2.1. Introdução Introdução ao Processamento de Imagens Médicas

73

AbstractComputer-aided diagnosis (CAD) systems are computational tools that

aim to help medical professionals in their diagnostic decisions. These applica-tions have opened new opportunities for computing professionals and have offe-red varied researches for academia. This chapter presents the main concepts of medical image processing, focusing on the construction of CAD systems that have these images as their main source of data. We cover concepts related to the formation of medical images and classical techniques of processing these images. We present examples of computational applications implemented with a combination of processing techniques to achieve the pre-determined objecti-ves of CAD systems.

ResumoSistemas de auxílio ao diagnóstico (computer-aided diagnosis – CAD)

são ferramentas computacionais que visam a auxiliar profissionais da Medicina nas decisões a respeito de diagnósticos. Estas aplicações têm aberto novas oportunidades para profissionais de Computação e oferecido opções variadas para pesquisas na academia. Este capítulo apresenta os conceitos principais de processamento de imagens médicas, focalizando a construção de sistemas CAD, que têm estas imagens como principal fonte de dados. São abordados conceitos relacionados à formação das imagens médicas e às técnicas clássi-cas de processamento aplicadas a essas imagens. São também apresentados exemplos de aplicações computacionais implementadas com a combinação de técnicas de processamento para atingir objetivos pré-determinados em siste-mas CAD.

2.1. IntroduçãoSistemas de diagnóstico auxiliado por computador (ou simplesmente

esquemas CAD, de “computer-aided diagnosis”) são sistemas computacionais, muitas vezes acoplados a equipamentos médicos, com a finalidade de auxiliar

Introdução ao Processamento de Imagens Médicaspara Auxílio ao Diagnóstico –

Uma Visão Prática

Capítulo 2

Fátima L. S. Nunes

L. S. Nunes

74

na tomada de decisão a respeito de um diagnóstico. Aplicações com finalida-des diversas têm sido desenvolvidas por vários grupos de pesquisas, visando a auxiliar na composição de diagnósticos como uma forma de contribuir para a detecção precoce de doenças.

Giger (2000) define o diagnóstico auxiliado por computador como aque-le no qual o radiologista usa os resultados de uma análise computadorizada de imagens médicas como uma “segunda opinião” na detecção de lesões e na elaboração do diagnóstico. A importância desses esquemas é enfatizada por Chan et al. (1990), Doi et al. (1991), Ellis et al. (1993), Giger and MacMahon (1996) e Petrick et al. (1996), que apresentam taxas de diagnósticos errados em programas de rastreamento e mostram que o uso de esquemas CAD pode melhorar o desempenho de radiologistas no diagnóstico médico.

Verifica-se, entretanto, que apesar de ser objeto de pesquisas de várias instituições ao redor do mundo, são poucos os sistemas deste tipo aplicados no dia-a-dia da prática médica. Isso se deve principalmente ao fato de que esta classe de sistema exige alto desempenho, tanto em nível de velocidade de execução quanto em nível de acerto nos resultados. Seus resultados são utili-zados para tomar decisões em termos de diagnóstico e escolha de tratamento; por isso, alguns tipos de erro são inadmissíveis.

No Brasil, a situação não é diferente. Alguns grupos de pesquisa, liga-dos principalmente a universidades, dedicam-se ao estudo, implementação e avaliação desse tipo de sistema. No entanto, percebe-se que os resultados são ainda iniciais, constituindo um mercado promissor para os próximos anos, tanto em termos de pesquisa quanto em termos de implementação em nível industrial.

Em geral, os sistemas CAD fornecem opiniões a partir de informações extraídas de imagens médicas, que podem ser provenientes de diversos tipos de modalidades, como Radiografia, Ultra-sonografia e Ressonância Magnéti-ca Nuclear, entre outras. Técnicas de processamento de imagens, inteligência artificial, reconhecimento de padrões, entre outras especificidades computa-cionais, são aplicadas com o objetivo de melhorar tais imagens e extrair delas informações úteis ao diagnóstico.

Sistemas completos, considerando software e hardware, necessitam da participação de equipes multidisciplinares. Além dos profissionais da compu-tação são necessárias as habilidades de engenheiros, físicos, estatísticos e, obviamente, especialistas da área de saúde para a qual o sistema está sendo desenvolvido. Como mencionado, atualmente vários centros de pesquisas no mundo dedicam-se ao desenvolvimento de sistemas CAD com objetivos varia-dos. Exemplos são os CADs para detecção de doenças pulmonares de Arimu-ra et al. (2004), colonoscopia virtual (Nappi et al., 2004), câncer de mama (Doi et al., 1997; Nunes et al., 2001a), entre outros.

O objetivo deste capítulo é apresentar técnicas de processamento de imagens, estabelecendo como foco principal as aplicações sobre imagens médicas, destinadas a constituírem fontes de dados para sistemas CAD. São

Introdução ao Processamento de Imagens Médicas

75

apresentados conceitos sobre a formação de imagens médicas, técnicas de processamento de imagens e seus efeitos sobre imagens médicas, além de exemplos de aplicações reais de técnicas com o objetivo de auxiliar na detec-ção precoce de doenças.

As técnicas aqui apresentadas podem ser aplicadas a imagens pro-venientes de qualquer modalidade. Por questões de delimitação de objeto de estudo, maior ênfase será dada às imagens provenientes de Radiografia. Os exemplos apresentados considerarão apenas imagens em tons de cinza, visto que grande parte das modalidades médicas considera escalas de cinza para representar as diferentes estruturas. No entanto, os conceitos apresentados podem ser aplicados a imagens coloridas com algumas adaptações.

2.2. Modalidades de Imagens MédicasDesde que Röentgen, em 1895, descobriu a existência de uma radiação

até então desconhecida, capaz de atravessar materiais, ser parcial ou total-mente absorvida por eles e fixar-se em anteparos, a dinâmica dos exames médicos sofreu drásticas mudanças. Com a descoberta dos Raios-X, há pouco mais de 100 anos, tornou-se possível a visualização de estruturas internas do corpo e diagnosticar anomalias.

A partir daí, o avanço na aquisição, processamento e armazenamen-to de imagens médicas vem permitindo o aperfeiçoamento de diagnósticos e tratamentos de doenças de naturezas diversas. Cada modalidade de imagem médica atua de forma diferenciada. Sua aquisição visa a ressaltar as diferen-ças entre os diversos tipos de tecidos existentes na natureza e, especialmen-te, aqueles que compõem o corpo humano, fazendo com que estruturas de interesse se sobressaiam e, assim, possam ser identificadas como eventuais anomalias.

Maintz and Viergever (1998) lembram que as modalidades médicas po-dem ser classificadas em duas categorias globais: anatômicas e funcionais. As modalidades anatômicas são dedicadas a identificar morfologias, incluindo Raio-X, Tomografia Computadorizada (TC), Ressonância Magnética Nuclear (RMN), Ultra-som (US), entre outras. Há outras modalidades derivadas dessas primeiras, sendo citadas por nomenclaturas diferentes como Angiografia por Ressonância Magnética (derivada da RMN), Angiografia por Tomografia Com-putadorizada (derivada da TC), Angiografia por Subtração Digital (derivada de Raio-X) e Doppler (derivada de US). As modalidades funcionais são aquelas que têm o objetivo de adquirir informação a respeito do metabolismo relacio-nado a uma anatomia, incluindo cintilografia, SPECT (single photon emission computed tomography), PET (positron emission tomography), modalidades de medicina nuclear, RMN funcional, entre outras (as nomenclaturas foram man-tidas em inglês a fim de relacioná-las com suas siglas, que as identificam na área médica).

As considerações e imagens apresentadas neste capítulo dedicam-se apenas a modalidades anatômicas. As seções a seguir apresentam as prin-

L. S. Nunes

76

cipais características da formação de imagens médicas considerando quatro modalidades: Radiografia, Ultra-sonografia, Ressonância Magnética Nuclear e Tomografia Computadorizada. É apresentada uma visão geral da formação da imagem em cada uma delas e problemas inerentes à modalidade, aos quais as técnicas de processamento de imagens podem oferecer contribuições. Maior ênfase será atribuída à Radiografia, visto que os exemplos utilizados no capí-tulo são, na sua maioria, provenientes desta modalidade de imagem e que vá-rios dos problemas relacionados a esta primeira modalidade apresentada são aplicáveis a outras modalidades e podem ser minimizados com o emprego de técnicas de processamento de imagens. Não se pretende esgotar o assunto, mas fornecer uma base teórica a fim de que possam ser compreendidos os conceitos e exemplos das próximas seções.

2.2.2. RadiografiaNa Radiografia a imagem se forma em conseqüência, entre outras coi-

sas, da interação dos fótons de Raios-X com a matéria. Esses fótons atraves-sam o objeto, sofrendo atenuações, causadas pela sua absorção total ou par-cial. O nível de absorção depende dos elementos constituintes desse objeto. Dentro do corpo humano, por exemplo, ossos, músculos e gordura absorvem os fótons com diferentes níveis de absorção, levando a diferentes atenuações e, conseqüentemente, diferentes intensidades de radiação que chegam ao an-teparo no qual a imagem será formada. Isso resulta em diferentes tons de cinza. É essa diferença que possibilita a formação do contraste, permitindo a identificação de estruturas anatômicas. A seguir são apresentados alguns pro-blemas inerentes à Radiografia que influenciam na formação da imagem.

Os Raios-X constituem radiação ionizante e o excesso deste tipo de radiação traz prejuízos ao organismo humano. Por isso, é imprescindível um controle a fim de que a dose de radiação recebida pelo paciente não seja mais prejudicial do que o benefício a que ela se propõe. Alguns fatores contribuem para o aumento da dose absorvida, como o aumento da tensão e o aumento da corrente para a produção de fótons e, ainda, o prolongamento do tempo de exposição. Geralmente estas práticas são aplicadas quando é desejada uma imagem com intensidade mais acentuada (Curry III et al.,1990). Com relação a esta característica, as técnicas de processamento de imagens podem con-tribuir no sentido de realçar a imagem de acordo com a intensidade desejada, dispensando os costumeiros aumentos de tempo de exposição, tensão e/ou corrente de tubo (Ishida et al., 1983).

O efeito Heel é outro problema a ser enfrentado pelo processamento de imagens, conforme destacado por Curry III et al. (1990) e Wilks (1987): a intensidade da radiação do tubo não é uniforme em todas as regiões do campo, sendo dependente do ângulo em que os fótons são emitidos do ponto focal. Conseqüentemente, o nível de intensidade no filme poderá variar para estruturas que têm o mesmo índice de absorção. Isso causa uma preocupação constante com os métodos a serem empregados nos sistemas de CAD: não


77

é possível fixar valores de cores (em geral, níveis de cinza) que representem as estruturas de interesse após a digitalização. São aplicadas, então, técnicas adaptativas à região.

