Detecção de Agrupamentos de Microcalcificações em Imagens Digitais de Mamografia

IntroduçãoMetodologiaExperimentos

ResultadosConclusões

Trabalhos Futuros

Detecção de Agrupamentos De Microcalci�caçõesem Imagens Digitais de Mamogra�as

Aldísio Gonçalves Medeiros

Defesa do Trabalho de Conclusão de CursoInstituto Federal de Ciência, Educação e Tecnologia do Ceará (IFCE)

Campus Maracanaú - TelemáticaBacharelado em Ciência da Computação

Orientador: Prof. M.Sc. Daniel Silva Ferreira

12 de junho de 2015

1 / 69

Trabalhos Futuros

1 IntroduçãoMotivações e ObjetivosCâncer de Mama

De�niçãoMicrocalci�cações

Mamogra�a2 Metodologia

Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI

3 ExperimentosMateriaisMetodologia de Avaliação

4 Resultados5 Conclusões6 Trabalhos Futuros 2 / 69

Trabalhos Futuros

Motivações e ObjetivosCâncer de MamaMamogra�a

Câncer de Mama

INCA (2015) de�ne câncer como:

�Câncer é uma denominação ampla para mais de 100 doenças cujacaracterística comum é o crescimento desordenado de células compotencial invasivo.�

3 / 69

Trabalhos Futuros

Introdução

Motivação

Taxas crescentes de mortalidade na população feminina.Facina(2014), Lucena(2012).

Di�culdades na prevenção primária, INCA(2015).

Mamogra�a como técnica de rastreio para o aumento doíndice de cura. Peixoto(2007).

Análise subjetiva do médico especialista e o uso de CAD.Pereira(2012), Calas(2012).

Melhorar o desempenho de métodos de classi�cação ecompressão de imagens médicas.

4 / 69

Trabalhos Futuros

Introdução

Motivação

4 / 69

Trabalhos Futuros

Introdução

Motivação

4 / 69

Trabalhos Futuros

Introdução

Motivação

4 / 69

Trabalhos Futuros

Introdução

Motivação

4 / 69

Trabalhos Futuros

Introdução

Objetivos

Revisar algoritmos disponíveis para detecção de agrupamentosde microcalci�cações.

Projetar um método para de�nição de regiões suspeitas quemelhor se aproxima do formato das lesões.

Derpertar a comunidade acadêmica para o tema.

5 / 69

Trabalhos Futuros

Introdução

Objetivos

5 / 69

Trabalhos Futuros

Introdução

Objetivos

5 / 69

Trabalhos Futuros

De�nição

Conceito:

Grupo heterogêneo dedoenças, comcomportamentos distintos.Apresentando-se como In

Situ ou invasivo.

Representa 20% dos novoscasos em mulheres.

Figura: Carcinoma Ductal In Situ (CDIS).American Cancer Society (2015).

6 / 69

Trabalhos Futuros

De�nição

Conceito:

Situ ou invasivo.

6 / 69

Trabalhos Futuros

De�nição

Conceito:

Situ ou invasivo.

6 / 69

Trabalhos Futuros

De�nição

Figura: Carcinoma Lobular In Situ (CDIS).American Cancer Society (2015).

7 / 69

Trabalhos Futuros

De�nição

Figura: Carcinoma Lobular In Situ (CDIS).American Cancer Society (2015).

7 / 69

Trabalhos Futuros

De�nição

Figura: Carcinoma Ductal Invasivo.American Cancer Society (2015).

8 / 69

Trabalhos Futuros

Sintomas

Figura: Sintomas do Câncer de Mama.

9 / 69

Trabalhos Futuros

Fatores de Riscos

(a) Idade (b) Historico (c)MenstruaçãoPrecoce

(d)Obesidade

(e)Hormônios

(f) Nãoter Filhos

(g)GestaçãoTardia

(h) Alcool (i) Gene

Figura: Fatores de riscos para o câncer de mama.

10 / 69

Trabalhos Futuros

Incidências - No mundo

Em 2012, no mundo, 1.67 milhões de casos novos dessaneoplasia.

Representando 25% de todos os tipos de câncerdiagnosticados nas mulheres.

Totalizando 520 mil mortes.

