recuperação baseada em conteúdo de imagens mamográficas: atributos visuais de forma, espectrais...
Post on 17-Apr-2015
105 Views
Preview:
TRANSCRIPT
Recuperação Baseada em Conteúdo de Imagens Recuperação Baseada em Conteúdo de Imagens Mamográficas: Atributos Visuais de Forma, Mamográficas: Atributos Visuais de Forma,
Espectrais no domínio de Radon e GranulometriaEspectrais no domínio de Radon e Granulometria
Autores:Autores:
Sérgio K. Kinoshita, R. R. Pereira Júnior, M.O. Honda, Sérgio K. Kinoshita, R. R. Pereira Júnior, M.O. Honda, J.A.H. Rodrigues e Paulo M. de Azevedo Marques.J.A.H. Rodrigues e Paulo M. de Azevedo Marques.
Universidade de São PauloUniversidade de São Paulo
Escola de Engenharia de São CarlosEscola de Engenharia de São Carlos
Departamento de Engenharia ElétricaDepartamento de Engenharia Elétrica@LADIM – SEL - EESC - USP@LADIM – SEL - EESC - USP CHOPI – CCIFM - HCFMRP - USPCHOPI – CCIFM - HCFMRP - USP
2
IntroduçãoIntrodução
1. Câncer de mama é a principal causa de mortalidade na população feminina de acordo com ACS1 e o INC/MS2;
2. Mamografia é considerada a forma mais eficaz para a detecção precoce de câncer de mama, permitindo a identificação da lesão quando ainda não é palpável.
3. Associação da densidade mamária com o risco de desenvolvimento de câncer da mama (Wolfe, 1976).
Vários trabalhos, até hoje, utilizam a medida de densidade como fator de risco de câncer de mama de acordo com o padrão de Wolfe.
Existe controvérsia na adoção desse padrão, mas há a unanimidade de que a densidade mamária é um fator importante na avaliação da mamografia.
4. Surgimento de padrões com o objetivo da caracterização da densidade mamária
Padrão BI-RADS
1American Cancer Society, Cancer Facts and Figures, NY, 2004.
2 Instituto Nacional de Cancer – Ministério da Saúde, 2003.
Wolfe, JN (1976), “Risk for breast cancer development determined by mammographic parenchymal pattern”, Cancer, V.37, p.2486-92.
3
IntroduçãoIntrodução
Padrão BI-RADS( descrição, enquadramento da mama e recomendações de conduta e conclusões)
• Composição: é importante para especificar o grau de sensibilidade que se espera no diagnóstico.
• Composição 1, 2, 3 e 4.
• Categoria: é utilizado para classificar a mama de acordo com os achados radiológicos.
• Categoria 0, 1, 2, 3, 4A, 4B, 4C e 5.
1American College of Radiology – Breast Imaging Reporting and Data System, 4 th edition, 2003.
4
IntroduçãoIntrodução
Padrão BI-RADSPadrão BI-RADS( descrição e enquadramento, conclusão e conduta)( descrição e enquadramento, conclusão e conduta)
• ComposiçãoComposição: é importante para especificar o grau de sensibilidade que se : é importante para especificar o grau de sensibilidade que se espera no diagnóstico.espera no diagnóstico.
• Composição 1, 2, 3 e 4.Composição 1, 2, 3 e 4.
•CategoriaCategoria: é utilizado para classificar a mama de acordo com os achados : é utilizado para classificar a mama de acordo com os achados mamográficos.mamográficos.
•Categoria 0, 1, 2, 3, 4A, 4B, 4C e 5.Categoria 0, 1, 2, 3, 4A, 4B, 4C e 5.
•Vários trabalhos realizam a caracterização de acordo com esse padrão.Vários trabalhos realizam a caracterização de acordo com esse padrão.
5. Análise da mamografia pelo radiologista
Todo o processo é feito de forma visual e envolve alto grau de subjetividade.
6. Sistema Computadorizado de Auxílio ao Diagnóstico (CAD)
Representa a maioria dos trabalhos em análise de densidade em mamografia e tem objetivos bem definidos quanto ao resultado esperado (classificação no padrão Wolfe e BI-RADS).
7. Sistema de Recuperação de Imagens Baseado em Conteúdo (CBIR)
Não existe trabalho de análise de densidade em CBIR.
