Transferir como PDF, PPTX
Carregado porTiago Antônio da Silva
Defesa do meu Mestrado: Segmentação de Imagens 3D com Crescimento de Regiões
O documento apresenta um estudo comparativo entre técnicas de segmentação de imagens 3D no exame experimental de sudorese iodo-amido. Ele analisa a segmentação supervisionada com k-means e a segmentação não supervisionada via crescimento de regiões, destacando que os melhores resultados foram alcançados com o modelo de cor CIELAB. O trabalho conclui que a segmentação via crescimento de regiões é uma alternativa eficaz e não-supervisionada, com sugestões para trabalhos futuros na área.
Defesa do meu Mestrado: Segmentação de Imagens 3D com Crescimento de Regiões
- 1. Universidade Estadual deCampinas Faculdade de Tecnologia Programa de Pós-Graduação em Tecnologia ESTUDO COMPARATIVO DE TÉCNICAS DE SEGMENTAÇÃO DE IMAGENS 3D APLICADAS AO EXAME EXPERIMENTAL DE SUDORESE IODO-AMIDO DEFESA DE MESTRADO Tiago Antonio da Silva Orientador: Prof. Dr. Marco Antonio Garcia de Carvalho Limeira, 28 de Novembro de 2018
- 2. ROTEIRO 1. INTRODUÇÃO – Motivaçãoe Justificativa; Desafios e Objetivos 2. FUNDAMENTAÇÃO TEÓRICA – Exame Experimental de Sudorese Iodo-Amido – Imagens Digitais e Modelos de Cor RGB e CIELab 3. ESTRATÉGIAS DE SEGMENTAÇÃO DE IMAGENS 3D DO EXAME EXPERIMENTAL DE SUDORESE IODO- AMIDO – Sistema CHECS: Segmentação Supervisionada com K-Means – Segmentação em Nuvem de Pontos com Algoritmo de Crescimento de Regiões 4. EXPERIMENTOS, RESULTADOS E DISCUSSÕES – Protocolo Experimental – Experimentos Preliminares e Definição dos Cenários – Avaliação dos Resultados para Segmentação em RGB e CIELab – Comparação entre Crescimento de Regiões nos modelos RGB e CIELab com K-Means 5. CONCLUSÕES E TRABALHOS FUTUROS Programa de Pós-Graduação em Tecnologia 2
- 3. 1. INTRODUÇÃO Programa dePós-Graduação em Tecnologia 3
- 4. INTRODUÇÃO • Exame experimentalde sudorese iodo-amido: – Baixo custo. – Baseado na técnica de Guttman (anos 40). – Em desenvolvimento pela HCRP. – Auxilia o diagnóstico de neuropatias. • Exame demorado: – 35 minutos na câmara aquecida. – Mais o tempo necessário para segmentação manual. Autorização 4495/2010 emitida pelo Comitê de Ética em Pesquisa do HCRP. Programa de Pós-Graduação em Tecnologia 4 PARCERIA
- 5. INTRODUÇÃO: TRABALHO PRECURSOR •Trabalho de Rodrigues (2015): Sistema CHECS com segmentação supervisionada com K-Means: –Uso do Microsoft Kinect® –Processamento de imagens com C# –Junção das imagens segmentadas na malha 3D. –Geração de relatórios Programa de Pós-Graduação em Tecnologia 5
- 6. INTRODUÇÃO: JUSTIFICATIVA • Exameincômodo: reduzir tempo do pós exame. –Reduzir o desconforto do paciente. • Ferramenta de auxílio ao diagnóstico. • Método não-supervisionado: sem a necessidade interação com o sistema computacional Programa de Pós-Graduação em Tecnologia 6
- 7. INTRODUÇÃO: DESAFIOS • Oalgoritmo de Crescimento de Regiões baseado em cores pode ser uma alternativa na segmentação, de maneira não supervisionada, das regiões de interesse médico? • Quais são os parâmetros de entrada do algoritmo de Crescimento de Regiões que proveem a melhor segmentação? • A segmentação das regiões de interesse via Crescimento de Regiões baseada nas cores oferece melhores resultados em RGB ou em CIELab? Programa de Pós-Graduação em Tecnologia 7
- 8. OBJETIVO Definição dos melhoresparâmetros para o algoritmo do Crescimento de Regiões Comparação da segmentação entre os modelos de cor RGB e CIELab Programa de Pós-Graduação em Tecnologia 8 Comparar a segmentação supervisionada realizada via K-Means com a segmentação não supervisionada via Crescimento de Regiões
- 9. 2. FUNDAMENTAÇÃO TEÓRICA Controleda Temperatura Corporal Programa de Pós-Graduação em Tecnologia 9
