View
669
Download
0
Category
Preview:
DESCRIPTION
Minicurso apresentado no dia 08 de novembro de 2011, na quinta edição da Ercemapi, junto com o Prof. Rodrigo Veras.
Citation preview
Técnicas de Processamento de Imagens em Diagnóstico
Auxiliado por Computador
Rodrigo M. S. Veras1, Iális C. Paula Jr.2 e Fátima N. S. Medeiros2
Universidade Federal do Piauí (UFPI)1
Universidade Federal do Ceará (UFC)2
Roteiro
• Introdução• Diagnóstico Auxiliado por Computador• Conhecimentos Envolvidos
– Processamento Digital de Imagens– Reconhecimento de Padrões
• Aplicações– Identificação de Estruturas da Retina– Análise de Postura
• Conclusão
Introdução
Introdução
• Conceito de CAD:– Diagnóstico feito por especialista que utiliza a
saída de uma análise computadorizada de imagens como “segunda opinião'' no processo de detecção de lesões e tomadas de decisões diagnósticas.
Introdução
• Importância dos Sistemas CAD– Os sistemas CAD ajudam a equipe médica na
interpretação de imagens médicas e, consequentemente, proporcionam um “pré-diagnóstico”.
– Eles são de grande ajuda pois aliviam em muito as limitações do olho e do cérebro humano como fadiga e distração, respectivamente.
Diagnóstico Auxiliado por Computador
Auxílio à Detecção
• Localização de regiões suspeitas;• A classificação da lesão é feita
exclusivamente pelo especialista;• Principais aplicações:
– Imagens radiológicas de tórax e mama
Auxílio ao Diagnóstico
• Classificação dos achados;– Extração de informações pelo computador;
• Objetiva e de fácil reprodução.
– Extração de informações pelo especialista;• Experiência e subjetividade.
• Exemplo:– Câncer: diferenciar tumores malignos e
benignos
Principais Áreas de Atuação
Mamografia
• Detecção de agrupamentos de calcificações;
• Detecção de nódulos;• Medidas de densidade• Detecção de assimetrias;• Caracterização de lesões
mamográficas.
Radiografia de Tórax
• Detecção de nódulos pulmonares;
• Diagnóstico diferencial de lesões intersticiais;
• Detecção de anormalidades (pneumotórax, tamanho do coração, assimetrias, outras).
Angiografia
• Detecção e avaliação de aneurismas;
• Detecção e avaliação de estenoses;
• Quantificação de fluxos.
Neurologia
• Morfometria de estruturas cerebrais;• Fusão de imagens multimodais;• Avaliação de assimetrias.
Estratégias dos Sistemas CAD
Estratégias dos Sistemas CAD
• Análise comparativa de imagens do mesmo paciente, obtidas pelo mesmo equipamento, com os mesmos parâmetros de escaneamento, mas em diferentes instantes de tempo.
Estratégias dos Sistemas CAD
• Análise comparativa de imagens do mesmo paciente, obtidas pelo mesmo equipamento, no mesmo instante, mas com parâmetros de escaneamento diferentes. – Este tipo de análise é denominado análise
multi-espectral.
Estratégias dos Sistemas CAD
• Análise comparativa de imagens do mesmo paciente, mas obtidas através de diferentes tecnologias de escaneamento, tais como:– tomografia computadorizada;– ressonância magnética;– PET e SPECT.
Estratégias dos Sistemas CAD
• Análise comparativa da imagem do paciente com um padrão obtido de pessoas saudáveis, denominado atlas anatômico. – Na prática, esta técnica não mostrou muita
eficiência dado sua complexidade e dificuldade de estabelecer um padrão anatômico.
Estratégias dos Sistemas CAD
• Comparação de duas imagens do mesmo paciente, mas obtida em diferentes partes do corpo. – Essa a metodologia desenvolvida para
detecção de nódulos em mamogramas, por exemplo.
– Se baseia na simetria de arquitetura entre as mamas esquerda e direita, com as assimetrias indicando possíveis nódulos
Conhecimentos Envolvidos
Processamento de Imagens
• Responsável pela extração dos atributos (características) das imagens;
• Principais tarefas:– Pré-processamento;– Segmentação;– Quantificação de atributos.
