Minicurso Ercemapi 2011

Técnicas de Processamento de
Imagens em Diagnóstico
Auxiliado por Computador

Rodrigo M. S. Veras1, Iális C. Paula Jr.2 e Fátima N. S. Medeiros2

Universidade Federal do Piauí (UFPI)1
Universidade Federal do Ceará (UFC)2

Roteiro
• Introdução
• Diagnóstico Auxiliado por Computador
• Conhecimentos Envolvidos
– Processamento Digital de Imagens
– Reconhecimento de Padrões
• Aplicações
– Identificação de Estruturas da Retina
– Análise de Postura
• Conclusão

Introdução
• Conceito de CAD:
– Diagnóstico feito por especialista que utiliza a
saída de uma análise computadorizada de
imagens como “segunda opinião'' no processo
de detecção de lesões e tomadas de decisões
diagnósticas.

Introdução
• Importância dos Sistemas CAD
– Os sistemas CAD ajudam a equipe médica na
interpretação de imagens médicas e,
consequentemente, proporcionam um “pré-
diagnóstico”.
– Eles são de grande ajuda pois aliviam em
muito as limitações do olho e do cérebro
humano como fadiga e distração,
respectivamente.

Diagnóstico Auxiliado por
Computador

Auxílio à Detecção
• Localização de regiões suspeitas;
• A classificação da lesão é feita
exclusivamente pelo especialista;
• Principais aplicações:
– Imagens radiológicas de tórax e mama

Auxílio ao Diagnóstico
• Classificação dos achados;
– Extração de informações pelo computador;
• Objetiva e de fácil reprodução.
– Extração de informações pelo especialista;
• Experiência e subjetividade.
• Exemplo:
– Câncer: diferenciar tumores malignos e
benignos

Principais Áreas de Atuação

Mamografia
• Detecção de agrupamentos de
calcificações;
• Detecção de nódulos;
• Medidas de densidade
• Detecção de assimetrias;
• Caracterização de lesões
mamográficas.

Radiografia de Tórax
• Detecção de nódulos
pulmonares;
• Diagnóstico diferencial de
lesões intersticiais;
• Detecção de anormalidades
(pneumotórax, tamanho do
coração, assimetrias, outras).

Angiografia
• Detecção e avaliação de
aneurismas;
• Detecção e avaliação de
estenoses;
• Quantificação de fluxos.

Neurologia
• Morfometria de estruturas cerebrais;
• Fusão de imagens multimodais;
• Avaliação de assimetrias.

Estratégias dos Sistemas CAD
• Análise comparativa de imagens do
mesmo paciente, obtidas pelo mesmo
equipamento, com os mesmos parâmetros
de escaneamento, mas em diferentes
instantes de tempo.

mesmo paciente, obtidas pelo mesmo
equipamento, no mesmo instante, mas
com parâmetros de escaneamento
diferentes.
– Este tipo de análise é denominado análise
multi-espectral.

mesmo paciente, mas obtidas através de
diferentes tecnologias de escaneamento,
tais como:
– tomografia computadorizada;
– ressonância magnética;
– PET e SPECT.

• Análise comparativa da imagem do
paciente com um padrão obtido de
pessoas saudáveis, denominado atlas
anatômico.
– Na prática, esta técnica não mostrou muita
eficiência dado sua complexidade e
dificuldade de estabelecer um padrão
anatômico.

• Comparação de duas imagens do mesmo
paciente, mas obtida em diferentes partes
do corpo.
– Essa a metodologia desenvolvida para
detecção de nódulos em mamogramas, por
exemplo.
– Se baseia na simetria de arquitetura entre as
mamas esquerda e direita, com as assimetrias
indicando possíveis nódulos

Processamento de Imagens
• Responsável pela extração dos atributos
(características) das imagens;
• Principais tarefas:
– Pré-processamento;
– Segmentação;
– Quantificação de atributos.

Reconhecimento de Padrões
• Responsável pela classificação de padrões
– Seleção de atributos;
– Classificação (padrões normais e anormais);
– Principais técnicas:
• distribuições de probabilidade de classe;
• análise de discriminante;
• métodos estatísticos;
• redes neurais.

