Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA DE TELEINFORMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE TELEINFORMÁTICA MESTRADO ACADÊMICO EM ENGENHARIA DE TELEINFORMÁTICA DOUGLAS DE ARAÚJO RODRIGUES SEGMENTAÇÃO RÁPIDA E TOTALMENTE AUTOMÁTICA DA GORDURA CARDÍACA EM CONJUNTO DE DADOS DE TOMOGRAFIA COMPUTADORIZADA FORTALEZA 2021 DOUGLAS DE ARAÚJO RODRIGUES SEGMENTAÇÃO RÁPIDA E TOTALMENTE AUTOMÁTICA DA GORDURA CARDÍACA EM CONJUNTO DE DADOS DE TOMOGRAFIA COMPUTADORIZADA Dissertação apresentada ao Curso de Mestrado Acadêmico em Engenharia de Teleinfor- mática do Programa de Pós-Graduação em Engenharia de Teleinformática do Centro de Tecnologia da Universidade Federal do Ceará, como requisito parcial à obtenção do título de mestre em Engenharia de Teleinfor- mática. Área de Concentração: Sinais e sistemas Orientador: Prof. Dr. Pedro Pedrosa Re- bouças Filho FORTALEZA 2021 Dados Internacionais de Catalogação na Publicação Universidade Federal do Ceará Biblioteca Universitária Gerada automaticamente pelo módulo Catalog, mediante os dados fornecidos pelo(a) autor(a) R612s Rodrigues, Douglas de Araújo. Segmentação rápida e totalmente automática da gordura cardíaca em conjunto de dados de tomografia computadorizada / Douglas de Araújo Rodrigues. – 2021. 52 f. : il. color. Dissertação (mestrado) – Universidade Federal do Ceará, Centro de Tecnologia, Programa de Pós- Graduação em Engenharia de Teleinformática, Fortaleza, 2021. Orientação: Prof. Dr. Pedro Pedrosa Rebouças Filho. 1. Segmentação de gordura cardíaca. 2. Floor of Log. 3. Tomografia Computadorizada. I. Título. CDD 621.38 DOUGLAS DE ARAÚJO RODRIGUES SEGMENTAÇÃO RÁPIDA E TOTALMENTE AUTOMÁTICA DA GORDURA CARDÍACA EM CONJUNTO DE DADOS DE TOMOGRAFIA COMPUTADORIZADA Dissertação apresentada ao Curso de Mestrado Acadêmico em Engenharia de Teleinformática do Programa de Pós-Graduação em Engenharia de Teleinformática do Centro de Tecnologia da Universidade Federal do Ceará, como requisito parcial à obtenção do título de mestre em Engenharia de Teleinformática. Área de Concentração: Sinais e sistemas BANCA EXAMINADORA Prof. Dr. Pedro Pedrosa Rebouças Filho (Orientador) Universidade Federal do Ceará (UFC) Prof. Dr. Victor Hugo Costa de Albuquerque Universidade Federal do Ceará (UFC) Prof. Dr. Jarbas Joaci de Mesquita Sá Junior Universidade Federal do Ceará (UFC) Aprovada em: 05 de Abril de 2021 Dedico este trabalho a Deus, pois sem ele não estaria aqui. Dedico também à minha mãe e meu pai, por todo o suporte e amor dados a mim. AGRADECIMENTOS Sinto-me profundamente satisfeito e feliz pelos frutos colhidos nesses dois anos de dedicação à pós-graduação. Período este que me proporcionou crescimento, tanto no âmbito profissional quanto pessoal. Logo, não poderia deixar de agradecer a todos que de alguma forma contribuíram nesta minha jornada. Primeiramente a Deus que, através de meus pais, me concedeu a vida. É esta força sobrenatural que me permite acordar e levantar todos os dias. Aos meus pais, Florinda Helena e Wilton Rodrigues, por todo incondicional apoio, amor e dedicação. Vocês, que mesmo em meio a tantas dificuldades, esforçaram-se para que eu pudesse chegar cada vez mais longe. Agradeço a todos os professores por me proporcionar o conhecimento não apenas racional, mas a manifestação do caráter e afetividade da educação no processo de formação profissional, por tanto que se dedicaram a mim, não somente por terem me ensinado, mas por terem me feito aprender. Ao Prof. Dr. Pedro Pedrosa Rebouças Filho, pela orientação, dedicação, incentivo e paciência. Eu o considero uma pessoa de um coração enorme, com a qual ficarei feliz de manter a parceria no trabalho, nas pesquisas, na amizade e na vida. A todos os meus amigos e companheiros de pesquisa do Laboratório de Proces- samento de Imagens, Sinais e Computação Aplicada (LAPISCO). Em especial, ao Roberto Fernandes, Solon Peixoto, Aldisio Medeiros, Gabriel Maia e João Victor pelas conversas e discussões que foram de suma importância na conclusão deste trabalho. Aos