A radiação espalhada, causada por fótons desviados de suas trajetórias ideais, é um outro ponto que pode constituir um problema no processamento de imagens. Por apresentar uma característica randômica, não é possível prever o seu efeito. Por isso, uma das possibilidades é que cause ruídos e redução do contraste na imagem, de acordo com Wilks (1987) e Curry III et al. (1990). Um dos tipos de espalhamento mais citados na literatura é o efeito Compton, onde parte da energia do fóton é absorvida pela matéria e outra parte permanece no próprio fóton. Ocorrendo o desvio deste fóton em uma direção inesperada, seu efeito pode ser desde ruídos e diminuição do contraste da imagem (Jackson et al.,1993) até aumento da dose no paciente.

O efeito da radiação espalhada pode ser diminuído com a utilização de grades (Scaff, 1979), que consistem em peças compostas por uma série de faixas de chumbo separadas por espaços. Acopladas ao sistema, o seu funcionamento ideal deveria permitir a absorção da radiação espalhada sem absorver a radiação primária e, então, proporcionar o máximo contraste no fil-me sem aumentar a exposição do paciente. No processamento de imagens, a forma de superar o efeito da radiação espalhada é estabelecer procedimentos que removam ruídos e aumentem o contraste da imagem, como a limiarização e filtros que suprimam os sinais de alta freqüência. No entanto, estes procedi-mentos devem ser cuidadosos, visto que alguns componentes de alta freqüên-cia podem constituir estruturas de interesse em um diagnóstico.

A distorção na imagem radiográfica pode ser resultante da magnificação desigual de diferentes partes do mesmo objeto, conforme é afirmado por Curry III et al. (1990). Muitas vezes a magnificação é desigual devido ao posiciona-mento do objeto. A distorção da imagem pode ser diferente para diferentes partes do feixe de Raios-X. Assim, dois ou mais objetos podem sofrer distor-ções diferentes se estiverem posicionados em locais com distâncias diferentes do filme. A penumbra também constitui uma forma de distorção. Consiste em uma região de borramento que contorna a imagem real do objeto no filme. Na mamografia, por exemplo, geralmente a mama está em contato com o local de registro da imagem, o que, teoricamente, deveria eliminar a possibilidade de penumbra. No entanto, a estrutura de interesse, estando espalhada pela mama, nem sempre está em contato com o filme, causando, dessa forma, uma penumbra (Schiabel et al., 1994). Distorções causam complicações em um sistema para detecção de estruturas pequenas e cujo formato é importante. Muitas vezes, formato e tamanho são características empregadas para o reco-nhecimento e classificação de estruturas de interesse.

A sobreposição de objetos é outro aspecto que exerce grande influência no reconhecimento de padrões, considerando que a imagem radiográfica é a representação bidimensional de um objeto tridimensional. Dependendo do posicionamento das estruturas internas do órgão cuja imagem está sendo ad-

L. S. Nunes

78

quirida, a imagem resultante pode apresentar sobreposição destes elementos, transformando dois ou mais objetos em um bloco único. Uma possível solução para esta questão é o processamento da imagem a partir de projeções diferen-tes do mesmo objeto, de forma que a localização de possíveis estruturas e o relacionamento entre suas localizações forneçam aos médicos mais subsídios para o diagnóstico correto. Outra maneira de solucionar a questão seria o pro-cessamento e a reconstrução de imagens tridimensionais.

O contraste e a resolução espacial também são características das ima-gens que podem prejudicar o diagnóstico. Na imagem radiográfica o contraste refere-se à diferença de densidades entre áreas, conforme afirmam Dhawan et al. (1988) e Curry III et al. (1990). Se o objeto cuja imagem está sendo regis-trada é formado por diferentes elementos e cada um desses elementos apre-senta diferentes níveis de absorção dos fótons de Raios-X, então, o padrão a ser registrado no filme apresentará diferentes intensidades. Quanto maior for a diferença entre as intensidades, maior será o contraste percebido e, prova-velmente, maior facilidade oferecerá para interpretação médica. Além disso, para que seja utilizado um esquema computadorizado para reconhecimento de estruturas, os filmes radiográficos precisam ser digitalizados ou, então, a imagem precisa ser adquirida digitalmente. Os equipamentos utilizados para esse processo variam muito em termos de escala de cores (ou níveis de cinza) oferecidas e resolução espacial. As cores (ou níveis de cinza) estão diretamen-te relacionadas com o contraste. Geralmente uma faixa de densidades ópticas do filme é representada por um único valor na escala de cores durante a digi-talização, como mostrado por Chan et al. (1987).

A resolução espacial, por sua vez, refere-se à quantidade de pontos por unidade de medida que permite a maior ou menor percepção de detalhes na imagem. Em uma imagem digitalizada, refere-se à quantidade de pontos em um centímetro ou milímetro quadrado que, ao final, estabelecerá o tamanho da menor unidade da imagem digitalizada: o pixel.

Esses dois últimos aspectos abordados devem ser bem analisados e definidos para se ter um esquema CAD eficiente. As cores ou níveis de cinza serão processados a fim de informarem o tamanho e localização da estrutura reconhecida. Da mesma forma, no processamento, o tamanho do pixel é muito importante, principalmente na identificação de estruturas pequenas, como é o caso de microcalcificações em mamogramas. Se a digitalização não forne-cer um tamanho suficientemente pequeno de pixel, algumas microcalcifica-ções pequenas podem ser desprezadas e até mesmo desaparecer durante o pré-processamento, conforme afirmam Chan et al. (1987).

Apesar dos problemas citados nesta seção estarem relacionados com as imagens radiológicas, vários deles estão presentes em imagens advindas de outras modalidades, principalmente aqueles inerentes à imagem propria-mente dita, como distorção e resolução de contraste. Esses aspectos são aqueles que podem ser mais beneficiados pelas técnicas de processamento de imagens.


79

2.2.3. Ultra-sonografiaBronson (2002) e Bega et al. (2001) definem a Ultra-sonografia como

uma modalidade de exame baseada na reflexão de som. A imagem se forma quando uma onda sonora é refletida ao chocar-se com a região anatômica em análise. Para formar as imagens da estrutura do corpo humano, esta modali-dade utiliza uma faixa de ondas sonoras com uma freqüência maior do que a audível para o ser humano. Em aplicações de diagnósticos médicos são utiliza-das freqüências de 1 a 10 MHz.

É um dos métodos, dentre os exames de diagnóstico por imagem, mais utilizado no rastreamento de doenças, especialmente por não ser invasivo, ter boa sensibilidade e baixo custo, permitindo o exame de órgãos abdominais, pélvicos e estruturas superficiais como mama, tireóide, globo ocular e sistema músculo-esquelético. Por outro lado, pode-se citar como desvantagens o fato de que a qualidade da imagem depende da habilidade do operador, a baixa resolução espacial e a presença constante de ruídos na imagem.

O equipamento de ultra-sonografia é portátil e o modelo padrão é for-mado por monitor, aparelho de impressão, teclado e um emissor/receptor. As imagens são geradas em níveis de cinza e em tempo real, sendo seu tamanho definido por uma matriz que contém geralmente 512x512 pixels. As imagens geradas são armazenadas em memória digital, videocassete, ou diretamente no filme através de uma câmera multiformato. É importante destacar que ruí-dos de outros equipamentos podem ser captados pelo aparelho de ultra-som gerando faixas lineares ou pontos na imagem, criando certas deformações e irregularidades capazes de dificultar a análise do exame.

2.2.4. Ressonância Magnética NuclearDainty and Shaw (1976) definem que a Ressonância Magnética Nuclear

é baseada nas propriedades magnéticas dos núcleos atômicos, sendo capaz de oferecer detalhes anatômicos e informações estruturais e fisiológicas de forma superior à fornecida por outras modalidades. É capaz de gerar imagens que diferenciem claramente os vários tipos de tecidos moles, mesmo que es-ses tenham a mesma densidade de massa.

O fenômeno de ressonância, de acordo com Luiten (1981), manifesta-se nos mais diversos tipos de sistemas da natureza, ocorrendo sempre que acontece um estímulo cuja freqüência seja próxima à freqüência do sistema. No núcleo das células, esta ressonância tem natureza magnética, derivando do fato de certos núcleos terem um momento angular intrínseco chamado spin e um momento magnético associado a ele.

Arcuri and McGuire (2001) citam que esta técnica baseia-se no prin-cípio de que os núcleos dos átomos, que em estado normal giram com spins em orientações randômicas, se orientam quando colocados num campo mag-nético. Por isso, a aplicação de um pulso de rádio-freqüência a esses núcleos orientados faz com que estes absorvam e emitam uma quantidade de energia cuja freqüência precisa de ressonância e depende das próprias características

L. S. Nunes

80

do núcleo e do campo magnético. Quando o cérebro, por exemplo, é submetido a um campo magnético ao qual uma freqüência de rádio é superimposta, seus tecidos emitem freqüências diferentes por terem constituições físico-químicas distintas. Isso torna possível diferenciar os sinais emitidos pelas substâncias cinzenta ou branca, gerando uma imagem de grande precisão espacial.

Na formação da imagem na RMN, uma das principais propriedades mapeadas é a densidade local dos núcleos atômicos, sendo o hidrogênio o elemento mais utilizado, devido às características intrínsecas deste elemento e também pelo motivo de que o corpo humano possui grande quantidade deste elemento na sua composição. Para gerar as imagens, uma amostra de núcle-os é perturbada por uma seqüência de pulsos de radiofreqüência, emitindo um sinal de RMN para cada um dos núcleos excitados. O registro dos sinais retornados permite a formação da imagem com grande diferenciação entre os tecidos.

Durante a execução do exame, o paciente se posiciona em uma espé-cie de túnel no qual estão localizadas as bobinas magnéticas que geram a fre-qüência necessária ao procedimento. Conforme lembram Arcuri and McGuire (2001), a claustrofobia e o barulho do equipamento são desvantagens da técni-ca. Também deve ser citado como desvantagem o fato de que esta modalidade de imagem médica pode ser perigosa para pacientes que possuem implantes metálicos, como marcapassos.

2.2.5. Tomografia ComputadorizadaConforme define Wilks (1987), da mesma forma que a radiografia con-

vencional, a Tomografia Computadorizada baseia-se no princípio de os Raios-X serem apenas parcialmente absorvidos pelo corpo.

Enquanto que na radiografia convencional o feixe de Raios-X é pirami-dal e a imagem obtida é uma imagem de projeção, na TC o feixe é emitido por uma pequena fenda e tem a forma de leque. O tubo de Raios-X gira 360 graus em torno da região do corpo a ser estudada e a imagem obtida é tomográfica, ou seja, são obtidas “fatias” da região investigada. Em oposição ao feixe de Raios-X emitidos, tem-se um detector de fótons que gira concomitantemente ao feixe. Os fótons emitidos dependem da espessura do objeto e da capacida-de deste de absorver os Raios-X. Os detectores de fótons da TC transformam os fótons emitidos em sinal analógico e depois digital.