11 / 69

Trabalhos Futuros

11 / 69

Trabalhos Futuros

11 / 69

Trabalhos Futuros

Incidências - No Brasil

Figura: Incidências de Câncer, no Brasil, referentes a 2014. INCA (2015)12 / 69

Trabalhos Futuros

Figura: Incidências de Câncer, no Brasil, referentes a 2014. INCA (2015)

13 / 69

Trabalhos Futuros

Figura: Incidências de Câncer, no Nordeste, referentes a 2014. INCA(2015)

14 / 69

Trabalhos Futuros

Figura: Incidências de Câncer, no Ceará, referentes a 2014. INCA (2015)

15 / 69

Trabalhos Futuros

Prevenção e Tratamento

Prevenção

A prevenção foi destacada no Pacto pela Saúde em 2006,INCA (2015).

Tratamento

Em estagio iniciais, método curativos.

Em estágios avançados, prolongar a sobrevida da paciente.

16 / 69

Trabalhos Futuros

Prevenção

Tratamento

16 / 69

Trabalhos Futuros

Prevenção

Tratamento

16 / 69

Trabalhos Futuros

Microcalci�cações

Pioneiros: Albert Salomon(1913), Alemanha. RaulLeborgne (1950), Uruguai.

De�nição:

Depósitos de fosfato de

cálcio,Lakshmanan &Thomas (2012) .Depósitos de oxalato de

cálcio, com natureza ácida eformas irregulares.Alecrin etal. (2012).

Figura: Microcalci�cação na mdb241.

17 / 69

Trabalhos Futuros

Pioneiros: Albert Salomon(1913), Alemanha. RaulLeborgne (1950), Uruguai.

De�nição:

Depósitos de fosfato de

cálcio,Lakshmanan &Thomas (2012) .Depósitos de oxalato de

cálcio, com natureza ácida eformas irregulares.Alecrin etal. (2012).

Figura: Microcalci�cação na mdb241.

17 / 69

Trabalhos Futuros

Os agrupamentosrepresentam um forte

indício carcinoma

invasivo, Facina(2014).

62% dos tumores malignospossuem microcalci�caçõesassociadas, 23% aparecem

como agrupamentos,Koehl et al(1970).

Estudos com 29 pacientes,de 30 tumores malignos, 29mostraram calci�cações emforma de agrupamento,Vianna et al (2002).

Figura: Realce do agrupamento na mdb241.

18 / 69

Trabalhos Futuros

indício carcinoma

18 / 69

Trabalhos Futuros

indício carcinoma

18 / 69

Trabalhos Futuros

Tabela: Atributos relevantes na análise de microcalci�cações, Kopans &Bertuol (2000).

Característica AnáliseTamanho Quanto menores as partículas encontradas mais chan-

ces de serem malignas.Número Necessário que haja a de�nição de agrupamento.Forma A heterogeneidade morfológica é o parâmetro de sus-

peitaDistribuição Distribuídas maneira difusa ou podem formar regiões;

podem estar agrupadas, lineares ou segmentares.Localização Encontradas na superfície da mama ou dentro do pa-

rênquima mamário.19 / 69

Trabalhos Futuros

Diagnóstico Mamográ�co

As lesões podem levar emmédia 10 anos para sedesenvolver, Elias (2015).

A mamogra�a conseguedetectar até 4 anos antesque o tumor seja palpável,Peixoto et al. (2007).

Possui sensibilidade de 88 a93%, já a especi�cidade de85 a 94%. Peixoto et al.(2007).

(a) (b)

Figura: Principais projeções no exame demamogra�a. (a) Incidência Crânio Caudal (CC).(b) Incidência Médio Lateral Oblíqua (MLO).Radiopaedia (2015).

20 / 69

Trabalhos Futuros

(a) (b)

20 / 69

Trabalhos Futuros

(a) (b)

20 / 69

Trabalhos Futuros

Qualidade do Exame

Figura: Possíveis projeções de captura para a produção de imagensmamográ�cas. Kopans (2000).

21 / 69

Trabalhos Futuros

Estado da Arte

Métodos para detecção de microcalci�cações direcionam-se emduas linhas:

Aprimoramento da imagem.

Método de Stojic (2014)Método de Lakshmana & Thomas (2012)

Classi�cação das lesões

Método de Zhang (2014)Método de Diaz-Herta et al (2014)

22 / 69

Trabalhos Futuros

Estado da Arte

Aprimoramento da imagem.

