Anais
USP – Campus de São Carlos
Escola de Engenharia de São Carlos
Departamento de Engenharia Elétrica
2007
Ficha catalográfica preparada pela Seção de Tratamento
da Informação do Serviço de Biblioteca – EESC/USP
COMISSÃO ORGANIZADORA
COMITÊ EXECUTIVO
ƒ
Prof. Dr. HOMERO SCHIABEL (EESC/USP) – coordenador
ƒ
Prof. Dr. PAULO ROBERTO COSTA (IEE/USP)
ƒ
Profa. Dra. LILIANE VENTURA (EESC/USP)
ƒ
Profa. Dra. ANA MARIA MARQUES DA SILVA (PUC/RS)
COMITÊ CIENTÍFICO
ƒ
Adilson Gonzaga (EESC/USP)
ƒ
Ana Maria Marques da Silva (PUC/RS)
ƒ
Dráulio Barros de Araújo (FFCLRP/USP)
ƒ
Eduardo Tavares Costa (CEB/UNICAMP)
ƒ
Gabriela Hoff (PUC/RS)
ƒ
Homero Schiabel (EESC/USP)
ƒ
Leonardo Vidal Batista (DI/UFPB)
ƒ
Liliane Ventura (EESC/USP)
ƒ
Regina Bitelli Medeiros (EPM/UNIFESP)
EQUIPE DE REVISORES:
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
Adilson Gonzaga
(EESC/USP)
Ana Cláudia Patrocínio
(EPM/UNIFESP)
Ana Maria Marques da Silva
(PUC/RS)
Antonio Adilton O. Carneiro
(FFCLRP/USP)
Denise Maria Zezell
(IPEN/CNEN-SP)
Denise Y. Nersissian
(IEE/USP)
Dráulio Barros de Araújo
(FFCLRP/USP)
Éder Rezende Moraes
(FFCLRP/USP)
Eduardo Tavares Costa
(CEB/UNICAMP)
Evandro L. Linhares Rodrigues
(EESC/USP)
Gabriela Hoff
(PUC/RS)
Homero Schiabel
(EESC/USP)
Inês A. G. Boaventura
(IBILCE/UNESP)
Jander Moreira
(UFSCar)
JanKees van der Poel
(DI/UFPB)
Joaquim Miguel Maia
(UTFPR)
Jorge André G. Albuquerque
(CEB/UNICAMP)
Leonardo Vidal Batista
(DI/UFPB)
Lígia de Oliveira Ruggiero
(UNESP/Bauru)
Liliane Ventura
(EESC/USP)
Marcelo A. Costa Vieira
(EESC/USP)
Márcio Bottaro
(IEE/USP)
Marco A. Guedes Pereira
(IEE/USP)
Marden Leonardi Lopes
(UNICAMP)
Osvaldo Severino Jr.
(FAFICA)
Paulo Roberto Costa
(IEE/USP)
•
•
•
•
•
•
Regina Bitelli Medeiros
(EPM/UNIFESP)
Sílvio B. Herdade
(IEE/USP)
Sílvio Ricardo Pires
(EPM/UNIFESP)
Valdir Carlos Colussi
(UH/CWRU – Cleveland, USA)
Valentin Obac Roda
(EESC/USP)
Vera L. S. Nantes Button
(CEB/UNICAMP)
CRÉDITOS:
WEB DESIGNER:
Bruno R. N. Matheus
LOGOTIPO E ANAIS:
Leandro Patrocínio de Freitas
ORGANIZAÇÃO:
- Equipe do LAPIMO – Laboratório de Análise e Processamento de Imagens Médicas e
Odontológicas;
- Departamento de Engenharia Elétrica (EESC/USP, S.Carlos/SP);
- CETEPE – EESC / USP.