Após a aquisição das seções transversais, as informações obtidas são processadas utilizando uma técnica matemática chamada de projeção retró-grada, ou outras, como a transformada de Fourier.

As imagens tomográficas podem ser obtidas em dois planos: axial (per-pendicular ao maior eixo do corpo) e o coronal (visão frontal). Após a sua obtenção, recursos computacionais podem permitir reconstruções no plano sagital (paralelo à sutura sagital do crânio) ou reconstruções tridimensionais.

A principal vantagem da TC é que permite o estudo de seções trans-versais do corpo vivo. É uma grande melhoria em relação às capacidades da


81

radiografia convencional, pois permite a detecção ou o estudo de anomalias que não seria possível senão através de métodos invasivos.

Uma das principais desvantagens é a grande quantidade de radiação X imprimida ao paciente. Outra desvantagem é o seu elevado preço, especial-mente quando comparada com outros métodos como a radiografia convencio-nal.

2.2.6. Considerações para o processamento de imagensCada modalidade de imagem médica responde a um ou mais aspectos

presentes nos materiais que compõem os seres da natureza. Assim, cada uma delas tem peculiaridades que fazem com que sejam mais ou menos adequa-das para o diagnóstico de determinadas doenças.

A finalidade das imagens médicas é auxiliar na composição do diag-nóstico de anomalias e fornecer material para acompanhamento de terapias. Como mencionado nas seções anteriores, cada modalidade tem objetivos es-pecíficos e pode apresentar problemas específicos. Na prática, a composição de um diagnóstico pode utilizar imagens adquiridas de modalidades diversas, visto que as limitações de uma modalidade podem ser superadas por caracte-rísticas de uma outra modalidade, fazendo com que uma modalidade comple-mente a outra.

Os diferentes objetivos e os diferentes problemas apresentados pelas modalidades requerem tratamentos diferentes, que podem ser obtidos a partir da aplicação de técnicas de processamentos de imagens. No tratamento de imagens médicas, é necessário, antes de qualquer decisão, definir-se o objeti-vo a ser alcançado. Somente após esta definição é possível traçar estratégias a partir da utilização de uma técnica de processamento, da combinação de várias delas ou, ainda, da criação de novas técnicas.

O tópico a seguir apresentará inicialmente algumas definições e concei-tos básicos sobre imagem digital. Em seguida, são abordadas as principais téc-nicas citadas na literatura para suavização, realce e segmentação de imagens, com exemplos de aplicação e algoritmos para implementação.

2.3. Processamento de imagens médicas

2.3.2. Definições básicasNa literatura, há várias obras clássicas de processamento de imagens,

com ótima qualidade no que se refere à apresentação de definições e concei-tos. O conteúdo a seguir tem como base principalmente Gonzalez and Woods (2002), Ballard and Brown (1982) e Russ (1992). Para leitores que estejam interessados em processamento de imagens utilizando a linguagem Java, uma boa introdução é apresentada por Santos (2004).

De acordo com Ballard and Brown (1982), a formação da imagem ocor-re quando um sensor registra a radiação que interagiu com objetos físicos. A imagem, então, é uma representação do objeto físico que pode ser armaze-

L. S. Nunes

82

nada, manipulada e interpretada de acordo com as necessidades do interes-sado. Matematicamente, uma imagem pode ser descrita como uma função da intensidade do sinal retornado em um sensor. A aproximação mais clássica é a definição como uma função da “intensidade luminosa” refletida do objeto A maioria das imagens considera o espaço bidimensional, sendo definida como f(x,y), onde x e y são as coordenadas espaciais e o valor de f na coordenada espacial (x,y) fornece a intensidade, ou seja, o brilho da imagem no ponto. A imagem depende da “quantidade de luz” incidente na cena e da “quantidade de luz” refletida pelos objetos da cena.

Dessa forma, afirma-se que: f(x,y) = i(x,y) * r(x,y) onde: i(x,y) depende da fonte de luz, (0 < i(x,y) < ∞); r(x,y) depende do tipo de material que compõe o objeto,

(0 ≤ r(x,y) ≤ 1). Verifica-se que r(x,y) assume o valor zero para absorção total e o valor

1 (um) para reflexão total.Um caso especial de imagem é constituído pelas imagens digitais, onde

a representação consiste em um vetor de valores discretos. Geralmente este vetor é unidimensional e o domínio e a imagem de f(x,y) são também discretos. O domínio é finito (geralmente uma matriz retangular) e o conjunto imagem é formado por valores no intervalo [0,M]. Para aplicações práticas, a imagem é uma função contínua, representada por medidas obtidas em intervalos regu-larmente espaçados. Os valores assumidos em cada ponto medido são quan-tificados em um número pertencente a uma escala de diferentes cores. Em imagens médicas, geralmente essas cores são relacionadas a níveis de cinza, sendo atribuído o valor zero à cor mais escura (preto) e o valor máximo M à cor mais clara da escala (branco). Dessa forma, pode-se representar uma ima-gem como uma matriz onde cada ponto é um valor discreto, conforme mostra a equação 1, onde n e m correspondem à quantidade de colunas e linhas, respectivamente.

−−−−

−−

=

)1,1(...)1,1()0,1(

.

.

.

)1,1(...)1,1()0,1(

)1,0(...)1,0()0,0(

),(

nmfmfmf

nfff

nfff

yxf

(1)


83

O objetivo de definir matematicamente a imagem é a possibilidade de manipular o seu conteúdo a fim de transformá-la ou retirar dela informações importantes. Ao vasto conjunto de operações que podemos aplicar em uma matriz que representa uma imagem denominamos processamento de ima-gem.

Cada ponto ou elemento constituinte da matriz-imagem é chamado de “pixel” que é uma abreviação do termo em inglês picture element. A medida de um pixel depende da resolução espacial com a qual a imagem foi adquirida. O pixel é, então, a menor unidade sobre a qual podemos realizar operações. Para essas operações são definidas algumas relações básicas, apresentadas a seguir.

a) VizinhançaGonzalez & Woods (2002) e Russ (1992) definem a vizinhança de um

pixel da forma a seguir. Seja p, um pixel nas coordenadas (x,y):i. A vizinhança de 4 do pixel p – ou N4(p) – é composta por seus

vizinhos de coordenadas (x+1,y), (x-1,y), (x,y+1), (x,y-1).ii. A vizinhança diagonal do pixel p – ou ND(p) – é composta por

seus vizinhos de coordenadas: (x+1,y+1), (x+1,y-1), (x-1,y+1), (x-1,y-1).

iii. A vizinhança de 8 – ou N8(p) – é composta pelo conjunto de todos os pixels vizinhos, ou seja, N4(p) ∪ ND(p).

Na Figura 2.1 são apresentados exemplos dos conceitos de vizinhan-ça citados.

Figura 2.1. Ilustração do conceito de vizinhança considerando o ponto central como o pixel de interesse, os pixels da vizinhança são representados pelos espaços em cinza: (a) vizinhança-de-4;

(b) vizinhança diagonal; (c) vizinhança-de-8

L. S. Nunes

84

b) AdjacênciaA adjacência é característica de um par de pixels vizinhos que compar-

tilham uma borda ou um vértice, sendo que:•um par de pixels compartilha uma borda é dito “adjacente por

borda” ou “4-adjacente”;•um par de pixels de uma imagem que compartilha um vértice

é dito “adjacente por vértice” ou “8-adjacente”.Na Figura 2.1(a), por exemplo, observa-se que os pixels de cor cinza

são 4-adjacentes e também 8-adjacentes do pixel de cor preta, pois compar-tilham uma borda e um vértice com este pixel. Na mesma figura, os pixels brancos são somente 8-adjacentes do pixel preto, pois compartilham somente um vértice com o mesmo.

c) ConectividadeA conectividade é um importante conceito usado para estabelecer bor-

das de objetos e componentes de regiões em uma imagem. Dois pixels são conectados se:

a) são adjacentes e;b) obedecem a um critério de similaridade dentro de uma esca-

la de cor, isto é, seus valores estão dentro de um conjunto pré-estabelecido de valores de cinza.

Seja V={G1, G2, ..., Gk} o conjunto de k valores de níveis de cinza usa-do para definir a conectividade. São definidos três tipos de conectividade:

•Conectividade-4: dois pixels p e q com valores em V e q ⊃ N4(p);

•Conectividade-8: dois pixels p e q com valores em V e q ⊃ N8(p);

•Conectividade-m: dois pixels p e q com valores em V e: i) q ⊃ N4(p) ou ii) q ⊃ ND(p) e N4(p) ∩ N4(q) = ∅.

d) Distância entre pixelsA distância entre pixels é um valor mensurável, constituindo uma impor-

tante definição para grande parte dos algoritmos que manipulam a imagem. Gonzalez and Woods (2002) lembram que:

• d(x,y) = 0, se x = y;• d(x,y) = d(y,x);• d(x,y) + d(y,z) ≥ d(x,z).

Há diversas fórmulas empregadas para a definição de distância e fre-qüentemente são definidas e adaptadas fórmulas para aplicações específicas. Algumas das métricas mais conhecidas, aplicadas para dois pixels p=(xp,yp) e q=(xq,yq) são:


85

•Distância Euclidiana:

• Distância City Block (ou de Manhattan):

• Distância Chessboard:

Introduzidos os conceitos anteriores, podemos aplicá-los ao processa-mento de imagens. As técnicas de processamento de imagens são, em geral, divididas em três níveis, cada qual com suas funções específicas:

•processamento de baixo nível: responsável pela remoção de dados indesejáveis e realce de dados importantes;

•processamento de nível médio: responsável pela identifica-ção de formas significativas. A esse processo damos o nome de “segmentação”;

•processamento de alto nível: responsável pela ligação da imagem com algum banco de conhecimento.

Os itens a seguir apresentam técnicas aplicadas aos dois primeiros ní-veis citados. Não são apresentadas técnicas relacionadas ao alto nível pelo motivo de que estas envolvem conceitos que extrapolam o domínio do proces-samento de imagens, englobando tarefas de inteligência artificial e estatística, entre outras áreas.

2.3.3. Processamento de Baixo NívelPartindo do princípio de que a vizinhança de pixels na imagem tem

exatamente os mesmos ou aproximadamente os mesmos parâmetros físicos, o processamento de baixo nível visa à exploração da redundância presente nessa vizinhança. Essa fase de processamento é utilizada para recuperar es-truturas intrínsecas da imagem, como descontinuidade de superfície, orienta-ções, profundidades, velocidade etc.

As definições e técnicas apresentadas a seguir são baseadas em Ballard and Brown (1982), Low (1991) e Gonzalez and Woods (2002). Em al-guns casos os conceitos e resultados das técnicas são apresentados em ima-gens fora do domínio do contexto deste trabalho (modalidades médicas) a fim de que o efeito da técnica possa ser percebido com mais nitidez.

