Apresentacao ver-004

208 visualizações

Publicada em

Trabalho de conclusão de curso na área de processamento de sinais biomédicos. Software de processamento de imagens de pupilometria dinâmica para detecção de neuropatia autonômica em pacientes com diabetes.

0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
208
No SlideShare
0
A partir de incorporações
0
Número de incorporações
2
Ações
Compartilhamentos
0
Downloads
1
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Apresentacao ver-004

  1. 1. UNIVERSIDADE FEDERAL DE SANTA CATARINA Departamento de Engenharia Elétrica Institudo de Engenharia Biomédica Desenvolvimento de um software paraprocessamento de imagens de pupilometria dinâmica para diagnóstico precoce de neuropatia autonômica em pacientes com diabetes Acadêmico: Pedro Augusto Zamuner Orientador: Jefferson L. B. Marques, PhD
  2. 2. Agenda• Introdução; • Neuropatia Autonômica; • Pupilometria Dinâmica; • Objetivos;• Desenvolvimento; • Métodos de classificação e estimação do raio da pupila; • Funcionalidades de software;• Conclusão • Resultados; • Estudo de caso; • Conclusões; • Trabalhos futuros.
  3. 3. Introdução Neuropatia Autonômica Cardiovascular - NAC• Neuropatia Autonômica Diabética (NAD);• Sistema Nervoso Autônomo (SNA)• Neuropatia Autonômica Cardiovascular;
  4. 4. Introdução NAC - Classificação• A NAC pode ser classificada como: subclínica e clínica;• NAC subclínica é assintomática;• Possibilidade de reversão dos avanços da NAC;• NAC clínica é sintomática e reduz a qualidade e expectativa de vida;• Classificação através de exames clínicos da VFC;
  5. 5. Introdução Pupilometria Dinâmica• Resposta da pupila à luz: Pupilometria Dinâmica;• Permite avaliar ambos caminhos neuronais;
  6. 6. Introdução Projeto Piloto - Hardware• Pupil Stimulator and Response Recorder (PSRR);Fonte: Ferrari et. al., 2010.• Provê mais parâmetros para avaliar o SNA;
  7. 7. IntroduçãoReflexo Pupilar
  8. 8. Introdução Projeto Piloto - Software• Projeto Piloto;• MATLAB;• Muito lento;• Dificultade de correção;• Dificultade em extrair parâmetros de Pupilometria Dinâmica.
  9. 9. Introdução Objetivos Específicos• Tornar o sistema mais rápido;• Tornar o sistema mais confiável;• Tornar o sistema mais fácil de usar;• Comparar resultados com outros exames.
  10. 10. Desenvolvimento Ferramentas• Ambiente de Desenvolvimento;
  11. 11. DesenvolvimentoMétodo da Circularidade
  12. 12. Desenvolvimento Método da Circularidade:Pré-Processamento• Binary Large Objects (BLOBS);
  13. 13. Desenvolvimento Método da Circularidade: Raio e centro da pupila A • Fator de forma:   4  2 P n 1 1 Circunferência Perfeita x cm  M mx i i i 1 AA   r  r  2 n 1  y cm  M m i yi i 1
  14. 14. Desenvolvimento Método da Assinatura: Classificação• Pré-processamento e segmentação idênticos;
  15. 15. Desenvolvimento Método da Assinatura: Classificação• Assinatura na prática; • Vetor de regiões • Vetor de raios para cada região V (R) score   blobIndex  min{ Scores } R
  16. 16. Desenvolvimento Método da Assinatura: Raio e centro da pupila n 1 1 n x cm  mx i i R Mr i 1 i 1 n n i 1 y cm  m i yi M i 1
  17. 17. DesenvolvimentoMétodo da Correlação
  18. 18. Desenvolvimento Método da Correlação: Segmentação• Segmentação por filtro Laplaciano;
  19. 19. Desenvolvimento Método da Assinatura: Classificaçãoz x y z y x
  20. 20. DesenvolvimentoMétodo da Correlação: Loop de correlação
  21. 21. Desenvolvimento Método da Correlação: Classificação• Raio correspondente ao template com máxima correlação;• Centro : coordenadas do ponto onde ocorre a máxima correlação.
  22. 22. ResultadosHórus
  23. 23. Resultados Análise de Performance• Ganho de velocidade em relação ao projeto piloto; MATLAB Hórus Assinatura Circularidade Assinatura Correlação Ganho 19 746 736 8• Erro de detecção  Médio  2 ,17  Médio  0 ,38  Médio  0 , 23  Médio  0 , 66
  24. 24. ResultadosEstudo de caso: Diagnóstico de NAC
  25. 25. Conclusões1. Ganho de performance de 736 vezes com erro médio inferior. • Intervalo entre quadros: 33,333333 ms • Tempo de processamento: 6,00 ms2. Resultados mais confiáveis:
  26. 26. Conclusões3. Fácil de utilizar;4. Capacidade de exportar resultados em modo texto;5. Utilizando o Hórus é possível estabelecer classificação do quadro do paciente de acordo com outros exames.
  27. 27. Trabalhos Futuros1. Utilizar threshold automático e adaptativo;2. Correção automática da detecção no pós-processamento;3. Paralelismo fornecido pela Intel Threading Building Blocks (TBB);4. Melhoria no Método da Correlação;5. Melhoria no Método da Assinatura;6. Análise espectral da curva Raio x Tempo.
  28. 28. Obrigado!• Pedro Augusto Zamuner• Matrícula: 0524153-7• Contato: pedrozamuner@gmail.com

×