Comparativo

Imagem Imagem
Processamento de Imagens

Dado

Computação Gráfica Visão Computacional

Negativo de uma Imagem
• Realce com processamento ponto-a-ponto
• Reverter a ordem do preto para o branco
– Intensidade da imagem de saída diminui
– Intensidade da entrada aumenta

Negativo de uma Imagem
s = T(r)
Claro

T(r)
Escuro

Imagem Original

r
Escuro Claro
Função de Transformação

s=L–1–r

Imagem Processada

Ruído em Imagens

Imagem Original Imagem Ruidosa Imagem Ruidosa
“Sal e Pimenta” Speckle

Detectores de Bordas (Gradiente – Passa-Alta)

Imagem Original Filtro de Prewitt

Filtro de Sobel Filtro de Roberts

Definição de Gradiente

(a) (b) s = [1 2 1; 0 0 0; -1 -2 -1];
A = zeros(10);
Figura – (a) Imagem original; (b) Imagem
A(3:7,3:7) = ones(5);
após aplicação do filtro de Sobel.
H = conv2(A,s);
mesh(H)

Filtro de Suavização (passa-baixa)
• São úteis para redução de ruído e borramento de
imagens
– Detalhes são perdidos
• O tamanho da máscara (ou seja, vizinhança) determina o grau
de suavização e perda de detalhes.
– Os elementos da máscara devem ser números positivos
– Exemplo: Média Local

– R = 1/9 (1z1 + 1z2 + ... +1z9) normalizado: dividido por 9

Filtro por mediana (não-linear)
• Substitua f(x,y) pela mediana [f(x’,y’)] onde (x’,y’)
pertence a vizinhança
• Muito efetivo na remoção do ruído com componentes do
tipo espigada (“spike”, ocorrências aleatórias de valores
brancos e pretos)
• Preserva melhor as bordas
• Exemplo:
10 20 20
Ordenar
20 15 20 (10,15,20,20,20,20,20,25,100)

25 20 100

– Mediana = 20, então substitua (15) por (20)

Filtragem da Mediana

Imagem Ruidosa Filtragem com Janela 3x3
“Sal e Pimenta”

Filtragem com Janela 5x5 Filtragem com Janela 7x7

Equalização de Histograma
• O histograma de uma imagem corresponde a
uma estimativa da probabilidade de
ocorrência dos seus níveis de cinza.
• A equalização produz uma imagem cujos níveis
de cinza possuem uma densidade uniforme.

Limiarização
• Comprime a faixa de nível de cinza de pouco
interesse
– Inclinação da linha entre [0,1]
• Alargamento da faixa de nível de cinza de maior
interesse
– Inclinação da linha monotonicamente crescente

– r1 = r2
– s1 = 0 e s2 = L – 1

Limiarização
s = T(r)
Claro

T(r) Imagem Original
Escuro

r
Escuro Claro
Função de Transformação

Imagem Processada

Limiarização

Imagem Original Limiar de 130

Limiar de 140 Limiar de 150

Segmentação
• O processo de segmentação visa à
separação dos pixels pertencentes a
cada objeto presente na imagem:
– separação de regiões de interesse.

Processamento de Imagens em
Pseudo-Cores
• Abordagens para atribuição de cores para
imagens monocromáticas:
– Fatiamento por intensidades;
– Níveis de Cinza para Transformação de Cores;
– Filtragem.

Pseudo-Cores

(a) (b)
Figura – (a) Imagem monocromática do Fantasma de tireóide de Picker. (b) Fatiamento
de intensidades da imagem em 8 (oito) intervalos de intensidades.

Pseudo-Cores
(a)(b)
(c)(d)

Figura – (a) Imagem em nível de cinza em que a intensidade corresponde
Ao índice pluviométrico mensal médio. (b) Cores correspondentes aos
Valores de intensidade. (c) Imagem codificada em cores. (d) Zoom da
região da América do Sul.

O que é inteligência?
• Resolver um problema específico com
exatidão?
• Resolver problemas genéricos de modo
aproximado?
• Ter conhecimento enciclopédico?
• Tocar um instrumento?
• Falar outras línguas?

