segmentaÇÃo de nÓdulo pulmonar solitÁrio usando quality trheshold cluster

XXIII Congresso Brasileiro em Engenharia Biomédica – XXIII CBEB

SEGMENTAÇÃO DE NÓDULO PULMONAR SOLITÁRIO USANDO QUALITY TRHESHOLD CLUSTER

A. O. C. Filho *, A. C. Silva*, A. C. Paiva* M. Gattass**, R. A. Nunes***

*Núcleo de Computação Aplicada - NCA / Universidade Federal do Maranhão, São Luís, Brasil.** Departamento de Informática / Pontifícia Universidade Católica do Rio de Janeiro, Rio de

Janeiro, Brasil.***Departamento de Cirurgia Geral / Universidade do Estado do Rio de Janeiro, Rio de Janeiro,

Brasil.

[email protected]

Abstract: This paper presents an efficient algorithm for segmentation of solitary pulmonary nodules - NPS, in-cluding nodules of high and low contrast, small and large nodules, ranging from 3 to 30mm in diameter. The segmentation conducted by the Quality Threshold Clus-tering - QT is based on clustering, where groups have formed some similarity between them. SNP detection is a challenging task in medical imaging, pulmonary nod-ules can be difficult to detect using computed tomogra-phy (CT), due to some nodes have low intensity, small size, or location of the nodule surrounded by an area of complex anatomy. To improve the survival chances of a patient with cancer, early detection of lesions that may come to become cancer is crucial. An accurate and effi-cient segmentation of NPS plays an important role in the recognition of lung cancer in a system of Computer Aided Detection (Computer Aided Detection - CAD).Keywords: Quality Threshold, Segmentation, Pul-monary Nodule.

Introdução

Câncer é uma denominação genérica para um conjunto de mais de 100 doenças que possuem em comum o crescimento desordenado de células que invadem os tecidos e órgãos [1]. No Brasil, as estimativas para o ano de 2012 serão válidas também para o ano de 2013 e apontam a ocorrência de aproximadamente 385 mil novos casos. Destes, cerca de 27 mil serão de pulmão. O fator crucial de ocorrência desse tipo de câncer é marcado pela grande exposição ao tabagismo acometido no passado. Como mostrado em INCA[1] na maioria das populações, cerca de 80% dos casos de câncer de pulmão estão relacionadas ao tabagismo. Comparados com os não fumantes, os tabagistas têm cerca de 20 a 30 vezes mais riscos de desenvolverem câncer de pulmão. De acordo com Chan [2] os sintomas iniciais dos nódulos pulmonares solitários (NPS) têm as seguintes características: se dispersam por toda parte, às vezes aparecem como nódulos isolados e suas bordas são irregulares, o que

obriga a buscá-lo na imagem de pulmão inteira e reconhecê-lo com precisão.

Para melhorar as chances de sobrevivência, uma detecção precoce de lesões que possam a vir tornarem-se câncer é fundamental. Detecção de NPS é uma tarefa desafiadora em imagens médicas, eles podem ser de difícil detecção usando Tomografia Computadorizada (TC) devido a alguns nódulos possuírem baixa intensidade, tamanho pequeno, ou a localização do nódulo envolto em uma área de anatomia complexa. A fim de distinguir entre nódulos e vasos, os médicos geralmente necessitam comparar imagens de TC para retirar os dados relevantes, contudo a carga de trabalho para esse tipo de análise é extremamente exaustiva. Essa análise pode ocasionar o desvio da atenção, especialmente quando há outras anomalias na imagem simultaneamente, assim, a vulnerabilidade a erros aumenta.

A segmentação precisa e eficiente de nódulos pulmonares desempenha um papel importante para o reconhecimento de câncer de pulmão em sistema Detecção Auxiliado por Computador (Computer Aided Detection - CAD). Esse tipo de sistema apresenta passos básicos, como: Segmentação, Extração de Características e Classificação para detecção de nódulos pulmonares.

O presente trabalho apresenta uma metodologia para segmentação de NPS baseada em agrupamento, usando Quality Threshold Clustering (QT).