Reconhecimento de Padrões
• Responsável pela classificação de padrões– Seleção de atributos;– Classificação (padrões normais e anormais);– Principais técnicas:
• distribuições de probabilidade de classe;• análise de discriminante;• métodos estatísticos;• redes neurais.
Processamento de Imagens
Comparativo
Processamento de Imagens
Computação Gráfica Visão Computacional
Imagem Imagem
Dado
Definição de uma Imagem
Definição de uma Imagem
Negativo de uma Imagem
• Realce com processamento ponto-a-ponto• Reverter a ordem do preto para o branco
– Intensidade da imagem de saída diminui– Intensidade da entrada aumenta
Negativo de uma Imagem
Função de Transformação
Imagem Original
Imagem Processada
s = T(r)
r
T(r)
Escuro Claro
Escu
roCl
aro
s = L – 1 – r
Ruído em Imagens
Imagem Original Imagem Ruidosa“Sal e Pimenta”
Imagem RuidosaSpeckle
Ruído em Imagens
Imagem Original Imagem Ruidosa“Sal e Pimenta”
Imagem RuidosaSpeckle
Detectores de Bordas (Gradiente – Passa-Alta)
Imagem Original Filtro de Prewitt
Filtro de Sobel Filtro de Roberts
Definição de Gradiente
s = [1 2 1; 0 0 0; -1 -2 -1];A = zeros(10);A(3:7,3:7) = ones(5);H = conv2(A,s);mesh(H)
(a) (b)
Figura – (a) Imagem original; (b) Imagemapós aplicação do filtro de Sobel.
Filtro de Suavização (passa-baixa)• São úteis para redução de ruído e borramento de
imagens– Detalhes são perdidos
• O tamanho da máscara (ou seja, vizinhança) determina o grau de suavização e perda de detalhes.
– Os elementos da máscara devem ser números positivos– Exemplo: Média Local
– R = 1/9 (1z1 + 1z2 + ... +1z9) normalizado: dividido por 9
Filtro por mediana (não-linear)• Substitua f(x,y) pela mediana [f(x’,y’)] onde (x’,y’)
pertence a vizinhança• Muito efetivo na remoção do ruído com componentes do
tipo espigada (“spike”, ocorrências aleatórias de valores brancos e pretos)
• Preserva melhor as bordas• Exemplo:
– Mediana = 20, então substitua (15) por (20)
10 20 20
20 15 20
25 20 100
Ordenar(10,15,20,20,20,20,20,25,100)
Filtragem da Mediana
Imagem Ruidosa“Sal e Pimenta”
Filtragem com Janela 3x3
Filtragem com Janela 5x5 Filtragem com Janela 7x7
Equalização de Histograma
• O histograma de uma imagem corresponde a uma estimativa da probabilidade de ocorrência dos seus níveis de cinza.
• A equalização produz uma imagem cujos níveis de cinza possuem uma densidade uniforme.
Limiarização
• Comprime a faixa de nível de cinza de pouco interesse– Inclinação da linha entre [0,1]
• Alargamento da faixa de nível de cinza de maior interesse– Inclinação da linha monotonicamente crescente
– r1 = r2– s1 = 0 e s2 = L – 1
Limiarização
Função de Transformação
Imagem Original
Imagem Processada
s = T(r)
r
T(r)
Escuro Claro
Escu
roCl
aro
Limiarização
Imagem Original Limiar de 130
Limiar de 140 Limiar de 150
Segmentação
• O processo de segmentação visa à separação dos pixels pertencentes a cada objeto presente na imagem:– separação de regiões de interesse.
Processamento de Imagens em Pseudo-Cores
• Abordagens para atribuição de cores para imagens monocromáticas:– Fatiamento por intensidades;– Níveis de Cinza para Transformação de Cores;– Filtragem.
Processamento de Imagens em Pseudo-Cores
Figura – (a) Imagem monocromática do Fantasma de tireóide de Picker. (b) Fatiamentode intensidades da imagem em 8 (oito) intervalos de intensidades.
(a) (b)
Processamento de Imagens em Pseudo-Cores
Figura – (a) Imagem em nível de cinza em que a intensidade correspondeAo índice pluviométrico mensal médio. (b) Cores correspondentes aosValores de intensidade. (c) Imagem codificada em cores. (d) Zoom da
região da América do Sul.