Método de Stojic (2014)Método de Lakshmana & Thomas (2012)

22 / 69

Trabalhos Futuros

Estado da Arte

Aprimoramento da imagem.Método de Stojic (2014)

Método de Lakshmana & Thomas (2012)

22 / 69

Trabalhos Futuros

Estado da Arte

Aprimoramento da imagem.Método de Stojic (2014)Método de Lakshmana & Thomas (2012)

22 / 69

Trabalhos Futuros

Estado da Arte

22 / 69

Trabalhos Futuros

Estado da Arte

Método de Zhang (2014)

Método de Diaz-Herta et al (2014)

22 / 69

Trabalhos Futuros

Estado da Arte

22 / 69

Trabalhos Futuros

Operações Elementares

Morfologia Matemática (MM).

Fundamentada sob operações envolvendo dois conjuntos:Imagem e o Elemento Estruturante (EE).

Grande parte das operações da MM são baseadas em duasoperações elementares: Erosão e Dilação. Gonzalez (2010).

23 / 69

Trabalhos Futuros

23 / 69

Trabalhos Futuros

23 / 69

Trabalhos Futuros

Erosão Morfológica

[A B](x , y) = min(b1,b2)∈B

{A(x + b1, y + b2)} (1)

Dilatação Morfológica

[A⊕ B](x , y) = max(b1,b2)∈B

{A(x − b1, y − b2)} (2)

24 / 69

Trabalhos Futuros

Operações Elementares - Exemplos

(a) Rótulo namdb248

(b) Erosão (c) Dilatação

(d) Rótulona mdb248

(e) Erosão (f) Dilatação

Figura: Ruído do background da mamogra�a mdb248.25 / 69

Trabalhos Futuros

(a) Original (b) Erosão

Figura: Histograma do corte na mdb248 representado nas escalas de 150a 250.

26 / 69

Trabalhos Futuros

(a) Original (b) Dilatação

Figura: Histograma do corte na mdb248 representado nas escalas de 150a 250.

27 / 69

Trabalhos Futuros

Operações Derivadas

Abertura Morfológica

A ◦ B = (A B)⊕ B (3)

Fechamento Morfológica

A • B = (A⊕ B) B (4)

28 / 69

Trabalhos Futuros

Gradiente Morfológico

G = (A⊕ B)− (A B) (5)

29 / 69

Trabalhos Futuros

Operações Derivadas - Exemplos

(a) Original (b) Microcalci�caçõesRealçadas

(c) Aplicação doGradiente

Figura: Recorte do mamograma mdb241 com aplicação da transformadaTop-Hat, Figura (b), seguida do gradiente morfológico, Figura (c).

30 / 69

Trabalhos Futuros

Transformada Top-Hat

TH = A− (A ◦ B) (6)

Transformada Bottom-Hat

BH = (A • B)− A (7)

31 / 69

Trabalhos Futuros

Limiarização

Limiarização Global

g(x , y) =

{1 sef (x , y) > T0 sef (x , y) < T

Limiarização ótima Otsu (1975)

Baseado na distribuição estatísticas dos pixels.

Utiliza a variância da distribuição dos pixels.

Maximizar a variância entre essas classes, encontrando umlimiar T .

32 / 69

Trabalhos Futuros

Limiarização

g(x , y) =

{1 sef (x , y) > T0 sef (x , y) < T

32 / 69

Trabalhos Futuros

Limiarização

g(x , y) =

{1 sef (x , y) > T0 sef (x , y) < T

32 / 69

Trabalhos Futuros

Método proposto por Diaz-Huerta et al (2014)

Figura: Fluxo das operação no método de remoção do ruído proposto porDiaz-Huerta et al (2014). Na etapa 4, observa-se que a região de ruído,indicada pela seta, não foi completamente removida da imagem,contendo pixels com valores de intensidade iguais a 7.

33 / 69

Trabalhos Futuros

Método proposto

34 / 69

Trabalhos Futuros

Remoção de ruído do mamograma

Figura: Diagrama de atividade do método de remoção do background.35 / 69

Trabalhos Futuros

Figura: Diagrama da subatividade 4 do método de remoção dobackground.