Será detalhada nas seções que se seguem os trabalhos relacionados ao tema, uma descrição de como é o funcionamento do algoritmo proposto, experimentos realizados assim como seus resultados e por fim uma discussão a cerca da técnica abordada.

Trabalhos relacionados

Relatada por [3] a eficácia de descritores de recursos geométricos para redução de falsos positivos e para classificação de nódulos pulmonares em exames de TC com baixa dosagem são fracos, para suprir essa deficiência os autores realizaram algumas combinações

1


entre os modelos por eles descritos (RAW e SIFT ou RAW e LBP) com isso um aumento a especificidade global em 2%. Já o sistema CAD proposto por [4] apresenta inovações como o uso de um novo classificador de características seletivas, descrito como Feature-Deselective Neuro-Evolving Augmenting of Topologies (FD-NEAT) esse classificador é baseado em redes neurais e algoritmos genéticos. O trabalho apresentado por [5] descreve sobre nódulos que geralmente têm tamanhos e escala múltipla e têm blob (forma esférica) como a sua estrutura. Como mostra [5] um método de três passos para a detecção de nódulos pulmonares em imagens de TC. 1 – usa de filtro de multi-escala 2D para detectar os candidatos, 2 – distinguir entre nódulos e não-nódulos que têm sua forma como blob, usando a região de restrição geométrica crescente e 3 - extrair as características da forma de cada região e aplicar um classificador para a redução de falsos positivos.

O trabalho apresentado por [6] mostra uma combinação de limiarização de intensidade com o processamento morfológico, para detectar candidatos a nódulo. Com base em [7] a metodologia descrita segue as seguintes etapas: de início a região do pulmão é segmentado a partir dos dados de TC utilizando limiarização fuzzy. Em seguida, a forma do mapa de índice volumétrico, que se baseia na curvatura média da gaussiana local, e os dot (mapas baseados nos valores próprios da matriz Hessiana) são calculados para cada voxel dentro dos pulmões para melhorar os objetos de uma forma específica (tais como nódulos). Como visto em [8] a exploração de uma técnica de subtração temporal, ou seja, é obtida pela subtração de uma imagem anterior a partir da atual. No presente estudo, foi desenvolvido um novo método para a detecção automática de nódulos pulmonares baseado em redes neurais artificiais de uma imagem de subtração temporal.

É apresentado por [9] um algoritmo para segmentação de diferentes tipos de nódulos pulmonares, o algoritmo realiza uma adaptação de esfericidade orientada na região do contraste, crescente no mapa de conectividade difusa do objeto de interesse. Esta região de crescimento é operada dentro de uma máscara volumétrica que é criada por uma primeira aplicação de um algoritmo de segmentação local adaptativo.

Conforme [10, 11] eles apresentam, primeiramente, o modelo em reconhecer o nódulo pulmonar com base na técnica de Mumford-Shah, este método é dependente de informação global da imagem. Contudo a segmentação global requer muito cálculo iterativo, e especialmente quando o processo é executado em imagens com uma grande quantidade de informação. A fim de reduzir o cálculo e economizar tempo, os autores estabeleceram um pré-processamento. Já [12] mostra um algoritmo robusto e automático proposto para segmentação de nódulos pulmonares em imagens de TC. Um método de estimativa não paramétrico, chamado mean-Shift (MS) foi aplicado para segmentação de nódulos pulmonares. Eles apresentaram

também um método de escolha de uma nova largura de banda utilizando às análises a regra de divergência.