- 10. Controle de TemperaturaCorporal • Pele: regular temperatura: – Primeiro passo: estímulo (calor) – Sistema Nervoso Periférico envia sinal ao Sistema Nervoso Central. – Estimulo é devolvido ao Sistema Nervoso Autônomo: • Subdivisão do SNA, sistema simpático estimula as glândulas sudoríparas a secretarem suor. Programa de Pós-Graduação em Tecnologia 10 Figura 1 - Anatomia da glândula sudorípara com enervação do sistema simpático (GUYTON, et al.; 2006)
- 11. Exame de SudoreseQST: Evidenciar Regiões • Introduzido por Guttman (1941; 1947): –Diagnóstico de neuropatias –Baixo custo –Ácido de Quinizarina indica a cor: azul violeta –40 minutos na câmara aquecida a 37,7º –Definição de três regiões: anidrose, hipoidrotica e hidrótica Programa de Pós-Graduação em Tecnologia 11
- 12. Exame de SudoreseQST (anos 40): Evidenciar Regiões Programa de Pós-Graduação em Tecnologia 12 Figura 2 - Diferentes colorações na pele de paciente após a realização do exame QST (Adaptado de GUTTMANN; 1947) HIPOIDRÓTICA ANIDROSE HIDRÓTICA
- 13. Exame Experimental deSudorese Iodo-Amido • BARREIRA et al. 2015: – Uso de iodo e amido – Câmara aquecida HCRP • Temperatura controlada: 47º • Umidade Controlada: 30% • Cabeça do lado de fora • Tempo de exame: 35 mim. Programa de Pós-Graduação em Tecnologia 13 Figura 13 - Câmara Aquecida (RODRIGUES; 2015)
- 14. Exame Experimental deSudorese Iodo-Amido Programa de Pós-Graduação em Tecnologia 14 Figura 15 - Paciente submetido ao exame de sudorese iodo-amido (RODRIGUES; 2015)
- 15. 2. FUNDAMENTAÇÃO TEÓRICA ImagensDigitais e Modelos de Cor Programa de Pós-Graduação em Tecnologia 15
- 16. Imagem Digital Monocromática Programade Pós-Graduação em Tecnologia 16 Figura 3 - Ilustração de uma imagem bidimensional monocromática formada por uma matriz de tons de cinza (Adaptado de THOMÉ; 2016).
- 17. Modelos de CorRGB e CIELab Programa de Pós-Graduação em Tecnologia 17 Figura 7 - Representações das Cores no espaço tridimensional em um cubo RGB (GONZALEZ, WOODS; 2010, Adaptado). Figura 8 - Representação do Modelo de Cor CIELab (ADOBE, 2018). 16 milhões de cores possíveis REPRESENTAÇÃO DE CORES NO ESPAÇO TRIDIMENSIONAL Valores quantificados de 0 a 255 Valores mais abrangentes
- 18. Microsoft Kinect® Programa dePós-Graduação em Tecnologia 18 Figura 9 - Apresentação dos recursos do Microsoft Kinect® (CARDOSO; 2013)
- 19. 3. ESTRATÉGIAS PARASEGMENTAÇÃO DE IMAGENS 3D DO EXAME EXPERIMENTAL DE SUDORESE IODO-AMIDO Programa de Pós-Graduação em Tecnologia
- 20. Sistema CHECS • CHECS:Color Human Evaluation Computation System: – Desenvolvido por Rodrigues (ImageLab 2014 – 2015) – Segmentação supervisionada com K-Means Programa de Pós-Graduação em Tecnologia 20 Figura 16 - Ilustração da realização do exame iodo-amido em a) e em b) processo de escaneamento (RODRIGUES; 2015)
- 21. Sistema CHECS: Funcionamento Programade Pós-Graduação em Tecnologia 21 Figura 13 - Diagrama de interação do usuário com CHECS (RODRIGUES; 2015). 1) O composto de iodo-amido é aplicado sobre o paciente que em seguida é induzido a suar na câmara aquecida. 2) É realizada a captura da imagem 3D do paciente com Microsoft Kinect®. 3) O profissional da área de saúde interage com o sistema selecionando 5 cores na imagem 3D capturada. O sistema converte as cores para CIELab e a segmentação com K-Means é realizada. 4) A imagem 3D segmentada é apresentada ao usuário e são gerados relatórios sobre as proporções das áreas de anidrose e hidróticas.
- 22. IMAGEM 3D PRÉSEGMENTAÇÃO (COM RUÍDOS) 22 Figura 19 - Vistas da imagem 3D de paciente obtida com CHECS contendo ruídos e o plano onde o paciente estava deitado. 808.991 pontos
- 23. IMAGEM 3D SEGMENTADAVIA K-MEANS (COM RUÍDOS) 23 Figura 21 - Vistas da imagem 3D do paciente após segmentação realizada por meio do algoritmo K-Means pelo CHECS ainda com ruídos e plano de fundo.