36 / 69

Trabalhos Futuros

Figura: Remoção do background na amostra mdb209.

37 / 69

Trabalhos Futuros

38 / 69

Trabalhos Futuros

39 / 69

Trabalhos Futuros

40 / 69

Trabalhos Futuros

Detecção da ROI

Destina-se a detectar uma ROI com forma arbitrária quemelhor se aproxima do real contorno de um

agrupamento de microcalci�cações.

A etapa seguinte utiliza a imagem resultante do método deremoção de ruídos descrito na seção anterior.

41 / 69

Trabalhos Futuros

Detecção da ROI

Destina-se a detectar uma ROI com forma arbitrária quemelhor se aproxima do real contorno de um

agrupamento de microcalci�cações.

A etapa seguinte utiliza a imagem resultante do método deremoção de ruídos descrito na seção anterior.

41 / 69

Trabalhos Futuros

Detecção da ROI

Figura: Diagrama de atividade do método de detecção da ROI.42 / 69

Trabalhos Futuros

Detecção da ROI

Figura: Exemplos de aplicação da localização automática da ROIcontendo o agrupamento de lesões suspeitas. Representa os achados nosmamogramas mdb213 todos com microcalci�cações malignas.

43 / 69

Trabalhos Futuros

Detecção da ROI

44 / 69

Trabalhos Futuros

Detecção da ROI

45 / 69

Trabalhos Futuros

Detecção da ROI

46 / 69

Trabalhos Futuros

MateriaisMetodologia de Avaliação

Base de Dados

Obtidas a partir da base pública MIAS (Mammographic Image

Analysis Society).

Contém 322 imagens reais de mamogra�as.

Resolução de 1024x1024 pixels com intensidade de 8 bits/pixel

22 imagens contendo microcalci�cações benignas e malignas.

Tecidos Glandular, Denso e Gorduroso.

47 / 69

Trabalhos Futuros

Base de Dados

Analysis Society).

47 / 69

Trabalhos Futuros

Base de Dados

Analysis Society).

47 / 69

Trabalhos Futuros

Base de Dados

Analysis Society).

47 / 69

Trabalhos Futuros

Base de Dados

Analysis Society).

47 / 69

Trabalhos Futuros

Base de Dados

Os testes foram realizadosem 15 imagens da baseMIAS

As amostras foramdistribuídas igualmenteconforme tipo de tecido damama.

Figura: Amostras por tecido da base MIAS.

48 / 69

Trabalhos Futuros

Base de Dados

Os testes foram realizadosem 15 imagens da baseMIAS

As amostras foramdistribuídas igualmenteconforme tipo de tecido damama.

Figura: Amostras por tecido da base MIAS.

48 / 69

Trabalhos Futuros

Critérios

Para avaliação do método, observou-se a quantidade de pixels

detectados pelo método em relação a ROI circular de�nidapelo ground-truth da base MIAS.

Para esta análise é proposto um índice K .

Índice K

k = 1−∑

pa(x , y)∑pc(x , y)

, ∀pa(x , y) ∈ Ra, ∀pc(x , y) ∈ Rc (9)

Onde Ra e Rc representam as regiões arbitrárias e circulares.Em que k → 1 sinaliza alta redução no tamanho da ROI ek → 0 signi�ca baixa redução.

49 / 69

Trabalhos Futuros

Critérios

Índice K

k = 1−∑

,∀pa(x , y) ∈ Ra,∀pc(x , y) ∈ Rc (9)

49 / 69

Trabalhos Futuros

Critérios

Índice K

k = 1−∑

, ∀pa(x , y) ∈ Ra, ∀pc(x , y) ∈ Rc (9)

49 / 69

Trabalhos Futuros

Critérios

Índice K

k = 1−∑

, ∀pa(x , y) ∈ Ra, ∀pc(x , y) ∈ Rc (9)

49 / 69

Trabalhos Futuros

Experimentos

É necessário analisar também o quantitativo demicrocalci�cações nas duas regiões, Ra e Rc .

Utilizamos como avaliador um método de classi�cação demicrocalci�cações proposto por Linguraru et al(2006).

Índice M

Nc(10)

Onde Na e Nc representam o número de microcalci�caçõesexistentes em Ra e Rc , respectivamente. Com M → 1, tem-sea preservação de microcalci�cações e M → 0 sugere perdas.

