó muchos más grupos, más pequeños, donde cada elemento era casi idéntico a sus vecinos.

El resultado: Para las imágenes de IRM y Ultrasonido, este método produjo grupos con una "variabilidad intra-grupo" mucho menor (lo que significa que los elementos dentro eran muy similares). Esto permite comprimir la imagen de forma mucho más agresiva sin perder los detalles finos y críticos que los médicos necesitan.
Los números: En las pruebas de IRM, el agrupamiento Aglomerativo formó 7 grupos, mientras que K-means solo formó 3. En Ultrasonido, el Aglomerativo formó 11 grupos en comparación con solo 2 para K-means.

La excepción de la radiografía de tórax

¡Pero espera, hay un giro en la trama para las radiografías de tórax!
Para este tipo específico de imagen, Mini-batch K-means logró el equilibrio perfecto. Logró crear 4 grupos que eran tanto de alta calidad como lo suficientemente compactos para la compresión. Fue la solución "Ricitos de Oro" para las radiografías, ofreciendo un mejor intercambio que los otros métodos.

El perdedor

Un método, BIRCH, tuvo un rendimiento inferior de manera constante en los tres tipos de imágenes. Ya fuera clasificando escaneos cerebrales, ultrasonidos o radiografías, simplemente no creó los grupos apretados y uniformes necesarios para una compresión efectiva. El artículo sugiere que es la opción menos adecuada para esta tarea específica.

La conclusión fundamental

El artículo no afirma haber resuelto los problemas de compresión del mundo para siempre. En cambio, sugiere que la "mejor" herramienta depende enteramente de lo que estés mirando.

Si estás mirando una IRM o un Ultrasonido, los autores sugieren usar el Agrupamiento Jerárquico Aglomerativo porque mantiene seguros los detalles diminutos al crear grupos muy uniformes.
Si estás mirando una radiografía de tórax, el Mini-batch K-means parece ser el más adecuado.
Si estás mirando K-means o Bisecting K-means, el artículo sugiere tener cuidado: se ven geniales en las puntuaciones sobre el papel, pero podrían agrupar demasiadas cosas diferentes, lo que hace riesgoso comprimir la imagen sin perder pistas médicas importantes.

En resumen, el artículo demuestra que para las imágenes médicas, no puedes usar simplemente el clasificador más "rápido" o de "mayor puntuación"; necesitas aquel que mantenga las piezas del rompecabezas dentro de cada montón lo más idénticas posible.

Resumen Técnico: Evaluación del Rendimiento y Optimización de Algoritmos de Agrupamiento para Medidas de Similitud Local y No Local en el Análisis de Imágenes Médicas

Planteamiento del Problema
Las imágenes médicas de alta resolución (RM, TC, ecografía, rayos X) generan vastas cantidades de datos de alta dimensionalidad, lo que crea desafíos significativos para el almacenamiento, la transmisión y el procesamiento computacional. Si bien las técnicas de Aproximación de Matrices de Bajo Rango (LoRMA) ofrecen una compresión eficiente al explotar la redundancia estructural, los enfoques globales suelen fallar al preservar los detalles locales críticos para el diagnóstico. Investigaciones recientes se han desplazado hacia estrategias basadas en parches que aprovechan la autosimilitud no local para agrupar regiones estructuralmente similares para una compresión adaptativa. Sin embargo, persiste una brecha crítica en la identificación de qué técnica de agrupamiento (clustering) forma con mayor eficacia los grupos homogéneos y de baja varianza necesarios para una compresión adaptativa de alta fidelidad. Diferentes algoritmos priorizan distintos compromisos: algunos optimizan la separación global (obteniendo buenas métricas pero con alta variabilidad intra-grupo), mientras que otros forman grupos más compactos a costa de crear más grupos. Esta variabilidad impacta directamente en el rendimiento de la compresión, ya que los grupos homogéneos permiten una compresión agresiva sin perder información clínicamente significativa.

Metodología
Este estudio presenta una evaluación sistemática de cinco algoritmos de agrupamiento aplicados a parches cuadrados superpuestos extraídos de imágenes médicas. La imagen $A \in \mathbb{R}^{H \times W}$ se divide en parches de tamaño $p \times p$ con un paso (stride) $s < p$ , los cuales se vectorizan en vectores columna y se agrupan para reunir regiones similares.