Inteligência e o RP
• Seres vivos são bastante habilidosos em
reconhecer padrões:
– Comportamentais: fulano se comporta sempre
assim!
– Sonoros: Este barulho não é normal!
– Táteis: Este tecido é parecido, mas a textura
é diferente!
– Visuais: Parece que vai chover hoje!
– Olfativos: Você trocou de perfume?
– Lógico-Matemáticos :“Uma Mente Brilhante”

Inteligência e o RP
• Reconhecer padrões equivale a classificar
determinado objeto físico ou situação
como pertencente ou não a um certo
número de categorias previamente
estabelecidas.

Reconhecimento de Padrões

Conhecimento Cibernética
Pericial

Ciência da
Computação
Reconhecimento
de Padrões

Processamento Inteligência
de Sinais Artificial
Estatística

Conceito Intuitivo de RP
• Dados os grupos abaixo:

• O objeto abaixo pertence a qual dos
grupos?

Um Computador Pode
Reconhecer Padrões?
• Certamente, a sua decisão é tomada com
base no grau de similaridade entre a fruta
desconhecida e as frutas conhecidas.
– Que mecanismo seu cérebro usa para realizar
esta tarefa?
– Será que implementa uma comparação entre
o objeto novo e objetos armazenados?
• Pode-se “replicar” este mecanismo em
uma máquina?

Um Computador Pode
Reconhecer Padrões?
• Para comparar objetos precisamos de:
– Uma representação do atributos físicos das
frutas;
– Um aprendizado:
• aprender o conceito laranja/maçã;
– Uma memória para armazenar as frutas
aprendidas;
– Uma regra de decisão para classificar a
nova fruta;

Definição Formal de RP
• Para definir um problema de RP, precisamos:
– Um número finito de K classes: C_1, C_2, ..., C_K;
– Um número finito de N_i objetos por classe C_i;
– Um número finito de n atributos (features) para
representar numericamente cada objeto físico;
– Mecanismos de memória e/ou aprendizado;
– Uma regra de decisão para classificar novos objetos;
– Critérios de avaliação do classificador.

Representação dos Atributos
• Quais atributos que descrevem uma
tangerina?
– Formato?
– Fruta cítrica?
– Cor?
– Casca lisa ou rugosa?
– Cheiro ativo?

Representação dos Atributos
• O computador só entende números!
• Como transformar os atributos em
números?
– Basta representar cada objeto como um vetor
de atributos:
– X = [X1;X2; ...;Xn]

Vetor de Atributos

• X1: {esférico, oval, alongado} = {0, 1, 2}
• X2: {não, sim} = {0, 1}
• X3: {amarelo, vermelho, alaranjado, verde} =
{1, 2, 3, 4}
• X4: {lisa, rugosa} = {0, 1}
• X5: {não, sim} = {0, 1}

Vetor de Atributos
• Dessa forma, teríamos as seguintes
representações?
– Objeto Laranja: X = [0 1 2 1 0]
– Objeto Maçã: Y = [0 0 1 0 0]
– Objeto Tangerina: Z = [0 1 2 1 1]
– O vetor Z é mais parecido com o vetor X ou
com o vetor Y?

Distância entre Vetores
• Calcular quão “parecidos” são dois vetores
equivale a calcular a distância entre eles;
• Exemplo:
– Distância Euclidiana:
De ( X , Y ) = ( X 1 − Y1 ) 2
+ ( X 2 − Y2 ) + ... + ( X n − Yn )
2 2

Distância entre Vetores
• Calculando as distâncias:
– Objeto Laranja: X = [0 1 2 1 0]
– Objeto Maçã: Y = [0 0 1 0 0]
– Objeto Tangerina: Z = [0 1 2 1 1]

De ( X , Z ) = ( 0 − 0) 2 + (1 − 1) 2 + ( 2 − 2) 2 + (1 − 1) 2 + ( 0 − 1) 2 =1

De (Y , Z ) = ( 0 − 0) 2
+ ( 0 − 1) + (1 − 2 ) + ( 0 − 1) + ( 0 − 1) = 2
2 2 2 2

Assim, concluímos que uma Tangerina é mais parecida com uma laranja
do que com uma maçã