(a)(b)(c)(d)
Representação de Formas
Representação de Formas
Descrição de Formas
Reconhecimento de Padrões
O que é inteligência?
• Resolver um problema específico com exatidão?
• Resolver problemas genéricos de modo aproximado?
• Ter conhecimento enciclopédico?• Tocar um instrumento?• Falar outras línguas?
Inteligência e o RP
• Seres vivos são bastante habilidosos em reconhecer padrões:– Comportamentais: fulano se comporta sempre
assim!– Sonoros: Este barulho não é normal!– Táteis: Este tecido é parecido, mas a textura
é diferente!– Visuais: Parece que vai chover hoje!– Olfativos: Você trocou de perfume?– Lógico-Matemáticos :“Uma Mente Brilhante”
Inteligência e o RP
• Reconhecer padrões equivale a classificar determinado objeto físico ou situação como pertencente ou não a um certo número de categorias previamente estabelecidas.
Reconhecimento de Padrões
Conhecimento Pericial
Processamento de Sinais Estatística
Inteligência Artificial
Ciência da Computação
Cibernética
Reconhecimento de Padrões
Conceito Intuitivo de RP
• Dados os grupos abaixo:
• O objeto abaixo pertence a qual dos grupos?
Conceito Intuitivo de RP
• Dados os grupos abaixo:
• O objeto abaixo pertence a qual dos grupos?
Conceito Intuitivo de RP
• Dados os grupos abaixo:
• O objeto abaixo pertence a qual dos grupos?
Conceito Intuitivo de RP
• Dados os grupos abaixo:
• O objeto abaixo pertence a qual dos grupos?
Um Computador Pode Reconhecer Padrões?
• Certamente, a sua decisão é tomada com base no grau de similaridade entre a fruta desconhecida e as frutas conhecidas.– Que mecanismo seu cérebro usa para realizar
esta tarefa?– Será que implementa uma comparação entre
o objeto novo e objetos armazenados?
• Pode-se “replicar” este mecanismo em uma máquina?
Um Computador Pode Reconhecer Padrões?
• Para comparar objetos precisamos de:– Uma representação do atributos físicos das
frutas;– Um aprendizado:
• aprender o conceito laranja/maçã;
– Uma memória para armazenar as frutas aprendidas;
– Uma regra de decisão para classificar a nova fruta;
Definição Formal de RP
• Para definir um problema de RP, precisamos:– Um número finito de K classes: C_1, C_2, ..., C_K;
– Um número finito de N_i objetos por classe C_i;
– Um número finito de n atributos (features) para representar numericamente cada objeto físico;
– Mecanismos de memória e/ou aprendizado;– Uma regra de decisão para classificar novos objetos;– Critérios de avaliação do classificador.
Representação dos Atributos
• Quais atributos que descrevem uma tangerina?– Formato?– Fruta cítrica?– Cor?– Casca lisa ou rugosa?– Cheiro ativo?
Representação dos Atributos
• O computador só entende números!• Como transformar os atributos em
números?– Basta representar cada objeto como um vetor
de atributos:– X = [X1;X2; ...;Xn]
Vetor de Atributos
• X1: {esférico, oval, alongado} = {0, 1, 2}• X2: {não, sim} = {0, 1}• X3: {amarelo, vermelho, alaranjado, verde} =
{1, 2, 3, 4}• X4: {lisa, rugosa} = {0, 1}• X5: {não, sim} = {0, 1}
Vetor de Atributos
• Dessa forma, teríamos as seguintes representações?– Objeto Laranja: X = [0 1 2 1 0]– Objeto Maçã: Y = [0 0 1 0 0]– Objeto Tangerina: Z = [0 1 2 1 1]– O vetor Z é mais parecido com o vetor X ou
com o vetor Y?