A busca de imagens é feita através de atributos visuais de similaridade.
5
ObjetivoObjetivo
Investigar atributos visuais para a recuperação de Investigar atributos visuais para a recuperação de imagens mamográficas baseado em conteúdo (CBIR) imagens mamográficas baseado em conteúdo (CBIR) que levem em consideração a densidade de tecidos que levem em consideração a densidade de tecidos mamários, quanto à sua distribuição e intensidade.mamários, quanto à sua distribuição e intensidade.
6
MetodologiaMetodologia
Preparação e Processamento da Imagem
Extração e Seleção de
Atributos
Classificação e Comparação por Similaridade
ImagemImagemDigitalizadaDigitalizada
TreinamentoTeste (consulta)
ImagemImagemRecuperadaRecuperada
Banco de Banco de ImagemImagem
Atributos Atributos VisuaisVisuais
Esquema Geral
7
MetodologiaMetodologia
Imagem Digitalizada
Imagens selecionadas pertencem ao projeto de Banco de Imagens do HCFMRP-USP, módulo Mamografia, processo HCRP número 10093/2003.
Foram selecionados 270 casos, correspondendo à 1080 imagens 270 CC direita, 270 CC esquerda, 270 MLO direita e 270 MLO esquerda.
As imagens foram acompanhadas de respectivo laudo médico. A descrição dos laudos acompanha o padrão BI-RADS e contém descrições de características de simetria, classificação volumétrica, distribuição e forma da densidade mamária, classificação da composição da mama (1,2,3 ou 4), classificação da categoria (0,1,2,3,4A,4B,4C ou 5), etc.
As imagens foram digitalizadas com resolução espacial de 300 dpi (84,67 m) e 12 bits de quantização (4096 níveis de cinza).
Foram digitalizados 148 filmes mamográficos com dimensão de 240x300 mm e 932 filmes com dimensão de 180 x 240 mm.
Após realizados recortes na imagem para eliminação da identificação da paciente, redimensionamento da imagem para 1024x1024, o tamanho dos pixels passaram a ter os tamanhos de 223,50 m e 279,40 m, de acordo com a dimensão do filme.
8
MetodologiaMetodologia
Extração e Seleção de Atributos
Extração de Atributos de Forma
Os atributos utilizados pertencem aos grupos de textura e forma.
Atributos de forma de área, solidez e razão de diâmetro.
Atributos de Medida de Granulometria.
Atributos Espectrais no Domínio de Radon
9
MetodologiaMetodologia
Extração e Seleção de Atributos
Extração de Atributos de Forma
Área da Região da Mama
A mais simples maneira de calcular a área de um objeto em uma imagem, é contar o número de pixels do objeto.
O valor da área foi normalizado e transformado em milimetro.
L
gghN )(
2n
tpNA
N: número de pixels do objeto.
L: número de níveis de cinza do objeto.
h(g): a freqüência de nível de cinza g que pertence ao objeto.
A: área em milimetross
tp: o tamanho do pixel (0,2235mm ou 0,2794mm)
n2: o número total de pixels na imagem
10
MetodologiaMetodologia
Extração e Seleção de Atributos
Extração de Atributos de Forma
Solidez, Compacidade ou Compactação
Determina a razão do perímetro (P) e a área do objeto (A).
A equação foi alterada de tal forma que para objetos semicirculares o valor aproxima de zero e aumenta de acordo com a complexidade ou rugosidade da forma.
A
PS
2
2
21
P
AS
11
MetodologiaMetodologia
Extração e Seleção de Atributos
Extração de Atributos de Forma
Medida de Razão de Diâmetro
Este atributo fornece o grau de elongação da forma da mama. Quanto maior o valor do atributo, mais elongado será a sua forma; caso contrário, a mama terá a forma achatada.
Dx
Dy
CC
Dx
DyRD
Dx
Dy
MLO
12
MetodologiaMetodologia
Extração e Seleção de Atributos
Extração de Atributos de Forma
Imagem Área (A)Solidez
(S)
Razão de Diâmetro
(RD)
Imagem (a) 0,0998 0,7958 1,5916
Imagem (b) 0,0211 0,8087 0,7904
a
b
Medidas de atributos de forma extraídos das imagens (área, solidez e razão de diâmetro).