50 / 69

Trabalhos Futuros

Experimentos

Índice M

Nc(10)

50 / 69

Trabalhos Futuros

Experimentos

Índice M

Nc(10)

50 / 69

Trabalhos Futuros

Experimentos

Índice M

Nc(10)

50 / 69

Trabalhos Futuros

Método Proposto

(a) (b)

Figura: Experimentos realizados com a mamogra�as mdb231. (a) ROIcircular da base MIAS. (b) ROI com formato arbitrário encontrado pelométodo na amostra mdb231.

51 / 69

Trabalhos Futuros

Método Proposto

(a) (b)

Figura: Experimentos realizados com a mamogra�as mdb249. (a) ROIcircular da base MIAS. (b) ROI com formato arbitrário encontrado pelométodo na amostra mdb249.

52 / 69

Trabalhos Futuros

Resultados

1 2 3 4 5 6 7 8 9 10 11 12 13 14 150

imagens da base MIAS

índice K

Figura: Índices K para imagens da base MIAS.

53 / 69

Trabalhos Futuros

Resultados

1 2 3 4 5 6 7 8 9 10 11 12 13 14 150

imagens da base MIAS

índice M

Figura: Índices M para imagens da base MIAS.

54 / 69

Trabalhos Futuros

Resultados

Tabela: Taxa de acerto e redução da área do agrupamento em relação aROIs circulares.

Tecido Acerto da ROI Redução da ROIGlandular 0.9191 ±0.114 0.7696Glandular gorduroso 0.8255 ±0.109 0.6701Denso 0.9098 ±0.207 0.6250

55 / 69

Trabalhos Futuros

Resultados

Tabela: Quantidade de microcalci�cações preservadas, por tipo de tecido.

Tecido Ra Rc Taxa de preservaçãoGlandular 8 7 87.5%Glandular gorduroso 9 5 55.5%Denso 5 4 80%

56 / 69

Trabalhos Futuros

Resultados

Concluímos que, no cenário de testes, o método mostrou umataxa média de acerto de 87,66% dos agrupamentos

contendo microcalci�cações malignas e menignas.

A demarcação da região mais próximas as microcalci�caçõessugere uma boa taxa de redução, onde em geral 74% das

lesões foram preservadas.

57 / 69

Trabalhos Futuros

Resultados

Concluímos que, no cenário de testes, o método mostrou umataxa média de acerto de 87,66% dos agrupamentos

contendo microcalci�cações malignas e menignas.

A demarcação da região mais próximas as microcalci�caçõessugere uma boa taxa de redução, onde em geral 74% das

lesões foram preservadas.

57 / 69

Trabalhos Futuros

Conclusões

O método proposto consegue de�nir uma região deagrupamento de microcalci�cações satisfatória para imagensde mama glandular, gordurosas e densas, com taxas de

acerto superiores a 82% quando comparadas ao groundtruth da base.

Além disso, a redução da área não causou perdas excessivas

das microcalci�cações.

A redução de dados com a demarcação da ROI mais próximadas lesões pode melhorar o desempenho de métodos de

compressão e classi�cação.

58 / 69

Trabalhos Futuros

Conclusões

58 / 69

Trabalhos Futuros

Conclusões

58 / 69

Trabalhos Futuros

Analisar o comportamento do método em uma base deresolução maior, DDSM, largamente utilizada para avaliação.

Investigar o desempenho de algoritmos de compressão eclassi�cação a partir das ROIs de�nidas pelo método proposto.

59 / 69

Trabalhos Futuros

Analisar o comportamento do método em uma base deresolução maior, DDSM, largamente utilizada para avaliação.

Investigar o desempenho de algoritmos de compressão eclassi�cação a partir das ROIs de�nidas pelo método proposto.

59 / 69

Trabalhos Futuros

Contribuições

Título:Detecção de agrupamentos de microcalci�cações emimagens digitais de mamogra�as.Evento: XV Workshop de Informática Médica, realizado comoparte dos eventos do XXXV Congresso da Sociedade Brasileira deComputação (CSBC), em Recife - PE, Brasil.Sociedade Cientí�ca: Sociedade Brasileira de Computação.

