Introdução ao Processamento de Imagens Médicas para Auxílio ao

Capítulo 2
Introdução ao Processamento de Imagens Médicas
para Auxílio ao Diagnóstico –
Uma Visão Prática
Fátima L. S. Nunes
Abstract
Computer-aided diagnosis (CAD) systems are computational tools that
aim to help medical professionals in their diagnostic decisions. These applications have opened new opportunities for computing professionals and have offered varied researches for academia. This chapter presents the main concepts
of medical image processing, focusing on the construction of CAD systems that
have these images as their main source of data. We cover concepts related to
the formation of medical images and classical techniques of processing these
images. We present examples of computational applications implemented with
a combination of processing techniques to achieve the pre-determined objectives of CAD systems.
Resumo
Sistemas de auxílio ao diagnóstico (computer-aided diagnosis – CAD)
são ferramentas computacionais que visam a auxiliar profissionais da Medicina
nas decisões a respeito de diagnósticos. Estas aplicações têm aberto novas
oportunidades para profissionais de Computação e oferecido opções variadas
para pesquisas na academia. Este capítulo apresenta os conceitos principais
de processamento de imagens médicas, focalizando a construção de sistemas
CAD, que têm estas imagens como principal fonte de dados. São abordados
conceitos relacionados à formação das imagens médicas e às técnicas clássicas de processamento aplicadas a essas imagens. São também apresentados
exemplos de aplicações computacionais implementadas com a combinação de
técnicas de processamento para atingir objetivos pré-determinados em sistemas CAD.
2.1. Introdução
Sistemas de diagnóstico auxiliado por computador (ou simplesmente
esquemas CAD, de “computer-aided diagnosis”) são sistemas computacionais,
muitas vezes acoplados a equipamentos médicos, com a finalidade de auxiliar
73
L. S. Nunes
na tomada de decisão a respeito de um diagnóstico. Aplicações com finalidades diversas têm sido desenvolvidas por vários grupos de pesquisas, visando
a auxiliar na composição de diagnósticos como uma forma de contribuir para a
detecção precoce de doenças.
Giger (2000) define o diagnóstico auxiliado por computador como aquele no qual o radiologista usa os resultados de uma análise computadorizada
de imagens médicas como uma “segunda opinião” na detecção de lesões e na
elaboração do diagnóstico. A importância desses esquemas é enfatizada por
Chan et al. (1990), Doi et al. (1991), Ellis et al. (1993), Giger and MacMahon
(1996) e Petrick et al. (1996), que apresentam taxas de diagnósticos errados
em programas de rastreamento e mostram que o uso de esquemas CAD pode
melhorar o desempenho de radiologistas no diagnóstico médico.
Verifica-se, entretanto, que apesar de ser objeto de pesquisas de várias
instituições ao redor do mundo, são poucos os sistemas deste tipo aplicados
no dia-a-dia da prática médica. Isso se deve principalmente ao fato de que esta
classe de sistema exige alto desempenho, tanto em nível de velocidade de
execução quanto em nível de acerto nos resultados. Seus resultados são utilizados para tomar decisões em termos de diagnóstico e escolha de tratamento;
por isso, alguns tipos de erro são inadmissíveis.
No Brasil, a situação não é diferente. Alguns grupos de pesquisa, ligados principalmente a universidades, dedicam-se ao estudo, implementação e
avaliação desse tipo de sistema. No entanto, percebe-se que os resultados
são ainda iniciais, constituindo um mercado promissor para os próximos anos,
tanto em termos de pesquisa quanto em termos de implementação em nível
industrial.
Em geral, os sistemas CAD fornecem opiniões a partir de informações
extraídas de imagens médicas, que podem ser provenientes de diversos tipos
de modalidades, como Radiografia, Ultra-sonografia e Ressonância Magnética Nuclear, entre outras. Técnicas de processamento de imagens, inteligência
artificial, reconhecimento de padrões, entre outras especificidades computacionais, são aplicadas com o objetivo de melhorar tais imagens e extrair delas
informações úteis ao diagnóstico.
Sistemas completos, considerando software e hardware, necessitam da
participação de equipes multidisciplinares. Além dos profissionais da computação são necessárias as habilidades de engenheiros, físicos, estatísticos e,
obviamente, especialistas da área de saúde para a qual o sistema está sendo
desenvolvido. Como mencionado, atualmente vários centros de pesquisas no
mundo dedicam-se ao desenvolvimento de sistemas CAD com objetivos variados. Exemplos são os CADs para detecção de doenças pulmonares de Arimura et al. (2004), colonoscopia virtual (Nappi et al., 2004), câncer de mama (Doi
et al., 1997; Nunes et al., 2001a), entre outros.
O objetivo deste capítulo é apresentar técnicas de processamento de
imagens, estabelecendo como foco principal as aplicações sobre imagens
médicas, destinadas a constituírem fontes de dados para sistemas CAD. São
74
Introdução ao Processamento de Imagens Médicas
apresentados conceitos sobre a formação de imagens médicas, técnicas de
processamento de imagens e seus efeitos sobre imagens médicas, além de
exemplos de aplicações reais de técnicas com o objetivo de auxiliar na detecção precoce de doenças.
As técnicas aqui apresentadas podem ser aplicadas a imagens provenientes de qualquer modalidade. Por questões de delimitação de objeto de
estudo, maior ênfase será dada às imagens provenientes de Radiografia. Os
exemplos apresentados considerarão apenas imagens em tons de cinza, visto
que grande parte das modalidades médicas considera escalas de cinza para
representar as diferentes estruturas. No entanto, os conceitos apresentados
podem ser aplicados a imagens coloridas com algumas adaptações.
2.2. Modalidades de Imagens Médicas
Desde que Röentgen, em 1895, descobriu a existência de uma radiação
até então desconhecida, capaz de atravessar materiais, ser parcial ou totalmente absorvida por eles e fixar-se em anteparos, a dinâmica dos exames
médicos sofreu drásticas mudanças. Com a descoberta dos Raios-X, há pouco
mais de 100 anos, tornou-se possível a visualização de estruturas internas do
corpo e diagnosticar anomalias.
A partir daí, o avanço na aquisição, processamento e armazenamento de imagens médicas vem permitindo o aperfeiçoamento de diagnósticos e
tratamentos de doenças de naturezas diversas. Cada modalidade de imagem
médica atua de forma diferenciada. Sua aquisição visa a ressaltar as diferenças entre os diversos tipos de tecidos existentes na natureza e, especialmente, aqueles que compõem o corpo humano, fazendo com que estruturas de
interesse se sobressaiam e, assim, possam ser identificadas como eventuais
anomalias.
Maintz and Viergever (1998) lembram que as modalidades médicas podem ser classificadas em duas categorias globais: anatômicas e funcionais.
As modalidades anatômicas são dedicadas a identificar morfologias, incluindo
Raio-X, Tomografia Computadorizada (TC), Ressonância Magnética Nuclear
(RMN), Ultra-som (US), entre outras. Há outras modalidades derivadas dessas
primeiras, sendo citadas por nomenclaturas diferentes como Angiografia por
Ressonância Magnética (derivada da RMN), Angiografia por Tomografia Computadorizada (derivada da TC), Angiografia por Subtração Digital (derivada de
Raio-X) e Doppler (derivada de US). As modalidades funcionais são aquelas
que têm o objetivo de adquirir informação a respeito do metabolismo relacionado a uma anatomia, incluindo cintilografia, SPECT (single photon emission
computed tomography), PET (positron emission tomography), modalidades de
medicina nuclear, RMN funcional, entre outras (as nomenclaturas foram mantidas em inglês a fim de relacioná-las com suas siglas, que as identificam na
área médica).
As considerações e imagens apresentadas neste capítulo dedicam-se
apenas a modalidades anatômicas. As seções a seguir apresentam as prin-
75
L. S. Nunes
cipais características da formação de imagens médicas considerando quatro
modalidades: Radiografia, Ultra-sonografia, Ressonância Magnética Nuclear e
Tomografia Computadorizada. É apresentada uma visão geral da formação da
imagem em cada uma delas e problemas inerentes à modalidade, aos quais as
técnicas de processamento de imagens podem oferecer contribuições. Maior
ênfase será atribuída à Radiografia, visto que os exemplos utilizados no capítulo são, na sua maioria, provenientes desta modalidade de imagem e que vários dos problemas relacionados a esta primeira modalidade apresentada são
aplicáveis a outras modalidades e podem ser minimizados com o emprego de
técnicas de processamento de imagens. Não se pretende esgotar o assunto,
mas fornecer uma base teórica a fim de que possam ser compreendidos os
conceitos e exemplos das próximas seções.
2.2.2. Radiografia
Na Radiografia a imagem se forma em conseqüência, entre outras coisas, da interação dos fótons de Raios-X com a matéria. Esses fótons atravessam o objeto, sofrendo atenuações, causadas pela sua absorção total ou parcial. O nível de absorção depende dos elementos constituintes desse objeto.
Dentro do corpo humano, por exemplo, ossos, músculos e gordura absorvem
os fótons com diferentes níveis de absorção, levando a diferentes atenuações
e, conseqüentemente, diferentes intensidades de radiação que chegam ao anteparo no qual a imagem será formada. Isso resulta em diferentes tons de
cinza. É essa diferença que possibilita a formação do contraste, permitindo a
identificação de estruturas anatômicas. A seguir são apresentados alguns problemas inerentes à Radiografia que influenciam na formação da imagem.
Os Raios-X constituem radiação ionizante e o excesso deste tipo de
radiação traz prejuízos ao organismo humano. Por isso, é imprescindível um
controle a fim de que a dose de radiação recebida pelo paciente não seja mais
prejudicial do que o benefício a que ela se propõe. Alguns fatores contribuem
para o aumento da dose absorvida, como o aumento da tensão e o aumento
da corrente para a produção de fótons e, ainda, o prolongamento do tempo de
exposição. Geralmente estas práticas são aplicadas quando é desejada uma
imagem com intensidade mais acentuada (Curry III et al.,1990). Com relação
a esta característica, as técnicas de processamento de imagens podem contribuir no sentido de realçar a imagem de acordo com a intensidade desejada,
dispensando os costumeiros aumentos de tempo de exposição, tensão e/ou
corrente de tubo (Ishida et al., 1983).
O efeito Heel é outro problema a ser enfrentado pelo processamento
de imagens, conforme destacado por Curry III et al. (1990) e Wilks (1987):
a intensidade da radiação do tubo não é uniforme em todas as regiões do
campo, sendo dependente do ângulo em que os fótons são emitidos do ponto
focal. Conseqüentemente, o nível de intensidade no filme poderá variar para
estruturas que têm o mesmo índice de absorção. Isso causa uma preocupação
constante com os métodos a serem empregados nos sistemas de CAD: não
76
Introdução ao Processamento de Imagens Médicas
é possível fixar valores de cores (em geral, níveis de cinza) que representem
as estruturas de interesse após a digitalização. São aplicadas, então, técnicas
adaptativas à região.