- 24. CRESCIMENTO DE REGIÕES Programade Pós-Graduação em Tecnologia 24 • Método proposto por Zhan, Liang e Xiao (2009), disponível na Point Cloud Library. • Agrupa pontos e regiões com base na diferença colorimétrica:
- 25. CRESCIMENTO DE REGIÕES Programade Pós-Graduação em Tecnologia 25 • Entrada da nuvem de pontos obtida por Rodrigues (Fig. 20 a seguir). • Definição dos parâmetros para segmentação: –Variação dos valores de entrada para: • VLP: Valor de Limiarização do Ponto • VLR: Valor de Limiarização da Região • TMR: Tamanho Mínimo da Região • DV: Distância do Vizinho
- 26. CRESCIMENTO DE REGIÕES Programade Pós-Graduação em Tecnologia 26 • Método proposto por Zhan, Liang e Xiao (2009), etapas: – Seleção aleatória de um ponto na nuvem de entrada. – Caso o ponto não seja rotulado, cria-se uma nova região e adiciona-se o ponto a uma pilha de Pontos. – Levantamento dos vizinhos mais próximos e são comparados e definidos se são homogêneos ou não, de acordo com a semelhança colorimétrica. – Repete-se o processo até que todos os pontos estejam rotulados. – O processo de mesclagem segue o mesmo princípio, porém também considera o número mínimo de pontos por região.
- 27. CRESCIMENTO DE REGIÕES Programade Pós-Graduação em Tecnologia 27 Figura 22 – Resultado obtido com algoritmo de Crescimento de Regiões em nuvem de pontos: a) Nuvem de pontos original e b) após segmentação via Crescimento de Regiões (ZHAN; LIANG; XIAO; 2009, Adaptado).
- 28. 4. EXPERIMENTOS, RESULTADOSE DISCUSSÕES Programa de Pós-Graduação em Tecnologia 28
- 29. 29 Figura 23 -Diagrama de atividades das etapas dos experimentos. PROTOCOLO EXPERIMENTAL
- 30. REMOÇÃO DE RUÍDOSDAS IMAGENS Programa de Pós-Graduação em Tecnologia 30 • Remoção do Ruídos das Imagens: –Áreas na imagem que não são relevantes: • Cabeça • Plano de fundo: maca e travesseiro • Demais elementos que não sejam o corpo do paciente –Ferramenta Utilizada: • CloudCompare: segmentação supervisionada, feita “manualmente”
- 31. IMAGEM 3D PRÉSEGMENTAÇÃO 31 Figura 20 - Vistas da imagem 3D obtida pelo CHECS de um paciente após remoção dos ruídos e plano de fundo. 594.975 pontos
- 32. IMAGEM 3D SEGMENTADAVIA K-MEANS 32 Figura 22 – Imagem 3D segmentada pelo CHECS após a remoção de ruídos e do fundo.
- 33. DEFINIÇÃO DOS CENÁRIOS Programade Pós-Graduação em Tecnologia 33 • Duas Etapas: – Experimentos Preliminares: tem por objetivo definir os cenários a serem elaborados para os experimentos. – Definir valores de máximo e de mínimo. Tabela 4 - Valores de referência selecionados para compor os parâmetros nos experimentos. Modelo de Cor Tamanho Mínimo da Região (TMR) Valor de Limiarização por Ponto (VLP) Valor de Limiarização por Região (VLR) Min. Máx. Min. Máx. Min. Máx. RGB 600 6000 1 6 1 5 CIELab 600 6000 2 3 3 8
- 34. CENÁRIOS ELABORADOS Programa dePós-Graduação em Tecnologia 34 • Experimentos: – Variação dos parâmetros VLP, VLR e TMR – Para os modelos de cor RGB e CIELab – Aferir as métricas: Precisão, Revocação, Acurácia e Medida-F. – Descobrir os melhores valores para cada um dos parâmetros, com base na acurácia. – Elaboração do melhor cenário de segmentação em cada um dos modelos de cor. – Cerca de 100 experimentos realizados.
- 35. PADRÃO OURO: ÁREASDE ANIDROSE 35 Figura 24 - Diferentes vistas da nuvem de pontos usada como padrão ouro, para as regiões de anidrose, apenas.
- 36. PADRÃO OURO: ÁREASDE ANIDROSE E HIPOIDRÓTICAS 36 Figura 25 - Diferentes vistas da nuvem de pontos usada como padrão ouro, ressaltando as áreas de anidrose e hipoidróticas.