Las cinco técnicas evaluadas representan enfoques tanto de partición como jerárquicos:

k-means: Algoritmo de partición estándar.
Mini-batch k-means: Una variante escalable que utiliza pequeños lotes aleatorios para actualizar los centroides.
Agrupamiento Jerárquico Aglomerativo: Un enfoque ascendente utilizando criterios de enlace (simple, completo, promedio o Ward).
BIRCH (Balanced Iterative Reducing and Clustering using Hierarchies): Un algoritmo incremental que utiliza un árbol de Características de Agrupamiento (CF) para resumir grandes conjuntos de datos.
Bisecting k-means: Un enfoque jerárquico que particiona recursivamente un conjunto en dos grupos hasta formar $K$ grupos.

Optimización y Evaluación:

Ajuste de Hiperparámetros: Todos los algoritmos fueron optimizados mediante búsqueda aleatoria (random search) sobre un espacio de hiperparámetros factible (incluyendo el número de grupos $K$ , tamaños de lote, criterios de enlace y umbrales de árbol) para asegurar un rendimiento óptimo para cada modalidad.
Conjuntos de Datos: Los experimentos se realizaron en imágenes representativas de tres modalidades: RM cerebral (BraTS2020), Ecografía de mama y Radiografía de tórax (COVIDqu).
Métricas: La calidad del agrupamiento se evaluó mediante:
- Coeficiente de Silueta (Silhouette Score): Mide la cohesión y la separación (rango [-1, 1]).
- Índice de Davies-Bouldin (DB): Valores más bajos indican mejor compactación y separación.
- Índice de Calinski-Harabasz (CH): Valores más altos indican grupos más distintos y bien separados.
Análisis Crítico: Más allá de las métricas estándar, el estudio analizó específicamente la variabilidad intra-grupo (mediante diagramas de caja o box-plots) para determinar la idoneidad para tareas de post-procesamiento como la compresión adaptativa.

Resultados Clave

RM y Ecografía: El k-means estándar y el bisecting k-means lograron los coeficientes de Silueta más altos y los índices DB más bajos, indicando una fuerte cohesión global. Sin embargo, formaron un número pequeño de grupos (p. ej., 2–3) con una alta variabilidad intra-grupo. En contraste, el agrupamiento aglomerativo produjo un mayor número de grupos con una variabilidad intra-grupo significativamente menor, resultando en grupos más compactos y homogéneos a pesar de tener puntuaciones de métricas globales ligeramente inferiores.
Radiografía de Tórax: El Mini-batch k-means logró el mejor equilibrio entre las métricas de calidad de agrupamiento y la compactación intra-grupo, superando a otros métodos en esta modalidad específica.
BIRCH: Se desempeñó consistentemente por debajo de los demás en todas las modalidades, tanto en las métricas de calidad de agrupamiento como en la homogeneidad intra-grupo.

Contribuciones
El artículo realiza tres contribuciones principales:

Una evaluación sistemática de cuatro (cinco en la práctica) técnicas de agrupamiento a través de tres distintas modalidades de imágenes médicas (RM, ecografía, rayos X).
La aplicación de la búsqueda aleatoria para ajustar los hiperparámetros de cada algoritmo de agrupamiento, asegurando una comparación justa y optimizada.
Recomendaciones específicas por modalidad sobre qué técnica de agrupamiento emplear, priorizando la homogeneidad intra-grupo para la compresión adaptativa sobre las puntuaciones de métricas puras.

Significancia y Reivindicaciones
Los autores sostienen que la elección del algoritmo de agrupamiento debe guiarse por la modalidad de imagen específica y el compromiso entre la eficiencia computacional y la fidelidad de la compresión.

Para RM y Ecografía: Se recomienda el agrupamiento aglomerativo. Aunque es computacionalmente más intensivo, su capacidad para formar grupos más compactos y homogéneos con baja variabilidad intra-grupo lo hace superior para preservar los detalles diagnósticos finos durante la compresión adaptativa basada en LoRMA.
Para Radiografías de Tórax: Se recomienda el Mini-batch k-means, ya que ofrece el mejor equilibrio entre la calidad del agrupamiento y la compactación.
Hallazgo General: Aunque las variantes de k-means estándar suelen ofrecer coeficientes de Silueta y CH superiores, su tendencia a formar pocos grupos de alta varianza limita su efectividad para tareas de compresión adaptativa donde preservar los detalles estructurales locales es primordial. El estudio concluye que optimizar la homogeneidad intra-grupo es crítico para la compresión de imágenes médicas de alta fidelidad, un matiz que a menudo se pasa por alto al depender únicamente de las métricas de agrupamiento estándar.