Distância entre Vetores
• Calcular quão “parecidos” são dois vetores equivale a calcular a distância entre eles;
• Exemplo:– Distância Euclidiana:
( ) ( ) ( ) 2222
211 ...),( nne YXYXYXYXD −++−+−=
Distância entre Vetores
• Calculando as distâncias:– Objeto Laranja: X = [0 1 2 1 0]– Objeto Maçã: Y = [0 0 1 0 0]– Objeto Tangerina: Z = [0 1 2 1 1]
( ) ( ) ( ) ( ) ( ) 11011221100),( 22222 =−+−+−+−+−=ZXDe
( ) ( ) ( ) ( ) ( ) 21010211000),( 22222 =−+−+−+−+−=ZYDe
Assim, concluímos que uma Tangerina é mais parecida com uma laranja do que com uma maçã
Principais Classificadores
• K-Nearest Neighbor (KNN): K vizinhos mais próximos;
• DMC: Distância mínima ao centróide;• Árvores de Decisão;• Algoritmos de Agrupamento: K-médias e
SOM;• Redes Neurais Artificiais;• SVM: Máquinas de Vetores de Suporte;• Comitê de Classificadores;
Aplicação de Sistemas CAD em Doenças Oculares
Estrutura Externa do Olho Humano
Secção do Olho Humano
A Retina• A retina constitui a membrana mais interna
do olho, situando-se na parede posterior do olho;– Quando o olho focaliza uma cena, a imagem
correspondente é projetada sobre a retina;• Imagens digitais de retina, podem prover
informações sobre mudanças patológicas causadas por doenças oculares locais e sinais recentes de doenças sistemáticas como:– Hipertensão;– Arterioesclerose;– Diabetes Mellitus.
A Retina
Doenças na Retina
• Retinopatia Diabética• Glaucoma• Edema Macular
Retinopatia Diabética
• Um material anormal é depositado nas paredes dos vasos sanguíneos da retina;
• Causa um estreitamento e/ou bloqueio do vaso sanguíneo;
• Causa o enfraquecimento da parede dos vasos;
• Ocasiona deformidades conhecidas como microaneurismas
Retinopatia Diabética
• Estes microaneurismas frequentemente rompem ou extravasam sangue:– Hemorragia;– Infiltração de gordura na retina.
• Pode levar a uma perda parcial ou total da visão.
Retinopatia Diabética
• Tipos de Retinopatia:– Retinopatia Diabética Exsudativa:
• ocorre quando as hemorragias e as gorduras afetam a mácula;
– Retinopatia Diabética Proliferativa: • surge quando a doença dos vasos sanguíneos da
retina progride, o que ocasiona a proliferação de novos vasos anormais que são chamados “neovasos”.
Retinopatia Diabética• Grupos de Risco:
– As pessoas que têm diabetes apresentam um risco de perder a visão 25 vezes maior do que as que não portam a doença.
– A Retinopatia Diabética atinge mais de 75% das pessoas que têm diabetes há mais de 20 anos.
• Prevenção:– O controle cuidadoso da diabetes com uma dieta
adequada, uso de pílulas hipoglicemiantes, insulina;– Exames de rotina (como o “fundo de olho”) podem
detectar anormalidades em estágios primários;• Tratamentos: Fotocoagulação por raios laser;
Principais Sintomas da RD
• Microaneurismas;• Hemorragias;• Exsudatos• Neovascularização.
Detecção dos Vasos da Retina
Detecção de Microaneurismas
Detecção de Microaneurismas
Exemplo de Exsudatos
Detecção de Exsudatos
Glaucoma• Glaucoma é a designação genérica de um
grupo de doenças que atingem o nervo óptico;
• O glaucoma é causado por diferentes enfermidades que, na maioria dos casos, levam a um aumento da PIO;
• O aumento da pressão é causado por um bloqueio ao fluído no interior do olho;
• Com o tempo isto causa dano ao disco óptico.
Diagnosticando o Glaucoma• Existem basicamente três ferramentas de
diagnóstico:– O tonômetro: aparelho que mede a pressão intra-
ocular;– A campimetria: permite avaliar como e se o
glaucoma afetou o campo de visão;– A oftalmoscopia:
• Popularmente chamado de exame de fundo de olho;• Permite a visualização direta, através da pupila, do
aspecto do disco óptico;• A sua coloração e aparência podem indicar se há ou
não dano relacionado ao glaucoma e qual a extensão deste.
Exemplo de Glaucoma
Grupos de Risco e Tratamento
• Grupos de Risco:– Pessoas que possuem: diabetes, miopia, uso
prolongado de esteróides (corticóides) ou alguma lesão ocular prévia;
– Pessoas com descendência africana ou asiática;– Pessoas com história familiar de glaucoma.