Principais Classificadores
• K-Nearest Neighbor (KNN): K vizinhos
mais próximos;
• DMC: Distância mínima ao centróide;
• Árvores de Decisão;
• Algoritmos de Agrupamento: K-médias e
SOM;
• Redes Neurais Artificiais;
• SVM: Máquinas de Vetores de Suporte;
• Comitê de Classificadores;

Aplicação de Sistemas CAD
em Doenças Oculares

Estrutura Externa do Olho Humano

A Retina
• A retina constitui a membrana mais interna
do olho, situando-se na parede posterior do
olho;
– Quando o olho focaliza uma cena, a imagem
correspondente é projetada sobre a retina;
• Imagens digitais de retina, podem prover
informações sobre mudanças patológicas
causadas por doenças oculares locais e sinais
recentes de doenças sistemáticas como:
– Hipertensão;
– Arterioesclerose;
– Diabetes Mellitus.

Doenças na Retina
• Retinopatia Diabética
• Glaucoma
• Edema Macular

Retinopatia Diabética
• Um material anormal é depositado nas
paredes dos vasos sanguíneos da retina;
• Causa um estreitamento e/ou bloqueio do
vaso sanguíneo;
• Causa o enfraquecimento da parede dos
vasos;
• Ocasiona deformidades conhecidas como
microaneurismas

• Estes microaneurismas frequentemente
rompem ou extravasam sangue:
– Hemorragia;
– Infiltração de gordura na retina.
• Pode levar a uma perda parcial ou total da
visão.

• Tipos de Retinopatia:
– Retinopatia Diabética Exsudativa:
• ocorre quando as hemorragias e as gorduras
afetam a mácula;
– Retinopatia Diabética Proliferativa:
• surge quando a doença dos vasos sanguíneos da
retina progride, o que ocasiona a proliferação de
novos vasos anormais que são chamados
“neovasos”.

• Grupos de Risco:
– As pessoas que têm diabetes apresentam um risco de
perder a visão 25 vezes maior do que as que não
portam a doença.
– A Retinopatia Diabética atinge mais de 75% das
pessoas que têm diabetes há mais de 20 anos.
• Prevenção:
– O controle cuidadoso da diabetes com uma dieta
adequada, uso de pílulas hipoglicemiantes, insulina;
– Exames de rotina (como o “fundo de olho”) podem
detectar anormalidades em estágios primários;
• Tratamentos: Fotocoagulação por raios laser;

Principais Sintomas da RD

• Microaneurismas;
• Hemorragias;
• Exsudatos
• Neovascularização.

Detecção dos Vasos da Retina

Glaucoma
• Glaucoma é a designação genérica de um
grupo de doenças que atingem o nervo
óptico;
• O glaucoma é causado por diferentes
enfermidades que, na maioria dos casos,
levam a um aumento da PIO;
• O aumento da pressão é causado por um
bloqueio ao fluído no interior do olho;
• Com o tempo isto causa dano ao disco
óptico.

Diagnosticando o Glaucoma
• Existem basicamente três ferramentas de
diagnóstico:
– O tonômetro: aparelho que mede a pressão intra-
ocular;
– A campimetria: permite avaliar como e se o
glaucoma afetou o campo de visão;
– A oftalmoscopia:
• Popularmente chamado de exame de fundo de olho;
• Permite a visualização direta, através da pupila, do
aspecto do disco óptico;
• A sua coloração e aparência podem indicar se há ou
não dano relacionado ao glaucoma e qual a extensão
deste.

Grupos de Risco e Tratamento
• Grupos de Risco:
– Pessoas que possuem: diabetes, miopia, uso
prolongado de esteróides (corticóides) ou alguma
lesão ocular prévia;
– Pessoas com descendência africana ou asiática;
– Pessoas com história familiar de glaucoma.
• Tratamento
– O glaucoma pode ser tratado utilizando-se
colírios, medicamentos orais, cirurgia a laser,
cirurgias convencionais e, uma combinação
desses métodos.