13
MetodologiaMetodologia
Extração e Seleção de Atributos
Medida de Granulometria
Fornece a distribuição dos tamanhos dos objetos presentes em uma amostra.
São aplicados filtros morfológicos de abertura com elemento estruturante de tamanho crescente na imagem original.
A diferença entre a imagem original e a imagem filtrada é computada a cada passagem crescente do elemento estruturante no filtro morfológico.
No final do processo, essas diferenças são normalizadas e usadas na construção de um histograma de distribuição dos tamanhos dos objetos presentes na imagem.
Na mamografia, a densidade comumente aparece com aspecto granular que pode interferir na exatidão da caracterização de achados na região da mama.
Extraímos a distribuição da imagem da região fibro-glandular segmentada e aplicamos o filtro morfológico com elemento estruturante com formato circular e raio variando entre 5 e 60 pixels.
Utilizamos o histograma de distribuição como atributo de medida de granulometria.
14
MetodologiaMetodologia
Extração e Seleção de Atributos
Medida de Granulometria
Processo de extração de atributo de medida de Granulometria. (a) imagem original; (b) imagem com a região de tecido fibro-glandular segmentada; (c) imagem numa etapa de filtragem de abertura morfológica;
(d) o histograma da quantidade de pixels em função do raio de abertura do elemento estruturante.
15
MetodologiaMetodologia
Ilustração de uma imagem em nível de cinza e o domínio de Radon aplicada a transformada de Radon.
Extração e Seleção de Atributos
Domínio de Radon
16
MetodologiaMetodologia
Extração e Seleção de Atributos
Domínio de Radon
No domínio de Radon, valores de picos representam altas intensidades numa determinada direção da imagem.
A posição e direção destes picos são facilmente identificadas na imagem.
Separamos o domínio de Radon R(t,) em duas funções unidimensionais da intensidade em função da posição R(t) e direção R().
Para analisar o comportamento das funções, extraímos os valores de Média, Momentos centrado na média (Desvio-padrão, Skewness e Kurtosis) e Entropia.
17
MetodologiaMetodologia
Extração e Seleção de Atributos
Domínio de Radon
Gráfico das funções de decomposição do domínio de Radon. (a) imagem com a região fibro-glandular segmentada; (b) Domínio de Radon R(t,); (c-d) as funções decompostas Rt() e R(t).
18
MetodologiaMetodologia
Extração e Seleção de Atributos
Exemplo do Domínio de Radon
Função MédiaDesvio-padrão
Skewness Kurtosis Entropia
Rt() 85,9352 53,2773 0,1314 1,7293 0,0082
R(t) 17,3467 218,5510 -0,0306 2,6100 0,0018
Medidas de momentos estatísticos extraídos dos gráficos Rt( e R(t) .
19
MetodologiaMetodologia
Extração e Seleção de Atributos
Seleção de Atributos
Este processo definiu a combinação de atributos que irão compor o conjunto de vetores de entrada para o treinamento e teste da rede SOM de Kohonen.
Foram realizadas combinações de atributos que variaram entre 10 e 33, foi utilizado o método de Análise de Componentes Principais (PCA) para redução da dimensionalidade.
Os conjuntos de atributos foram normalizados para o intervalo [-1,1] antes da redução da dimensionalidade, utilizando a equação (1).
Após a redução da dimensionalidade, os valores foram normalizados para o intervalo [0,1] para a entrada da rede SOM, utilizando a equação (2).
x
x(1) (2)minmax
min
xx
xxx
20
MetodologiaMetodologia
Sistema CBIR com Rede SOM
Definição dos Grupos de Amostras de Treinamento e Teste
A amostra de atributos extraídas das imagens foi dividida em treinamento e teste, utilizando o método “leaving-one-out”.
As imagens foram agrupadas em amostras de 270 imagens, sendo 269 imagens para treinamento e 1 imagem para teste, até completar o conjunto da amostra.
Com isso, a avaliação do grau de generalização do classificador ficou, desta forma, garantida.
21
MetodologiaMetodologia
Sistema CBIR com Rede SOM
A Rede de Mapa Auto-Organizável de Kohonen (SOM)
Adotamos a topologia de grade de 16x16 neurônios, totalizando 256 neurônios na camada de saída. Para o treinamento, adotamos o valor máximo de 8.000 epochs e a taxa de aprendizagem não fixada.