ISBN 978-85-85205-73-7
Página 2
III SIIM - 2007
APOIO:
Fundação de Amparo à Pesquisa do Estado de São Paulo
Escola de Engenharia de São Carlos
Universidade de São Paulo
Programa de Pós-Graduação em
Engenharia Elétrica
Sociedade Brasileira de
Sociedade Brasileira de Física
Engenharia Biomédica
Associação Brasileira
de Física Médica
REALIZAÇÃO:
Laboratório de Análise e Processamento de
Imagens Médicas e Odontológicas
SEL – EESC- USP
ISBN 978-85-85205-73-7
Página 3
III SIIM - 2007
APRESENTAÇÃO:
Entramos na 3ª. Edição do Simpósio de Instrumentação e Imagens Médicas,
buscando aprimorar a proposta original de agregar pesquisadores de diversas
modalidades de atuação nessas áreas para apresentar uma amostra do avanço
tecnológico que tem ocorrido no País em termos de inovações em Medicina.
Esse III SIIM acontece agora em São Carlos, na EESC/USP, onde o embrião dessa
proposta nasceu (em 2002, com a denominação de Workshop Regional de Engenharia
Biomédica) e sua importância principal está na manutenção da regularidade do evento –
uma vez que já há a previsão da próxima edição em São Paulo para 2009. Obviamente,
o programa visa a contribuir para intensificar os debates relacionados à instrumentação
médica, assim como à formação, manipulação, processamento e aplicação de imagens
médicas no diagnóstico de patologias e no intercâmbio de informações. Por isso, nessa
edição, privilegia-se o debate com o público através de uma mesa-redonda que tem por
alvo os mecanismos de transferência de tecnologia, principalmente, da Universidade para
a sociedade, e suas implicações, mantendo uma linha de debates que permeia o
Simpósio desde sua primeira edição.
Uma pequena, mas importante, mudança que ocorreu nesse ano foi a forma de
submissão dos trabalhos. Em consonância com as políticas de avaliação de CAPES,
FAPESP, CNPq e outros órgãos governamentais de fomento à pesquisa no Brasil, a
Coordenação do SIIM2007 entendeu que, para uma melhor avaliação, era necessário o
encaminhamento de trabalhos completos, conforme aparecem nos Anais, devidamente
catalogados com ISBN. Isso, certamente, fez uma diferença substancial no processo de
revisão, pois permitiu uma visão mais clara aos avaliadores quanto aos fundamentos da
pesquisa que era documentada no texto. Além disso, cada artigo submetido foi
encaminhado a dois revisores que registraram seus pareceres e deram sugestões, com a
coordenação do Comitê Científico. Na página do evento na Internet
(http://lapimo.sel.eesc.usp.br/lapimo/SIIM2007), estarão disponíveis, ao seu término, os
dados gerais do Simpósio, assim como estão os das versões anteriores.
Esse trabalho intenso foi fundamental para garantir a qualidade do Simpósio, pois
garantiu, por conseguinte, a qualidade dos trabalhos que serão apresentados a partir
desse dia 07/11. Por conta disso, queremos agradecer imensamente o trabalho de todos
os membros do Comitê Científico e, por extensão, dos revisores por eles indicados na
avaliação dos artigos.
Ainda nesse sentido, também queremos agradecer ao apoio formal recebido da
SBEB (Sociedade Brasileira de Engenharia Biomédica) – que tem apoiado o SIIM desde
sua primeira edição – e também da ABFM (Associação Brasileira de Física Médica).
Afinal, a proposta maior do Simpósio é constituir-se num evento congregador de todos
aqueles que atuam, de algum modo, com Instrumentação Biomédica e com Imagens
Médicas, independentemente de formação ou frente de trabalho. Compreendendo esse
espírito, agregou-se a esse elenco em 2007 a SBF (Sociedade Brasileira de Física) à qual
também agradecemos a participação.
Nesse ano, em função dos recursos disponíveis no campus da USP São Carlos,
uma novidade definida nos últimos dias: a realização de uma vídeo-conferência com
eminente pesquisador norte-americano, especialista e um dos pioneiros em pesquisa com
sistemas digitais em radiologia e, principalmente, mamografia, prof. Andrew Maidment, da
Universidade de Pennsylvania. É um formato novo, sobretudo em se tratando de um
evento científico como esse, e que, esperamos – juntamente com as palestras de
diversos especialistas em um leque de modalidades (PDT, ultra-som e magnetismo,
ISBN 978-85-85205-73-7
Página 4
III SIIM - 2007
cardiologia, ressonância magnética, entre outros) – atenda plenamente às expectativas de
todos participantes. A estrutura, porém, continua a mesma das outras versões, dada a
ótima repercussão: sem sobreposição entre sessões e/ou palestras, a agenda possibilita
a que todos participem de todas as atividades previstas.