• Tratamento– O glaucoma pode ser tratado utilizando-se
colírios, medicamentos orais, cirurgia a laser, cirurgias convencionais e, uma combinação desses métodos.
Exemplo de Detecção do Disco Óptico
Detecção do Contorno do DO
Edema Macular
• Um edema macular ocorre quando depósitos de fluidos e proteínas se acumulam sobre ou sob a mácula;– Ponto ovalado de cor amarela junto ao centro
da retina do olho humano;– Possui cerca de 1,5 mm de diâmetro;– Apresenta uma pigmentação escura;– Sua região central é chamada fóvea.
A Mácula
Exemplo de Detecção da Mácula
Aplicações em Análise de Postura
Postura
• Postura é geralmente definida como o arranjo relativo das partes do corpo. – A postura correta traduz o estado de
equilíbrio muscular e esquelético que protege as estruturas de suporte do corpo contra lesão ou deformidade progressiva.
– Independente da atitude assumida pelo paciente (agachada, ereta, deitada), estas estruturas estão trabalhando ou repousando.
Postura
• Em uma boa postura– os órgãos torácicos e abdominais mantêm-se
em posições ideais– os músculos funcionam com mais eficiência
sob tais condições.
• Com a má postura há uma relação defeituosa entre várias partes do corpo.– Isso produz uma maior tensão sobre
estruturas de suporte e onde ocorre um equilíbrio menos eficiente do corpo.
Ângulo de Cobb
Lordose
Cifose
Ângulo de Cobb
• Classificação da Escoliose (por angulação ω):– ω < 10º - normal
• Não precisa tratamento
– ω <20º - Leve– 20º< ω < 40º
• Moderada
– Ω > 40º - Grave
Ângulo de Cobb
• Tendências– Cálculo de angulação em cifose elordose– Busca do padrão de desvio porregiões da coluna– Detecção de vértebras– Cálculo da angulação
• Semelhança de triângulos
Biofotogrametria• Oriunda da Fotogrametria
– Extração de forma, dimensão e posições de objetos em fotografias métricas
– Biomecânica
Biofotogrametria• Acidentes Anatômicos
– Face ventral: Glabela, Sulco mentoniano, Furcula esternal, ângulo de charpy,Nível dos Acrômios, ângulos Costofrênicos, EIAS, Cicatriz Umbilical, Linha Alba, Bordo Inferior da Patela, Maléolos Internos
– Face Posterior: Cintura Escapular, Triangulo de Talhe, EIPS, , Quinta vértebra Lombar, Eminência Fibrótica, Sulco Interglúteo Prega Glútea, Prega do Joelho, Maléolos externos.
– Flexão Anterior: Ápice da curvatura dorsal direita e esquerda para verificação de Gibosidade;
– Flexão Anterior Vista Perfil: Angulação da flexão de quadril, para verificação das retrações dos músculos da cadeia posterior do corpo;
– Face Perfil Direito e esquerdo: Face Perfil Direito e esquerdo: Pavilhão Auditivo, Depressão entre Pavilhão Auditivo, Depressão entre Trocanter Maior e Trocanter Menor, Linha Média entre face anterior e Trocanter Maior e Trocanter Menor, Linha Média entre face anterior e posterior de joelho, Maléolo externo.posterior de joelho, Maléolo externo.
Biofotogrametria
• Origem: vídeo de marcha de amputados• Leituras lineares e angulares de
movimentos corporais
• Desvantagens:– Inviabilidade da análise tridimensional –
operacional;– Transportabilidade do ambiente de captação
de imagens.
Biofotogrametria
• Vantagens:– Recurso não-invasivo de análise do
movimento;– Baixo custo de implementação;– Precisão, reprodutibilidade, arquivamento de
registros, feedback ao paciente;– Comparação de evolução da síndrome motora.
