Processamento e classificação de imagens de túbulos seminíferos

Processamento e classificação de imagens de túbulos seminíferos em testículo de camundongos Introdução O processo de segmentação de túbulos seminíferos de camundongos de forma semiautomática permite uma classificação de grandes bancos de imagens de uma forma mais rápida. A quantificação de túbulos seminíferos em cada estágio pode ser usada como um fator de decisão para outros trabalhos. Objetivos O trabalho tem como objetivo o emprego de técnicas clássicas de processamento de imagem e mineração de dados com a finalidade de segmentar os túbulos seminíferos de camundongos. A classificação é feita a partir de uma discretização dos estágios da espermatogênese, divididas em alterados, atrofiados, hipoespermatogênicos, necrosados e normais. Metodologia É utilizada uma base de dados com 42 imagens de túbulos, eles são divididos em três segmentos: interno (região de lúmen), externo (borda tubular) e intermediário. São utilizadas técnicas de processamento de imagem para a segmentação, aplicadas através da ferramenta MATLAB. As principais técnicas empregadas nesse processo são de Threshold e Watershed. Após a segmentação, é necessário colher dados morfológicos em cada imagem. Foram usadas tanto tipos de medidas conhecidas como algumas desenvolvidas especificamentes para o trabalho. Ao todo, foram usadas 19 tipos de medidas, sendo que 16 foram aplicadas ao segmento interno e externo e três ao intermediário, totalizando 35 dados por túbulo. O processo de mineração de dados foi feito através do algoritmo de classificação SMO, Sequential Minimal Optimization, que utiliza métodos de classificação por vetores de suporte. O algoritmo é empregado através do Weka, um software de aprendizado de máquina, com uma grande base de tarefas de mineração de dados. Resultados O banco de imagens usado contém 42 imagens, dessas, 39 imagens foram corretamente classificadas e 3 incorretamente, tendo então uma taxa de 92,8% de acerto. Conclusão Os resultados obtidos mostram que o processo semiautomático de segmentação pode ser utilizado mesmo em morfologias muito variadas. Há medidas que poderiam ser retiradas do filamento de borda, como espessura, taxa de organização e densidade de filamentos. Trabalhos futuros com esse foco poderiam aperfeiçoar a taxa de acerto.