Neste nível de processamento, algumas técnicas são derivadas a partir de modificações no histograma da imagem. Por isso, a seção 2.3.2.1 (Mani-pulação do Histograma da Imagem) apresenta o conceito de histograma e a definição de algumas técnicas de processamento que utilizam este conceito.

L. S. Nunes

86

2.3.2.1. Manipulação do Histograma da ImagemO histograma é uma função que fornece a freqüência de cada nível de

cinza na imagem, como demonstrado na Figura 2.2. O valor do histograma em um nível de cinza, dado por H(k), é a quantidade de pixels da imagem com aquele valor de nível de cinza. Esse recurso é útil para alterações globais na imagem, porém, não é possível aplicá-lo em processamentos que necessitem de conhecimento sobre a localização de pixels, uma vez que esta informação não está disponível no gráfico construído. As técnicas a seguir são definidas sobre o conceito de histograma. Nos exemplos, sempre são apresentadas a imagem original e as imagens resultantes do processamento a fim de facilitar a comparação entre elas.

Figura 2.2. Exemplo de histograma de uma imagem

a) Alterações globais no brilhoÉ possível tornar uma imagem mais clara ou mais escura através da

soma ou subtração, respectivamente, de uma constante em todos os pixels da imagem. Quanto maior for o valor desta constante mais clara ou mais escura fica a imagem resultante.

A Figura 2.3 mostra um exemplo de alteração de histograma que re-sultaria em uma imagem mais clara e outra mais escura. As imagens apre-sentadas são resultantes da aplicação da alteração de brilho sobre a imagem original considerando um aumento ou diminuição de 60 níveis, isto é, em cada pixel o nível de cinza foi aumentado ou diminuído em 60 tons na escala consi-derada. Como pode ser observado, a operação é aplicada à imagem inteira. No entanto, pode-se aplicar o mesmo conceito em partes da imagem, delimitando a área de abrangência do algoritmo. A Figura 2.4 apresenta um algoritmo ge-nérico para a implementação da técnica.

b) Quantização do HistogramaA quantização ou agrupamento do histograma é a redução da quanti-

dade de níveis de cinza diferentes na imagem. É útil para remover gradações indesejáveis na imagem, promovendo um efeito de aumento de contraste.


87

Um exemplo de quantização é mostrado através da imagem e do histo-grama apresentados na Figura 2.5. A implementação desta técnica considera intervalos da escala de cinza para agrupar os valores do histograma, conforme sugere o algoritmo da Figura 2.6. Ao final, como a quantidade de nível de cinza empregados é drasticamente diminuída, tem-se o efeito de maior nitidez das estruturas presente na imagem, como pode ser observado na Figura 2.5.

Figura 2.3. Exemplo de alteração global no brilho da imagem: (a) imagem original e respectivo histograma; (b) imagem com tons de cinza

atenuados e respectivo histograma; (c) imagem com tons de cinza acentuados e respectivo histograma

L. S. Nunes

88

Figura 2.4. Algoritmo para implementação de alteração global no brilho de uma imagem

Figura 2.5. Exemplo de quantização do histograma: (a) imagem original; (b) imagem quantizada com 10 níveis de cinza; (c) imagem quantizada

com 5 níveis de cinza; (d) histograma da imagem b; (e) histograma da imagem c


89

Figura 2.6. Algoritmo para implementação de quantização do histograma

c) SplittingA técnica de Splitting visa a aumentar o contraste de uma imagem com

base no seu histograma. Como mostrado na Figura 2.7, esta operação divide os pixels em dois grupos distintos de níveis de cinza. Desta forma, os pixels com valores menores da imagem (cores escuras) são diminuídos ainda mais e aqueles com valores altos (pixels claros) tornam-se ainda mais claros.

Uma forma simples de implementar este algoritmo é somar ou sub-trair uma constante em cada pixel da imagem, considerando-se um limiar que define os pontos de soma ou subtração, conforme é sugerido no algoritmo apresentado na Figura 2.8.

Figura 2.7. Exemplo de splitting do histograma: (a) imagem original; (b) imagem após aplicação da técnica de splitting, considerando uma

constante igual a 40 níveis de cinza; (c) histograma da imagem resultante

L. S. Nunes

90

Figura 2.8. Algoritmo para implementação de splitting do histograma

d) EqualizaçãoTambém conhecida como “Linearização de Histograma”, esta técnica

tem a finalidade de obter um histograma uniforme, através do espalhamento da distribuição dos níveis de cinza. Aparentemente comum, esta operação é muito poderosa, conseguindo, muitas vezes, recuperar imagens consideradas perdidas.

Há vários métodos empregados para a realização da equalização, sen-do que muitos deles são baseados em distribuições estatísticas. Um exemplo de um histograma equalizado pode ser observado na Figura 2.9. Na seção 2.3.2.3, que abordará com mais propriedade a questão específica de realce de contraste, será apresentada uma forma de efetuar a equalização com detalhes de implementação.

Figura 2.9. Exemplo de equalização do histograma: (a) imagem original; (b) imagem após aplicação da equalização;

(c) histograma da imagem resultante


91

e) Utilização de templatesA manipulação de imagens digitais pode ser efetuada no domínio da

freqüência ou no domínio espacial.O domínio espacial refere-se ao conjunto de pixels que compõem a

imagem. As técnicas de processamento de imagem que trabalham neste do-mínio são aplicadas diretamente nos pixels da imagem.

As técnicas que trabalham no domínio da freqüência têm como princí-pio básico o teorema da convolução, efetuando-se alterações na transformada de Fourier da imagem.

Em geral, o domínio da freqüência exige uma maior complexidade ma-temática, mas o processamento é mais rápido. O domínio espacial não exige grande complexidade matemática, mas o processamento é mais lento, uma vez que muitas vezes várias operações são requeridas para obter-se o novo valor de um pixel. A abordagem deste capítulo é relacionada ao domínio espacial, no qual os pixels são considerados como uma matriz de atributos numéricos, conforme definido no início da Seção 2.3.1. Técnicas no domínio da freqüência são abordadas com Gonzalez and Woods (2002) e Russ (1992).

Para a manipulação no domínio espacial, muitas vezes são utilizados templates. Gonzalez and Woods (2002) definem um template como uma más-cara utilizada para a realização de operações na vizinhança de um pixel. Na prática, é uma matriz cujo elemento central é posicionado no pixel de interesse. Os elementos da vizinhança, incluindo o pixel em questão, são multiplicados pelos valores indicados nas posições correspondentes da matriz. A soma dos resultados obtidos substitui o valor do pixel de interesse na imagem resultante. Genericamente, uma máscara de tamanho 3 x 3 pode ser representada da forma indicada na Figura 2.10.

w1 w2 w3

w4 w5 w6

w7 w8 w9

Figura 2.10. Exemplo genérico de uma máscara 3 x 3

Considerando wi, i=1,...,9 os coeficientes da máscara em questão e xi, i=1,...,9 os valores dos pixels sob a máscara, o resultado que será atribuído ao pixel central será: w1x1 + w2x2 + ... + w9x9. Um algoritmo genérico para aplicação de um template é apresentado na Figura 2.11.

L. S. Nunes

92

Figura 2.11. Algoritmo genérico para aplicação de templates

2.3.2.2. Suavização de imagensOperações de suavização são usadas para diminuir efeitos espúrios

resultantes do processo de aquisição da imagem (ruídos, por exemplo). Várias técnicas podem ser definidas para esta finalidade. Aqui são apresentadas as técnicas mais clássicas e, também, seus efeitos sobre algumas imagens mé-dicas. No entanto, observa-se que é comum derivar métodos a partir dessas técnicas para atingir objetivos específicos nesta categoria de imagens. Em al-guns casos são apresentados exemplos de aplicação em imagens genéricas, não necessariamente provenientes de alguma modalidade médica, a fim de permitir uma visualização mais adequada do efeito da técnica.

f) Média da VizinhançaA média da vizinhança é uma técnica que consiste em gerar uma ima-

gem na qual o nível de cinza de cada pixel é obtido através da média dos va-lores de cinza dos pixels de uma vizinhança pré-definida. É uma técnica muito empregada para eliminação de ruídos na imagem, apresentando, porém, bor-ramento na imagem final obtida e conseqüente perda na definição de bordas. Considerando a imagem f(x,y) com N X M pixels, podemos definir a imagem gerada g(x,y) conforme a equação 2.

, para x=0,1,...,N-1; y=0,1,...,M-1 (2)onde:• S é o conjunto de coordenadas de pontos na vizinhança do

ponto (x,y), incluindo o próprio (x,y);• V é o número total de pontos na vizinhança escolhida.

A mostra dois exemplos de template, de tamanho 3x3 e 5x5, respectiva-mente, utilizados para suavizar as imagens apresentadas na Figura 2.13. Uma primeira observação importante é que para implementar esta técnica basta multiplicar cada elemento da vizinhança do pixel de interesse pelo seu peso respectivo e substituir o pixel de interesse pela soma desses resultados. É importante salientar, ainda, que quanto maior a dimensão do template, maior será o borramento na imagem resultante, visto que há influência maior da vizi-nhança do pixel processado.


93

9

1

9

1

9

1

9

1

9

1

9

1

9

1

9

1

9

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

25

1

Figura 2.12. Exemplos de templates para implementação da média da vizinhança

Como os exemplos apresentados trabalham no domínio espacial é in-teressante observar, ainda, que o tamanho da máscara exerce influência no desempenho do processamento, pois o esforço computacional aumenta pro-porcionalmente a esta dimensão devido ao incremento na quantidade de ope-rações matemáticas que devem ser realizadas.

L. S. Nunes

94

Figura 2.13. Exemplos de suavização utilizando média da vizinhança: (a) imagem original; (b) imagem suavizada com template de tamanho 3x3;

(c) imagem suavizada com template de tamanho 5x5

Na Figura 2.14 são apresentados exemplos da aplicação da técnica em imagens médicas. Observa-se borramento nas imagens provenientes das três modalidades apresentadas. Como a imagem de US é aquela que contém maior nível de ruído devido a sua natureza, é possível observar o efeito da suavização dos ruídos. No entanto, outras estruturas foram suavizadas junta-mente com os ruídos. Na Figura 2.15 é apresentado um algoritmo simples para implementação da técnica.

g) Filtragem MedianaA filtragem mediana é uma técnica de suavização na qual cada pixel da

imagem final é substituído pelo nível de cinza mediano em uma vizinhança do pixel. O nível mediano m de um conjunto de valores é tal que metade dos valo-res no conjunto são menores que m e a outra metade é constituída de valores maiores que m.

Na Figura 2.16 é apresentado um exemplo de aplicação desta técnica. Comparando-se as imagens desta figura com as imagens da Figura 2.13 é possível verificar que o efeito de borramento desta técnica é menor quando


95

comparado ao resultado fornecido pela técnica anterior. Uma das vantagens desta técnica é a eliminação de ruídos aleatórios com o borramento mínimo das bordas que compõem os objetos representados na imagem.