22
MetodologiaMetodologia
Sistema CBIR com Rede SOM
A Rede de Mapa Auto-Organizável de Kohonen (SOM)
23
MetodologiaMetodologia
Avaliação do Sistema CBIR
Avaliação do desempenho do sistema de recuperação
Na saida da rede SOM, cada imagem teste foi classificada dentro de um grupo de imagens de acordo com a similaridade dos atributos utilizados.
Para avaliar o desempenho do sistema de recuperação, utilizou-se a taxa de precisão pela classificação da composição dos tecidos pelo critério BI-RADS registrada no laudo médico da paciente. A classificação levou em consideração a variabilidade existente entre os observadores na descrição da composição dos tecidos no laudo médico. Foram calculadas as taxas médias de precisão entre a imagem de consulta e as imagens recuperadas.O coeficiente de correlação médio e o desvio-padrão foram calculados com o objetivo de demonstrar a correlação entre as imagens recuperadas e as imagens de consulta.
24
MetodologiaMetodologia
Avaliação pela taxa de precisão da classificação da composição dos tecidos
Para o cálculo da correlação, utilizamos um sistema de alinhamento entre as imagens (consulta e recuperadas).
21
22),(),(
),(),(
),(
N
x
N
y
N
x
N
y
gyxgfyxf
gyxgfyxf
gfcc
Avaliação do Sistema CBIR
25
MetodologiaMetodologia
Avaliação pela taxa de precisão da classificação da composição dos tecidos
Imagens recuperadas com o atributo no domínio de Radon. Em (a) a imagem teste com composição 4, classificadas no padrão BI-RADS; em (b-d) imagem recuperada com composições diferentes.
Avaliação do Sistema CBIR
26
MetodologiaMetodologia
Avaliação pela taxa de precisão da classificação da composição dos tecidos
Composição da imagem teste
Faixa de classes consideradas pela composição de tecidos na
classificação
1 1 e 2
2 1, 2 e 3
3 2, 3 e 4
4 3 e 4
Tabela do critério usado na classificação das imagens recuperadas considerando a variabilidade ocorrida durante a avaliação da imagem de
acordo com a composição no padrão BI-RADS.
Avaliação do Sistema CBIR
27
MetodologiaMetodologia
Resultados da avaliação pela taxa de precisão da classificação da composição dos tecidos
Taxa de Precisão Grupo de AtributosCoeficiente de
Correlação
( )
82,86% Domínio de Radon 0,8378 0,1014
81,81% Medida de Granulometria 0,8383 0,0925
84,74% Forma e Domínio de Radon 0,8478 0,0902
82,02% Forma e Medida de Granulometria 0,8381 0,0947
84,50% Forma, Domínio de Radon e Medida de Granulometria 0,8472 0,0949
Os melhores resultados obtidos pela classificação da composição dos tecidos, de acordo com o padrão BI-RADS, para cada combinação de atributos.
Avaliação do Sistema CBIR
28
MetodologiaMetodologia
Resultados da avaliação pela taxa de precisão da classificação da composição dos tecidos
Os resultados indicam a relevância dos atributos investigados para a recuperação baseada em conteúdo de imagens mamográfricas.
Avaliação do Sistema CBIR
Recuperação Baseada em Conteúdo de Imagens Recuperação Baseada em Conteúdo de Imagens Mamográficas: Atributos Visuais de Forma, Mamográficas: Atributos Visuais de Forma,
Espectrais no domínio de Radon e GranulometriaEspectrais no domínio de Radon e Granulometria
Autores:Autores:
Sérgio K. Kinoshita, R. R. Pereira Júnior, M.O. Honda, Sérgio K. Kinoshita, R. R. Pereira Júnior, M.O. Honda, J.A.H. Rodrigues e Paulo M. de Azevedo Marques.J.A.H. Rodrigues e Paulo M. de Azevedo Marques.
Universidade de São PauloUniversidade de São Paulo
Escola de Engenharia de São CarlosEscola de Engenharia de São Carlos
Departamento de Engenharia ElétricaDepartamento de Engenharia Elétrica@LADIM – SEL - EESC - USP@LADIM – SEL - EESC - USP CHOPI – CCIFM - HCFMRP - USPCHOPI – CCIFM - HCFMRP - USP
Fim da ApresentaçãoFim da Apresentação
top related