O sistema CAD proposto em [13] possui uma nova abordagem para suprir os problemas na segmentação de nódulos pulmonares em duas etapas principais: 1 - Região de transição (TR), que é definido como a região ambígua entre nódulo e fundo, na qual é determinada dependendo dos recursos estatísticos do coeficiente de wavelet. 2 – Os limites precisos do nódulo são segmentados com base em uma melhoria de dois métodos de conjuntos de nível. Para detecção dos nódulos é usado Template Matching. O CAD proposto por [14] mostra a segmentação do parênquima pulmonar realizado pelo (limiar ótimo de nível de cinza), a detecção de nódulos suspeitos a candidatos (Função Gaussiana suavizada), a extração de características (área, o diâmetro circularidade, valor médio de nível de cinza, a suavidade) e por fim a classificação. Mostrado por [15] um sistema CAD que possui seu funcionamento basicamente em três etapas: 1 – Geração de sementes 2D, por serem mais rápido computacionalmente; 2 – Recursos de Computação 3D onde para cada candidato 6 características, são computados e contêm as informações em 3D. E por fim o passo 3 – a classificação feito pela Máquina de Vetor de Suporte (SVM). Em [16] é apresentado uma forma inovadora, baseada no método Algoritmo Genético Template Matching (GATM) para a detecção automática de nódulos pulmonares. O processo de Algoritmo Genético (AG) é empregado como um método de otimização para promover uma procura e localização eficaz de candidatos a nódulos dentro da área do pulmão.

Os problemas relatados pelos trabalhos descritos acima são frequentes nesta linha de pesquisa, em especial quando se trata do tamanho, localização, e baixo contraste do nódulo, sendo que estes são os obstáculos a serem contornados. Neste trabalho estamos buscando verificar a eficiência no QT para minimizar esses problemas.

Segmentação usando Quality Threshold

A segmentação tem como objetivo simplificar a imagem, reduzindo-a aos seus componentes básicos (objetos). Neste contexto, temos que segmentação é qualquer operação que distingue os objetos contidos na imagem, ou de alguma forma isolando-os entre si.

O conceito de segmentação por agrupamento refere-se a um dado conjunto de objetos que serão agrupados em subconjuntos de acordo com as propriedades de cada objeto, essas propriedades são essenciais no agrupamento, isto é, são elas que serviram como parâmetros para formação dos grupos, entretanto esse processo de agrupamento é computacionalmente elevado. Essa técnica atua sobre um espaço denominado espaço de atributos onde representa um espaço de dimensão elevada no qual cada ponto da imagem é representado por um vetor de atributos. O algoritmo proposto nesse trabalho segue esses princípios.

2


O algoritmo de clusterização Quality Threshold Clustering (QT) citado inicialmente por [17] e [18] mostram um agrupamento de dados alternativo, proposto inicialmente para o agrupamento de genes do cromossomo humano. O QT exige como parâmetros de entrada um diâmetro e uma quantidade mínima de pontos, ou seja, irá determinar a partir de quantos pontos no mínimo um cluster será formado. A métrica que determina o grau de similaridade para o agrupamento dos clusters pode ser calculada através da distância mínima entre os pontos. Ele ainda dispensa que se determine uma quantidade exata de clusters que serão formados, evitando assim problemas como, agrupamentos inadequados.

Pode-se dividir em 4 os passos de seu processamento:

1. Inicialmente, é necessário escolher o diâmetro máximo para cada cluster e um número mínimo de pontos de formação de clusters.

2. Para cada ponto, será computada a distância entre ele e os demais pontos, dessa forma o algoritmo irá executar o processamento e gerar cluster-candidatos para cada ponto que compõe a entrada dos dados;

3. Nessa etapa será computado o número de pontos que cada clusters-candidato possui, com isso será selecionado o melhor candidato, ou seja, o que possui maior número de pontos, em seguida será removido do processamento todos os pontos que o compõem.

4. Repetir o novamente os passos 2 e 3 até que os demais pontos sejam agrupados, ou que os restantes não atendam a quantidade mínima de formação.

O modelo resulta em um agrupamento mais preciso, uma vez que um número adequado de clusters é formado para cada caso.

Experimentos

As imagens que serão utilizadas para os experimentos são provenientes do banco de imagens LIDC-IDRI (Lung Image Database Consortium Image Collection) disponíveis em [19]. É uma base de imagens online disponibilizada na Internet pelo Instituto Nacional do Câncer (National Cancer Institute - NCI) americano para efeitos de pesquisa e treinamento para diagnósticos de câncer de pulmão. Os testes foram realizados com 25 exames de TC. Os resultados apresentam 100% de acertos na detecção dos NPS.