Figura 2.14. Exemplos de suavização utilizando média da vizinhança em imagens médicas. (a) imagem de Raios-X – original à esquerda

e suavizada à direita; (b) imagem de RMN; (c) imagem de US. Os processamentos usaram template com tamanho 3x3 pixels

L. S. Nunes

96

Figura 2.15. Algoritmo para implementação da média da vizinhança

A Figura 2.17 apresenta exemplos da técnica aplicada às mesmas ima-gens do tópico anterior. É possível observar que, apesar de também introduzir borramento, este é menor quando se compara a filtragem mediana com o filtro de média. Assim, as imagens mais beneficiadas são aquelas provenientes de ultra-som que, invariavelmente, devem ser submetidas a um filtro de suaviza-ção devido ao ruído inerente da modalidade.

Figura 2.16. Exemplos de suavização utilizando mediana da vizinhança: (a) imagem original; (b) imagem suavizada com template de tamanho

3x3; (c) imagem suavizada com template de tamanho 5x5


97

Figura 2.17. Exemplos de suavização utilizando mediana da vizinhança em imagens médicas. (a) imagem de Raios-X – original à esquerda

e suavizada à direita; (b) imagem de RMN; (c) imagem de US. Os processamentos usaram template com tamanho 3x3 pixels

L. S. Nunes

98

Na Figura 2.18 é apresentado um algoritmo genérico para implementa-ção da técnica.

Figura 2.18. Algoritmo para implementação da mediana da vizinhança

h) Média de Múltiplas ImagensObter a média de múltiplas imagens consiste em obter uma imagem

onde cada pixel é a média dos pixels de mesma posição em um conjunto de imagens semelhantes. O objetivo é permitir a eliminação de ruído aleatório presente nas imagens do conjunto processado.

Esta técnica possibilita a obtenção de bons resultados quando estão disponíveis imagens do mesmo objeto adquiridas em instantes diferentes, como exemplificado na Figura 2.19. O algoritmo para implementação da técni-ca é extremamente simples, consistindo na realização de uma única operação de média aritmética, conforme apresentado na Figura 2.20.

Figura 2.19. Exemplo de suavização utilizando média de múltiplas imagens: (a) imagens originais com ruídos aleatórios; (b) média das

duas primeiras imagens de a; (c) médias das três imagens de a


99

Figura 2.20. Algoritmo para implementação da média de múltiplas imagens

2.3.2.3. Realce de imagensAs técnicas de realce de imagens produzem justamente o efeito contrá-

rio ao provocado pela suavização. Têm o objetivo de destacar bordas e deta-lhes procurados na imagem. Algumas das técnicas são executadas a partir do histograma da imagem, conforme já mencionado. Nesta seção estas técnicas serão retomadas a fim de possibilitar a observação dos seus efeitos em ima-gens médicas. Também é muito comum empregar o conceito matemático de diferenciação para o realce de imagens, visto que o objetivo é destacar as dife-renças entre os pixels da imagem, conforme citado nos tópicos a seguir. Nesta seção não são incluídos algoritmos porque boa parte das técnicas resume-se a aplicação de templates, apresentados anteriormente.

i) Quantização do HistogramaComo mostrado anteriormente, a quantização, também conhecida como

agrupamento do histograma, diminui a quantidade de níveis de cinza utilizados para a representação da imagem, resultando em uma imagem com maior con-traste, conforme pode ser verificado nos exemplos da Figura 2.21.

É interessante observar que seus efeitos podem ser úteis quando a imagem médica apresenta estruturas de interesse com grupos de níveis de cinza com limites bem delineados. Nestes casos, as estruturas podem ser sa-tisfatoriamente diferenciadas e a imagem pode auxiliar na identificação de ob-jetos de interesse que indiquem possíveis anomalias. Observa-se, ainda, que o intervalo de níveis de cinza utilizado no processo exerce grande influência no resultado final, destacando as formas das estruturas com maior ou menor adequação. Nas imagens das três modalidades apresentadas na Figura 2.21 é possível perceber este efeito. Na imagem radiológica, por exemplo, é possível perceber o maior destaque das estruturas mais claras, correspondentes às partes que absorvem maior quantidade de Raios-X.

L. S. Nunes

100

Figura 2.21. Exemplos de quantização em imagens médicas: (a) imagem de Raios-X – original à esquerda e quantizada com 10 níveis de cinza à direita; (b) imagem de Raios-X – original à esquerda e quantizada com 20 níveis de cinza à direita; (c) imagem de US – original à esquerda e

quantizada com 5 níveis de cinza à direita

b) SplittingEssa técnica visa ao aumento de contraste por meio da divisão dos pi-

xels em dois grupos distintos de níveis de cinza. Assim, os pixels escuros ficam


101

ainda mais escuros na imagem resultante e aqueles claros tornam-se mais claros, conforme pode ser conferido nos exemplos da Figura 2.22.

Da mesma forma que na técnica anterior, há variações nos resultados obtidos com esta técnica em função da variação dos parâmetros utilizados. Na Figura 2.22 essa variação pode ser percebida. Na imagem de Raios-X, por exemplo, pixels mais escuros foram transformados em fundo da imagem, dando ênfase às estruturas que absorvem maior quantidade de Raios-X e permitindo a visualização mais nítida do contorno dessas estruturas na imagem. Efeito seme-lhante pode ser observado na imagem de US. No entanto, o parâmetro utilizado na imagem da RMN fez com que houve uma maior homogeneização de pixels claros, fazendo desaparecer alguns detalhes presentes na imagem original.

Figura 2.22. Exemplos da técnica de sppliting: (a) imagem de Raios-X – original à esquerda e após splitting à direita; (b) imagem de

US; (c) imagem de RMN. Os processamentos usaram constante de deslocamento igual a 40 níveis de cinza

L. S. Nunes

102

c) EqualizaçãoA obtenção de um histograma mais uniforme é a regra para o realce de

contraste pela técnica de equalização. Vários métodos podem ser empregados para a redistribuição dos pixels na imagem, de modo a espalhá-los ao longo da escala de cores utilizada.

O método apresentado a seguir parte de conceitos estatísticos. Para descobrir o novo nível de cinza (q) de um pixel que possui um determinado va-lor k de nível de cinza são utilizadas as equações 3 e 4. Primeiro, encontra-se a quantidade ideal de pixels para cada valor de nível de cinza, de acordo com a escala de cores utilizada, conforme a equação 3. Em seguida, calcula-se o novo nível de cinza q, isto é, o valor para o qual os pixels do nível de cinza atual serão removidos.

(3)

(4)

onde:• I é a quantidade ideal de pixels em cada nível de cinza da

escala usada• n é a quantidade de linhas da imagem• m é a quantidade de colunas da imagem• g é a quantidade total de níveis de cinza da escala• q é o novo nível de cinza procurado• nj é a quantidade de pixels no nível de cinza j• arred indica o arredondamento do resultado obtido pela ex-

pressão que constitui seu argumento.

Na Figura 2.23(a) é apresentado um exemplo fictício de histograma de uma imagem, supondo uma distribuição inicial de pixels em cada nível de cinza da escala considerada. A partir deste histograma e considerando as equações apresentadas, tem-se nXm = 100 e g = 10. Na Tabela 1 é apresentado um exemplo de aplicação do método, considerando este histograma. O histograma resultante após o processamento é apresentado na Figura 2.23(b).


103

Figura 2.23. Exemplo de histograma de imagem fictícia com uma distribuição inicial de pixels

Tabela 1. Exemplo de cálculo para aplicação de equalização

g ∑g ∑ acumulado q0 1 1 01 9 10 22 8 18 53 6 24 74 1 25 75 1 26 86 1 27 87 1 28 88 2 30 99 0 30 9

Alguns resultados do processamento utilizando o método descrito são apresentados na Figura 2.24. A redistribuição dos níveis de cinza aumentou, de fato, o contraste nas imagens das três modalidades. Houve destaque nas bordas do antebraço do feto representado na imagem de US e de detalhes do cérebro representado na imagem de RMN. Também na imagem de Raios-X torácica foi possível perceber uma maior nitidez nas estruturas representadas.

L. S. Nunes

104

Figura 2.24. Exemplos da técnica de equalização: (a) imagem de US – original à esquerda e após equalização à direita; (b) imagem de RMN;

(c) imagem de Raios-X


105

d) Realce por DiferenciaçãoA maioria dos métodos de diferenciação usados em processamento de

imagens é baseada na aplicação de gradientes devidamente adaptada para implementação no domínio espacial da imagem.

Dada uma função f(x,y), o gradiente de f nas coordenadas (x,y) é defi-nido pela equação 5.

=

y

fx

f

yxfG

∂∂∂∂

)],([ (5)

onde:

• G[f(x,y)] é o vetor gradiente a ser obtido;

• x

f

∂∂

e y

f

∂∂

são as derivadas parciais nas direções x e y, res-pectivamente.

Duas propriedades importantes do gradiente são:i. o vetor G[f(x,y)] aponta na direção do máximo da função

f(x,y);ii. a magnitude de G[f(x,y)] é dada pela equação 6.

(6)Para uma imagem digital, a magnitude pode ser aproximada pelas

diferenças, sendo que uma abordagem comumente utilizada é dada pela equação 7.

(7)

Outra abordagem, ainda mais simples, é a utilização de valores absolu-tos, que produzem resultados similares, conforme mostrado na equação 8.

(8)

Portanto, aplicando-se a equação 8 em uma imagem, pode-se obter uma imagem final com detalhes realçados, como exemplificado na Figura 2.25. Como pode ser observado na imagem de Raios-X, as áreas onde há maiores grada-ções nos níveis de cinza são realçadas, causando maior destaque nas fronteiras entre a estrutura de interesse e o fundo da imagem. O mesmo acontece nas na

L. S. Nunes

106

imagem de RMN, destacando-se aqui as duas bordas acentuadas no contorno do cérebro que só podem ser observadas na imagem processada.

Como pôde ser observado durante as técnicas apresentadas até este ponto, o processamento de baixo nível tem a finalidade de realizar alterações glo-bais na imagem. Esta fase é conhecida também como pré-processamento, pois prepara a imagem para as fases seguintes que visam à identificação de estrutu-ras de interesse e o relacionamento da estrutura detectada com uma base de co-nhecimento. Na próxima seção será abordado o nível médio de processamento.

Figura 2.25. Exemplos de aplicação do realce por diferenciação: (a) imagem de Raio-X – original à esquerda e após operação à direita; (b)

imagem de RMN

2.3.4. Processamento de Nível Médio - SegmentaçãoEssa fase de processamento tem o objetivo de identificar as formas

significativas de uma imagem a fim de fornecer informações para a sua inter-pretação. Em Gonzalez and Woods (2002) define-se a segmentação como “o processo que subdivide uma imagem em suas partes ou objetos constituintes”. Para Ballard and Brown (1982), uma imagem segmentada, em visão compu-tacional, é resultante do agrupamento de partes de uma imagem generalizada em unidades homogêneas considerando um ou mais aspectos. Esta seção tem o objetivo de fornecer uma visão geral sobre a segmentação de imagens, ci-tando algumas técnicas utilizadas para tal finalidade e apresentado seu efeito em imagens médicas.