queridos amigos pelos quais tenho imensa consideração e por estarem sempre presentes na minha vida Alysson Mendes, Itrio Netuno, Douglas Souza e Franklin Lemos. E à Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) pelo financiamento da pesquisa de mestrado via bolsa de estudos. “O sonho é que leva a gente para frente. Se a gente for seguir a razão, fica aquietado, acomo- dado.” (Ariano Suassuna) RESUMO As doenças cardíacas afetam grande parte da população mundial. Estudos mostram que essas doenças estão correlacionadas a várias condições crônicas e agudas que afetam o coração, como aterosclerose, rigidez carotídea, calcificação da artéria coronária, fibrilação atrial e muitas outras. Todas essas doenças estão relacionadas à gordura cardíaca. Um diagnóstico incorreto feito por um médico pode ser resultado de erros provenientes da segmentação da gordura do coração. O processo de segmentação manual envolve uma grande variação intra-individual e interindividual nos médicos. Além disso, essa prática leva muito tempo, pois há muitas imagens a serem analisadas por exame. Nesse contexto, este trabalho concentra seus esforços na segmentação da gordura cardíaca a partir do conjunto de dados de Tomografia Computadorizada (TC) para auxiliar o médico especialista no diagnóstico. Além da precisão, a abordagem dedica-se a diminuir o tempo de segmentação para possibilitar sua aplicação nas rotinas clínicas. A abordagem proposta consiste na utilização de um algoritmo denominado Floor of Log. A vantagem desse método é a redução significativa do tempo de segmentação. Esse trabalho utiliza Máquinas de Vetores de Suporte para aprender o melhor parâmetro da base do logaritmo. Filtros espaciais e métodos de processamento morfológico são utilizados nas etapas de pré-processamento e de pós-segmentação. Com essa abordagem, o tempo, em média, para segmentar a gordura cardíaca em um exame de TC completo foi de apenas 2,01 segundos. Diante da revisão da literatura, está abordagem é a mais rápida para segmentar um exame completo. A acurácia alcançada na segmentação foi de 93,45% e a especificidade foi 95,52%. A abordagem proposta é automática e requer menos esforço computacional. Com esses resultados, seu uso para segmentação da gordura cardíaca mostra-se eficaz e com bons tempos para a aplicação. Portanto, pode ser uma ferramenta de auxílio ao diagnóstico médico e, consequentemente, pode ajudar os especialistas a obterem diagnósticos mais rápidos e precisos. Palavras-chave: Segmentação de gordura cardíaca. Floor of Log. Tomografia Computadori- zada. ABSTRACT Heart disease affects a large part of the world population. Studies show that these diseases are correlated with several chronic and acute conditions that affect the heart, such as atherosclerosis, carotid stiffness, coronary artery calcification, atrial fibrillation, and many others. All of these diseases are related to heart fat. An incorrect diagnosis made by a doctor can be the result of errors in segmenting heart fat. The process of manual segmentation involves a great deal of intra-individual and inter-individual variation in doctors. Also, this practice takes a long time, as there are many images to be analyzed by exam. In this context, this work focuses on the segmentation of cardiac fat from the Computed Tomography (CT) data set to assist the physician who is a specialist in the diagnosis. In addition to precision, the approach is dedicated to the segmentation time to enable its application in clinical routines. The proposed approach consists of using an algorithm called Floor of Log. The advantage of this method is the significant reduction in the segmentation time. This work usesSupport Vector Machines to learn the best parameter of the base of the logarithm. Spatial filters and morphological processing methods are like pre-processing and post-segmentation techniques. With this approach, the average time to segment cardiac fat on a complete CT scan was just 2.01 seconds. Given the architecture review, this approach