Por fim, como não poderia deixar de ser, fica aqui também nosso agradecimento às
pessoas e entidades – além das sociedades científicas mencionadas antes – que
novamente acreditaram nessa proposta e colaboraram para sua realização: Universidade
de São Paulo – através do Departamento de Engenharia de Engenharia Elétrica da
Escola de Engenharia de São Carlos, que forneceu apoio logístico e financeiro, e do
CETEPE (Centro de Tecnologia Educacional para Engenharia), também da EESC/USP,
que cedeu o espaço onde ocorrem as sessões) – e FAPESP, que proporcionou parte
importante do financiamento necessário. E um especial agradecimento a todos aqueles
que colaboraram nas comissões envolvidas na organização e ao grupo do LAPIMO, da
EESC/USP, que participa de forma mais ativa nos trabalhos.
Um bom Simpósio a todos.
Em nome do Comitê Executivo do SIIM 2007
Homero Schiabel
Coordenador
ISBN 978-85-85205-73-7
Página 5
III SIIM - 2007
EXTRAÇÃO DE DESCRITORES DE TEXTURA EM IMAGENS
SEGMENTADAS DE TOMOGRAFIA COMPUTADORIZADA DE PULMÃO
F. R. Trindade1, P. Xerxenesky2, E. Diebold1, D. S. Cotrim2, M. S. Pinho2 e A. M. Marques da
Silva1
1
PUCRS/Faculdade de Física/Núcleo de Pesquisa em Imagens Médicas, Porto Alegre, Brasil
2
PUCRS/Faculdade de Informática, Porto Alegre, Brasil
e-mail: [email protected]
Abstract
Distinction between different patterns of
abnormalities in lung diseases is important for
differential diagnosis. A great deal of research work has
been devoted to the development of systems that could
improve radiologists' accuracy in detecting lung
nodules. This paper presents the development of an
algorithm to extract texture descriptors in segmented
computerized tomography images of lung. The results
will be used for further developments in a computer
aided diagnosis system for pulmonary lesions.
Palavras-chave: Segmentação, Reconhecimento de
padrões, textura, CAD.
Introdução
A análise das imagens radiográficas com lesões
pulmonares é uma tarefa complexa, podendo apresentar
significativa variabilidade inter e intra-observador,
mesmo entre radiologistas. Isto é conseqüência dos
numerosos padrões de textura dos tecidos e da
quantidade de doenças pulmonares existentes. Os
sistemas de diagnóstico auxiliado por computador ou
CAD (Computed-Aided Diagnosis) podem fornecer ao
radiologista ferramentas auxiliares de diagnóstico, como
o reconhecimento de padrões, realce ou a segmentação
de estruturas de interesse, melhorando o desempenho
das análises [1, 2].
A textura é uma ferramenta importante usada
para caracterizar o padrão de uma imagem, definida por
variações locais nos valores do pixel que se repetem de
maneira regular ou aleatória ao longo do objeto de uma
imagem [3]. Trabalhos anteriores utilizam a análise de
textura para caracterizar a malignidade de nódulos
pulmonares
em
imagens
de
tomografia
computadorizada (TC) de tórax [4] ou caracterizar
lesões intersticiais de pulmão em radiografias [1].
Com o advento da TC de alta resolução, para a
detecção de lesões pulmonares, o radiologista precisa
analisar os padrões de textura da região dos pulmões em
centenas de cortes transversais. De forma a automatizar
este processo, a análise da textura pode ser feita
exclusivamente nos pulmões, utilizando o processo de
segmentação, que subdivide uma imagem em suas
ISBN 978-85-85205-73-7
Página 6
partes ou objetos constituintes [5]. Os métodos de
segmentação podem ser automáticos ou semiautomáticos, contando com a interferência do usuário
para a correção de eventuais erros de delimitação da
região de interesse. Utilizando imagens segmentadas
dos pulmões, a identificação dos padrões de textura é
realizada apenas na região de interesse, evitando a
interferência das regiões adjacentes.
