Um Estudo Sobre Segmentação Automática De Imagens Bidimensionais De Seções Transversais Do Tórax Humano Obtidas Por Ressonância Magnética Trabalho de Conclusão de Curso

Orientado: Charles Cássio da Silva

Orientador: Marcos Henrique Fonseca Ribeiro

O Problema

• A partir de uma imagem de uma seção transversal do tórax humano, obtida por ressonância magnética, utilizar algoritmos de segmentação de imagens, para identificar bordas correspondentes, aproximadamente, aos contornos das regiões do tórax, pulmões e cavidades do coração.

Solução Ideal

Finalidade - Contexto

Informática Médica

• Estudo da informação e tecnologia na prestação de cuidados de saúde;

• Recursos que podem ser aplicados no gerenciamento e utilização da informação médica.

Finalidade - Contexto

Informática Médica

• Sistemas de informação da saúde;

• Telemedicina;

• Sistemas de apoio a decisão clinica;

• Mineração de dados médicos;

• Processamento de imagens médicas.

Finalidade

Processamento Digital de Imagens Passo Básico: Aquisição

Processamento Digital de Imagens Imagem Digital: Representação

Processamento Digital de Imagens Processos computacionais

Nível baixo

• Redução de ruído, realce, contraste, aguçamento, etc;

• Resultado: imagens.

Nível médio

• Segmentação (regiões, objetos), descrição (forma adequada) e classificação (reconhecimento) objetos individuais;

• Resultado: bordas, contornos, identidades.

Nível alto

• “Dar sentido” a um conjunto de objetos reconhecidos;

• Resultado: funções cognitivas associadas à visão.

Processamento Digital de Imagens Segmentação

Passos fundamentais:

Processamento Digital de Imagens Vizinhança de Pixels

• Um pixel p na coordenada (x, y) tem quatro vizinhos horizontais e verticais, chamados vizinhança-4 ou N4(p), cujas coordenadas são dadas por:

(x + 1, y), (x - 1, y), (x, y + 1), (x, y - 1)

• Os quatro vizinhos diagonais, ND(p), têm coordenadas:

(x + 1, y + 1), (x + 1, y - 1), (x - 1, y + 1), (x - 1, y - 1)

• Juntos eles formam N8(p), vizinhança-8 de p.

Processamento Digital de Imagens Limiarização

• Processo intuitivo;

• Simplicidade na implementação;

• Velocidade computacional. 𝑔 𝑥, 𝑦 =

1 𝑠𝑒 𝑓 𝑥, 𝑦 > 𝑇

0 𝑠𝑒 𝑓 𝑥, 𝑦 ≤ 𝑇

Processamento Digital de Imagens Dilatação e Erosão

Processos que correspondem a operações de adição e subtração entre elemento estruturante (N4 ou N8) e objeto, respectivamente;

Imagem 3.3 – Exemplos de Dilatação e Erosão, respectivamente.

Processamento Digital de Imagens Abertura e Fechamento

Abertura geralmente suaviza o contorno do objeto e elimina saliências finas, enquanto o fechamento também tende a suavizar contornos, mas geralmente funde as descontinuidades estreitas e preenche as lacunas em um contorno.

Exemplos de abertura e fechamento, respectivamente:

Processamento Digital de Imagens Filtros Espaciais de Suavização

A ideia por trás é simples, substituir o valor de cada pixel de uma imagem pela média dos níveis de intensidade da vizinhança definida pela mascara, o processo resulta em uma imagem com perda de nitidez, ou seja, com redução de transições abruptas nas intensidades.

Processamento Digital de Imagens Segmentação

A segmentação subdivide uma imagem em regiões ou objetos que a compõem. O nível de detalhe em que a subdivisão é realizada depende do problema a se resolvido.

Processamento Digital de Imagens Detecção de Bordas

Princípio básico: Descontinuidade, variações bruscas de nível de cinza.

Processamento Digital de Imagens Detecção de Bordas

Sendo a imagem uma função, pode-se aplicar o conceito de derivadas para encontrar essas variações.

Processamento Digital de Imagens Detecção de Bordas

Exemplos da aplicação da máscara anterior

Processamento Digital de Imagens Detecção de Bordas

Algoritmo de Canny

Necessidade:

• Todas as bordas devem ser encontradas;

• Os pontos de borda devem estar mais próximos possível do real;

• Apenas bordas de espessura 1 para cada borda identificada.

Como solução o algoritmo propõe:

• Utilização de um filtro de suavização;

• Calculo do gradiente;

• Supressão não máxima;

• Dupla limiarização com análise de conectividade

Processamento Digital de Imagens Detecção de Bordas

Algoritmo de Canny

Metodologia

API Utilizada: OpenCV

OpenCV (Open Source Computer Vision Library) é multi-plataforma, totalmente livre ao uso acadêmico e comercial. É escrita em C++ com suporte a outras linguagens, como Java, Python e Visual Basic.

Metodologia

Imagens referência

Metodologia

Metodologia

Heurística

• Tratar as duas estruturas separadamente!

• Coração e pulmões são estruturas bem diferentes do ponto de vista de formato, deformação com o movimento e, principalmente, texturas e tom de cinza.

Metodologia

Heurística – Pulmões

• Órgãos que estão preenchidos com ar;

• Áreas mais escuras;

• Tamanho mais significativo e característico.

Metodologia

Heurística – Pulmões

Pré-processamento

cvSmooth( cvBlur, 6 )

Metodologia

Heurística – Pulmões

Pré-processamento

cvDilate( 3 ); cvErode( 6 )

Metodologia

Heurística – Pulmões

Segmentação

cvCanny( 0, 25, 3 )

Metodologia

Heurística – Pulmões

Segmentação

cvDilate( 2 )

Metodologia

Heurística – Pulmões

Segmentação

cvFindContours( )

Metodologia

Metodologia

Heurística – Coração

• Órgão de tons de cinza mais claro;

• Pouco mais claros que a grande maioria dos outros tecidos.

• Anatomicamente, se encontra centralizado na caixa torácica.

Metodologia

Heurística – Coração

Pré-processamento

cvSmooth( cvBlur, 6 )

Metodologia

Heurística – Coração

Pré-processamento

cvErode( 1 )

Metodologia

Heurística – Coração

Pré-processamento

cvThreshold( 50, 255, THRESH_BINARY )

Metodologia

Heurística – Coração

Pré-processamento

cvErode( 4 ); cvDilate( 4 )

Metodologia

Heurística – Coração

Segmentação

cvCanny( 10, 25, 3 )

Metodologia

Heurística – Coração

Segmentação

cvFindContours( )

Metodologia

Conclusões

• Análise dos resultados;

• Contribuições;

• Sugestões para trabalhos futuros;

• Referências:

[1]Rafael, C. Gonzalez; Richard E. Woods. Processamento Digital de Imagens. Pearson, 3ª Ed. 2010.

[2]Peters, F. C., Barra, L. P. Estratégia para a solução numérica do problema inverso da identificação de inclusões em domínio condutor. Dissertação de Mestrado, Universidade Federal de Juiz de Fora, 2010. Juiz de Fora, Brasil.

[3]Peters, F. C., Barra, L. P., Santos, R. W. Determination of Cardiac Ejection Fraction by Electrical Impedance Tomography. Em “Medical Imaging”, 2011, ISBN 978-953-307-774-1