A radiação espalhada, causada por fótons desviados de suas trajetórias
ideais, é um outro ponto que pode constituir um problema no processamento de
imagens. Por apresentar uma característica randômica, não é possível prever o
seu efeito. Por isso, uma das possibilidades é que cause ruídos e redução do
contraste na imagem, de acordo com Wilks (1987) e Curry III et al. (1990). Um
dos tipos de espalhamento mais citados na literatura é o efeito Compton, onde
parte da energia do fóton é absorvida pela matéria e outra parte permanece no
próprio fóton. Ocorrendo o desvio deste fóton em uma direção inesperada, seu
efeito pode ser desde ruídos e diminuição do contraste da imagem (Jackson et
al.,1993) até aumento da dose no paciente.
O efeito da radiação espalhada pode ser diminuído com a utilização
de grades (Scaff, 1979), que consistem em peças compostas por uma série
de faixas de chumbo separadas por espaços. Acopladas ao sistema, o seu
funcionamento ideal deveria permitir a absorção da radiação espalhada sem
absorver a radiação primária e, então, proporcionar o máximo contraste no filme sem aumentar a exposição do paciente. No processamento de imagens, a
forma de superar o efeito da radiação espalhada é estabelecer procedimentos
que removam ruídos e aumentem o contraste da imagem, como a limiarização
e filtros que suprimam os sinais de alta freqüência. No entanto, estes procedimentos devem ser cuidadosos, visto que alguns componentes de alta freqüência podem constituir estruturas de interesse em um diagnóstico.
A distorção na imagem radiográfica pode ser resultante da magnificação
desigual de diferentes partes do mesmo objeto, conforme é afirmado por Curry
III et al. (1990). Muitas vezes a magnificação é desigual devido ao posicionamento do objeto. A distorção da imagem pode ser diferente para diferentes
partes do feixe de Raios-X. Assim, dois ou mais objetos podem sofrer distorções diferentes se estiverem posicionados em locais com distâncias diferentes
do filme. A penumbra também constitui uma forma de distorção. Consiste em
uma região de borramento que contorna a imagem real do objeto no filme. Na
mamografia, por exemplo, geralmente a mama está em contato com o local
de registro da imagem, o que, teoricamente, deveria eliminar a possibilidade
de penumbra. No entanto, a estrutura de interesse, estando espalhada pela
mama, nem sempre está em contato com o filme, causando, dessa forma, uma
penumbra (Schiabel et al., 1994). Distorções causam complicações em um
sistema para detecção de estruturas pequenas e cujo formato é importante.
Muitas vezes, formato e tamanho são características empregadas para o reconhecimento e classificação de estruturas de interesse.
A sobreposição de objetos é outro aspecto que exerce grande influência
no reconhecimento de padrões, considerando que a imagem radiográfica é
a representação bidimensional de um objeto tridimensional. Dependendo do
posicionamento das estruturas internas do órgão cuja imagem está sendo ad-
77
L. S. Nunes
quirida, a imagem resultante pode apresentar sobreposição destes elementos,
transformando dois ou mais objetos em um bloco único. Uma possível solução
para esta questão é o processamento da imagem a partir de projeções diferentes do mesmo objeto, de forma que a localização de possíveis estruturas e o
relacionamento entre suas localizações forneçam aos médicos mais subsídios
para o diagnóstico correto. Outra maneira de solucionar a questão seria o processamento e a reconstrução de imagens tridimensionais.
O contraste e a resolução espacial também são características das imagens que podem prejudicar o diagnóstico. Na imagem radiográfica o contraste
refere-se à diferença de densidades entre áreas, conforme afirmam Dhawan et
al. (1988) e Curry III et al. (1990). Se o objeto cuja imagem está sendo registrada é formado por diferentes elementos e cada um desses elementos apresenta diferentes níveis de absorção dos fótons de Raios-X, então, o padrão a
ser registrado no filme apresentará diferentes intensidades. Quanto maior for
a diferença entre as intensidades, maior será o contraste percebido e, provavelmente, maior facilidade oferecerá para interpretação médica. Além disso,
para que seja utilizado um esquema computadorizado para reconhecimento
de estruturas, os filmes radiográficos precisam ser digitalizados ou, então, a
imagem precisa ser adquirida digitalmente. Os equipamentos utilizados para
esse processo variam muito em termos de escala de cores (ou níveis de cinza)
oferecidas e resolução espacial. As cores (ou níveis de cinza) estão diretamente relacionadas com o contraste. Geralmente uma faixa de densidades ópticas
do filme é representada por um único valor na escala de cores durante a digitalização, como mostrado por Chan et al. (1987).
A resolução espacial, por sua vez, refere-se à quantidade de pontos por
unidade de medida que permite a maior ou menor percepção de detalhes na
imagem. Em uma imagem digitalizada, refere-se à quantidade de pontos em
um centímetro ou milímetro quadrado que, ao final, estabelecerá o tamanho da
menor unidade da imagem digitalizada: o pixel.
Esses dois últimos aspectos abordados devem ser bem analisados e
definidos para se ter um esquema CAD eficiente. As cores ou níveis de cinza
serão processados a fim de informarem o tamanho e localização da estrutura
reconhecida. Da mesma forma, no processamento, o tamanho do pixel é muito
importante, principalmente na identificação de estruturas pequenas, como é
o caso de microcalcificações em mamogramas. Se a digitalização não fornecer um tamanho suficientemente pequeno de pixel, algumas microcalcificações pequenas podem ser desprezadas e até mesmo desaparecer durante o
pré‑processamento, conforme afirmam Chan et al. (1987).
Apesar dos problemas citados nesta seção estarem relacionados com
as imagens radiológicas, vários deles estão presentes em imagens advindas
de outras modalidades, principalmente aqueles inerentes à imagem propriamente dita, como distorção e resolução de contraste. Esses aspectos são
aqueles que podem ser mais beneficiados pelas técnicas de processamento
de imagens.
78
Introdução ao Processamento de Imagens Médicas
2.2.3. Ultra-sonografia
Bronson (2002) e Bega et al. (2001) definem a Ultra-sonografia como
uma modalidade de exame baseada na reflexão de som. A imagem se forma
quando uma onda sonora é refletida ao chocar-se com a região anatômica em
análise. Para formar as imagens da estrutura do corpo humano, esta modalidade utiliza uma faixa de ondas sonoras com uma freqüência maior do que a
audível para o ser humano. Em aplicações de diagnósticos médicos são utilizadas freqüências de 1 a 10 MHz.
É um dos métodos, dentre os exames de diagnóstico por imagem, mais
utilizado no rastreamento de doenças, especialmente por não ser invasivo, ter
boa sensibilidade e baixo custo, permitindo o exame de órgãos abdominais,
pélvicos e estruturas superficiais como mama, tireóide, globo ocular e sistema
músculo-esquelético. Por outro lado, pode-se citar como desvantagens o fato
de que a qualidade da imagem depende da habilidade do operador, a baixa
resolução espacial e a presença constante de ruídos na imagem.
O equipamento de ultra-sonografia é portátil e o modelo padrão é formado por monitor, aparelho de impressão, teclado e um emissor/receptor. As
imagens são geradas em níveis de cinza e em tempo real, sendo seu tamanho
definido por uma matriz que contém geralmente 512x512 pixels. As imagens
geradas são armazenadas em memória digital, videocassete, ou diretamente
no filme através de uma câmera multiformato. É importante destacar que ruídos de outros equipamentos podem ser captados pelo aparelho de ultra-som
gerando faixas lineares ou pontos na imagem, criando certas deformações e
irregularidades capazes de dificultar a análise do exame.
2.2.4. Ressonância Magnética Nuclear
Dainty and Shaw (1976) definem que a Ressonância Magnética Nuclear
é baseada nas propriedades magnéticas dos núcleos atômicos, sendo capaz
de oferecer detalhes anatômicos e informações estruturais e fisiológicas de
forma superior à fornecida por outras modalidades. É capaz de gerar imagens
que diferenciem claramente os vários tipos de tecidos moles, mesmo que esses tenham a mesma densidade de massa.
O fenômeno de ressonância, de acordo com Luiten (1981), manifestase nos mais diversos tipos de sistemas da natureza, ocorrendo sempre que
acontece um estímulo cuja freqüência seja próxima à freqüência do sistema.
No núcleo das células, esta ressonância tem natureza magnética, derivando
do fato de certos núcleos terem um momento angular intrínseco chamado spin
e um momento magnético associado a ele.
Arcuri and McGuire (2001) citam que esta técnica baseia-se no princípio de que os núcleos dos átomos, que em estado normal giram com spins
em orientações randômicas, se orientam quando colocados num campo magnético. Por isso, a aplicação de um pulso de rádio-freqüência a esses núcleos
orientados faz com que estes absorvam e emitam uma quantidade de energia
cuja freqüência precisa de ressonância e depende das próprias características
79
L. S. Nunes
do núcleo e do campo magnético. Quando o cérebro, por exemplo, é submetido
a um campo magnético ao qual uma freqüência de rádio é superimposta, seus
tecidos emitem freqüências diferentes por terem constituições físico-químicas
distintas. Isso torna possível diferenciar os sinais emitidos pelas substâncias
cinzenta ou branca, gerando uma imagem de grande precisão espacial.
Na formação da imagem na RMN, uma das principais propriedades
mapeadas é a densidade local dos núcleos atômicos, sendo o hidrogênio o
elemento mais utilizado, devido às características intrínsecas deste elemento e
também pelo motivo de que o corpo humano possui grande quantidade deste
elemento na sua composição. Para gerar as imagens, uma amostra de núcleos é perturbada por uma seqüência de pulsos de radiofreqüência, emitindo
um sinal de RMN para cada um dos núcleos excitados. O registro dos sinais
retornados permite a formação da imagem com grande diferenciação entre os
tecidos.
Durante a execução do exame, o paciente se posiciona em uma espécie de túnel no qual estão localizadas as bobinas magnéticas que geram a freqüência necessária ao procedimento. Conforme lembram Arcuri and McGuire
(2001), a claustrofobia e o barulho do equipamento são desvantagens da técnica. Também deve ser citado como desvantagem o fato de que esta modalidade
de imagem médica pode ser perigosa para pacientes que possuem implantes
metálicos, como marcapassos.
2.2.5. Tomografia Computadorizada
Conforme define Wilks (1987), da mesma forma que a radiografia convencional, a Tomografia Computadorizada baseia-se no princípio de os RaiosX serem apenas parcialmente absorvidos pelo corpo.
Enquanto que na radiografia convencional o feixe de Raios-X é piramidal e a imagem obtida é uma imagem de projeção, na TC o feixe é emitido por
uma pequena fenda e tem a forma de leque. O tubo de Raios-X gira 360 graus
em torno da região do corpo a ser estudada e a imagem obtida é tomográfica,
ou seja, são obtidas “fatias” da região investigada. Em oposição ao feixe de
Raios-X emitidos, tem-se um detector de fótons que gira concomitantemente
ao feixe. Os fótons emitidos dependem da espessura do objeto e da capacidade deste de absorver os Raios-X. Os detectores de fótons da TC transformam
os fótons emitidos em sinal analógico e depois digital.
Após a aquisição das seções transversais, as informações obtidas são
processadas utilizando uma técnica matemática chamada de projeção retrógrada, ou outras, como a transformada de Fourier.
