Transcript Introdução ao Processamento de Imagens Médicas - 2015.ppt

Processamento de Imagens
Médicas
Prof. Dr. Paulo Mazzoncini de Azevedo Marques
([email protected])
Centro de Ciências das Imagens e Física Médica – CCIFM
Faculdade de Medicina de Ribeirão Preto – FMRP/USP
Imagem Médica
??IMAGEM ??
Formar a imagem de um objeto significa obter um mapa de
uma propriedade física específica desse objeto em função da
posição no espaço.
Por exemplo, para imagens de raios-X a propriedade
mapeada é o coeficiente de atenuação do material, para
imagens por Ressonância Magnética a propriedade
considerada é a resposta dos núcleos atômicos do material a
variação de um campo magnético bastante elevado e assim
por diante.
Como nossos olhos são sensíveis a variação de intensidade
luminosa, independentemente da técnica utilizada em algum
momento terá que ser formada uma imagem por variação de
intensidade luminosa Essa imagem será, então, exibida em
algum tipo de monitor ou através de um filme.
Primeiras Imagens
Clínicas Digitais
CAT Scan
1974
Imagens Digitais
Atuais
Aquisição de Imagens Digitais
Constituída de 3 elementos básicos:
Detetor
Transdutor
Digitalizador
Detecta a variação de uma propriedade
física.
Converte a variação de uma propriedade
física em um sinal elétrico.
Converte um sinal elétrico em um sinal
digital
BASES DA IMAGEM DIGITAL
BASES DA IMAGEM DIGITAL
RESOLUÇÃO ESPACIAL
QUANTIZAÇÃO
RESOLUÇÃO DE QUANTIZAÇÃO (CONTRASTE)
Modelo para Imagens Digitais
Imagem = f(x,y)
f(x,y) =
(0,1)
(0,2) (0,3)
(1,1)
(1,2) (1,3)
(2,1)
(2,2) (2,3)
121 133 57
=
45 212 134
0
86
214
Para cada elemento (x,y) na imagem(pixel) temos um valor f(x,y)
correspondente à intensidade luminosa naquele ponto.
PROCESSAMENTO DE IMAGENS
PRÉ-PROCESSAMENTO
(realce da imagem)
Métodos no domínio espacial (manipulação dos píxels da imagem)
transformações de intensidade
processamento do histograma
subtração e média de imagens.
filtragens espaciais
de fundo (background)
de suavização
de realce
Métodos no domínio da freqüência
(modificação da Transformada de Fourier da imagem)
filtragem passa-baixa
filtragem passa-alta
filtragem passa-banda
Métodos no domínio espaço-freqüência
(modificação da Transformada "Wavelet" da imagem)
PRÉ-PROCESSAMENTO
(realce da imagem)
Métodos no domínio espacial (manipulação dos píxels da imagem)
transformações de intensidade
processamento do histograma
subtração e média de imagens.
filtragens espaciais
de fundo (background)
de suavização
de realce
PRÉ-PROCESSAMENTO
(Equalização de Histograma)
PRÉ-PROCESSAMENTO
(realce da componente horizontal)

Filtro de Prewitt - horizontal
PRÉ-PROCESSAMENTO
(realce da componente vertical)

Filtro de Prewitt - vertical
PRÉ-PROCESSAMENTO
(soma das componentes)

