avaliação de técnicas de realce aplicadas em tomografia de fígado

XIX CONGRESSO BRASILEIRO DE FÍSICA MÉDICA
17 A 20 DE AGOSTO DE 2014
GOIÂNIA – GO
AVALIAÇÃO DE TÉCNICAS DE REALCE APLICADAS EM
TOMOGRAFIA DE FÍGADO
R. Anastácio1, L. R. O. Mamere1, T. A. A. Macedo2 e A. C. Patrocinio1
1
Faculdade de Engenharia Elétrica, Universidade Federal de Uberlândia, Uberlândia, Brasil.
2
Faculdade de Medicina, Universidade Federal de Uberlândia, Uberlândia, Brasil.
Resumo: Este trabalho avalia a eficácia de quatro técnicas de pré-processamento (Alargamento de
Contraste, filtro Laplaciano, filtro Sobel e Transformação Gama com filtro de média) para realçar
bordas das imagens de TC da região abdominal para que seja feito a segmentação do fígado
utilizando a técnica de crescimento de região. Nessa metodologia foi observado que a transformação
2
gama associada com filtro de média teve um erro quadrático médio bem reduzido (GM=0,33 cm )
comparando com as outras técnicas quando utilizado as imagens que tiveram aplicação de contraste
radiológico, mas quando se tratava de imagens que não tiveram a aplicação de contraste radiológico
nenhuma das técnicas apresentadas teve um resultado satisfatório, o menor erro quadrático médio foi
2
o referente às imagens que não foram pré-processadas (JA=14,59 cm ). Como resultado é verificado
que para imagens sem contraste radiológico é necessária outra técnica de pré-processamento, por
outro lado a técnica GM teve um baixo erro.
Palavras-chave: crescimento de região, tomografia computadorizada, técnica de pré-processamento
de imagens, segmentação hepática, melhoramento de imagem.
Abstract: This paper evaluates the effectiveness of four preprocess techniques (Contrast Stretching,
Laplacian filter, Sobel filter and Gamma with mean filter) to highlight edges of abdominal computer
tomography images to segment the liver with region growing algorithm. With this proposed
methodology was observed that gamma with mean filter had a very low mean squared error (GM=0.33
2
cm ) when compared with others techniques in slices with radiological contrast, but when is
considered slices without radiological contrast this techniques did not produce a good results, and the
2
lowest mean squared error was on windowed (JA=14.59 cm ) images (with no preprocessing). With
these results is verified for images without radiological contrast another preprocess technique for
highlight edges is required, and on another way a lower error was obtained for images with contrast
radiological using GM technique.
Keywords: region growing, computer tomography, preprocess image technique, liver segmentation,
image enhancement.
Introdução: No processamento de imagens médicas é importante que se tenha uma imagem com a
maior qualidade possível a fim de evitar resultados indesejados durante o seu processamento. Em
algumas técnicas de segmentação, como o crescimento de região, é necessário que a imagem tenha
as bordas realçadas para que o algoritmo utilizado tenha uma alta taxa de acerto, e dessa forma
alcançando seu objetivo final, que é a segmentação fidedigna do órgão alvo da segmentação.
O objetivo deste trabalho é a verificação do desempenho de quatro técnicas de pré-processamento
(gama, filtro sobel, alargamento de contraste e filtro laplaciano) [1,2,3,4,5] para realçar as bordas das
imagens de Tomografia Computadorizada (TC), da região abdominal com e sem contraste radiológico
e então fazer a aplicação do algoritmo de crescimento de região para segmentar o fígado, realizar a
mensuração da área e por fim comparar os resultados com a segmentação manual realizada por
especialista.
Método: Nesse trabalho foram utilizadas 813 imagens de TC da região abdominal que estavam no
formato DICOM, sendo que 148 fatias adquiridas com a aplicação de contraste e 665 fatias
adquiridas sem a aplicação de contraste. Cada fatia foi submetida ao processo de janelamento (JA)
antes da aplicação de cada técnica pré-processamento.
Sendo utilizadas as seguintes técnicas de pré-processamento em cada fatia: alargamento de
contraste (AC) [2][5], filtro laplaciano (LA) [2][5], filtro sobel (SO)[2][5][6] e gama associado com filtro
de média (GM) [2]. E dessa forma foi gerado um grupo de imagens para cada uma das técnicas
XIX CONGRESSO BRASILEIRO DE FÍSICA MÉDICA
17 A 20 DE AGOSTO DE 2014
GOIÂNIA – GO
aplicadas e um grupo extra com as imagens sem a aplicação de qualquer técnica de préprocessamento, e em cada grupo de imagens foi utilizado o algoritmo de crescimento de região para
realizar a segmentação do fígado (sendo o ponto de semente definido manualmente), e mais um
grupo de imagens gerado pela segmentação manual realizada por um especialista, para existir um
parâmetro de comparação e por fim cada grupo de imagens segmentadas teve sua área mensurada.