107

e) LimiarizaçãoTambém conhecida como Thresholding, a limiarização é a técnica que

divide a imagem em duas ou mais partes considerando valores de limiares. Consiste, basicamente, em alterar os valores dos pixels de uma imagem dei-xando-a com uma quantidade menor de níveis com o objetivo de separar es-truturas de interesse do fundo da imagem.

Como vantagem, esta técnica tem a simplicidade de implementação, como pode ser observado no algoritmo apresentado na Figura 2.28. O principal problema é a definição do valor de limiar. Vários estudos são desenvolvidos nesta área, baseados principalmente na análise do histograma da imagem. Pontos de mínimos e máximos do histograma freqüentemente são usados como valores de limiar. Quanto um único valor de limiar é utilizado, a imagem resultante contém apenas dois níveis de cinza (zero e máximo da escala). Nes-te caso, a técnica é também conhecida como binarização. A Figura 2.26 mostra um exemplo de limiarização em uma imagem genérica, com diferentes valores de liminar e a Figura 2.27 apresenta resultados da aplicação da técnica em imagens médicas com 255 níveis de cinza.

Figura 2.26. Exemplos de limiarização: (a) imagem original; (b) imagem binarizada com limiar = 128; (c) imagem binarizada com limiar = 100

L. S. Nunes

108

Figura 2.27. Exemplos de limiarização (binarização): (a) imagem de Raios-X – original à esquerda e binarizada (limiar = 80) à direita; (b)

imagem de RMN – original à esquerda e binarizada (limiar = 128) à direita


109

Figura 2.28. Algoritmo para implementação da mediana da vizinhança

f) Detecção de pontos isoladosA detecção de pontos isolados em uma imagem é útil para remoção de

ruídos e análise de partículas. Para uma imagem com um valor de fundo cons-tante, essa detecção pode ser concretizada com o uso da máscara mostrada na Figura 2.29.

-1 -1 -1

-1 8 -1

-1 -1 -1

Figura 2.29. Máscara usada para detecção de pontos isolados em imagens com fundo constante

A utilização da máscara apresentada na Figura 2.29 é auto-explicati-va. Para cada locação do template é calculado o valor da soma dos produtos dos pixels pelos coeficientes dados. Considerando xi , i=1, ..., 9 como o valor de um pixel, com a numeração do índice i partindo do canto superior esquerdo, o resultado após a aplicação do template será dado por: - x1 - x2 - x3 - x4 + 8x5 - x6 - x7 - x8 - x9. Em uma área onde o nível de cinza é constante, o resultado será igual a zero. Se a locação coincidir com x5 sendo um ponto isolado, com intensidade maior que o valor de fundo, o resultado será maior que zero e, portanto, será realçado. Na literatura, esta técnica é também conhecida como filtro passa-alta. Exemplos de sua aplicação são mostrados na Figura 2.30.

L. S. Nunes

110

Figura 2.30. Exemplos de detecção de pontos. (a) imagem de RMN– original à esquerda e após operação à direita;

(b) imagem de US

g) Detecção de linhasDe forma semelhante ao item anterior, podem ser utilizadas as másca-

ras demonstradas na Figura 2.31 para a detecção de linhas nas direções hori-zontal, 45o, vertical e -45o, respectivamente. O cálculo do valor do pixel central é realizado conforme já demonstrado. Imagens resultantes após a aplicação de algumas dessas máscaras são apresentadas na Figura 2.32.

-1 -1 -1 -1 -1 2 -1 2 -1 2 -1 -1

2 2 2 -1 2 -1 -1 2 -1 -1 2 -1

-1 -1 -1 2 -1 -1 -1 2 -1 -1 -1 2

Figura 2.31. Máscaras utilizadas para a detecção de linhas


111

Figura 2.32. Exemplos de detecção de linhas. (a) imagem de Raio-X – são apresentadas a imagem original, resultante da detecção de bordas horizontal e resultante da detecção de bordas vertical, respectivamente;

(b) imagem de US

h) Detecção de bordasPartindo da definição de borda como uma fronteira entre duas regiões

com níveis de cinza relativamente distintos, os algoritmos utilizados para a detecção de bordas são estruturados de forma a detectar as descontinuidades existentes nas transições.

O operador gradiente é um dos procedimentos utilizados para detectar essas descontinuidades. A idéia básica de segmentação através deste método

L. S. Nunes

112

é aplicar um processamento computacional baseado em um operador local de derivadas. Computacionalmente, consiste em obter derivadas parciais ∂f/∂x para todos os pixels da imagem. Considerando-se uma vizinhança de 3 x 3 pixels em torno de um ponto (x,y), as equações 9 e 10 definem o operador gradiente na direção x e y , respectivamente.

Gx = (x7 + 2x8 + x9) - (x1 + 2x2 + x3) (9)Gy = (x3 + 2x6 + x9) - (x1 + 2x4 + x7) (10)onde:

• x5 é o pixel sobre o qual está sendo aplicado o operador.•demais xis são os pixels pertencentes à vizinhança-de-8 de

x5.

Estes operadores são conhecidos como operadores de Sobel e, esque-maticamente, podem ser representados pelas máscaras mostradas na Figura 2.33, onde tem-se, respectivamente: uma região 3 x 3, a máscara utilizada para calcular Gx sobre o centro da região e a máscara utilizada para calcular Gy sobre o centro da região. Exemplos dos resultados obtidos com a aplicação desses operadores são apresentados na Figura 2.34.

x1

x2

x3

-1 -2 -1 -1 0 1

x4

x5

x6

0 0 0 -2 0 2

x7

x8

x9

1 2 1 -1 0 1

Figura 2.33. Região e máscaras para detecção de bordas através de operadores gradiente

Uma vez detectadas as bordas da imagem, podem ser realizados pro-cessamentos para completá-las, se necessário, e interpretá-las, separando as partes desejadas. Este método tem a vantagem de apresentar simplicidade na aplicação, não envolvendo complexidades computacionais. Como desvan-tagem está o fato de não apresentar boa imunidade a ruídos, pois a aplicação de templates inclui os ruídos nos cálculos, podendo aumentar efeitos como a suavização da imagem, e a conseqüente perda de definição de bordas.


113

Figura 2.34. Exemplos de detecção de bordas pelos operadores de Sobel. (a) imagem de US – são apresentadas a imagem original,

resultante da detecção de bordas horizontal e resultante da detecção de bordas vertical, respectivamente;

(b) imagem de RMN

L. S. Nunes

114

i) Crescimento de RegiãoEste método consiste em agregar conjuntos de pixels em regiões maio-

res. A aproximação de processamento mais simples é a agregação de pixels, isto é: escolhe-se um pixel ou um conjunto de pixels denominados “sementes” e faz-se o crescimento da região através da agregação de pixels vizinhos às sementes que possuem propriedades similares (intensidade, cor, textura etc). O processo continua até se atingir uma condição pré-estabelecida de parada, como por exemplo, um determinado nível de cinza ou uma distância específica.

A vantagem é que a imagem não precisa ser homogênea, pois as suas características são previamente analisadas e incluídas nos descritores de se-melhança. As principais desvantagens são: dificuldade na seleção dos pixels sementes (a aplicação deve ser conhecida); dificuldade no estabelecimento das propriedades de semelhança (a aplicação e os tipos de dados da imagem devem ser conhecidos) e dificuldade na determinação de condições de parada (depende da análise da imagem).

Devido aos motivos citados, a implementação do crescimento de região deve ser cuidadosa no sentido de analisar criteriosamente a imagem e definir algoritmos que ofereçam bom desempenho. A aplicação do algoritmo inicial, executando-se a agregação de pixels a partir de uma “semente” pode ser com-putacionalmente custosa. Por isso, abordagens alternativas são utilizadas em imagens médicas. Na Figura 2.35 é mostrado um exemplo de crescimento de região que, em vez de agregar sementes, detecta a estrutura de interesse por meio da estruturação de raios a partir de um ponto inicial.

Figura 2.35. Exemplo de aplicação da técnica de crescimento de região. (a) imagem de Raios-X original; (b) imagem resultante do crescimento

de região


115

2.4. Exemplos de aplicaçõesAs definições e técnicas apresentadas nas seções anteriores são clás-

sicas e já muito bem estabelecidas na literatura. No entanto, seus efeitos na área médica – ou em qualquer outra área – são limitados, visto que cada clas-se de imagens tem particularidades que devem ser consideradas no momento da definição das técnicas de processamento com a finalidade de se atingir um determinado objetivo. Verifica-se, ainda, que a maioria das técnicas, quan-do não desenvolvidas exclusivamente para uma determinada finalidade, são adaptações ou derivações de técnicas clássicas considerando as característi-cas das imagens.

Os exemplos a seguir vêm confirmar esta afirmação: em geral, é neces-sária a aplicação de um conjunto de técnicas para se atingir o objetivo almeja-do. Em cada exemplo, é apresentada uma breve descrição do problema e das técnicas de processamento utilizadas.

2.4.1. Detecção de agrupamentos de microcalcificações em amogramas

A detecção precoce do câncer de mama vem sendo objeto de estudo bem explorado na área de CAD, tendo os mamogramas (imagens radiológicas da mama) como fonte de dados. No mamograma são procuradas estruturas que indicam a presença de anormalidades ou tumores. Entre esses elementos estão as microcalcificações, depósitos de cálcio de formatos e tamanhos va-riados, segundo Egan (1980). Devido ao tamanho reduzido dessas estruturas, a sua visualização em mamogramas exige grande experiência do examinador e, mesmo assim, muitas vezes são passadas despercebidas, visto que o sis-tema de Raios-X pode apresentar várias limitações que prejudicam a nitidez da imagem.

De grande interesse ainda são os “clusters” (aglomerações) de mi-crocalcificações, pois são indicadores da necessidade de investigação mais aprofundada no local onde se encontram. Segundo informação do “National Cancer Institute” e do “National Institute of Health”, ambos dos Estados Unidos, aproximadamente metade dos cânceres detectados através de mamografia é percebida inicialmente como uma aglomeração de microcalcificações.

Com o objetivo de segmentar microcalcificações em mamogramas e identificar agrupamentos dessas estruturas, foi desenvolvido um procedimento que recorta regiões de interesse de imagens mamográficas e as processa se-paradamente. O esquema do processamento pode ser visualizado na Figura 2.36, onde a imagem resultante de uma fase é utilizada como imagem de en-trada para a etapa seguinte.