As imagens tomográficas podem ser obtidas em dois planos: axial (perpendicular ao maior eixo do corpo) e o coronal (visão frontal). Após a sua
obtenção, recursos computacionais podem permitir reconstruções no plano
sagital (paralelo à sutura sagital do crânio) ou reconstruções tridimensionais.
A principal vantagem da TC é que permite o estudo de seções transversais do corpo vivo. É uma grande melhoria em relação às capacidades da
80
Introdução ao Processamento de Imagens Médicas
radiografia convencional, pois permite a detecção ou o estudo de anomalias
que não seria possível senão através de métodos invasivos.
Uma das principais desvantagens é a grande quantidade de radiação
X imprimida ao paciente. Outra desvantagem é o seu elevado preço, especialmente quando comparada com outros métodos como a radiografia convencional.
2.2.6. Considerações para o processamento de imagens
Cada modalidade de imagem médica responde a um ou mais aspectos
presentes nos materiais que compõem os seres da natureza. Assim, cada uma
delas tem peculiaridades que fazem com que sejam mais ou menos adequadas para o diagnóstico de determinadas doenças.
A finalidade das imagens médicas é auxiliar na composição do diagnóstico de anomalias e fornecer material para acompanhamento de terapias.
Como mencionado nas seções anteriores, cada modalidade tem objetivos específicos e pode apresentar problemas específicos. Na prática, a composição
de um diagnóstico pode utilizar imagens adquiridas de modalidades diversas,
visto que as limitações de uma modalidade podem ser superadas por características de uma outra modalidade, fazendo com que uma modalidade complemente a outra.
Os diferentes objetivos e os diferentes problemas apresentados pelas
modalidades requerem tratamentos diferentes, que podem ser obtidos a partir
da aplicação de técnicas de processamentos de imagens. No tratamento de
imagens médicas, é necessário, antes de qualquer decisão, definir-se o objetivo a ser alcançado. Somente após esta definição é possível traçar estratégias
a partir da utilização de uma técnica de processamento, da combinação de
várias delas ou, ainda, da criação de novas técnicas.
O tópico a seguir apresentará inicialmente algumas definições e conceitos básicos sobre imagem digital. Em seguida, são abordadas as principais técnicas citadas na literatura para suavização, realce e segmentação de imagens,
com exemplos de aplicação e algoritmos para implementação.
2.3. Processamento de imagens médicas
2.3.2. Definições básicas
Na literatura, há várias obras clássicas de processamento de imagens,
com ótima qualidade no que se refere à apresentação de definições e conceitos. O conteúdo a seguir tem como base principalmente Gonzalez and Woods
(2002), Ballard and Brown (1982) e Russ (1992). Para leitores que estejam
interessados em processamento de imagens utilizando a linguagem Java, uma
boa introdução é apresentada por Santos (2004).
De acordo com Ballard and Brown (1982), a formação da imagem ocorre quando um sensor registra a radiação que interagiu com objetos físicos. A
imagem, então, é uma representação do objeto físico que pode ser armaze81
L. S. Nunes
nada, manipulada e interpretada de acordo com as necessidades do interessado. Matematicamente, uma imagem pode ser descrita como uma função da
intensidade do sinal retornado em um sensor. A aproximação mais clássica é
a definição como uma função da “intensidade luminosa” refletida do objeto A
maioria das imagens considera o espaço bidimensional, sendo definida como
f(x,y), onde x e y são as coordenadas espaciais e o valor de f na coordenada
espacial (x,y) fornece a intensidade, ou seja, o brilho da imagem no ponto. A
imagem depende da “quantidade de luz” incidente na cena e da “quantidade de
luz” refletida pelos objetos da cena.
Dessa forma, afirma-se que: f(x,y) = i(x,y) * r(x,y)
onde:
 i(x,y) depende da fonte de luz, (0 < i(x,y) < ∞);
 r(x,y) depende do tipo de material que compõe o objeto,
(0 ≤ r(x,y) ≤ 1).
Verifica-se que r(x,y) assume o valor zero para absorção total e o valor
1 (um) para reflexão total.
Um caso especial de imagem é constituído pelas imagens digitais, onde
a representação consiste em um vetor de valores discretos. Geralmente este
vetor é unidimensional e o domínio e a imagem de f(x,y) são também discretos.
O domínio é finito (geralmente uma matriz retangular) e o conjunto imagem é
formado por valores no intervalo [0,M]. Para aplicações práticas, a imagem é
uma função contínua, representada por medidas obtidas em intervalos regularmente espaçados. Os valores assumidos em cada ponto medido são quantificados em um número pertencente a uma escala de diferentes cores. Em
imagens médicas, geralmente essas cores são relacionadas a níveis de cinza,
sendo atribuído o valor zero à cor mais escura (preto) e o valor máximo M à
cor mais clara da escala (branco). Dessa forma, pode-se representar uma imagem como uma matriz onde cada ponto é um valor discreto, conforme mostra
a equação 1, onde n e m correspondem à quantidade de colunas e linhas,
respectivamente.
(1)
 f (0,0)
 f (1,0)


.
f ( x, y ) = 
.


.

 f (m − 1,0)
82
f (0,1)
f (1,1)
...
...
f (m − 1,1) ...
f (0, n − 1) 
f (1, n − 1) 





f (m − 1, n − 1)
Introdução ao Processamento de Imagens Médicas
O objetivo de definir matematicamente a imagem é a possibilidade de
manipular o seu conteúdo a fim de transformá-la ou retirar dela informações
importantes. Ao vasto conjunto de operações que podemos aplicar em uma
matriz que representa uma imagem denominamos processamento de imagem.
Cada ponto ou elemento constituinte da matriz-imagem é chamado de
“pixel” que é uma abreviação do termo em inglês picture element. A medida de
um pixel depende da resolução espacial com a qual a imagem foi adquirida.
O pixel é, então, a menor unidade sobre a qual podemos realizar operações.
Para essas operações são definidas algumas relações básicas, apresentadas
a seguir.
a) Vizinhança
Gonzalez & Woods (2002) e Russ (1992) definem a vizinhança de um
pixel da forma a seguir. Seja p, um pixel nas coordenadas (x,y):
i.
A vizinhança de 4 do pixel p – ou N4(p) – é composta por seus
vizinhos de coordenadas (x+1,y), (x-1,y), (x,y+1), (x,y-1).
ii.
A vizinhança diagonal do pixel p – ou ND(p) – é composta por
seus vizinhos de coordenadas: (x+1,y+1), (x+1,y-1), (x-1,y+1),
(x-1,y-1).
iii. A vizinhança de 8 – ou N8(p) – é composta pelo conjunto de
todos os pixels vizinhos, ou seja, N4(p) ∪ ND(p).
Na Figura 2.1 são apresentados exemplos dos conceitos de vizinhança citados.
Figura 2.1. Ilustração do conceito de vizinhança considerando o
ponto central como o pixel de interesse, os pixels da vizinhança
são representados pelos espaços em cinza: (a) vizinhança-de-4;
(b) vizinhança diagonal; (c) vizinhança‑de-8
83
L. S. Nunes
b) Adjacência
A adjacência é característica de um par de pixels vizinhos que compartilham uma borda ou um vértice, sendo que:
•um par de pixels compartilha uma borda é dito “adjacente por
borda” ou “4-adjacente”;
•um par de pixels de uma imagem que compartilha um vértice
é dito “adjacente por vértice” ou “8-adjacente”.
Na Figura 2.1(a), por exemplo, observa-se que os pixels de cor cinza
são 4‑adjacentes e também 8-adjacentes do pixel de cor preta, pois compartilham uma borda e um vértice com este pixel. Na mesma figura, os pixels
brancos são somente 8‑adjacentes do pixel preto, pois compartilham somente
um vértice com o mesmo.
c) Conectividade
A conectividade é um importante conceito usado para estabelecer bordas de objetos e componentes de regiões em uma imagem. Dois pixels são
conectados se:
a) são adjacentes e;
b) obedecem a um critério de similaridade dentro de uma escala de cor, isto é, seus valores estão dentro de um conjunto
pré-estabelecido de valores de cinza.
Seja V={G1, G2, ..., Gk} o conjunto de k valores de níveis de cinza usado para definir a conectividade. São definidos três tipos de conectividade:
•Conectividade-4: dois pixels p e q com valores em V e
q ⊃ N4(p);
•Conectividade-8: dois pixels p e q com valores em V e
q ⊃ N8(p);
•Conectividade-m: dois pixels p e q com valores em V e:
i) q ⊃ N­4(p) ou
ii) q ⊃ N­D(p) e N­4(p) ∩ N­4(q) = ∅.
d) Distância entre pixels
A distância entre pixels é um valor mensurável, constituindo uma importante definição para grande parte dos algoritmos que manipulam a imagem.
Gonzalez and Woods (2002) lembram que:
• d(x,y) = 0, se x = y;
• d(x,y) = d(y,x);
• d(x,y) + d(y,z) ≥ d(x,z).
Há diversas fórmulas empregadas para a definição de distância e freqüentemente são definidas e adaptadas fórmulas para aplicações específicas.
Algumas das métricas mais conhecidas, aplicadas para dois pixels p=(xp,yp) e
q=(xq,yq) são:
84
Introdução ao Processamento de Imagens Médicas
•Distância Euclidiana:
• Distância City Block (ou de Manhattan):
• Distância Chessboard:
Introduzidos os conceitos anteriores, podemos aplicá-los ao processamento de imagens. As técnicas de processamento de imagens são, em geral,
divididas em três níveis, cada qual com suas funções específicas:
•processamento de baixo nível: responsável pela remoção de
dados indesejáveis e realce de dados importantes;
•processamento de nível médio: responsável pela identificação de formas significativas. A esse processo damos o nome
de “segmentação”;
•processamento de alto nível: responsável pela ligação da
imagem com algum banco de conhecimento.
Os itens a seguir apresentam técnicas aplicadas aos dois primeiros níveis citados. Não são apresentadas técnicas relacionadas ao alto nível pelo
motivo de que estas envolvem conceitos que extrapolam o domínio do processamento de imagens, englobando tarefas de inteligência artificial e estatística,
entre outras áreas.
2.3.3. Processamento de Baixo Nível
Partindo do princípio de que a vizinhança de pixels na imagem tem
exatamente os mesmos ou aproximadamente os mesmos parâmetros físicos,
o processamento de baixo nível visa à exploração da redundância presente
nessa vizinhança. Essa fase de processamento é utilizada para recuperar estruturas intrínsecas da imagem, como descontinuidade de superfície, orientações, profundidades, velocidade etc.
As definições e técnicas apresentadas a seguir são baseadas em
Ballard and Brown (1982), Low (1991) e Gonzalez and Woods (2002). Em alguns casos os conceitos e resultados das técnicas são apresentados em imagens fora do domínio do contexto deste trabalho (modalidades médicas) a fim
de que o efeito da técnica possa ser percebido com mais nitidez.
Neste nível de processamento, algumas técnicas são derivadas a partir
de modificações no histograma da imagem. Por isso, a seção 2.3.2.1 (Manipulação do Histograma da Imagem) apresenta o conceito de histograma e a
definição de algumas técnicas de processamento que utilizam este conceito.