Para fins de ilustração da eficiência da metodologia proposta serão demonstrados três casos de tipos distintos de NPS, onde temos exames com nódulos grandes (20 a 30mm de diâmetro), nódulos pequenos (3 a 5mm de diâmetro) e nódulos pequenos e com baixo contraste. Esses testes foram realizados para mostrar que os problemas descritos por alguns autores como [22 e 6] o método proposto consegue apresentar bons resultados na segmentação.

Como objetivo do presente trabalho é a segmentação de NPS, e os mesmos encontram-se envoltos pelo parênquima pulmonar, foi utilizada a metodologia descrita por [20] para segmentação do parênquima

pulmonar. A partir desse ponto será aplicado o método proposto para segmentação de nódulos. Assim obtemos apenas clusters que realmente façam parte do nosso objeto de estudo.

A seguir são ilustradas as imagens com os resultados em 2D e 3D, obtidos através do processamento resultante do QT. A visualização 3D dos clusters é realizada através de um software que se encontra em fase de desenvolvimento pelo Laboratório de Processamento e Análise de Imagens da Universidade Federal do Maranhão [21].

O processo de formação dos clusters foi reduzido com base nos diâmetros máximos e mínimos de NPS desejados. Para nódulos grandes o seu diâmetro não poderá ultrapassar o tamanho máximo de 30mm [15, 22], quando isso ocorre à estrutura deixa de ser nódulo e passa a ser massa. E quando o nódulo possui menos de 3mm de diâmetro como mostra em [6] apresentam apenas 0,2% de chances a virem desenvolver algum tipo de malignidade. Assim descartamos as formações de clusters que apresentem diâmetros maiores que 30mm e menores que 3mm.

Os parâmetros utilizados em cada caso variam, ou seja, são proporcionalmente variantes mediante o tamanho do nódulo em questão, assim evitamos que haja processamento com clusters que não interessam. O processamento foi realizado em imagens (fatias) de TC, essas imagens são bidimensionais, onde, o conjunto dessas, formam o volume.

A ilustração dos resultados será descrita e composta por imagens que mostram cada etapa do processamento, desde a imagem original até a visualização tridimensional.

Caso 1 (Nódulo grande) - Os parâmetros utilizados nesse teste foram: diâmetro de 10 (inteiro), e tamanho mínimo do cluster 100 voxels. De início o NPS apresentado nesse exame foi de fácil detecção, ou seja, seu contraste elevado e tamanho favorável. A Figura 1 mostra o resultado obtido para este caso.

Figura 1: (A) fatia da imagem original de TC, figura. (B) parênquima pulmonar segmentado, (C) todos os clusters resultantes do processamento do QT, (D) apenas o cluster que representa o NPS, e (E)

3


visualização tridimensional do NPS

Contudo problemas no tamanho do nódulo como relatam [6] são de difíceis detecções, porém o algoritmo do QT se mostrou eficiente quanto a nódulos que apresentam diâmetros pequenos.

Caso 2 (Nódulo pequeno) – Para o experimento ilustrado na Figura 2 foram utilizados os seguintes parâmetros: diâmetro de 5 (inteiro), e tamanho mínimo de cluster 18 voxels. Neste caso temos o problema do tamanho do NPS, por isso a utilização de um diâmetro menor, isto é, o tamanho do diâmetro pode implicar na quantidade de clusters formados, uma vez que, quanto maior o diâmetro menor o numero de clusters e vice versa.

Figura 2: (A) fatia da imagem original de TC, figura. (B) parênquima pulmonar segmentado, (C) todos os clusters resultantes do processamento do QT, (D) apenas o cluster que representa o NPS, e (E) visualização tridimensional do NPS

Caso 3 (Nódulo pequeno e de baixo contraste) – Finalizando a demonstração dos resultados temos na Figura 3 onde apresenta um caso com um nível de detecção complexa, por apresentar um tamanho pequeno e um contraste relativamente baixo. Para este experimento utilizou-se o diâmetro de 4 (inteiro) e tamanho mínimo de cluster 18 voxels.