Inicialmente é executada uma técnica para identificar de forma semi-automática as regiões de interesse em uma imagem mamográfica. Então, um processo de segmentação composto de quatro passos (subtração de imagens, limiarização global, morfologia matemática e limiarização) é responsável por extrair das imagens somente as estruturas de interesse. Na morfologia mate-

L. S. Nunes

116

mática, as imagens são analisadas em termos de forma e tamanho, utilizando-se padrões elementares denominados elementos estruturantes (Gonzalez e Woods, 2002). Cada elemento estruturante interage com cada entidade con-tida na imagem em estudo, modificando a sua forma, o seu tamanho e permi-tindo, assim, extrair algumas conclusões desejadas. O elemento estruturante é um conjunto completamente definido e conhecido (tamanho e forma). A lingua-gem para morfologia matemática é a teoria dos conjuntos, onde os conjuntos representam os formatos dos objetos em uma imagem. No caso deste proces-samento, o elemento estruturante foi definido para eliminar da imagem aqueles sinais que continham menos de três pixels.

Ao final do procedimento, cada estrutura identificada é transformada em um único ponto para facilitar a contagem de objetos e, então, identificar um agrupamento. As descrições das técnicas utilizadas podem ser encontradas em Nunes et al. (1997) e Nunes et al. (2001b). Exemplos de imagens proces-sadas são apresentados na Figura 2.37.

Figura 2.36. Esquema utilizado para segmentação de microcalcificações


117

Figura 2.37. Detecção de agrupamentos de microcalcificações em mamogramas. (a) imagem original; (b) região de interesse extraída da

imagem original; (c) região de interesse segmentada; (d) região de interesse após transformação área-ponto e (e) região de interesse após

identificação de clusters

L. S. Nunes

118

2.4.2. Realce de contraste em mamogramasComo já foi comentado neste capítulo, há várias técnicas clássicas para

o realce de imagens. No entanto, aplicações específicas exigem adaptações, redimensionamentos ou, até mesmo, estabelecimento de técnicas inéditas.

Na detecção precoce do câncer de mama, os sistemas CAD geralmen-te apresentam desempenho menor quando o conjunto de imagens utilizado é proveniente de mamas densas, que apresentam baixo contraste entre as estruturas de interesse e o fundo da imagem. A maioria das mulheres jovens apresenta alta densidade nas mamas devida à predominância de tecidos fibro-glandulares na sua composição. Por esse motivo, muitas vezes a descoberta do câncer de mama em mulheres com menos de 40 anos de idade acontece quando o tumor já apresenta um desenvolvimento avançado, o que dificulta o tratamento da doença.

Visando à melhoria de detecções nesta classe de imagens foi propos-to um conjunto de técnicas inéditas que possibilitam o aumento do contraste entre o fundo do mamograma e as estruturas de interesse, com ênfase nos agrupamentos de microcalcificações. As imagens mamográficas são submeti-das a um procedimento para eliminar o seu fundo, consistindo de três passos: limiarização global com base no histograma, detecção de bordas e eliminação das estruturas externas às bordas. Assim, somente a região realmente perten-cente à mama permanece na imagem. Este processo é necessário para que seja possível estimar a densidade da mama representada na imagem, utilizada no realce de contraste. Detalhes e considerações a respeito deste procedi-mento são encontrados em Nunes et al. (2001a, 2001c). A Figura 2.38 mostra resultados deste processamento.

Figura 2.38. Exemplo de execução do procedimento de eliminação do fundo do mamograma: (a) imagem mamográfica original; (b) imagem

após limiarização e identificação da borda da mama; (c) imagem resultante final, com a borda da mama delimitada e

com a estrutura de fundo eliminada


119

Com o fundo do mamograma eliminado e as regiões de interesse ex-traídas da imagem, três técnicas de realce de contraste foram desenvolvidas: RTH (Realce a partir de transformações no histograma), RCA (Realce a partir dos coeficientes de atenuação) e RCC (Realce através da adequação da curva característica do filme radiográfico).

A técnica RTH consiste em realizar uma classificação ótima dos níveis de cinza a fim de dividi-los em classes e, na seqüência, realizar uma transfor-mação paramétrica local em cada classe. O realce é realizado por uma função monotônica que conserva o mesmo relacionamento entre os níveis de cinza originais, preservando, desta forma, a aparência da imagem. A transformação permite a divisão dos níveis de cinza em um determinado número de classes que representam regiões homogêneas. O objetivo do método é realçar o con-traste global e aumentar a homogeneidade dentro das regiões da imagem. Um exemplo de resultado obtido pode ser visto na Figura 2.39. Detalhes de imple-mentação estão disponíveis em Nunes et al. (2001a, 2001c).

Figura 2.39. Exemplo de execução da técnica RTH. (a) imagem original; (b) imagem resultante após a aplicação da técnica

Como já citado, os Raios-X sofrem atenuações ao interagirem com a matéria. O nível dessa atenuação depende essencialmente da composição, densidade e espessura do objeto cuja imagem está sendo adquirida. O coe-ficiente de atenuação linear (µ) é o parâmetro que resume esse fenômeno e exerce influência sobre a intensidade de radiação resultante após a absorção. Em uma imagem mamográfica há fundamentalmente três tipos de tecidos que podem colaborar com a atenuação do feixe de Raios-X: gordura, tecido fibro-glandular e tecido associado a lesões. A técnica RCA utiliza esses conceitos para aumentar o contraste entre as possíveis microcalcificações existentes na imagem mamográfica e os demais tecidos que compõem o restante da ima-gem. Explicações mais detalhadas são fornecidas em Nunes et al. (2001a, 2001c). Um exemplo do resultado fornecido é apresentado na Figura 2.40.

L. S. Nunes

120

Figura 2.40. Exemplo de execução da técnica RCA. (a) região de interesse original extraída de mama densa; (b) imagem resultante após a

aplicação da técnica

A curva característica do filme radiográfico fornece a relação entre a exposição do filme e a densidade óptica nele obtida. Nessa curva, há duas re-giões críticas: a região denominada base e a região denominada patamar, que se localizam, respectivamente, no início e no final da curva. Nessas regiões há uma redução do contraste porque uma faixa de exposição pode corresponder a um único nível de densidade óptica. A proposta do procedimento RCC é rea-lizar uma transformação na imagem que consiste em tornar linear a região final do histograma que corresponde à região da curva característica denominada base, que, por sua vez, se refere à área com baixas densidades ópticas e, conseqüentemente, às áreas mais claras da imagem. Esse procedimento tem efeito muito útil quando as estruturas de interesse estão localizadas em áreas densas da mama, cujas imagens são claras e apresentam baixo contraste. Um exemplo de sua aplicação é apresentado na Figura 2.41.

Figura 2.41. Exemplo de execução da técnica RCC. (a) imagem original; (b) imagem resultante após a aplicação da técnica


121

2.4.3. Detecção de assimetrias em imagens mamográficasA assimetria é a comparação bilateral entre regiões das mamas direi-

ta e esquerda da mesma projeção. A identificação de assimetria estrutural é um fator importante para detecção precoce do câncer de mama porque uma desigualdade significativa entre as mamas pode indicar o desenvolvimento de alguma anomalia.

Para medir a assimetria entre mamas foi desenvolvido um procedimen-to que indica a porcentagem de assimetria global e as áreas particulares onde existe diferença entre as tonalidades de cinza. A finalidade é utilizar os recur-sos oferecidos pelas técnicas de processamento a fim de fornecer informações adicionais pra composição de diagnóstico aos profissionais da área (mastolo-gistas e radiologistas).

Para verificar a assimetria global, inicialmente a imagem mamográfica é segmentada a fim de que ruídos e estruturas dispensáveis sejam removidos. Em seguida, é realizado um deslocamento das imagens esquerda e direita com a finalidade de alinhá-las. Então, é realizada uma comparação entre as imagens, indicando-se os locais onde uma mama é maior que a outra. Exem-plos do procedimento executado podem ser verificados na Figura 2.42(a).

Para obtenção das assimetrias locais é realizada uma comparação pon-to a ponto na imagem, considerando-se um tamanho de template pré-definido pelo usuário. As médias de cinza de cada área particular são calculadas para as localizações do template em ambas as imagens. A diferença entre as mé-dias obtidas é medida em porcentagem e representada na imagem resultante com cores diferentes, conforme pode ser observado na Figura 2.42(b). Esse processamento pode indicar ao médico a existência de uma diferença entre as mamas, podendo estar relacionada ao início do desenvolvimento de um tumor. Informações mais detalhadas de implementação são encontradas em Silva et al. (2004).

L. S. Nunes

122

Figura 2.42. Exemplo de medição de assimetrias em mamogramas: (a) assimetria global; (b) assimetrias locais

2.4.4. Segmentação de imagens fetais em ultra-som obstétricoVisando à construção de um sistema de representação tridimensional

de fetos a partir de medidas extraídas de imagens bidimensionais de ultra-som, foi desenvolvido um procedimento (Luz et al., 2004) para segmentar imagens de ultra-som e extrair medidas das estruturas de interesse.

A segmentação consistiu em três passos: equalização do histograma, limiarização global e crescimento de região modificado. A Figura 2.43 mostra resultados dos procedimentos implementados.


123

Figura 2.43. Segmentação de imagens de ultra-som obstétrico: (a) imagem original e após equalização; (b) imagem equalizada após

limiarização e (c) imagem após crescimento de região

2.5. ConclusõesEste capítulo apresentou os conceitos básicos sobre a formação de

imagens digitais, dando ênfase às imagens médicas e focalizando a imple-mentação de sistemas de auxílio ao diagnóstico, que têm as imagens médicas como principal fonte de dados.

Apesar de ser objeto de pesquisa de vários grupos no Brasil e no mun-do, vários desafios ainda precisam ser vencidos. O primeiro desafio a ser con-siderado na construção de tais sistemas é obter uma alta taxa de acerto de casos verdadeiros-positivos, isto é, indicar a presença de uma doença quando ela realmente existe, com uma baixa taxa de casos falsos-positivos (quando o sistema indica a existência de uma doença, sem esta de fato existir). Por meio dos exemplos e aplicações apresentados é possível verificar que não há técni-cas que funcionem adequadamente para todo tipo de imagem médica e todo tipo de diagnóstico. Assim, para se obter um bom desempenho em relação aos acertos, é necessário conhecer profundamente o problema a ser detectado e a imagem médica que será utilizada para o diagnóstico, considerando seu processo de formação, que exerce influência nas suas características. Técni-cas de inteligência artificial e métodos estatísticos de classificação têm sido investigados para esta finalidade.

L. S. Nunes

124

Outra questão que merece destaque é a utilização de recursos com-putacionais que proporcionem alto desempenho, uma vez que as imagens médicas apresentam grande volume de dados para processamento e este pro-cessamento envolve, geralmente, milhares de operações em tempo real. Por esses e outros motivos, apesar de resultados promissórios estarem sendo ob-tidos, ainda não foi divulgada a aplicação de sistemas de auxílio ao diagnóstico brasileiros em nível clínico. A aplicação de técnicas de computação paralela é uma linha de pesquisa que pode ser promissora no sentido de auxiliar na minimização desta questão.