- 37. MÉTRICAS AFERIDAS PARA SEGMENTAÇÃOCOM K-MEANS Programa de Pós-Graduação em Tecnologia 37 Tabela 1 – Valores aferidos das métricas de avaliação para segmentação da imagem 3D do paciente via K-Means. Padrão Ouro Precisão Revocação Verdadeiro Positivo Verdadeiro Negativo Acurácia Medida F Anidrose Áreas de Anidrose 0,95 0,96 0,96 0,86 93,18% 95,42% 30% Áreas de Anidrose e Hipoidrose 0,85 0,97 0,97 0,68 86,98% 90,72% 37%
- 38. MÉTRICAS AFERIDAS PARACRESCIMENTO DE REGIÕES EM RGB Programa de Pós-Graduação em Tecnologia 38 Tabela 18 - Valores aferidos das métricas de avaliação para os melhores cenários do modelo de cor RGB considerando o padrão ouro para áreas de anidrose. Cenário Precisão Revocação Verdadeiro Positivo Verdadeiro Negativo Acurácia Medida F Anidrose 44 0,94 0,95 0,95 0,82 91,85% 94,55% 30% 45 0,91 0,97 0,97 0,71 90,14% 93,58% 29% 46 0,87 0,96 0,96 0,58 86,23% 91,20% 29% Tabela 19 - Valores aferidos das métricas de avaliação para os melhores cenários do modelo de cor RGB considerando o padrão ouro para áreas de anidrose e hipoidrose. Cenário Precisão Revocação Verdadeiro Positivo Verdadeiro Negativo Acurácia Medida F Anidrose e Hipoidrose 44 0,84 0,96 0,96 0,64 84,77% 89,21% 38% 45 0,81 0,97 0,97 0,55 82,55% 87,99% 37% 46 0,77 0,96 0,96 0,44 77,97% 85,13% 37%
- 39. MÉTRICAS AFERIDAS PARACRESCIMENTO DE REGIÕES EM CIELAB Programa de Pós-Graduação em Tecnologia 39 Tabela 21 - Valores aferidos das métricas de avaliação para os melhores cenários do modelo de cor CIELab considerando o padrão ouro para áreas de anidrose. Cenário Precisão Revocação Verdadeiro Positivo Verdadeiro Negativo Acurácia Medida F Anidrose 44 0,93 0,98 0,98 0,80 92,94% 95,35% 28% 45 0,92 0,97 0,97 0,76 91,46% 94,40% 29% 46 0,91 0,97 0,97 0,74 91,29% 94,32% 28% Tabela 22 - Valores aferidos das métricas de avaliação para os melhores cenários do modelo de cor CIELab considerando o padrão ouro para áreas de anidrose e hipoidrose. Cenário Precisão Revocação Verdadeiro Positivo Verdadeiro Negativo Acurácia Medida F Anidrose e Hipoidrose 44 0,83 0,98 0,98 0,61 85,12% 89,64% 36% 45 0,82 0,97 0,97 0,58 83,65% 88,65% 37% 46 0,81 0,98 0,98 0,57 83,61% 88,70% 36%
- 40. MELHOR RESULTADO VIACRESCIMENTO DE REGIÕES COM CIELAB 40 Figura 26 - Vistas da segmentação via Crescimento de Regiões no modelo de cor CIELab na imagem 3D do paciente.
- 41. 5. CONCLUSÕES ETRABALHOS FUTUROS 41Programa de Pós-Graduação em Tecnologia
- 42. CONCLUSÕES ✓ Dificuldades emencontrar imagens 3D para realização de experimentos (exame experimental). ✓ Parceria com HCRP para elaboração das imagens padrão ouro. ✓ Os melhores resultados foram aferidos no modelo de cor CIELab. ✓ A segmentação via Crescimento de Regiões é equivalente a segmentação realizada via K-Means no modelo de cor CIELab. ✓ Diferença de 0,24%, para K-Means para áreas de anidrose; e de 1,86% para áreas de anidrose unidas com as áreas de hipoidrose. ✓ Vantagem do Crescimento de Regiões por ser não-supervisionado. Programa de Pós-Graduação em Tecnologia 42
- 43. CONCLUSÕES • TRABALHOS FUTUROS: –Segmentar as imagens médicas 3D via Watershed. Abordagem muito difundida na literatura e como alternativa na segmentação não supervisionada. – Elaboração de um interface gráfica mais adequada aos dois métodos: supervisionado e não-supervisionado. Programa de Pós-Graduação em Tecnologia 43
- 44. Programa de Pós-Graduaçãoem Tecnologia 44 Universidade Estadual de Campinas Faculdade de Tecnologia Programa de Pós-Graduação em Tecnologia
- 45. OBRIGADO! Programa de Pós-Graduaçãoem Tecnologia t150835@dac.unicamp.br Universidade Estadual de Campinas Faculdade de Tecnologia Programa de Pós-Graduação em Tecnologia “Eu tinha chegado tão longe e me recusei a desistir porque em toda a minha vida eu sempre terminei a corrida.” ― Louis Zamperini