Exemplo de Detecção do Disco Óptico

Edema Macular
• Um edema macular ocorre quando
depósitos de fluidos e proteínas se
acumulam sobre ou sob a mácula;
– Ponto ovalado de cor amarela junto ao centro
da retina do olho humano;
– Possui cerca de 1,5 mm de diâmetro;
– Apresenta uma pigmentação escura;
– Sua região central é chamada fóvea.

Exemplo de Detecção da Mácula

Aplicações em Análise de
Postura

Postura
• Postura é geralmente definida como o
arranjo relativo das partes do corpo.
– A postura correta traduz o estado de
equilíbrio muscular e esquelético que
protege as estruturas de suporte do corpo
contra lesão ou deformidade progressiva.
– Independente da atitude assumida pelo
paciente (agachada, ereta, deitada), estas
estruturas estão trabalhando ou repousando.

Postura
• Em uma boa postura
– os órgãos torácicos e abdominais mantêm-se
em posições ideais
– os músculos funcionam com mais eficiência
sob tais condições.
• Com a má postura há uma relação
defeituosa entre várias partes do corpo.
– Isso produz uma maior tensão sobre
estruturas de suporte e onde ocorre um
equilíbrio menos eficiente do corpo.

Ângulo de Cobb

Lordose

Cifose

Ângulo de Cobb
• Classificação da Escoliose (por angulação ω):
– ω < 10º - normal
• Não precisa tratamento
– ω <20º - Leve
– 20º< ω < 40º
• Moderada
– Ω > 40º - Grave

Ângulo de Cobb

• Tendências
– Cálculo de angulação em cifose e
lordose
– Busca do padrão de desvio por
regiões da coluna
– Detecção de vértebras
– Cálculo da angulação
• Semelhança de triângulos

Biofotogrametria
• Oriunda da Fotogrametria
– Extração de forma, dimensão e posições de
objetos em fotografias métricas
– Biomecânica

Biofotogrametria
• Acidentes Anatômicos
– Face ventral: Glabela, Sulco mentoniano, Furcula esternal, ângulo de
charpy,Nível dos Acrômios, ângulos Costofrênicos, EIAS, Cicatriz
Umbilical, Linha Alba, Bordo Inferior da Patela, Maléolos Internos
– Face Posterior: Cintura Escapular, Triangulo de Talhe, EIPS, , Quinta
vértebra Lombar, Eminência Fibrótica, Sulco Interglúteo Prega Glútea,
Prega do Joelho, Maléolos externos.
– Flexão Anterior: Ápice da curvatura dorsal direita e esquerda para
verificação de Gibosidade;
– Flexão Anterior Vista Perfil: Angulação da flexão de quadril, para
verificação das retrações dos músculos da cadeia posterior do corpo;

– Face Perfil Direito e esquerdo: Pavilhão Auditivo, Depressão entre
Trocanter Maior e Trocanter Menor, Linha Média entre face anterior e
posterior de joelho, Maléolo externo.

Biofotogrametria
• Origem: vídeo de marcha de amputados
• Leituras lineares e angulares de
movimentos corporais

• Desvantagens:
– Inviabilidade da análise tridimensional –
operacional;
– Transportabilidade do ambiente de captação
de imagens.

Biofotogrametria
• Vantagens:
– Recurso não-invasivo de análise do
movimento;
– Baixo custo de implementação;
– Precisão, reprodutibilidade, arquivamento de
registros, feedback ao paciente;
– Comparação de evolução da síndrome motora.

• Software SAPO [Ferreira et al. 2011]

Biofotogrametria
Variáveis (°) * Média (desvio Mínimo Máximo
padrão)
Alinhamento horizontal da cabeça 47,1 (4,8) 31,2 58,4
Alinhamento horizontal da pélvis 172,6 (4,8) 158,6 182,4
Alinhamento sagital do membro inferior 177,9 (4,8) 166,7 190,6
Ângulo de junção do quadril 149,8 (8,0) 129,7 176,2
Ângulo de junção do maléolo 86,2 (2,6) 79,9 91,6
Alinhamento vertical do torso 182,4 (2,1) 177,6 187,0
Alinhamento vertical do corpo 178,2 (0,9) 175,8 180,0
Alinhamento do membro superior 155,8 (5,1) 145,7 170,7
Alinhamento sagital do corpo 186,8 (3,6) 176,4 198,5
Ângulo da cifose torácica 55,4 (7,4) 39,3 68,2
Ângulo da lordose lombar 47,7 (15,4) 23,3 96,4

*Dados obtidos de 122 pacientes submetidos à pesquisa.