60 / 69

Apêndice Referências Bibliográ�cas

Referências Bibliográ�cas I

Intituto Nacional de Câncer José Alencar Gomes da Silva.Controle do Câncer de mama

Disponível em: http://www2.inca.gov.br. Acesso em:09/06/2015.

Facina, Taís.Estimativa 2014�Incidência de Câncer no Brasil

INCA, 2014.

Martins, Letícia A. L. and Barra,A.A. and Lucena, C.E.M.Microcalci�cações Mamárias Suspeitas de Malignidade

2. vol. 56. Revista Brasileira de Cancerologia, 2010.

61 / 69

Referências Bibliográ�cas II

Peixoto, JE and Canella, E and Azevedo, ACMamogra�a: Da Prática ao Controle

INCA, 2007.

Calas, M.J.G. and Gut�len, B. and Pereira, W.C.A.CAD e mamogra�a: por que usar esta ferramenta.

1. vol. 45. Radiol Bras,SciELO Brasil, 2012.

Koehl, RH and Snyder, R. E. and Hutter, RV and Foote Jr,FWThe incidence and signi�cance of calci�cations within operative

breast specimens.

American journal of clinical pathology, 1970.

62 / 69

Referências Bibliográ�cas III

Vianna, Alberto Domingues and Marchiori, EdsonCalci�cações malignas da mama: correlação

mamogra�a-anatomia patológica

Radiol. bras, 2002.

Lakshmanan, Rekha and Thomas, VinuEnhancement of microcalci�cation features using morphologyand contourlet transformIEEE, 2012.

63 / 69

Referências Bibliográ�cas IV

Furgeri, Sérgio and Rodrigues, Silvia CM and da Silva, SimoneMTecnologias associadas ao diagnóstico do Câncer de MamaReverte-Revista de Estudos e Re�exões Tecnológicas daFaculdade de Indaiatuba, 2011.

Feital, João Carlos Da Silva and Delgado, José Ubiratan andothersUMA METODOLOGIA PARA COMPROVAR OAPARECIMENTO DE CASOS DE CÂNCER DEVIDOS ÀDOSE DE RADIAÇÃO NA MAMA COMPRIMIDA2013.

64 / 69

Referências Bibliográ�cas V

Caldas, Flávio Augusto Ataliba and Isa, HLVR and Trippia,Andréa Cristina and othersControle de qualidade e artefatos em mamogra�aRadiol Bras, SciELO Brasil, 2005.

Radiopaedia.orgMammography viewsDisponível em:http://radiopaedia.org/articles/mammography-views. Acessoem: 02/05/2015.

65 / 69

Referências Bibliográ�cas VI

Diaz-Huerta, CC and Felipe-Riveron, EM and Montaño-Zetina,LMQuantitative analysis of morphological techniques for automaticclassi�cation of micro-calci�cations in digitized mammogramsExpert Systems with Applications, Elsevier,2014.

Otsu, NobuyukiA threshold selection method from gray-level histograms.Automatica, 1975.

66 / 69

Referências Bibliográ�cas VII

Linguraru, Marius George and Marias, Kostas and English,Ruth and Brady, MichaelA biologically inspired algorithm for microcalci�cation cluster

detection.Medical image analysis, Elsevier, 2006.

67 / 69

Referências Bibliográ�cas VIII

GONZALEZ, R. C; WOODS, R. E.Processamento digital de imagens.3. ed. Pearson Prentice Hall, 2010.

De Paredes, Ellen ShawAtlas of mammographyLippincott Williams & Wilkins, 2007.

Kopans, Daniel B and Bertuol, MauroImagem da mamaMedsi, 2000.

68 / 69

Obrigado pela atenção!

69 / 69

Detecção de Agrupamentos de Microcalcificações em Imagens Digitais de Mamografia

Technology

La mamografia

MAMOGRAFIA 1_ aula

Apostila de Mamografia

Qualidade Em Mamografia

ANÁLISEPETROFÍSICAEDE AGRUPAMENTOS …

Aula Mamografia Digital

Artefactos en mamografia

Expo Mamografia

Bi rads - mamografia

Mamografia Graça

Mamografia Aula

Apostila Curso Mamografia

Mamografia 2

Mamografia Basica

Mamografia 1

Mamografia (todo)

Mamografia - Aula 07

Mamografia (Artigo)

Agrupamentos / Clustering

Incidencias de mamografia