O objetivo deste trabalho é apresentar o
desenvolvimento de um algoritmo de extração de
descritores de textura de regiões segmentadas dos
pulmões em imagens de tomografia computadorizada de
tórax de forma semi-automática, com vistas ao futuro
desenvolvimento de sistema de apoio ao diagnóstico
para classificação de lesões pulmonares.
Metodologia
A base de dados consiste em exames de 20
pacientes normais e anormais, totalizando 908 imagens
de TC. As imagens foram adquiridas em um
equipamento de TC Somaton Plus 4 (Siemens, Berlin,
Germany), nas seguintes condições: matriz de 512 x
512 pixels, campo de visão otimizado para cada
paciente, tamanho do pixel entre 0,597 e 0,669 mm,
voltagem do tubo de 120 a 140 kVp e espessura do corte
de 5 mm.
O programa desenvolvido disponibiliza uma
interface onde o usuário escolhe uma seqüência de
imagens pulmonares de TC em séries axiais. A partir
dessa seqüência, é realizada a segmentação semiautomática da região de interesse (pulmões), seguida da
extração de descritores de textura.
Para cada imagem, o programa gera matrizes
de co-ocorrência para direções de 0°, 45°, 90° e 135° e
valores de distância de 1, 2, 3, 4 e 5. Após o cálculo da
matriz de co-ocorrência, são calculados os valores dos
descritores de textura.
A seguir é apresentado o algoritmo de
segmentação semi-automático desenvolvido.
A partir de um estudo preliminar, determinouse o valor de limiar que separa o tórax dos tecidos do
pulmão (tecido esponjoso), cujo valor médio do número
de Housfield é conhecido. Este valor de limiar pode ser
modificado pelo usuário, sendo esta a única interação do
programa de segmentação. O objetivo deste primeiro
limiar é eliminar da imagem, a mesa que fica junto ao
III SIIM - 2007
tórax. A seguir, por meio de um algoritmo de floodfill,
encontra-se a maior região dentro da imagem
limiarizada, que corresponde ao tórax. O tórax é
preenchido, incluindo os pulmões, fazendo um floodfill
na imagem invertida (negativo) a partir dos 4 cantos da
imagem. Esta imagem é limiarizada utilizando o mesmo
valor da primeira etapa. Este passo se faz necessário
pois métodos tradicionais não separam objetos de
interesse com número reduzido de pixels, como no caso
da traquéia. A maior região dentro da imagem
limiarizada é encontrada por meio de um novo floodfill,
com a eliminação dos buracos e pequenas regiões dentro
de cada pulmão. A traquéia é detectada devido à sua
forma circular e posição medial na imagem. Os vasos e
pequenas regiões são incluídos na segmentação a partir
de uma distância mínima. Finalmente é delimitado o
contorno da região resultante. O mesmo procedimento é
realizado para o segundo pulmão.
Os descritores utilizados para o cálculo da
textura
nas
regiões
segmentadas
são:
(a)
homogeneidade, (b) momento de diferenças de ordem k,
(c) variância inversa, (d) energia, (e) variância, (f)
momento inverso de diferenças de ordem k e (g)
entropia. As equações estão descritas abaixo, sendo
p(i,j) a probabilidade do par de pixels i e j existirem na
imagem e k igual a ordem da grandeza [1, 6]:
∑∑ p(i, j )
i
(a) Homogeneidade =
j
(1 + i − j )
(b) Momento de diferenças
de Ordem k =
∑∑ (i − j )
i
k
∑∑ (i − j )
i
(d) Energia =
∑∑ p
i
(e) Variância =
2
Resultados
j
p (i, j )
(c) Variância Inversa =
p(i − j )
j
2
com i≠j
(i, j )
j
∑∑ (i − j )
i
2
p(i, j )
j
(f) Momento inverso de diferenças
p (i, j )
de Ordem k =
∑∑ (i − j )
i
(g) Entropia = −
j
k
∑∑ p(i, j ) log[ p(i, j )]
i
j
A homogeneidade fornece uma medida da
distribuição dos valores de intensidade dos pixels.