85
L. S. Nunes
2.3.2.1. Manipulação do Histograma da Imagem
O histograma é uma função que fornece a freqüência de cada nível de
cinza na imagem, como demonstrado na Figura 2.2. O valor do histograma em
um nível de cinza, dado por H(k), é a quantidade de pixels da imagem com
aquele valor de nível de cinza. Esse recurso é útil para alterações globais na
imagem, porém, não é possível aplicá-lo em processamentos que necessitem
de conhecimento sobre a localização de pixels, uma vez que esta informação
não está disponível no gráfico construído. As técnicas a seguir são definidas
sobre o conceito de histograma. Nos exemplos, sempre são apresentadas a
imagem original e as imagens resultantes do processamento a fim de facilitar
a comparação entre elas.
Figura 2.2. Exemplo de histograma de uma imagem
a) Alterações globais no brilho
É possível tornar uma imagem mais clara ou mais escura através da
soma ou subtração, respectivamente, de uma constante em todos os pixels da
imagem. Quanto maior for o valor desta constante mais clara ou mais escura
fica a imagem resultante.
A Figura 2.3 mostra um exemplo de alteração de histograma que resultaria em uma imagem mais clara e outra mais escura. As imagens apresentadas são resultantes da aplicação da alteração de brilho sobre a imagem
original considerando um aumento ou diminuição de 60 níveis, isto é, em cada
pixel o nível de cinza foi aumentado ou diminuído em 60 tons na escala considerada. Como pode ser observado, a operação é aplicada à imagem inteira. No
entanto, pode-se aplicar o mesmo conceito em partes da imagem, delimitando
a área de abrangência do algoritmo. A Figura 2.4 apresenta um algoritmo genérico para a implementação da técnica.
b) Quantização do Histograma
A quantização ou agrupamento do histograma é a redução da quantidade de níveis de cinza diferentes na imagem. É útil para remover gradações
indesejáveis na imagem, promovendo um efeito de aumento de contraste.
86
Introdução ao Processamento de Imagens Médicas
Um exemplo de quantização é mostrado através da imagem e do histograma apresentados na Figura 2.5. A implementação desta técnica considera
intervalos da escala de cinza para agrupar os valores do histograma, conforme
sugere o algoritmo da Figura 2.6. Ao final, como a quantidade de nível de cinza
empregados é drasticamente diminuída, tem-se o efeito de maior nitidez das
estruturas presente na imagem, como pode ser observado na Figura 2.5.
Figura 2.3. Exemplo de alteração global no brilho da imagem: (a)
imagem original e respectivo histograma; (b) imagem com tons de cinza
atenuados e respectivo histograma; (c) imagem com tons de cinza
acentuados e respectivo histograma
87
L. S. Nunes
Figura 2.4. Algoritmo para implementação de alteração global no brilho
de uma imagem
Figura 2.5. Exemplo de quantização do histograma: (a) imagem original;
(b) imagem quantizada com 10 níveis de cinza; (c) imagem quantizada
com 5 níveis de cinza; (d) histograma da imagem b;
(e) histograma da imagem c
88
Introdução ao Processamento de Imagens Médicas
Figura 2.6. Algoritmo para implementação de quantização do histograma
c) Splitting
A técnica de Splitting visa a aumentar o contraste de uma imagem com
base no seu histograma. Como mostrado na Figura 2.7, esta operação divide
os pixels em dois grupos distintos de níveis de cinza. Desta forma, os pixels
com valores menores da imagem (cores escuras) são diminuídos ainda mais e
aqueles com valores altos (pixels claros) tornam-se ainda mais claros.
Uma forma simples de implementar este algoritmo é somar ou subtrair uma constante em cada pixel da imagem, considerando-se um limiar que
define os pontos de soma ou subtração, conforme é sugerido no algoritmo
apresentado na Figura 2.8.
Figura 2.7. Exemplo de splitting do histograma: (a) imagem original;
(b) imagem após aplicação da técnica de splitting, considerando uma
constante igual a 40 níveis de cinza;
(c) histograma da imagem resultante
89
L. S. Nunes
Figura 2.8. Algoritmo para implementação de splitting do histograma
d) Equalização
Também conhecida como “Linearização de Histograma”, esta técnica
tem a finalidade de obter um histograma uniforme, através do espalhamento
da distribuição dos níveis de cinza. Aparentemente comum, esta operação é
muito poderosa, conseguindo, muitas vezes, recuperar imagens consideradas
perdidas.
Há vários métodos empregados para a realização da equalização, sendo que muitos deles são baseados em distribuições estatísticas. Um exemplo
de um histograma equalizado pode ser observado na Figura 2.9. Na seção
2.3.2.3, que abordará com mais propriedade a questão específica de realce de
contraste, será apresentada uma forma de efetuar a equalização com detalhes
de implementação.
Figura 2.9. Exemplo de equalização do histograma: (a) imagem original;
(b) imagem após aplicação da equalização;
(c) histograma da imagem resultante
90
Introdução ao Processamento de Imagens Médicas
e) Utilização de templates
A manipulação de imagens digitais pode ser efetuada no domínio da
freqüência ou no domínio espacial.
O domínio espacial refere-se ao conjunto de pixels que compõem a
imagem. As técnicas de processamento de imagem que trabalham neste domínio são aplicadas diretamente nos pixels da imagem.
As técnicas que trabalham no domínio da freqüência têm como princípio básico o teorema da convolução, efetuando-se alterações na transformada
de Fourier da imagem.
Em geral, o domínio da freqüência exige uma maior complexidade matemática, mas o processamento é mais rápido. O domínio espacial não exige
grande complexidade matemática, mas o processamento é mais lento, uma vez
que muitas vezes várias operações são requeridas para obter-se o novo valor
de um pixel. A abordagem deste capítulo é relacionada ao domínio espacial,
no qual os pixels são considerados como uma matriz de atributos numéricos,
conforme definido no início da Seção 2.3.1. Técnicas no domínio da freqüência
são abordadas com Gonzalez and Woods (2002) e Russ (1992).
Para a manipulação no domínio espacial, muitas vezes são utilizados
templates. Gonzalez and Woods (2002) definem um template como uma máscara utilizada para a realização de operações na vizinhança de um pixel. Na
prática, é uma matriz cujo elemento central é posicionado no pixel de interesse.
Os elementos da vizinhança, incluindo o pixel em questão, são multiplicados
pelos valores indicados nas posições correspondentes da matriz. A soma dos
resultados obtidos substitui o valor do pixel de interesse na imagem resultante.
Genericamente, uma máscara de tamanho 3 x 3 pode ser representada da
forma indicada na Figura 2.10.
w1
w2
w3
w4
w5
w6
w7
w8
w9
Figura 2.10. Exemplo genérico de uma máscara 3 x 3
Considerando wi, i=1,...,9 os coeficientes da máscara em questão e xi,
i=1,...,9 os valores dos pixels sob a máscara, o resultado que será atribuído ao
pixel central será: w1x1 + w2x2 + ... + w9x9. Um algoritmo genérico para aplicação
de um template é apresentado na Figura 2.11.
91
L. S. Nunes
Figura 2.11. Algoritmo genérico para aplicação de templates
2.3.2.2. Suavização de imagens
Operações de suavização são usadas para diminuir efeitos espúrios
resultantes do processo de aquisição da imagem (ruídos, por exemplo). Várias
técnicas podem ser definidas para esta finalidade. Aqui são apresentadas as
técnicas mais clássicas e, também, seus efeitos sobre algumas imagens médicas. No entanto, observa-se que é comum derivar métodos a partir dessas
técnicas para atingir objetivos específicos nesta categoria de imagens. Em alguns casos são apresentados exemplos de aplicação em imagens genéricas,
não necessariamente provenientes de alguma modalidade médica, a fim de
permitir uma visualização mais adequada do efeito da técnica.
f) Média da Vizinhança
A média da vizinhança é uma técnica que consiste em gerar uma imagem na qual o nível de cinza de cada pixel é obtido através da média dos valores de cinza dos pixels de uma vizinhança pré-definida. É uma técnica muito
empregada para eliminação de ruídos na imagem, apresentando, porém, borramento na imagem final obtida e conseqüente perda na definição de bordas.
Considerando a imagem f(x,y) com N X M pixels, podemos definir a imagem
gerada g(x,y) conforme a equação 2.
, para x=0,1,...,N-1; y=0,1,...,M-1 (2)
onde:
• S é o conjunto de coordenadas de pontos na vizinhança do
ponto (x,y), incluindo o próprio (x,y);
• V é o número total de pontos na vizinhança escolhida.
A mostra dois exemplos de template, de tamanho 3x3 e 5x5, respectivamente, utilizados para suavizar as imagens apresentadas na Figura 2.13. Uma
primeira observação importante é que para implementar esta técnica basta
multiplicar cada elemento da vizinhança do pixel de interesse pelo seu peso
respectivo e substituir o pixel de interesse pela soma desses resultados. É
importante salientar, ainda, que quanto maior a dimensão do template, maior
será o borramento na imagem resultante, visto que há influência maior da vizinhança do pixel processado.
92
Introdução ao Processamento de Imagens Médicas
1
9
1
9
1
9
1
9
1
9
1
9
1
9
1
9
1
9
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
1
25
Figura 2.12. Exemplos de templates para implementação
da média da vizinhança
Como os exemplos apresentados trabalham no domínio espacial é interessante observar, ainda, que o tamanho da máscara exerce influência no
desempenho do processamento, pois o esforço computacional aumenta proporcionalmente a esta dimensão devido ao incremento na quantidade de operações matemáticas que devem ser realizadas.
93
L. S. Nunes
Figura 2.13. Exemplos de suavização utilizando média da vizinhança: (a)
imagem original; (b) imagem suavizada com template de tamanho 3x3;
(c) imagem suavizada com template de tamanho 5x5
Na Figura 2.14 são apresentados exemplos da aplicação da técnica
em imagens médicas. Observa-se borramento nas imagens provenientes das
três modalidades apresentadas. Como a imagem de US é aquela que contém
maior nível de ruído devido a sua natureza, é possível observar o efeito da
suavização dos ruídos. No entanto, outras estruturas foram suavizadas juntamente com os ruídos. Na Figura 2.15 é apresentado um algoritmo simples para
implementação da técnica.
g) Filtragem Mediana
A filtragem mediana é uma técnica de suavização na qual cada pixel da
imagem final é substituído pelo nível de cinza mediano em uma vizinhança do
pixel. O nível mediano m de um conjunto de valores é tal que metade dos valores no conjunto são menores que m e a outra metade é constituída de valores
maiores que m.
Na Figura 2.16 é apresentado um exemplo de aplicação desta técnica.
Comparando-se as imagens desta figura com as imagens da Figura 2.13 é
possível verificar que o efeito de borramento desta técnica é menor quando
94
Introdução ao Processamento de Imagens Médicas
comparado ao resultado fornecido pela técnica anterior. Uma das vantagens
desta técnica é a eliminação de ruídos aleatórios com o borramento mínimo
das bordas que compõem os objetos representados na imagem.