PRÉ-PROCESSAMENTO
(realce da imagem)
Métodos no domínio da frequência
Transformada de Fourier
Filtro passa baixa
Filtro passa alta
Filtro passa banda
Transformada Wavelet
Transformadas
Transformações matemáticas são operações que são aplicadas
em sinais (imagens) de forma a se obter informações que não
são “legíveis” no sinal original.
Existe um grande número de Transformações que podem ser
aplicadas e a Transformada de Fourier é provavelmente a mais
conhecida.
TRANSFORMADA DE FOURIER
Reversível
Não possui informação de tempo
A T.F. nos diz a quantidade de uma certa freqüência que existe
no sinal mas não quando ela ocorre no tempo.
Sinais Estacionários
Sinais Não Estacionários
SÉRIE DE FOURIER
Sinais Estacionários
x(t)=cos(2*pi*10*t)+cos(2*pi*25*t)+cos(2*pi*50*t)
+cos(2*pi*100*t)
Sinais Não Estacionários
Sinais Não Estacionários
Sinais Não Estacionários
Sinais Não Estacionários
A Transformada de Fourier nos dá a informação de
freqüência mas não nos diz quando (no tempo) esta
informação aparece.
Quando a Transformada de Fourier é útil?
Quando desejarmos obter as componentes de
freqüência de um sinal sem a necessidade de saber
quando elas aparecem.
Análise Multiresolução
Possibilita analisar o sinal em diferentes freqüências com
diferentes resoluções
Desenvolvida para fornecer:
• Uma boa resolução no tempo e uma pobre resolução
frequencial em altas freqüências.
• Uma boa resolução frequencial e pobre resolução no tempo em
baixas freqüências.
Transformada Wavelet
A transformada wavelet é definida como:
é uma função de 2 variáveis: tau (translação) e s(escala)
psi(t) é a função de transformação e é chamada wavelet mãe e
tem esse nome devido a duas propriedades importantes da
análise de wavelets:
O termo wavelet significa pequena onda
O termo pequeno refere-se a esta função (janela) por ela
possuir comprimento finito (suporte compacto)
Transformada Wavelet
O termo onda é por ela ser oscilatória
O termo mãe implica que diferentes funções com diferentes
regiões de suporte (comprimento) que são utilizadas no
processo de transformação são derivadas de uma função
principal chamada wavelet mãe. Em outras palavras a wavelet
mãe é utilizada para gerar outras funções “janela”.
O termo translação é usado para indicar o deslocamento da
janela ao longo do sinal.
A frequência é definida pela escala.(1/frequência).
ESCALA
O parâmetro de escala na análise wavelet é similar à escala
usada em mapas. Altas escalas correspondem a uma visão
global e baixas escalas correspondem a uma visão detalhada.
Em termos de frequência, baixas frequências (altas escalas)
correspondem a uma visão global enquanto altas frequências
(baixas escalas) correspondem a uma visão detalhada do sinal.
Realce de Imagens
...
Original
...
N
í
v
e
l
Realçada
...
...
1
Aplicação
da T.W.
N
í
v
e
l
...
...
...
Aplicação
da Inversa
da T.W.
2
Coeficientes wavelet
Imagem
Original
Imagem
Reconstruída
Realce de Imagens
Nível 1
Nível 2
Nível 3
Componentes de
Baixa Frequência
Componentes de
Alta Frequência
Horizontal
Componentes de
Alta Frequência
Vertical
Componentes de
Alta Frequência
Diagonal
PRÉ-PROCESSAMENTO
(realce da imagem)
Realce de microcalcificações através da aplicação de Transformada Wavelet
PROCESSAMENTO DE IMAGENS
Segmentação de imagens

Processo para detectar e delimitar o objeto
de interesse em uma imagem e/ou
subdividir uma imagem em suas regiões
constituintes.
Exemplos de aplicação





Detecção de órgãos:
– Coração;
– Pulmões MR e CT;
Calculo do volume:
– Massa branca e cinzenta;
Medidas quantitativas:
– Ultra-som;
Determinação de forma:
– Mamografia;
Reconstrução 3D;
Exemplos de aplicação





Detecção de órgãos:
– Coração;
– Pulmões MR e CT;
Calculo do volume:
– Massa branca e cinzenta;
Medidas quantitativas:
– Ultra-som;
Determinação de forma:
– Mamografia;
Reconstrução 3D;
SEGMENTAÇÃO




Manual;
Interativa ou semi-automática;
Baseada em modelo;
Automática;
Segmentação Manual



Delimitação manual das regiões de
interesse;
Indicado para pequenos experimentos ou
um número limitado de casos;
Problemas:
– Tempo (3D);
– Variação intra e inter usuários;
– Resolução do monitor;
Segmentação Manual
Software BrainSight
SEGMENTAÇÃO MANUAL
Malha 2D
SEGMENTAÇÃO INTERATIVA