Retorna um valor que representa a proximidade da
distribuição dos elementos à diagonal da matriz de coocorrência. A faixa de valores possíveis é de 0 a 1.
O momento de diferenças de ordem k
representa descreve a distorção da imagem,
apresentando valores pequenos se a probabilidade tiver
valores maiores no que na diagonal principal.
ISBN 978-85-85205-73-7
A variância, também denominada constraste
por alguns autores, retorna uma estimativa da média
quadrada da variação das intensidades de um pixel
analisado e o pixel vizinho. O contraste mede a variação
abrupta de níveis de cinza ou bordas da imagem. Uma
imagem constante apresenta variância ou contraste igual
a zero. A variância é igual ao momento de ordem 2 e diz
respeito à heterogeneidade da matriz de co-ocorrência
em forma de desvio dos valor p(i,j) da matriz. A
variância inversa é o inverso do contraste.
A energia também chamada de uniformidade
dos pixels da imagem, indica a suavidade das texturas.
O momento inverso de diferenças de ordem k
apresenta valores maiores se p(i,j) tiver pequenos
valores na diagonal, denotando a homogeneidade da
matriz de co-ocorrência.
A entropia fornece o grau de dispersão de
níveis de cinza de uma imagem, medindo a informação
contida em p(i,j). Muitos pixels com o mesmo valor de
nível de cinza significam uma imagem com pouca
informação ou pequena entropia
O programa permite que a coleta dos
descritores de textura seja realizada dentro de janelas
cujo tamanho pode ser determinado pelo usuário. Esta
funcionalidade permite o cálculo de vários descritores
de textura que podem ser utilizados para a classificação
de texturas de interesse diagnóstico, com o apoio dos
radiologistas. Desta forma, o reconhecimento dos
padrões de textura das imagens de TC poderá ser
realizado por uma varredura dentro do pulmão
segmentado, buscando a máxima correlação com a
textura que o radiologista busca.
Página 7
Os descritores de textura foram determinados
em cada corte das imagens dos pacientes, com a
ferramenta desenvolvida para a extração da matriz de
co-ocorrência e cálculo dos seus descritores, como
mostra a interface na Figura 1. O cálculo os descritores
de textura é realizado nos pulmões segmentados. A
interface permite a escolha da distância (d) entre os
pixels i e j , θ é o ângulo no plano xy para calcular a
matriz de co-ocorrência e φ é o ângulo no plano z. O
algoritmo gera uma planilha de dados com os valores
calculados dos descritores de textura de cada corte,
separados por pulmão direito e esquerdo. Na tabela 1
são apresentados alguns exemplos dos valores obtidos
da imagem apresentada na Figura 1.
A Tabela 1 mostra os descritores de um corte
do pulmão para exemplificar o uso do programa
desenvolvido.
III SIIM - 2007
descrevem propriedades quantitativas internas e
externas da imagem); e classificação da imagem (como
por exemplo, os tipos de exames que definem as regiões
anatômicas esperadas). As etapas do processo de
reconhecimento de padrões estão esquematizadas na
Figura 2.
Imagem
Adquirida
Imagem
Objeto
Segmentação
Extração de
características
X1
X2
X3
X4
X5
...
...
Xn
- Elipse Direita
- Elipse Esquerda
Tipo de
Objeto
Classificação
Vetor de
Característica
Figura 2: Etapas para o reconhecimento de
padrões de textura em imagens de TC de pulmão.
Discussão e Conclusões
Figura 1 - Interface do programa de segmentação e
cálculo dos descritores de textura.
Tabela 1 – Valores dos descritores de textura gerados
pelo algoritmo de um corte segmentado.