Figura 2.14. Exemplos de suavização utilizando média da vizinhança
em imagens médicas. (a) imagem de Raios-X – original à esquerda
e suavizada à direita; (b) imagem de RMN; (c) imagem de US. Os
processamentos usaram template com tamanho 3x3 pixels
95
L. S. Nunes
Figura 2.15. Algoritmo para implementação
da média da vizinhança
A Figura 2.17 apresenta exemplos da técnica aplicada às mesmas imagens do tópico anterior. É possível observar que, apesar de também introduzir
borramento, este é menor quando se compara a filtragem mediana com o filtro
de média. Assim, as imagens mais beneficiadas são aquelas provenientes de
ultra-som que, invariavelmente, devem ser submetidas a um filtro de suavização devido ao ruído inerente da modalidade.
Figura 2.16. Exemplos de suavização utilizando mediana da vizinhança:
(a) imagem original; (b) imagem suavizada com template de tamanho
3x3; (c) imagem suavizada com template de tamanho 5x5
96
Introdução ao Processamento de Imagens Médicas
Figura 2.17. Exemplos de suavização utilizando mediana da vizinhança
em imagens médicas. (a) imagem de Raios-X – original à esquerda
e suavizada à direita; (b) imagem de RMN; (c) imagem de US. Os
processamentos usaram template com tamanho 3x3 pixels
97
L. S. Nunes
Na Figura 2.18 é apresentado um algoritmo genérico para implementação da técnica.
Figura 2.18. Algoritmo para implementação da mediana da vizinhança
h) Média de Múltiplas Imagens
Obter a média de múltiplas imagens consiste em obter uma imagem
onde cada pixel é a média dos pixels de mesma posição em um conjunto de
imagens semelhantes. O objetivo é permitir a eliminação de ruído aleatório
presente nas imagens do conjunto processado.
Esta técnica possibilita a obtenção de bons resultados quando estão
disponíveis imagens do mesmo objeto adquiridas em instantes diferentes,
como exemplificado na Figura 2.19. O algoritmo para implementação da técnica é extremamente simples, consistindo na realização de uma única operação
de média aritmética, conforme apresentado na Figura 2.20.
Figura 2.19. Exemplo de suavização utilizando média de múltiplas
imagens: (a) imagens originais com ruídos aleatórios; (b) média das
duas primeiras imagens de a; (c) médias das três imagens de a
98
Introdução ao Processamento de Imagens Médicas
Figura 2.20. Algoritmo para implementação da média
de múltiplas imagens
2.3.2.3. Realce de imagens
As técnicas de realce de imagens produzem justamente o efeito contrário ao provocado pela suavização. Têm o objetivo de destacar bordas e detalhes procurados na imagem. Algumas das técnicas são executadas a partir do
histograma da imagem, conforme já mencionado. Nesta seção estas técnicas
serão retomadas a fim de possibilitar a observação dos seus efeitos em imagens médicas. Também é muito comum empregar o conceito matemático de
diferenciação para o realce de imagens, visto que o objetivo é destacar as diferenças entre os pixels da imagem, conforme citado nos tópicos a seguir. Nesta
seção não são incluídos algoritmos porque boa parte das técnicas resume-se
a aplicação de templates, apresentados anteriormente.
i) Quantização do Histograma
Como mostrado anteriormente, a quantização, também conhecida como
agrupamento do histograma, diminui a quantidade de níveis de cinza utilizados
para a representação da imagem, resultando em uma imagem com maior contraste, conforme pode ser verificado nos exemplos da Figura 2.21.
É interessante observar que seus efeitos podem ser úteis quando a
imagem médica apresenta estruturas de interesse com grupos de níveis de
cinza com limites bem delineados. Nestes casos, as estruturas podem ser satisfatoriamente diferenciadas e a imagem pode auxiliar na identificação de objetos de interesse que indiquem possíveis anomalias. Observa-se, ainda, que
o intervalo de níveis de cinza utilizado no processo exerce grande influência
no resultado final, destacando as formas das estruturas com maior ou menor
adequação. Nas imagens das três modalidades apresentadas na Figura 2.21 é
possível perceber este efeito. Na imagem radiológica, por exemplo, é possível
perceber o maior destaque das estruturas mais claras, correspondentes às
partes que absorvem maior quantidade de Raios-X.
99
L. S. Nunes
Figura 2.21. Exemplos de quantização em imagens médicas: (a) imagem
de Raios-X – original à esquerda e quantizada com 10 níveis de cinza à
direita; (b) imagem de Raios-X – original à esquerda e quantizada com
20 níveis de cinza à direita; (c) imagem de US – original à esquerda e
quantizada com 5 níveis de cinza à direita
b) Splitting
Essa técnica visa ao aumento de contraste por meio da divisão dos pixels em dois grupos distintos de níveis de cinza. Assim, os pixels escuros ficam
100
Introdução ao Processamento de Imagens Médicas
ainda mais escuros na imagem resultante e aqueles claros tornam-se mais
claros, conforme pode ser conferido nos exemplos da Figura 2.22.
Da mesma forma que na técnica anterior, há variações nos resultados
obtidos com esta técnica em função da variação dos parâmetros utilizados.
Na Figura 2.22 essa variação pode ser percebida. Na imagem de Raios-X, por
exemplo, pixels mais escuros foram transformados em fundo da imagem, dando
ênfase às estruturas que absorvem maior quantidade de Raios-X e permitindo a
visualização mais nítida do contorno dessas estruturas na imagem. Efeito semelhante pode ser observado na imagem de US. No entanto, o parâmetro utilizado
na imagem da RMN fez com que houve uma maior homogeneização de pixels
claros, fazendo desaparecer alguns detalhes presentes na imagem original.
Figura 2.22. Exemplos da técnica de sppliting: (a) imagem de RaiosX – original à esquerda e após splitting à direita; (b) imagem de
US; (c) imagem de RMN. Os processamentos usaram constante de
deslocamento igual a 40 níveis de cinza
101
L. S. Nunes
c) Equalização
A obtenção de um histograma mais uniforme é a regra para o realce de
contraste pela técnica de equalização. Vários métodos podem ser empregados
para a redistribuição dos pixels na imagem, de modo a espalhá-los ao longo da
escala de cores utilizada.
O método apresentado a seguir parte de conceitos estatísticos. Para
descobrir o novo nível de cinza (q) de um pixel que possui um determinado valor k de nível de cinza são utilizadas as equações 3 e 4. Primeiro, encontra-se
a quantidade ideal de pixels para cada valor de nível de cinza, de acordo com
a escala de cores utilizada, conforme a equação 3. Em seguida, calcula-se o
novo nível de cinza q, isto é, o valor para o qual os pixels do nível de cinza atual
serão removidos.
(3)
(4)
onde:
• I é a quantidade ideal de pixels em cada nível de cinza da
escala usada
• n é a quantidade de linhas da imagem
• m é a quantidade de colunas da imagem
• g é a quantidade total de níveis de cinza da escala
• q é o novo nível de cinza procurado
• nj é a quantidade de pixels no nível de cinza j
• arred indica o arredondamento do resultado obtido pela expressão que constitui seu argumento.
Na Figura 2.23(a) é apresentado um exemplo fictício de histograma de
uma imagem, supondo uma distribuição inicial de pixels em cada nível de cinza
da escala considerada. A partir deste histograma e considerando as equações
apresentadas, tem-se nXm = 100 e g = 10. Na Tabela 1 é apresentado um
exemplo de aplicação do método, considerando este histograma. O histograma
resultante após o processamento é apresentado na Figura 2.23(b).
102
Introdução ao Processamento de Imagens Médicas
Figura 2.23. Exemplo de histograma de imagem fictícia com uma
distribuição inicial de pixels
Tabela 1. Exemplo de cálculo para aplicação de equalização
g
0
1
2
3
4
5
6
7
8
9
∑g
1
9
8
6
1
1
1
1
2
0
∑ acumulado
1
10
18
24
25
26
27
28
30
30
q
0
2
5
7
7
8
8
8
9
9
Alguns resultados do processamento utilizando o método descrito são
apresentados na Figura 2.24. A redistribuição dos níveis de cinza aumentou,
de fato, o contraste nas imagens das três modalidades. Houve destaque nas
bordas do antebraço do feto representado na imagem de US e de detalhes do
cérebro representado na imagem de RMN. Também na imagem de Raios-X
torácica foi possível perceber uma maior nitidez nas estruturas representadas.
103
L. S. Nunes
Figura 2.24. Exemplos da técnica de equalização: (a) imagem de US
– original à esquerda e após equalização à direita; (b) imagem de RMN;
(c) imagem de Raios‑X
104
Introdução ao Processamento de Imagens Médicas
d) Realce por Diferenciação
A maioria dos métodos de diferenciação usados em processamento de
imagens é baseada na aplicação de gradientes devidamente adaptada para
implementação no domínio espacial da imagem.
Dada uma função f(x,y), o gradiente de f nas coordenadas (x,y) é definido pela equação 5.
 ∂f 
 
G[ f ( x, y )] =  ∂∂fx  (5)
 
 ∂y 
onde:
•
G[f(x,y)] é o vetor gradiente a ser obtido;
•
∂f ∂f
∂x e ∂y
são as derivadas parciais nas direções x e y, respectivamente.
Duas propriedades importantes do gradiente são:
i. o vetor G[f(x,y)] aponta na direção do máximo da função
f(x,y);
ii. a magnitude de G[f(x,y)] é dada pela equação 6.
(6)
Para uma imagem digital, a magnitude pode ser aproximada pelas
diferenças, sendo que uma abordagem comumente utilizada é dada pela
equação 7.
(7)
Outra abordagem, ainda mais simples, é a utilização de valores absolutos, que produzem resultados similares, conforme mostrado na equação 8.
(8)
Portanto, aplicando-se a equação 8 em uma imagem, pode-se obter uma
imagem final com detalhes realçados, como exemplificado na Figura 2.25. Como
pode ser observado na imagem de Raios-X, as áreas onde há maiores gradações nos níveis de cinza são realçadas, causando maior destaque nas fronteiras
entre a estrutura de interesse e o fundo da imagem. O mesmo acontece nas na
105
L. S. Nunes
imagem de RMN, destacando-se aqui as duas bordas acentuadas no contorno
do cérebro que só podem ser observadas na imagem processada.
Como pôde ser observado durante as técnicas apresentadas até este
ponto, o processamento de baixo nível tem a finalidade de realizar alterações globais na imagem. Esta fase é conhecida também como pré-processamento, pois
prepara a imagem para as fases seguintes que visam à identificação de estruturas de interesse e o relacionamento da estrutura detectada com uma base de conhecimento. Na próxima seção será abordado o nível médio de processamento.
Figura 2.25. Exemplos de aplicação do realce por diferenciação: (a)
imagem de Raio-X – original à esquerda e após operação à direita; (b)
imagem de RMN
2.3.4. Processamento de Nível Médio - Segmentação
Essa fase de processamento tem o objetivo de identificar as formas
significativas de uma imagem a fim de fornecer informações para a sua interpretação. Em Gonzalez and Woods (2002) define-se a segmentação como “o
processo que subdivide uma imagem em suas partes ou objetos constituintes”.