Figura 3: (A) fatia da imagem original de TC, figura. (B) parênquima pulmonar segmentado, (C) todos os clusters resultantes do processamento do QT, (D) apenas o cluster que representa o NPS, e (E) visualização tridimensional do NPS

Discussão

A princípio o QT não era aplicado a imagens, com isso realizou-se uma adequação para aplicação no contexto de imagens médicas.

Os três experimentos demonstrados no presente trabalho tiveram um total de 28 imagens de TC (sendo, 15 o caso 1, 8 o caso 2 e 5 o caso 3). O tempo de processamento a cerca da aplicação do QT em cada caso variaram em torno de 2s, 20s e 35s por imagem para os casos 1, 2 e 3 respectivamente. Os tempos variam, pois os diâmetros são distintos, com isso, será formado uma quantidade maior ou menor de clusters, ou seja, mais ou menos tempo de processamento. A média de tempo foi de 5,68s por imagem para os 3 casos mostrados, e no geral uma média de 10,45s por imagem para os 25 casos analisados.

O QT gera diversos clusters ao fim do seu processamento, contudo muitos desses clusters não fazem parte do objetivo do estudo que é segmentação de NPS, apesar de possuírem formas similares, para isso existe a necessidade da aplicação de técnicas para de fato distinguir-se essas estruturas do NPS.

Partindo desse princípio os próximos passos da pesquisa estão voltados para contornar esse problema, isto é, serão realizadas etapas que compõem um ciclo mostrado em todos os sistemas CAD [3, 4, 5, 13, 14, 15 e 23], onde além da etapa de segmentação tem-se também as etapas de Extração de Características e Classificação com objetivo de diferenciar as demais estruturas das que realmente possam ser NPS, ou seja, redução de falsos positivos. Apesar de seu processamento ser computacionalmente elevado nas primeiras iterações, podendo então para trabalhos futuros realizar modificações que otimizem seu desempenho e minimize esse problema. Por fim, em ambos os casos onde o QT foi aplicado ele executa com eficiência a tarefa de segmentação de NPS.

4


Referências

[1] Instituto Nacional do Câncer, INCA. “ Cancer de pulmão.” Disponível em: <http://www2.inca.gov.br/wps/wcm/connect/cancer/site/oquee>. Acesso em: 12 Mai. 2012.

[2] Chan, T.F.; Chan, L.A. (2008) “Vese Active contours without

edges”. IEEE Transactions on Image Processing, 10(2), p. 266‐277.

[3] Farag, A., Ali, A., Graham, J., farag, A., Elshazly, S. and R. Falk,. (2011) “Evaluation of Geometric Feature Descriptors for Detection and Classification of Lung Nodules in Low Dose Ct Scans of the Chest”, Biomedical Imaging: From Nano to Macro, IEEE International Symposium on, p. 169-172.

[4] Tam, M., Bister, M., Cornelis, J. (2011) “A novel computer-aided lung nodule detection system for CT images”, Medical Physics.

[5] Xiaomin, P., Hongyu, G., Jianping D. (2012) “Computerized Detection of Lung Nodules in CT Images by use of Multiscale filters and Geometrical constraint Region Growing”, IEEE Bioinformatics and Biomedical Engineering (iCBBE). p.1-4.

[6] Messaya, T., Hardiea R.C.,Rogersb, S. K. (2010) “A new computationally efficient CAD system for pulmonary nodule detection in CT imagery”, Medical Image Analysis, v. 14, p 390 -406.

[7] YE, X., Lin, X., Dehmeshki, J., Slabaugh, G. (2009) “Shape-Based Computer-Aided Detection of Lung Nodules in Thoracic CT Images”, IEEE Transactions On Biomedical Engineering, v - 56, n. 7.

[8] Miyake1, N., Kim, H., Itai, Y., Tang, J. K, Ishikawa, S., Katsuragawa, S. (2009) “Automatic Detection of Lung Nodules in Temporal Subtraction Image by Use of Shape and Density Features”, IEEE International Conference on Innovative Computing, Information and Contro, p. 1288 - 1292.