Descritor
Homogeneidade
Pulmão Direito
0.04212778
Pulmão Esquerdo
0.053944964
Momento de Ordem 0
5.38E-05
6.72E-05
Momento de Ordem 1
0.02280731
-1.22E+01
Momento de Ordem 2
735.10565
672.9893
Momento de Ordem 3
-60549.31
-56513.094
0.022807315
0.03566846
Variância Inversa
Energia
Variância
Diferença do Momento Inverso
Entropia
5.38E-05
6.72E-05
735.10565
672.9893
0.014787552
4.53036
0.022684107
4.505561
O processo de extração das características das
imagens permite relacionar de forma organizada as
propriedades da imagem sobre os aspectos: textura,
forma, distribuição de níveis de cinza e relacionamento
espacial, entre outros objetos presentes na imagem.
Assim, a partir destas características é possível indexar
as imagens buscando a similaridade baseadas no seu
conteúdo.
Esta indexação é associada ao reconhecimento
de padrões através do processo de segmentação
(localização do pulmão de forma isolada); extração
(cálculo dos valores dos descritores de textura que
ISBN 978-85-85205-73-7
Página 8
Com o desenvolvimento da ferramenta
apresentada neste trabalho é possível segmentar
imagens de TC de pulmão e calcular os valores de
descritores de textura, permitindo a caracterização a
região de interesse. A partir de características comuns
de regiões de interesse identificadas pelos radiologistas,
podem ser criados padrões de textura dentro da própria
ferramenta para auxiliar o diagnóstico médico.
Os médicos radiologistas utilizam padrões
próprios e terminologias para analisar imagens de TC de
tórax, como, por exemplo: padrões de opacidade como
vidro fosco, faveolamento (favo-de-mel) e fissuras,
entre outros. Os descritores de textura permitem a
caracterização objetiva dos padrões de reconhecimento
de opacidades definidos visualmente.
Neste trabalho usamos um total de 10
descritores de textura para analisar as imagens de TC
em um banco de dados. A partir das análise médicas dos
padrões de textura de relevância clínica, serão definidos
os atributos mais relevantes para a discriminação das
opacidades. A partir de um método de classificação a
ser definido, um sistema CAD será desenvolvido para
alertar o radiologista para que o exame seja analisado
mais detalhadamente, a partir da detecção de padrões
de textura suspeitos. Esta detecção preliminar poderá
servir como “uma segunda opinião” para a tomada de
decisões diagnósticas.
Agradecimentos
À FINEP pelo apoio financeiro e aos radiologistas
do Hospital São Lucas da PUCRS e da Faculdade de
Medicina da USP de Ribeirão Preto pela análise das
imagens.
III SIIM - 2007
Referências
[1] MARTINS, E. R. S.; MARQUES, P. M. A.;
OLIVEIRA, L. F.; PEREIRA JUNIOR, R. R.; TRAD,
C. S.. Caracterização de Lesões Intersticiais de Pulmão
em Radiograma de Tórax Utilizando Análise Local de
Textura. Radiologia Brasileira, v. 38, n. 6, p. 421-426,
2005.
[2] PIRES, G. M.; POEL, J.V.; BATISTA, L. V.;
MARQUES, J.R.T. ‘Arquitetura Para um Sistema de
Diagnóstico Auxiliado por Computador’, X Congresso
Brasileiro de Informática em Saúde, Florianópolis,
Brasil, 2006, v. 1. p. 10-15, 2006.
[3] SCHWARTZ, W. R.; PEDRINI, H.. ‘Método para
Classificação de Imagens Baseada em Matrizes de Coocorrência Utilizando Características de Textura’, III
Colóquio Brasileiro de Ciências Geodésicas (CBCG
03), Curitiba, Brasil, 2003, v. 1. p. 1-11, 2003.
[4] SILVA, A. C., CARVALHO, P. C. e GATTASS, M.
Diagnóstico de Nódulo Pulmonar Solitário Utilizando
Textura e Geometria em Imagens de Tomografia
Computadorizada: Resultados Preliminares. Revista
IEEE América Latina, v.2, n.2, 2004.
[5] GONZALES, R.C. and P. WINTZ, Digital Image
Processing, São Paulo: Edgard Blücher, 2000.
[6] HARALICK, R.M., K. SHANMUGAN, and I.
DINSTEIN, Textural Features for Image Classification.
IEEE Trans. Syst, Man and Cyb., 1973. SMC-3(6): p.
610-621.
ISBN 978-85-85205-73-7
Página 9
III SIIM - 2007