Para Ballard and Brown (1982), uma imagem segmentada, em visão computacional, é resultante do agrupamento de partes de uma imagem generalizada
em unidades homogêneas considerando um ou mais aspectos. Esta seção tem
o objetivo de fornecer uma visão geral sobre a segmentação de imagens, citando algumas técnicas utilizadas para tal finalidade e apresentado seu efeito
em imagens médicas.
106
Introdução ao Processamento de Imagens Médicas
e) Limiarização
Também conhecida como Thresholding, a limiarização é a técnica que
divide a imagem em duas ou mais partes considerando valores de limiares.
Consiste, basicamente, em alterar os valores dos pixels de uma imagem deixando-a com uma quantidade menor de níveis com o objetivo de separar estruturas de interesse do fundo da imagem.
Como vantagem, esta técnica tem a simplicidade de implementação,
como pode ser observado no algoritmo apresentado na Figura 2.28. O principal
problema é a definição do valor de limiar. Vários estudos são desenvolvidos
nesta área, baseados principalmente na análise do histograma da imagem.
Pontos de mínimos e máximos do histograma freqüentemente são usados
como valores de limiar. Quanto um único valor de limiar é utilizado, a imagem
resultante contém apenas dois níveis de cinza (zero e máximo da escala). Neste caso, a técnica é também conhecida como binarização. A Figura 2.26 mostra
um exemplo de limiarização em uma imagem genérica, com diferentes valores
de liminar e a Figura 2.27 apresenta resultados da aplicação da técnica em
imagens médicas com 255 níveis de cinza.
Figura 2.26. Exemplos de limiarização: (a) imagem original; (b) imagem
binarizada com limiar = 128; (c) imagem binarizada com limiar = 100
107
L. S. Nunes
Figura 2.27. Exemplos de limiarização (binarização): (a) imagem de
Raios-X – original à esquerda e binarizada (limiar = 80) à direita; (b)
imagem de RMN – original à esquerda e binarizada (limiar = 128) à direita
108
Introdução ao Processamento de Imagens Médicas
Figura 2.28. Algoritmo para implementação
da mediana da vizinhança
f) Detecção de pontos isolados
A detecção de pontos isolados em uma imagem é útil para remoção de
ruídos e análise de partículas. Para uma imagem com um valor de fundo constante, essa detecção pode ser concretizada com o uso da máscara mostrada
na Figura 2.29.
-1
-1
-1
-1
8
-1
-1
-1
-1
Figura 2.29. Máscara usada para detecção de pontos isolados em
imagens com fundo constante
A utilização da máscara apresentada na Figura 2.29 é auto-explicativa. Para cada locação do template é calculado o valor da soma dos produtos
dos pixels pelos coeficientes dados. Considerando xi , i=1, ..., 9 como o valor
de um pixel, com a numeração do índice i partindo do canto superior esquerdo,
o resultado após a aplicação do template será dado por: - x1 - x2 - x3 - x4 + 8x5
- x6 - x7 - x8 - x9. Em uma área onde o nível de cinza é constante, o resultado
será igual a zero. Se a locação coincidir com x5 sendo um ponto isolado, com
intensidade maior que o valor de fundo, o resultado será maior que zero e,
portanto, será realçado. Na literatura, esta técnica é também conhecida como
filtro passa-alta. Exemplos de sua aplicação são mostrados na Figura 2.30.
109
L. S. Nunes
Figura 2.30. Exemplos de detecção de pontos. (a) imagem de RMN–
original à esquerda e após operação à direita;
(b) imagem de US
g) Detecção de linhas
De forma semelhante ao item anterior, podem ser utilizadas as máscaras demonstradas na Figura 2.31 para a detecção de linhas nas direções horizontal, 45o, vertical e -45o, respectivamente. O cálculo do valor do pixel central
é realizado conforme já demonstrado. Imagens resultantes após a aplicação de
algumas dessas máscaras são apresentadas na Figura 2.32.
-1 -1 -1
-1 -1 2
-1 2 -1
2 -1 -1
2
2
-1 2 -1
-1 2 -1
-1 2 -1
-1 -1 -1
2 -1 -1
-1 2 -1
-1 -1 2
2
Figura 2.31. Máscaras utilizadas para a detecção de linhas
110
Introdução ao Processamento de Imagens Médicas
Figura 2.32. Exemplos de detecção de linhas. (a) imagem de Raio-X
– são apresentadas a imagem original, resultante da detecção de bordas
horizontal e resultante da detecção de bordas vertical, respectivamente;
(b) imagem de US
h) Detecção de bordas
Partindo da definição de borda como uma fronteira entre duas regiões
com níveis de cinza relativamente distintos, os algoritmos utilizados para a
detecção de bordas são estruturados de forma a detectar as descontinuidades
existentes nas transições.
O operador gradiente é um dos procedimentos utilizados para detectar
essas descontinuidades. A idéia básica de segmentação através deste método
111
L. S. Nunes
é aplicar um processamento computacional baseado em um operador local
de derivadas. Computacionalmente, consiste em obter derivadas parciais ∂f/∂x
para todos os pixels da imagem. Considerando-se uma vizinhança de 3 x 3
pixels em torno de um ponto (x,y), as equações 9 e 10 definem o operador
gradiente na direção x e y , respectivamente.
Gx = (x7 + 2x8 + x9) - (x1 + 2x2 + x3) (9)
Gy = (x3 + 2x6 + x9) - (x1 + 2x4 + x7) (10)
onde:
• x5 é o pixel sobre o qual está sendo aplicado o operador.
•demais xis são os pixels pertencentes à vizinhança-de-8 de
x5.
Estes operadores são conhecidos como operadores de Sobel e, esquematicamente, podem ser representados pelas máscaras mostradas na Figura
2.33, onde tem-se, respectivamente: uma região 3 x 3, a máscara utilizada
para calcular Gx sobre o centro da região e a máscara utilizada para calcular
Gy sobre o centro da região. Exemplos dos resultados obtidos com a aplicação
desses operadores são apresentados na Figura 2.34.
x1
x4
x7
x2
x5
x8
x3
x6
x9
-1
0
1
-2
0
2
-1
0
1
-1
-2
-1
0
0
0
1
2
1
Figura 2.33. Região e máscaras para detecção de bordas através de
operadores gradiente
Uma vez detectadas as bordas da imagem, podem ser realizados processamentos para completá-las, se necessário, e interpretá-las, separando as
partes desejadas. Este método tem a vantagem de apresentar simplicidade
na aplicação, não envolvendo complexidades computacionais. Como desvantagem está o fato de não apresentar boa imunidade a ruídos, pois a aplicação
de templates inclui os ruídos nos cálculos, podendo aumentar efeitos como a
suavização da imagem, e a conseqüente perda de definição de bordas.
112
Introdução ao Processamento de Imagens Médicas
Figura 2.34. Exemplos de detecção de bordas pelos operadores
de Sobel. (a) imagem de US – são apresentadas a imagem original,
resultante da detecção de bordas horizontal e resultante da detecção de
bordas vertical, respectivamente;
(b) imagem de RMN
113
L. S. Nunes
i) Crescimento de Região
Este método consiste em agregar conjuntos de pixels em regiões maiores. A aproximação de processamento mais simples é a agregação de pixels,
isto é: escolhe-se um pixel ou um conjunto de pixels denominados “sementes”
e faz-se o crescimento da região através da agregação de pixels vizinhos às
sementes que possuem propriedades similares (intensidade, cor, textura etc).
O processo continua até se atingir uma condição pré-estabelecida de parada,
como por exemplo, um determinado nível de cinza ou uma distância específica.
A vantagem é que a imagem não precisa ser homogênea, pois as suas
características são previamente analisadas e incluídas nos descritores de semelhança. As principais desvantagens são: dificuldade na seleção dos pixels
sementes (a aplicação deve ser conhecida); dificuldade no estabelecimento
das propriedades de semelhança (a aplicação e os tipos de dados da imagem
devem ser conhecidos) e dificuldade na determinação de condições de parada
(depende da análise da imagem).
Devido aos motivos citados, a implementação do crescimento de região
deve ser cuidadosa no sentido de analisar criteriosamente a imagem e definir
algoritmos que ofereçam bom desempenho. A aplicação do algoritmo inicial,
executando-se a agregação de pixels a partir de uma “semente” pode ser computacionalmente custosa. Por isso, abordagens alternativas são utilizadas em
imagens médicas. Na Figura 2.35 é mostrado um exemplo de crescimento de
região que, em vez de agregar sementes, detecta a estrutura de interesse por
meio da estruturação de raios a partir de um ponto inicial.
Figura 2.35. Exemplo de aplicação da técnica de crescimento de região.
(a) imagem de Raios-X original; (b) imagem resultante do crescimento
de região
114
Introdução ao Processamento de Imagens Médicas
2.4. Exemplos de aplicações
As definições e técnicas apresentadas nas seções anteriores são clássicas e já muito bem estabelecidas na literatura. No entanto, seus efeitos na
área médica – ou em qualquer outra área – são limitados, visto que cada classe de imagens tem particularidades que devem ser consideradas no momento
da definição das técnicas de processamento com a finalidade de se atingir
um determinado objetivo. Verifica-se, ainda, que a maioria das técnicas, quando não desenvolvidas exclusivamente para uma determinada finalidade, são
adaptações ou derivações de técnicas clássicas considerando as características das imagens.
Os exemplos a seguir vêm confirmar esta afirmação: em geral, é necessária a aplicação de um conjunto de técnicas para se atingir o objetivo almejado. Em cada exemplo, é apresentada uma breve descrição do problema e das
técnicas de processamento utilizadas.
2.4.1. Detecção de agrupamentos de microcalcificações em
amogramas
A detecção precoce do câncer de mama vem sendo objeto de estudo
bem explorado na área de CAD, tendo os mamogramas (imagens radiológicas
da mama) como fonte de dados. No mamograma são procuradas estruturas
que indicam a presença de anormalidades ou tumores. Entre esses elementos
estão as microcalcificações, depósitos de cálcio de formatos e tamanhos variados, segundo Egan (1980). Devido ao tamanho reduzido dessas estruturas,
a sua visualização em mamogramas exige grande experiência do examinador
e, mesmo assim, muitas vezes são passadas despercebidas, visto que o sistema de Raios-X pode apresentar várias limitações que prejudicam a nitidez
da imagem.
De grande interesse ainda são os “clusters” (aglomerações) de microcalcificações, pois são indicadores da necessidade de investigação mais
aprofundada no local onde se encontram. Segundo informação do “National
Cancer Institute” e do “National Institute of Health”, ambos dos Estados Unidos,
aproximadamente metade dos cânceres detectados através de mamografia é
percebida inicialmente como uma aglomeração de microcalcificações.
Com o objetivo de segmentar microcalcificações em mamogramas e
identificar agrupamentos dessas estruturas, foi desenvolvido um procedimento
que recorta regiões de interesse de imagens mamográficas e as processa separadamente. O esquema do processamento pode ser visualizado na Figura
2.36, onde a imagem resultante de uma fase é utilizada como imagem de entrada para a etapa seguinte.