[9] Jamshi, D., Hamdan., A. V. Manlio., and Y. Xujiong, (2008) “Segmentation of Pulmonary Nodules in Thoracic CT Scans: A Region Growing Approach”. IEEE Tran. Medical Imaging.

[10] Nie, S., LI, S., Chen, Z., CI, A. (2009) “Feature-Based Pulmonary Nodule Segmentation Using Three-Domain Mean Shift Clustering”, IEEE International Conference on Wavelet Analysis and Pattern Recognition, p. 223 – 227.

[11] Jiang X., Nie, S. (2008) “Segmentation of Pulmonary nodule in CT Image Based on level Set Method”. IEEE Bioinformatics and Biomedical Engineering, ICBBE. p. 2698 – 2701.

[12] Shen-Shen, S., LI, H. (2007) “Automatic Segmentation of Pulmonary Nodules in CT Images”, IEEE Bioinformatics and Biomedical Engineering. ICBBE, p. 790 –793.

[13] Jiang, H., Cheng, Z., (2007) “Segmentation of Pulmonary Nodules Based on Statistic Features of Wavelet Coefficients and Dual Level Sets”, Complex Medical Engineering, CME IEEE/ICME International Conference, p. 648-651.

[14] Tong, J., Da-Zhe, Z., Ying, W., Xin-Hua, Z., XU, W. (2007) “Computer-Aided Lung Nodule Detection Based on CT Images”, Complex Medical Engineering, CME IEEE/ICME International Conference, p. 816-819.

[15] Opfer, R., Wiemker, R. (2007) “Performance Analysis for Computer Aided Lung Nodule Detection on LIDC Data, Medical Imaging: Image Perception, Observer Performance, and

Technology Assessment”. Proceedings of SPIE, v. 6515, p. 65151C.

[16] Dehmeshki, J., Ye, X., Casique, M. V., Lin, X. Y. (2006) “A Hybrid Approach for Automated Detection Of Lung Nodules In

Ct Images”, IEEE Biomedical Imaging: Nano to Macro, 3rd IEEE International Symposium, p. 506-509.

[17] Xu R., Wunsch, D. (2005) “Survey of clustering algorithms. IEEE Transactions on Neural Networks, vol. 16, no. 3, pp. 645-678.

[18] Jiang, D., Tang, C., Zhang, A. (2006) “Cluster analysis for gene expression data: A survey”. IEEE Transactions on Knowledge and Data Engineering, 16(11):1370–1386.

[19] National Cancer Institute, NCI, (2012) “Lung Image Database Consortium image collection LIDC-IDRI”. Disponível em: <https://wiki.cancerimagingarchive.net/display/Public/LIDC-IDRI>. Acesso em: 12 Mai, 2012.

[20] Santos, A. M. (2011) Detecção de nódulos pulmonares pequenos usando o Modelo de Mistura Gaussiana e Matriz Hessiana. Dissertação de Mestrado na área de Ciência da Computação. Departamento de Engenharia de Eletricidade – UFMA, São Luís, 43p.

[21] Diniz, P. H. B. , Sousa, H. P. , Motta, S. A. C. S. , Campos, T. L. , Netto, S. M. B. , Alves, C. T. S. , Silva, A. C. , Paiva, A.C. (2011) “SAIM: software para auxiliar médicos na visualização, detecção e diagnóstico de nódulo pulmonar”. Workshop on Interactive Graphics and Visualization for Industry-Driven Applied and Exploratory Research (WGARI).

[22] Nejm, N. E. J. (2012) “The Solitary Pulmonary Nodule”. Disponível em: <http://www.nejm.org/doi/full/10.1056/NEJMcp012290>. Acesso em: 09 Mai. 2012.

[23] Sousa, J. R. F. S., Silva, A.C., Paiva, A. C., Nunes, R. A. (2010) "Methodology for automatic detection of lung nodules in computerized tomography images" Computer Methods and Programs in Biomedicine, v. 98, p. 1-14.

5

segmentaÇÃo de nÓdulo pulmonar solitÁrio usando quality trheshold cluster

Documents