• Software SAPO [Ferreira et al. 2011]
Biofotogrametria
Biofotogrametria
BiofotogrametriaVariáveis (°) * Média (desvio
padrão)Mínimo Máximo
Alinhamento horizontal da cabeça 47,1 (4,8) 31,2 58,4
Alinhamento horizontal da pélvis 172,6 (4,8) 158,6 182,4
Alinhamento sagital do membro inferior 177,9 (4,8) 166,7 190,6
Ângulo de junção do quadril 149,8 (8,0) 129,7 176,2
Ângulo de junção do maléolo 86,2 (2,6) 79,9 91,6
Alinhamento vertical do torso 182,4 (2,1) 177,6 187,0
Alinhamento vertical do corpo 178,2 (0,9) 175,8 180,0
Alinhamento do membro superior 155,8 (5,1) 145,7 170,7
Alinhamento sagital do corpo 186,8 (3,6) 176,4 198,5
Ângulo da cifose torácica 55,4 (7,4) 39,3 68,2
Ângulo da lordose lombar 47,7 (15,4) 23,3 96,4
*Dados obtidos de 122 pacientes submetidos à pesquisa.
Similaridade de Formas
• Recuperação de informações em base de imagens– Similaridade e correspondência de formas– Medidas de distâncias ou similaridade
• Meta: métrica robusta de similaridade– Mais eficiente que as presentes na literatura
Sinal de Curvatura
• Requer o contorno parametrizado – c– c(i) = {x(i),y(i)}, i = 1,...,N;– N – número de pontos do contorno;
• Amplitude do sinal gerado: variação da curva do contorno (mudança de direção)– Pontos de máximo e mínimo – cantos;– Intervalos de valor zero – linha reta;– Intervalos de valor constante não-nulo –
arcos, círculos, semicírculos.
Sinal de Curvatura
Definição – a partir das derivadas primeira e segunda de x e y
2 2 3 2( )
xy yxk
x y
−=+
&&& &&&
& &
t
k(t)
0 100 200 300 400 500 600 700 800-5
0
5
10
15
20
25
30
35
Forma original Sinal de Curvatura
RPG
• Reeducação Postural Global (RPG)• Técnica desenvolvida na França
– Philippe Emmanuel Souchard
• Ajustamentos posturais para reorganização dos segmentos do corpo humano, através do alongamento do tecido muscular retraído– A fim de permitir a reorganização das miofibrilas e o
reequilíbrio dos músculos que mantêm a postura;
• Produz também a liberação das fáscias, tecido conjuntivo, pela aplicação do princípio de "fluagem".
RPG
• Possui várias indicações terapêuticas– desconforto e dor causados por desvios e alterações
posturais
• Benefícios– Sua aplicação fortalece e melhora o sistema
respiratório– Realinha a coluna e proporcionando liberdade e leveza
de movimento
• Tecnologia– Proposta de auxílio ao pré-diagnóstico e avaliação do
tratamento fisioterapêutico a partir de imagens dos pacientes [Passarinho et al 2006]
RPG
Segmentação e Extração da Forma [Paula et al. 2010]
RPG
Baropodometria• Estudo da pisada e por consequência da
postura;• Estudo estático e dinâmico de cargas nos pés;• Sensoriamento da região plantar dos pés;• Análise biomecânica e estrutural das possíveis
anomalias na marcha e na postura;• Criação de palmilhas.
Baropodometria
Baropodômetro
• Informação das pressões (estática, dinâmica e postural)
• Diagnóstico clínico– Avaliar áreas de sub e sobre
cargas.
Baropodômetro
Baropodômetro
Considerações Finais
Conclusão
• Foram desenvolvidos um grande número de sistemas CAD para o diagnóstico de vários tipos de doenças oculares;
• A maioria desses sistemas ainda estão em fase de investigação e não podem ser colocados em uso prático nas clínicas devido a várias razões. – Uma dessas é a diversidade de imagens. – Imagens de retina podem ter qualidades muito
diferentes devido a vários tipos de lesões e artefatos.
Conclusão
• Apresentou-se, com base em publicações científicas, a utilização de algoritmos computacionais para auxílio à análise de imagens médicas– Têm-se alcançado eficiência na melhoria da detecção
e classificação de lesões e/ou patologias humanas.
• O sistema CAD não pode ser definido para substituir o especialista em saúde:– Deve-se obter desempenho próximo ao do
especialista– Cria-se apenas uma ferramenta de auxílio ao mesmo.
Dúvidas?
Contatos
• E-mails– rveras@ufpi.edu.br– ialis@ufc.br
• Links– http://www.ec.ufc.br/professores/ialis/– http://www.slideshare.net/ialis
Recommended