A segmentação é acompanhada por um especialista o qual pode interagir com
o sistema;
Imagem é subdividida
em regiões
homogêneas que são
unidas
automaticamente
seguindo o critério de
homogeneidade
estabelecido pelo
usuário.
SEGMENTAÇÃO BASEADA EM MODELOS



Imagens para gerar os modelos
(Point Distribution Model);
3 características das imagens:
– níveis de cinza;
– borda;
– posição;
Ajustes dos pontos;
Segmentação Automática



O processo automatizado de segmentação é
considerado um dos processos mais difíceis em
processamento de imagens digitais;
A escolha de uma técnica de segmentação em
relação à outra é ditada principalmente pelas
características peculiares do problema;
Melhora do desempenho:
– Controle sobre o ambiente;
– Tipos de sensores que tendam a realçar os
objetos de interesse;
– Pré-processamento;
Segmentação Automática


Utiliza operadores automáticos que examinam a
imagem em busca de características que
determinem e delimitem regiões de interesse;
Exemplo de características:
– Borda
– Regiões
Thresholding (Limiarização)





Uma das mais importantes abordagens para a segmentação de
imagens;
Utiliza análise do histograma da imagem para segmentar a imagem;
A iluminação deve ser uniforme;
A imagem deve apresentar um alto contraste;
Dificuldade: determinar o limiar (T);
Limiarização global simples
Detecção de descontinuidade
W1 W2 W3
W4 W5 W6
W7 W8 W9


Varredura da imagem por uma
máscara;
Envolve o cálculo da soma dos
produtos dos coeficientes pelos
níveis de cinza contidos na região
englobada pela mascara;
R  w1 z1  w2 z 2  ...  w9 z9
9
R   wi zi
i 1

onde:
– zi - nível de cinza da imagem;
– wi - valor da mascara;
Detecção de pontos

R T

sendo T limiar;

Basicamente, o que
essa formulação faz é
medir as diferenças
ponderadas entre o
ponto central e seus
vizinhos;
A idéia é que o nível de
cinza de um ponto
central será
completamente
diferente do nível de
cinza de seus vizinhos;
Detecção de linhas

Basicamente, o que essa formulação faz é
medir as diferenças ponderadas entre a
orientação desejada e seus vizinhos;
Detecção de bordas





Abordagem mais comum para a detecção de descontinuidades
significantes na imagem;
Uma borda é o limite entre duas regiões com propriedades
relativamente distintas de nível de cinza;
Assume-se que as regiões em questão são suficientemente
homogêneas, de maneira que a transição entre duas regiões
possa ser determinada com base apenas na descontinuidade
dos níveis de cinza;
Um modelo mais custoso computacionalmente, mas simula o
comportamento do olho humano e é muito mais flexível e
genérico;
As principais limitações são ruídos e o fato que as bordas
podem não ser fechadas;
Detecção de bordas

Operadores de gradiente
– Exemplo Sobel;
SEGMENTAÇÃO AUTOMÁTICA
(a) mamograma original; (b)Limiarização pelo método de Ridler & Calvard; (c) Remoção
de espúrios; (d) Remoção do fundo da imagem; (e) Borda da mama gerada por
morfologia matemática; (f) Contorno da mama, com detecção do músculo peitoral
através de congruência de fase.
SEGMENTAÇÃO AUTOMÁTICA
SEGMENTAÇÃO
(a)
Exemplo de Segmentação de Imagem
ROI original com cluster (b) imagem após realce (c) imagem diferença
(d) imagem segmentada (após aplicação de threshold adaptativo)
Ferrari RJ et al. Characterization of breast cancer using statistical approaches. In: Doi K, MacMahon H, Giger ML
and Hoffmann KR, eds. Computer-Aided Diagnosis in Medical Imaging. Amsterdan: Elsevier Science, 1999:281-6
(a)
Exemplo de Segmentação de Imagem
ROI original com nódulo (b) imagem segmentada após aplicação
de threshold adaptativo e morfologia matemática
Kinoshita SK et al. Characterization of breast masses using texture and shape features. In: Doi K, MacMahon H,
Giger ML and Hoffmann KR, eds. Computer-Aided Diagnosis in Medical Imaging. Amsterdan: Elsevier Science,
1999:265-70.
PROCESSAMENTO DE IMAGENS
Descrição ou Extração de Atributos