Similaridade de Formas
• Recuperação de informações em base de
imagens
– Similaridade e correspondência de formas
– Medidas de distâncias ou similaridade
• Meta: métrica robusta de similaridade
– Mais eficiente que as presentes na literatura

Sinal de Curvatura
• Requer o contorno parametrizado – c
– c(i) = {x(i),y(i)}, i = 1,...,N;
– N – número de pontos do contorno;
• Amplitude do sinal gerado: variação da
curva do contorno (mudança de direção)
– Pontos de máximo e mínimo – cantos;
– Intervalos de valor zero – linha reta;
– Intervalos de valor constante não-nulo –
arcos, círculos, semicírculos.

Sinal de Curvatura

Definição – a partir das derivadas primeira e
segunda de x e y

xy − yx
&&& &&&
k= 2 35

( x + y 2 )3 2
& & 30

25

20

15
k
(
)
t

10

5

0

-5
0 100 200 300 400 500 600 700 800
t
Forma original Sinal de Curvatura

RPG
• Reeducação Postural Global (RPG)
• Técnica desenvolvida na França
– Philippe Emmanuel Souchard
• Ajustamentos posturais para reorganização dos
segmentos do corpo humano, através do
alongamento do tecido muscular retraído
– A fim de permitir a reorganização das miofibrilas e o
reequilíbrio dos músculos que mantêm a postura;
• Produz também a liberação das fáscias, tecido
conjuntivo, pela aplicação do princípio de
"fluagem".

RPG
• Possui várias indicações terapêuticas
– desconforto e dor causados por desvios e alterações
posturais
• Benefícios
– Sua aplicação fortalece e melhora o sistema
respiratório
– Realinha a coluna e proporcionando liberdade e leveza
de movimento
• Tecnologia
– Proposta de auxílio ao pré-diagnóstico e avaliação do
tratamento fisioterapêutico a partir de imagens dos
pacientes [Passarinho et al 2006]

RPG

Segmentação e Extração da Forma [Paula et al. 2010]

Baropodometria
• Estudo da pisada e por consequência da
postura;
• Estudo estático e dinâmico de cargas nos pés;
• Sensoriamento da região plantar dos pés;
• Análise biomecânica e estrutural das possíveis
anomalias na marcha e na postura;
• Criação de palmilhas.

Baropodômetro

• Informação das pressões
(estática, dinâmica e postural)
• Diagnóstico clínico
– Avaliar áreas de sub e sobre
cargas.

Conclusão
• Foram desenvolvidos um grande número de
sistemas CAD para o diagnóstico de vários tipos
de doenças oculares;
• A maioria desses sistemas ainda estão em fase
de investigação e não podem ser colocados em
uso prático nas clínicas devido a várias razões.
– Uma dessas é a diversidade de imagens.
– Imagens de retina podem ter qualidades muito
diferentes devido a vários tipos de lesões e artefatos.

Conclusão
• Apresentou-se, com base em publicações
científicas, a utilização de algoritmos
computacionais para auxílio à análise de
imagens médicas
– Têm-se alcançado eficiência na melhoria da detecção
e classificação de lesões e/ou patologias humanas.
• O sistema CAD não pode ser definido para
substituir o especialista em saúde:
– Deve-se obter desempenho próximo ao do
especialista
– Cria-se apenas uma ferramenta de auxílio ao mesmo.

Contatos
• E-mails
– rveras@ufpi.edu.br
– ialis@ufc.br
• Links
– http://www.ec.ufc.br/professores/ialis/
– http://www.slideshare.net/ialis

Minicurso Ercemapi 2011

Recomendados

Recomendados

Mais conteúdo relacionado

Semelhante a Minicurso Ercemapi 2011

Semelhante a Minicurso Ercemapi 2011 (20)

Mais de Ialis Cavalcante

Mais de Ialis Cavalcante (14)

Último

Último (20)

Minicurso Ercemapi 2011