Para fazer a análise estatística foi utilizada a ferramenta conhecida por raiz quadrática média para
avaliar o erro entre cada grupo: JA, AC, LA, GM e SO com o grupo de imagens segmentadas
manualmente.
Resultados: Após todos os processamentos de pré-processamento e segmentação, foi calculado o
erro quadrático médio, baseado nas áreas em centímetro quadrado, para cada grupo de imagens
com e sem contraste radiológico, que foi
Tabela 1 - Erro quadrático médio da área (cm2).
Imagens
JA
AC
LA
GM
SO
resumido na forma da Tabela 1.
A Tabela 1 mostra que para as fatias com
Com Contraste
1,54
8,11
7,83
0,33
19,14
contraste radiológico a técnica que apresentou
Sem Contraste 14,59 40,25 37,50 14,64 57,19
menor erro quando comparado com a
2
segmentação manual foi a GM com 0,33 cm
2
enquanto as fatias sem pré-processamento, apenas com janelamento, teve o erro de 1,54 cm .
Já nas imagens que não foram adquiridas com a aplicação de contraste radiológico o menor erro foi o
2
obtido com as imagens no qual não foi aplicado o pré-processamento (JA) com o valor de 14,59 cm
2
e o segundo menor valor foi o da técnica GM com 14,64 cm e na Figura 1a pode ser observado um
resultado da segmentação manual e na Figura 1b se tem a segmentação após o pré-processamento
com GM.
(a)
(b)
Discussão e Conclusões: Baseado nos
resultados obtidos se pode observar que a
técnica GM para imagens obtidas com
contraste radiológico tem um erro bastante
2
pequeno (0,33 cm ) inclusive menor que o valor
obtido na aplicação apenas do janelamento
2
onde o erro foi de 1,54 cm (um erro de 4,5
vezes maior). Enquanto que para as imagens Figura 1 – Em (a) segmentação manual, em (b) segmentação
pré-processamento com GM em imagem sem contraste
sem contraste, nenhuma das técnicas após
radiológico.
aplicadas de pré-processamento teve eficiência
2
comprovada, a que teve melhor desempenho foi à técnica GM com o erro de 14,64 cm , um erro com
menos de 1% de diferença ao das imagens no qual não foi aplicado pré-processamento (JA), e as
outras técnicas tiveram um erro muito superior que as duas técnicas citadas.
Assim foi possível verificar que para as imagens que não tiveram aplicação de contraste radiológico
as quatro técnicas de pré-processamento utilizadas não conseguiram realçar as fatias de forma
satisfatória ao ponto de se obter uma segmentação do fígado com um erro pequeno (considerando a
segmentação manual) quando utilizado o algoritmo de crescimento de região.
Como trabalho futuro deve ser feita à aplicação de uma técnica mais eficiente para realçar as
imagens adquiridas sem contraste radiológico a fim de diminuir o erro durante a segmentação do
fígado utilizando a técnica de crescimento de região.
Agradecimentos: Agradecemos ao apoio fornecido pela CAPES e FAPEMIG.
Referências:
1. Pohle R, Toennies KD. Segmentation of medical images using adaptive region growing. Medical Imaging 2001. International
Society for Optics and Photonics, 2001. p. 1337-1346.
2. Gonzalez RC, Woods RE. Digital Image Processing. 3th ed: Prentice Hall; 2007 August 31. 976 p.
3. Wu J, Poehlman S, Noseworthy MD, Kamath MV. Texture feature based automated seeded region growing in abdominal
MRI segmentation. Bmei 2008: Proceedings of the International Conference on Biomedical Engineering and Informatics, Vol
2. 2008:263-7.
4. Gambino O, Vitabile S, Lo Re G, La Tona G, Librizzi S, Pirrone R, et al. Automatic Volumetric Liver Segmentation Using
Texture Based Region Growing. 2010:146-52.
5. Mostafa A, Hefny H, Ghali NI, Hassanien AE, Schaefer G. Evaluating the Effects of Image Filters in CT Liver CAD System.
Proceedings of the IEEE-EMBS International Conference on Biomedical and Health Informatics. 2012:4.
6. Xuming Z, Zhouping Y, Youlun X. Edge Detection of the Low Contrast Welded Joint Image Corrupted by Noise. The Eighth
International Conference on Electronic Measurement and Instruments. 2007;2:4