Esse processo procura extrair atributos que
resultem em alguma informação quantitativa
de interesse ou que sejam básicas para
discriminação entre classes de objetos;
Descrição ou Extração de Atributos



Fronteira ou características externas:
utilizado quando o interesse se concentra na
caracterização de formas;
Características internas: utilizado para
representação de brilho e textura, por
exemplo;
Geralmente se utiliza as duas formas
concomitantemente;
Descritores de Fronteiras



Comprimento;
– Um dos descritores mais simples - uma simples
contagem dos pixels ao longo do contorno
fornece uma aproximação do comprimento;
Diâmetro;
– é o maior eixo da fronteira;
Curvatura;
– é a taxa de mudança de inclinação;
– pode determinar se um segmento do objeto é
côncavo ou convexo;
Descritores de Fronteiras
• Assinaturas
Assinaturas
Giger ML, MacMahon H. Radiologic Clinics Of North
America, V.34, No 3, p.565-96, 1996.
Descritores de Fronteiras
• Descritores de Fourier
Exemplo de filtragem no
contorno
(numero máximo de descritores
de Fourier 556)
original
M=2
M=20
M=40
M=100
M=150
M=200
M=250
M=400
M=500
M=550
M=552
Descritores Regionais
• Descritores Simples
• Área
• Perímetro
• Compacidade (perímetro2/área)
Descritores Regionais
• Descritores Topológicos
• São insensíveis à deformações
• Número de buracos (H)
• Número de componentes conexos (C)
• Número de Euler (E): E = C - H
Descritores Regionais
• Textura
Medidas de propriedades como suavidade, rugosidade e regularidade
•Abordagem Estatística
•Histograma de primeira ordem – momentos
Descritores Regionais
• Textura
•Abordagem Estatística
•Histograma de segunda ordem (Matriz de co-ocorrência de níveis de
cinza) – entropia, uniformidade, contraste, etc...
Dividindo-se cada elemento de A pelo
número total de ocorrências da matriz
(no caso 16) obtém-se a Matriz de coocorrência de níveis de cinza, da qual
podem ser extraídos alguns descritores
de textura.
Extração dos atributos de Textura
Matriz de co-ocorrência do níveis de cinza
Relações espaciais entre os níveis de cinza da
imagem na direção de 00.
0
0
1
2
3
1
2 3
2
2 1
0
0
2 0
0
0
0 3
1
0
0 0
1
Matriz de co-ocorrência do níveis de cinza
 São extraídas 4 matrizes de co-ocorrência
135
˚
90 45˚
˚
*
0˚
Energia  Um indicador de uniformidade ou suavidade da imagem.
- Texturas homogêneas terão um valor mais alto que uma não
homogênea.
energia   ( p (i, j ))
i
2
j
*
1.00
0.97
0.97
0.95
0.71
Contraste  Quantidade de variação local de níveis de cinza de uma imagem.
-Imagens de baixo contraste Os níveis de cinza estão próximos da
média.
contraste 
N g 1
2
{(
i

j
)
( p(i, j ))}

k 0
*
1,00
0,33
0,30
0,04
0,00
onde k =| i - j |.
PROCESSAMENTO DE IMAGENS
CLASSIFICAÇÃO DE PADRÕES
Padrão é uma descrição quantitativa ou estrutural de um objeto ou
alguma outra entidade de interesse em uma imagem.
Geralmente, o padrão é formado por um ou mais descritores.
O nome características (ou atributos) é frequentemente adotado para
denotar os descritores.
Um objeto pode ser descrito por um vetor de características (ou
atributos).
Uma classe de padrões é uma família de padrões que compartilham
algumas propriedades.
Reconhecimento de padrões por máquina envolve técnicas para a
atribuição dos padrões a suas respectivas classes automaticamente,
com a mínima intervenção humana possível.
CLASSIFICAÇÃO DE PADRÕES
Métodos de Decisão Teórica
•Classificador de Distância Mínima
•Calcula distância entre vetores de atributos médios (protótipos)
•O padrão desconhecido é atribuído à classe de protótipo mais próximo
•Para uma distribuição Gaussiana assume um MAX = (2)1/2