Inicialmente é executada uma técnica para identificar de forma semiautomática as regiões de interesse em uma imagem mamográfica. Então, um
processo de segmentação composto de quatro passos (subtração de imagens,
limiarização global, morfologia matemática e limiarização) é responsável por
extrair das imagens somente as estruturas de interesse. Na morfologia mate115
L. S. Nunes
mática, as imagens são analisadas em termos de forma e tamanho, utilizandose padrões elementares denominados elementos estruturantes (Gonzalez e
Woods, 2002). Cada elemento estruturante interage com cada entidade contida na imagem em estudo, modificando a sua forma, o seu tamanho e permitindo, assim, extrair algumas conclusões desejadas. O elemento estruturante é
um conjunto completamente definido e conhecido (tamanho e forma). A linguagem para morfologia matemática é a teoria dos conjuntos, onde os conjuntos
representam os formatos dos objetos em uma imagem. No caso deste processamento, o elemento estruturante foi definido para eliminar da imagem aqueles
sinais que continham menos de três pixels.
Ao final do procedimento, cada estrutura identificada é transformada
em um único ponto para facilitar a contagem de objetos e, então, identificar um
agrupamento. As descrições das técnicas utilizadas podem ser encontradas
em Nunes et al. (1997) e Nunes et al. (2001b). Exemplos de imagens processadas são apresentados na Figura 2.37.
Figura 2.36. Esquema utilizado para segmentação de microcalcificações
116
Introdução ao Processamento de Imagens Médicas
Figura 2.37. Detecção de agrupamentos de microcalcificações em
mamogramas. (a) imagem original; (b) região de interesse extraída da
imagem original; (c) região de interesse segmentada; (d) região de
interesse após transformação área-ponto e (e) região de interesse após
identificação de clusters
117
L. S. Nunes
2.4.2. Realce de contraste em mamogramas
Como já foi comentado neste capítulo, há várias técnicas clássicas para
o realce de imagens. No entanto, aplicações específicas exigem adaptações,
redimensionamentos ou, até mesmo, estabelecimento de técnicas inéditas.
Na detecção precoce do câncer de mama, os sistemas CAD geralmente apresentam desempenho menor quando o conjunto de imagens utilizado
é proveniente de mamas densas, que apresentam baixo contraste entre as
estruturas de interesse e o fundo da imagem. A maioria das mulheres jovens
apresenta alta densidade nas mamas devida à predominância de tecidos fibroglandulares na sua composição. Por esse motivo, muitas vezes a descoberta
do câncer de mama em mulheres com menos de 40 anos de idade acontece
quando o tumor já apresenta um desenvolvimento avançado, o que dificulta o
tratamento da doença.
Visando à melhoria de detecções nesta classe de imagens foi proposto um conjunto de técnicas inéditas que possibilitam o aumento do contraste
entre o fundo do mamograma e as estruturas de interesse, com ênfase nos
agrupamentos de microcalcificações. As imagens mamográficas são submetidas a um procedimento para eliminar o seu fundo, consistindo de três passos:
limiarização global com base no histograma, detecção de bordas e eliminação
das estruturas externas às bordas. Assim, somente a região realmente pertencente à mama permanece na imagem. Este processo é necessário para que
seja possível estimar a densidade da mama representada na imagem, utilizada
no realce de contraste. Detalhes e considerações a respeito deste procedimento são encontrados em Nunes et al. (2001a, 2001c). A Figura 2.38 mostra
resultados deste processamento.
Figura 2.38. Exemplo de execução do procedimento de eliminação do
fundo do mamograma: (a) imagem mamográfica original; (b) imagem
após limiarização e identificação da borda da mama; (c) imagem
resultante final, com a borda da mama delimitada e
com a estrutura de fundo eliminada
118
Introdução ao Processamento de Imagens Médicas
Com o fundo do mamograma eliminado e as regiões de interesse extraídas da imagem, três técnicas de realce de contraste foram desenvolvidas:
RTH (Realce a partir de transformações no histograma), RCA (Realce a partir
dos coeficientes de atenuação) e RCC (Realce através da adequação da curva
característica do filme radiográfico).
A técnica RTH consiste em realizar uma classificação ótima dos níveis
de cinza a fim de dividi-los em classes e, na seqüência, realizar uma transformação paramétrica local em cada classe. O realce é realizado por uma função
monotônica que conserva o mesmo relacionamento entre os níveis de cinza
originais, preservando, desta forma, a aparência da imagem. A transformação
permite a divisão dos níveis de cinza em um determinado número de classes
que representam regiões homogêneas. O objetivo do método é realçar o contraste global e aumentar a homogeneidade dentro das regiões da imagem. Um
exemplo de resultado obtido pode ser visto na Figura 2.39. Detalhes de implementação estão disponíveis em Nunes et al. (2001a, 2001c).
Figura 2.39. Exemplo de execução da técnica RTH. (a) imagem original;
(b) imagem resultante após a aplicação da técnica
Como já citado, os Raios-X sofrem atenuações ao interagirem com a
matéria. O nível dessa atenuação depende essencialmente da composição,
densidade e espessura do objeto cuja imagem está sendo adquirida. O coeficiente de atenuação linear (µ) é o parâmetro que resume esse fenômeno e
exerce influência sobre a intensidade de radiação resultante após a absorção.
Em uma imagem mamográfica há fundamentalmente três tipos de tecidos que
podem colaborar com a atenuação do feixe de Raios-X: gordura, tecido fibroglandular e tecido associado a lesões. A técnica RCA utiliza esses conceitos
para aumentar o contraste entre as possíveis microcalcificações existentes na
imagem mamográfica e os demais tecidos que compõem o restante da imagem. Explicações mais detalhadas são fornecidas em Nunes et al. (2001a,
2001c). Um exemplo do resultado fornecido é apresentado na Figura 2.40.
119
L. S. Nunes
Figura 2.40. Exemplo de execução da técnica RCA. (a) região de
interesse original extraída de mama densa; (b) imagem resultante após a
aplicação da técnica
A curva característica do filme radiográfico fornece a relação entre a
exposição do filme e a densidade óptica nele obtida. Nessa curva, há duas regiões críticas: a região denominada base e a região denominada patamar, que
se localizam, respectivamente, no início e no final da curva. Nessas regiões há
uma redução do contraste porque uma faixa de exposição pode corresponder
a um único nível de densidade óptica. A proposta do procedimento RCC é realizar uma transformação na imagem que consiste em tornar linear a região final
do histograma que corresponde à região da curva característica denominada
base, que, por sua vez, se refere à área com baixas densidades ópticas e,
conseqüentemente, às áreas mais claras da imagem. Esse procedimento tem
efeito muito útil quando as estruturas de interesse estão localizadas em áreas
densas da mama, cujas imagens são claras e apresentam baixo contraste. Um
exemplo de sua aplicação é apresentado na Figura 2.41.
Figura 2.41. Exemplo de execução da técnica RCC. (a) imagem original;
(b) imagem resultante após a aplicação da técnica
120
Introdução ao Processamento de Imagens Médicas
2.4.3. Detecção de assimetrias em imagens mamográficas
A assimetria é a comparação bilateral entre regiões das mamas direita e esquerda da mesma projeção. A identificação de assimetria estrutural é
um fator importante para detecção precoce do câncer de mama porque uma
desigualdade significativa entre as mamas pode indicar o desenvolvimento de
alguma anomalia.
Para medir a assimetria entre mamas foi desenvolvido um procedimento que indica a porcentagem de assimetria global e as áreas particulares onde
existe diferença entre as tonalidades de cinza. A finalidade é utilizar os recursos oferecidos pelas técnicas de processamento a fim de fornecer informações
adicionais pra composição de diagnóstico aos profissionais da área (mastologistas e radiologistas).
Para verificar a assimetria global, inicialmente a imagem mamográfica
é segmentada a fim de que ruídos e estruturas dispensáveis sejam removidos.
Em seguida, é realizado um deslocamento das imagens esquerda e direita
com a finalidade de alinhá-las. Então, é realizada uma comparação entre as
imagens, indicando-se os locais onde uma mama é maior que a outra. Exemplos do procedimento executado podem ser verificados na Figura 2.42(a).
Para obtenção das assimetrias locais é realizada uma comparação ponto a ponto na imagem, considerando-se um tamanho de template pré-definido
pelo usuário. As médias de cinza de cada área particular são calculadas para
as localizações do template em ambas as imagens. A diferença entre as médias obtidas é medida em porcentagem e representada na imagem resultante
com cores diferentes, conforme pode ser observado na Figura 2.42(b). Esse
processamento pode indicar ao médico a existência de uma diferença entre as
mamas, podendo estar relacionada ao início do desenvolvimento de um tumor.
Informações mais detalhadas de implementação são encontradas em Silva et
al. (2004).
121
L. S. Nunes
Figura 2.42. Exemplo de medição de assimetrias em mamogramas: (a)
assimetria global; (b) assimetrias locais
2.4.4. Segmentação de imagens fetais em ultra-som obstétrico
Visando à construção de um sistema de representação tridimensional
de fetos a partir de medidas extraídas de imagens bidimensionais de ultra-som,
foi desenvolvido um procedimento (Luz et al., 2004) para segmentar imagens
de ultra-som e extrair medidas das estruturas de interesse.
A segmentação consistiu em três passos: equalização do histograma,
limiarização global e crescimento de região modificado. A Figura 2.43 mostra
resultados dos procedimentos implementados.
122
Introdução ao Processamento de Imagens Médicas
Figura 2.43. Segmentação de imagens de ultra-som obstétrico: (a)
imagem original e após equalização; (b) imagem equalizada após
limiarização e (c) imagem após crescimento de região
2.5. Conclusões
Este capítulo apresentou os conceitos básicos sobre a formação de
imagens digitais, dando ênfase às imagens médicas e focalizando a implementação de sistemas de auxílio ao diagnóstico, que têm as imagens médicas
como principal fonte de dados.
Apesar de ser objeto de pesquisa de vários grupos no Brasil e no mundo, vários desafios ainda precisam ser vencidos. O primeiro desafio a ser considerado na construção de tais sistemas é obter uma alta taxa de acerto de
casos verdadeiros-positivos, isto é, indicar a presença de uma doença quando
ela realmente existe, com uma baixa taxa de casos falsos-positivos (quando o
sistema indica a existência de uma doença, sem esta de fato existir). Por meio
dos exemplos e aplicações apresentados é possível verificar que não há técnicas que funcionem adequadamente para todo tipo de imagem médica e todo
tipo de diagnóstico. Assim, para se obter um bom desempenho em relação aos
acertos, é necessário conhecer profundamente o problema a ser detectado
e a imagem médica que será utilizada para o diagnóstico, considerando seu
processo de formação, que exerce influência nas suas características. Técnicas de inteligência artificial e métodos estatísticos de classificação têm sido
investigados para esta finalidade.