Também é importante destacar a necessidade de desenvolver sistemas nesta área que sejam multi-modalidade, pois informações provenientes de di-versas modalidades podem ser complementares para construir um diagnóstico acertado. Neste sentido, é possível utilizar o armazenamento dessas informa-ções em bancos de dados adequados a fim que de que o auxílio ao diagnóstico seja mais efetivo.

Finalmente, uma linha que merece ser citada é a grande dificuldade de avaliação desses sistemas, pois o desempenho de um sistema CAD pode variar em função das características das imagens utilizadas no processamento. Em todas as fases do processo de aquisição e processamento da imagem, há fatores e parâmetros que podem influenciar nos resultados. É difícil esta-belecer uma forma de padronização para avaliar esses esquemas por vários motivos: (1) cada um deles trabalha com imagens provenientes de lugares distintos e, conseqüentemente, com características distintas; (2) como con-seqüência, não há padronização nas características relacionadas ao proces-so de aquisição ou ao de digitalização; (3) via-de-regra, os esquemas CAD são desenvolvidos para processarem um ou alguns determinados formatos de imagem; a conversão para outros formatos pode também implicar alteração das características das imagens; (4) as características de software e hardware dos esquemas CAD também variam, fazendo com que um sistema desenvol-vido, por exemplo, para funcionar em estações gráficas, dificilmente possa ser executado em computadores pessoais; isto exigiria um esforço de conversão que poderia levar, inclusive, a incompatibilidades em termos de implementa-ção. Para minimizar esta questão, algumas sugestões são a disponibilização de bases de imagens públicas, com informações detalhadas e cujo formato de armazenamento pudesse ser facilmente convertido para qualquer formato necessário; o estabelecimento de critérios de avaliação, como as curvas ROC sugeridas por Nishikawa et al. (1994) e, ainda, a utilização de técnicas e fer-ramentas de testes provenientes da Engenharia de Software que permitem avaliação criteriosa, estrutural ou funcionalmente.

Finalmente, é interessante lembrar que a construção desses sistemas exige equipes multidisciplinares. Ao profissional da Computação cabe a utiliza-ção do seu conhecimento para o estabelecimento de algoritmos eficazes que possam fornecem, no menor tempo possível, um desempenho satisfatório em termos de acerto, a fim de contribuir, de fato, para o auxílio ao diagnóstico.


125

Referências[Arcuri et al. 2001] - Arcuri, S. M. and McGuire, P. K. (2001) “Ressonância magnética

funcional e sua contribuição para o estudo da cognição em esquizofrenia”, Rev. Bras. Psiquiatr., May 2001, v. 23 suppl.1, p.38-41.

[Arimura et al. 2004] - Arimura, H., Katsuragawa, S., Suzuki, K., Li, F., Shiraishi, J. and Doi, K. (2004) “Computerized scheme for automated detection of lung nodules in low-dose CT images for lung cancer screening”, Acad Radiol, v.11, p. 617-629.

[Ballard e Brown 1982] - Ballard, D.H. and Brown, C.M. (1982) “Computer Vision”, En-glewood Cliffs, New Jersey, Prentice-Hall Inc.

[Bega et al. 2001]Bega, G., Lev-Toaff, A., Kuhlman, K., Kurtz, A., Goldberg, B. and Wap-ner, R. (2001) “Three-dimensional ultrasonographic imaging in obstetrics”, J Ultrasound Med., Canadá., v. 20, p. 391-408.

[Bronson 2002] - Bronson, J. G. (2002) “Ultrasound in Women´s Health: The View in 2002”, Medical Imaging. , http://www.medicalimagingmag.com, Março 2003.

[Chan et al. 1987] - Chan,H-P., Doi, K., Galhotra, S., Vyborny, C.J., MacMahon, H. and Jokich, P.M. (1987) “Image feature analysis and computer-aided diagnosis in digital radiography. I. Automated detection of microcalcifications in mammography.”, Medical Physics, v. 14, n. 4, p.538-548.

[Chan et al. 1990] - Chan,H-P., Doi, K., Vyborny, C.J., Schmidt,R.A., Metz, C.E., Lan, K.L., Ogura,T., Wu,Y. and MacMahon, H. (1990) “Improvement in radiologists’ detec-tion of clustered microcalcification on mammograms: the potential of computer-aided diagnosis”, Investigative Radiology, v. 25, p. 1102-1110.

[Curry et al. 1990] - Curry III, T. S., Dowdey, J. E. and Murry Jr., R.C (1990) “Christensen’s Physics of Diagnostic Radiology”, 4. ed., Philadelphia, Lea & Febiger.

[Dainty 1976] - Dainty, J.C. and Shaw, R. (1976) “Image Science”, 3ed., New York, Aca-demic Press.

[Dhawan e Royer 1988] - Dhawan, A.P. and Royer, E. L. (1988) “Mammographic feature enhancement by computerized image processing”, Computer Methods and Programs in Biomedicine, v.27, p.23-35.

[Doi 1991] - Doi, K. (1991) “Computer-aided diagnosis: present and future. A new horizon on medical physics and biomedical engineering.”, H. Abe, K. Atsumi, T. Iiuma, M. Saito, M. Inoue, eds. Elsevier Science Publishers B.V., p. 59-66.

[Doi, et al. 1997] - Doi, K., Giger, M. L., Nishikawa, R. M. and Schmidt, R.A (1997) “Com-puter-aided diagnosis of breast cancer on mammograms”, Breast Cancer, v.4, n.3, p.228-233.

[Egan et al. 1980] - Egan, R.L., McSweeney, M. B. and Sewell, C.W (1980) “Intramam-mary calcifications without an associated mass in benign and malignant diseases”, Radiology, v.137, n.1, p.1-7.

[Ellis et al. 1993] - Ellis, I. O., Galea, M. H. and Locker, A. (1993) “Early experience in breast cancer screening: emphasis on development of protocols for triple assessment”, The Breast, v. 2, p. 148-153.

[Giger 2000] - Giger, M.L. (2000) “Computer-aided diagnosis of breast lesions in medical images”, Computing in Science & Engineering, v. 2, n. 5, p. 39-45.

[Giger e MacMahon 1996] - Giger, M.L. and MacMahon, H. (1996) “Image processing and computer-aided diagnosis”, Radiologic Clinics of North America, v.34, n.3, p. 565-595.

[Gonzalez, e Woods 2002] - Gonzalez, R.C. and Woods, R. E. (2002) “Digital Image Pro-cessing”, Addison-Wesley Publishing Company, Massachusetts, 2a. Edição.

[Ishida et al. 1983] - Ishida, M., Frank, P.H., Doi, K. and Lehr, J.L. (1983) “High quality digital radiographic images: improved detection of low-contrast objects and preliminary clinical studies”, Radiographics, v.3, n.2, p.325-338.

L. S. Nunes

126

[ackson et al. 1993] - Jackson, V. P, Jachson, , V. P., Hendrick, E., Feig, S. A. and Kopans, D.B. (1993) “Imaging of the radiographically dense breast”, Radiology, v.188, p.297-301.

[Low 1991] - Low, A. (1991) “Introductory Computer Vision and Image Processing”, Mc-Graw-Hill Book Company, London.

[Luiten 1981] - Luiten, A. L. (1981) “Introduction to nuclear magnetic resonance”, Medi-camundi, v. 26, p. 82-85.

[Luz et al. 2004] - Luz, R. W., Hermosilla, L. G., Nunes, F. L. S., Delamaro, M. E., Semen-tille, A. C., Brega, J. R. F. and Rodello, I. A. (2004) “Aplicação de técnicas de realidade virtual para representação de fetos a partir de imagens bidimensionais de ultra-som”. In: IV Workshop de Informática Médica”, Brasília. Anais do IV Workshop de Informática Médica.

[Maintz et al. 1998] - Maintz, J. B. A. and Viergever, M. A. (1998) “A survey of medical image registration”, Medical Image Analysis, v. 2, n. 1, p.1-36.

[Nappi et al. 2004] - Nappi, J. J., Frimmel, H., Dachman, A. H. and Yoshida, H. (2004) “Computerized detection of colorectal masses in CT colonography based on fuzzy mer-ging and wall-thickening analysis”, Med Phys, v.31, p.860-872.

[Nunes 2001] - Nunes, F. L. S. (2001) “Investigações em processamento de imagens ma-mográficas para auxílio ao diagnóstico de mamas densas”, São Carlos, 2001, 208p, Tese (doutorado).

[Nunes 1997] - Nunes, F.L.S. (1997) “Esquema de diagnóstico auxiliado por computador para detecção de agrupamentos de microcalcificações por processamento de ima-gens mamográficas”, São Carlos, 1997, 198p. Dissertação (Mestrado).

[Nunes 2001b] - Nunes, F.L.S. and Schiabel, H. (2001b) “Detecção de agrupamentos de microcalcificações mamárias através de processamento de imagens mamográficas com detecção semi-automática de regiões de interesse”, Revista Brasileira de Enge-nharia Biomédica, v. 16, n. 13, p. 109-121.

[Nunes 2001a] - Nunes, F.L.S., Schiabel, H., Escarpinati, M.C. and Benatti, R. (2001a) “Comparisons of different contrast resolutions effects on a computer-aided detection system intended to clustered microcalcifications detection in dense breasts images”, Journal of Digital Imaging, v. 14, n.2, suppl. 1, p. 217-219.

[Petrick et al. 1996] - Petrick, N., Chan, H-P., Sahiner, B. and Wei, D. (1996) “An adaptive density-weighted contrast enhancement filter for mammographic breast mass detec-tion”, IEEE Transactions on Medical Imaging, v.15, n.1, p.59-67.

[Russ 1992] - Russ, J.C. (1992), “The Image Processing Handbook”, CRC Press. [Santos 2004] - Santos, R. (2004) “Java Advanced Imaging: A Tutorial”, Revista de Infor-

mática Teórica e Aplicada, v. 11, p.93-123.[Scaff 1979] - Scaff, L. A. M. (1979) “Bases Físicas da Radiologia – Diagnóstico e terapia”,

São Paulo, Sarvier S/A Editora.[Schiabel et al. 1994] - Schiabel, H., Ventura, A. and Frère, A.F. (1994) “Formal study of

lateral magnification and its effect on mammographic image sharpness”, Medical Phy-sics, v. 21, n. 2, p. 271-276.

[Silva et al. 2004] - Silva, K. C., Schiabel, H. and Nunes, F. L. S. (2004) “Image processing techniques for asymmetry detection in mammographic images”. In: Proceedings of The 21st Meeting of The Society for Computer Applications in Radiology, Vancouver, v. 1.

[Wilks 1987] - Wilks, R.J. (1987) “Principles of Radiological Physics”, New York, Churchill Livingstone.

Documents

2.1. Introdução Introdução ao Processamento de Imagens Médicas