J ij    p( x / i ) 
 

p( x /  j )  dx 


2
1
2
CLASSIFICAÇÃO DE PADRÕES
Métodos de Decisão Teórica
•Classificador Estatístico Paramétrico (Bayesiano)
•Considera distribuições de funções densidade de probabilidade
gaussianas.
•Procura minimizar as perdas da classificação errada através da
associação de custos.
O padrão desconhecido é atribuído à classe que permitir a minimização
da perda média por classificação errada.
CLASSIFICAÇÃO DE PADRÕES
Métodos de Decisão Teórica
•Classificador Estatístico não Paramétrico (KNN)
•Neste classificador um padrão desconhecido é classificado na mesma
classe a que pertence a maioria dos exemplos mais próximos. Por “mais
próximos” entende-se geralmente a distância euclidiana, apesar de se
poder usar outra métrica.
OBSERVE QUE:
Elemento X  B
Elemento Y  A
k=7
CLASSIFICAÇÃO DE PADRÕES
Métodos de Decisão Teórica
n
u   xi wi
i 1
n
u   xi wi
i 1
Representação de um neurônio de
McCulloch e Pitts.
Esquema de uma rede neural artificial
multi-camadas do tipo “feedforward”
Processamento de Imagens
Médicas


INSPEÇÃO VISUAL
AUXÍLIO COMPUTADORIZADO
– Diagnóstico Auxiliado por Computador
(CAD – Computer-aided diagnosis)
– Cirurgia Auxiliada Por Computador
(CAS – Computer-assisted Surgery)

RECUPERAÇÃO DE IMAGEM POR CONTEÚDO
(CBIR – Content-based image retrieval)
INSPEÇÃO VISUAL

Visão Computacional e Visualização Científica





co-registro e fusão de imagens,
realce,
segmentação,
quantificação
visualização 3D de estruturas
- Exemplo: Neurologia
INSPEÇÃO VISUAL
Exemplos de Visualização 3D de Imagens
DIAGNÓSTICO AUXILIADO POR
COMPUTADOR
(CAD)

Diagnóstico feito por especialista que
utiliza a saída de uma análise
computadorizada de imagens como
“segunda opinião” no processo de
detecção de lesões e tomadas de
decisões diagnósticas.
Doi K. Computer-aided diagnosis and its potential impact
on diagnostic radiology. In: Doi k, MacMahon H, Giger ML,
Hoffmann KR, eds. Computer-aided diagnosis in medical
imaging. Amsterdam: Elsevier Science, 1999:11-20.
CAD
TIPOS DE AUXÍLIO

Auxílio à Detecção
– Localização de regiões suspeitas

CAD – Computer Assisted Detection
– aprovado pela FDA-USA

Auxílio ao Diagnóstico
– Classificação dos achados
extração de informações pelo computador
 extração de informações pelo especialista

CIRURGIA AUXILIADA POR COMPUTADOR
(CAS)
3D CT
Hemangioma
CIRURGIA AUXILIADA POR COMPUTADOR
(CAS)


Procedimentos Intervencionistas
Planejamento e Tratamento Radioterápico (dose
máxima no alvo e dose mínima no tecido circundante)
Avaliações Ortopédicas
RECUPERAÇÃO DE IMAGEM POR CONTEÚDO
(CBIR)
O Sistema SRIS-HC
Rosa NA, Traina AJM. Uma abordagem prática e eficiente de
consultas por similaridade para suporte ao diagnóstico por
imagem. Dissertação de mestrado, ICMC/USP, 2002.
CT
Imagens DICOM
?
MÉDICO
BD ORACLE