123
L. S. Nunes
Outra questão que merece destaque é a utilização de recursos computacionais que proporcionem alto desempenho, uma vez que as imagens
médicas apresentam grande volume de dados para processamento e este processamento envolve, geralmente, milhares de operações em tempo real. Por
esses e outros motivos, apesar de resultados promissórios estarem sendo obtidos, ainda não foi divulgada a aplicação de sistemas de auxílio ao diagnóstico
brasileiros em nível clínico. A aplicação de técnicas de computação paralela
é uma linha de pesquisa que pode ser promissora no sentido de auxiliar na
minimização desta questão.
Também é importante destacar a necessidade de desenvolver sistemas
nesta área que sejam multi-modalidade, pois informações provenientes de diversas modalidades podem ser complementares para construir um diagnóstico
acertado. Neste sentido, é possível utilizar o armazenamento dessas informações em bancos de dados adequados a fim que de que o auxílio ao diagnóstico
seja mais efetivo.
Finalmente, uma linha que merece ser citada é a grande dificuldade
de avaliação desses sistemas, pois o desempenho de um sistema CAD pode
variar em função das características das imagens utilizadas no processamento.
Em todas as fases do processo de aquisição e processamento da imagem,
há fatores e parâmetros que podem influenciar nos resultados. É difícil estabelecer uma forma de padronização para avaliar esses esquemas por vários
motivos: (1) cada um deles trabalha com imagens provenientes de lugares
distintos e, conseqüentemente, com características distintas; (2) como conseqüência, não há padronização nas características relacionadas ao processo de aquisição ou ao de digitalização; (3) via-de-regra, os esquemas CAD
são desenvolvidos para processarem um ou alguns determinados formatos de
imagem; a conversão para outros formatos pode também implicar alteração
das características das imagens; (4) as características de software e hardware
dos esquemas CAD também variam, fazendo com que um sistema desenvolvido, por exemplo, para funcionar em estações gráficas, dificilmente possa ser
executado em computadores pessoais; isto exigiria um esforço de conversão
que poderia levar, inclusive, a incompatibilidades em termos de implementação. Para minimizar esta questão, algumas sugestões são a disponibilização
de bases de imagens públicas, com informações detalhadas e cujo formato
de armazenamento pudesse ser facilmente convertido para qualquer formato
necessário; o estabelecimento de critérios de avaliação, como as curvas ROC
sugeridas por Nishikawa et al. (1994) e, ainda, a utilização de técnicas e ferramentas de testes provenientes da Engenharia de Software que permitem
avaliação criteriosa, estrutural ou funcionalmente.
Finalmente, é interessante lembrar que a construção desses sistemas
exige equipes multidisciplinares. Ao profissional da Computação cabe a utilização do seu conhecimento para o estabelecimento de algoritmos eficazes que
possam fornecem, no menor tempo possível, um desempenho satisfatório em
termos de acerto, a fim de contribuir, de fato, para o auxílio ao diagnóstico.
124
Introdução ao Processamento de Imagens Médicas
Referências
[Arcuri et al. 2001] - Arcuri, S. M. and McGuire, P. K. (2001) “Ressonância magnética
funcional e sua contribuição para o estudo da cognição em esquizofrenia”, Rev. Bras.
Psiquiatr., May 2001, v. 23 suppl.1, p.38-41.
[Arimura et al. 2004] - Arimura, H., Katsuragawa, S., Suzuki, K., Li, F., Shiraishi, J. and
Doi, K. (2004) “Computerized scheme for automated detection of lung nodules in lowdose CT images for lung cancer screening”, Acad Radiol, v.11, p. 617-629.
[Ballard e Brown 1982] - Ballard, D.H. and Brown, C.M. (1982) “Computer Vision”, Englewood Cliffs, New Jersey, Prentice-Hall Inc.
[Bega et al. 2001]Bega, G., Lev-Toaff, A., Kuhlman, K., Kurtz, A., Goldberg, B. and Wapner, R. (2001) “Three-dimensional ultrasonographic imaging in obstetrics”, J Ultrasound
Med., Canadá., v. 20, p. 391-408.
[Bronson 2002] - Bronson, J. G. (2002) “Ultrasound in Women´s Health: The View in
2002”, Medical Imaging. , http://www.medicalimagingmag.com, Março 2003.
[Chan et al. 1987] - Chan,H-P., Doi, K., Galhotra, S., Vyborny, C.J., MacMahon, H. and
Jokich, P.M. (1987) “Image feature analysis and computer-aided diagnosis in digital
radiography. I. Automated detection of microcalcifications in mammography.”, Medical
Physics, v. 14, n. 4, p.538-548.
[Chan et al. 1990] - Chan,H-P., Doi, K., Vyborny, C.J., Schmidt,R.A., Metz, C.E., Lan,
K.L., Ogura,T., Wu,Y. and MacMahon, H. (1990) “Improvement in radiologists’ detection of clustered microcalcification on mammograms: the potential of computer-aided
diagnosis”, Investigative Radiology, v. 25, p. 1102-1110.
[Curry et al. 1990] - Curry III, T. S., Dowdey, J. E. and Murry Jr., R.C (1990) “Christensen’s
Physics of Diagnostic Radiology”, 4. ed., Philadelphia, Lea & Febiger.
[Dainty 1976] - Dainty, J.C. and Shaw, R. (1976) “Image Science”, 3ed., New York, Academic Press.
[Dhawan e Royer 1988] - Dhawan, A.P. and Royer, E. L. (1988) “Mammographic feature
enhancement by computerized image processing”, Computer Methods and Programs
in Biomedicine, v.27, p.23-35.
[Doi 1991] - Doi, K. (1991) “Computer-aided diagnosis: present and future. A new horizon
on medical physics and biomedical engineering.”, H. Abe, K. Atsumi, T. Iiuma, M. Saito,
M. Inoue, eds. Elsevier Science Publishers B.V., p. 59-66.
[Doi, et al. 1997] - Doi, K., Giger, M. L., Nishikawa, R. M. and Schmidt, R.A (1997) “Computer-aided diagnosis of breast cancer on mammograms”, Breast Cancer, v.4, n.3,
p.228-233.
[Egan et al. 1980] - Egan, R.L., McSweeney, M. B. and Sewell, C.W (1980) “Intramammary calcifications without an associated mass in benign and malignant diseases”,
Radiology, v.137, n.1, p.1‑7.
[Ellis et al. 1993] - Ellis, I. O., Galea, M. H. and Locker, A. (1993) “Early experience in
breast cancer screening: emphasis on development of protocols for triple assessment”,
The Breast, v. 2, p. 148-153.
[Giger 2000] - Giger, M.L. (2000) “Computer-aided diagnosis of breast lesions in medical
images”, Computing in Science & Engineering, v. 2, n. 5, p. 39-45.
[Giger e MacMahon 1996] - Giger, M.L. and MacMahon, H. (1996) “Image processing and
computer-aided diagnosis”, Radiologic Clinics of North America, v.34, n.3, p. 565-595.
[Gonzalez, e Woods 2002] - Gonzalez, R.C. and Woods, R. E. (2002) “Digital Image Processing”, Addison-Wesley Publishing Company, Massachusetts, 2a. Edição.
[Ishida et al. 1983] - Ishida, M., Frank, P.H., Doi, K. and Lehr, J.L. (1983) “High quality
digital radiographic images: improved detection of low-contrast objects and preliminary
clinical studies”, Radiographics, v.3, n.2, p.325-338.
125
L. S. Nunes
[ackson et al. 1993] - Jackson, V. P, Jachson, , V. P., Hendrick, E., Feig, S. A. and Kopans,
D.B. (1993) “Imaging of the radiographically dense breast”, Radiology, v.188, p.297301.
[Low 1991] - Low, A. (1991) “Introductory Computer Vision and Image Processing”, McGraw-Hill Book Company, London.
[Luiten 1981] - Luiten, A. L. (1981) “Introduction to nuclear magnetic resonance”, Medicamundi, v. 26, p. 82-85.
[Luz et al. 2004] - Luz, R. W., Hermosilla, L. G., Nunes, F. L. S., Delamaro, M. E., Sementille, A. C., Brega, J. R. F. and Rodello, I. A. (2004) “Aplicação de técnicas de realidade
virtual para representação de fetos a partir de imagens bidimensionais de ultra-som”.
In: IV Workshop de Informática Médica”, Brasília. Anais do IV Workshop de Informática
Médica.
[Maintz et al. 1998] - Maintz, J. B. A. and Viergever, M. A. (1998) “A survey of medical
image registration”, Medical Image Analysis, v. 2, n. 1, p.1-36.
[Nappi et al. 2004] - Nappi, J. J., Frimmel, H., Dachman, A. H. and Yoshida, H. (2004)
“Computerized detection of colorectal masses in CT colonography based on fuzzy merging and wall-thickening analysis”, Med Phys, v.31, p.860-872.
[Nunes 2001] - Nunes, F. L. S. (2001) “Investigações em processamento de imagens mamográficas para auxílio ao diagnóstico de mamas densas”, São Carlos, 2001, 208p,
Tese (doutorado).
[Nunes 1997] - Nunes, F.L.S. (1997) “Esquema de diagnóstico auxiliado por computador
para detecção de agrupamentos de microcalcificações por processamento de imagens mamográficas”, São Carlos, 1997, 198p. Dissertação (Mestrado).
[Nunes 2001b] - Nunes, F.L.S. and Schiabel, H. (2001b) “Detecção de agrupamentos de
microcalcificações mamárias através de processamento de imagens mamográficas
com detecção semi-automática de regiões de interesse”, Revista Brasileira de Engenharia Biomédica, v. 16, n. 13, p. 109-121.
[Nunes 2001a] - Nunes, F.L.S., Schiabel, H., Escarpinati, M.C. and Benatti, R. (2001a)
“Comparisons of different contrast resolutions effects on a computer-aided detection
system intended to clustered microcalcifications detection in dense breasts images”,
Journal of Digital Imaging, v. 14, n.2, suppl. 1, p. 217-219.
[Petrick et al. 1996] - Petrick, N., Chan, H-P., Sahiner, B. and Wei, D. (1996) “An adaptive
density-weighted contrast enhancement filter for mammographic breast mass detection”, IEEE Transactions on Medical Imaging, v.15, n.1, p.59-67.
[Russ 1992] - Russ, J.C. (1992), “The Image Processing Handbook”, CRC Press. [Santos 2004] - Santos, R. (2004) “Java Advanced Imaging: A Tutorial”, Revista de Informática Teórica e Aplicada, v. 11, p.93-123.
[Scaff 1979] - Scaff, L. A. M. (1979) “Bases Físicas da Radiologia – Diagnóstico e terapia”,
São Paulo, Sarvier S/A Editora.
[Schiabel et al. 1994] - Schiabel, H., Ventura, A. and Frère, A.F. (1994) “Formal study of
lateral magnification and its effect on mammographic image sharpness”, Medical Physics, v. 21, n. 2, p. 271-276.
[Silva et al. 2004] - Silva, K. C., Schiabel, H. and Nunes, F. L. S. (2004) “Image processing
techniques for asymmetry detection in mammographic images”. In: Proceedings of The
21st Meeting of The Society for Computer Applications in Radiology, Vancouver, v. 1.
[Wilks 1987] - Wilks, R.J. (1987) “Principles of Radiological Physics”, New York, Churchill
Livingstone.
126