is the fastest to segment a complete exam. The precision achieved in the segmentation was 93.45%, and the specificity was 95.52%. The proposed approach is automatic and requires less computational effort. With these results, its use for cardiac fat segmentation proves to be effective and with good application times. Therefore, it can be a tool to aid medical diagnosis and, consequently, it can help specialists to obtain faster and more accurate diagnoses. Keywords: Cardiac Fat Segmentation. Floor of Log. Computed Tomography. LISTA DE FIGURAS Figura 1 – Exemplos de imagens do corte axial, coronal e sagital de um exame de Tomografia Computadorizada, bem como a representação do modelo em três dimensões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 Figura 2 – Imagens de exames não invasivos para análise clínica da gordura do coração: a) Ecocardiografia, b) ressonância magnética e c) Tomografia Computadorizada 23 Figura 3 – Imagem de um exame de tomografia computadorizada sem contraste em que a) indica o pericárdio, b) aponta para a gordura epicárdica, c) o tecido adiposo e d) o músculo e as cavidades cardíacas. . . . . . . . . . . . . . . . . . . . 24 Figura 4 – Representação do coração em três dimensões (3D), bem como exemplos do corte axial e a imagem Imagem Digital e Comunicações em Medicina (Digital Imaging and Communications in Medicine) (DICOM) resultante do exame de Tomografia Computadorizada . . . . . . . . . . . . . . . . . . . 24 Figura 5 – Efeito do piso aplicado na função logaritmo com diferentes valores de bases. Em a), alguns logaritmos funcionam com bases diferentes: 1,01, 1,02 e 1,062. Em b), a função de piso aplicada ao logaritmo com diferentes valores de bases 25 Figura 6 – Morfologia matemática: a) Imagem de entrada com um elemento estruturante quadrado de tamanho 3x3, b) Imagem resultante da operação morfológica de dilatação e c) Imagem resultante da operação morfológica de erosão . . . . 29 Figura 7 – Fluxo do método de preenchimento de buracos: a) imagem de entrada antes de ser transformada em imagem binária destacando um orifício, b) o elemento estruturante, c) define A com o sombreamento, d) complemento de A, e) ponto de partida dentro do limite; f) h) várias etapas da Equação 2.6; i) resultado final é a união de c) e h); e j) gera imagem após operações b) - h) repetidas para os vários orifícios na imagem a) . . . . . . . . . . . . . . . . . . . . . 30 Figura 8 – Ilustração da aplicação do filtro de mediana . . . . . . . . . . . . . . . . . 31 Figura 9 – Fluxograma de execução da abordagem proposta neste trabalho para segmen- tação da gordura cardíaca . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 Figura 10 – Amostras do conjunto de dados de imagens DICOM e suas respectivas imagens padrão ouro: a) e d) amostras do conjunto de dados de imagens médicas, b) e e) padrão ouro com a classificação do tipo de gordura, e c) e f) padrão ouro considerando a unificação dos tipos de gordura do coração . . . 34 Figura 11 – Análise da distribuição de probabilidade de ocorrência dos níveis de cinza em uma imagem. a) imagem de entrada, b) histograma da imagem a), c) imagem após aplicar o método Floor of Log com o filtro de mediana, e d) histograma da imagem c) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 Figura 12 – Resultado da segmentação por limiarização, separando entre: a) região pul- monar e b) região interna do coração com a gordura e outras partes anatômicas 37 Figura 13 – De cima para baixo, três exemplos da etapa dos processos computacionais realizados na região pulmonar: a) imagem da entrada do pulmão, b) o pulmão após a aplicação do método de preenchimento de orifícios e c) o resultado após aplicar a morfologia matemática (fechamento) . . . . . . . . . . . . . 38 Figura 14 – Remoção de ruídos após a segmentação: a) Imagem após o processamento morfológico da imagem, b) Imagem da região interna do coração com a gordura e outras partes anatômicas, c) Sobreposição das imagens a) e b), d) Região comum, e) Região de interesse, f) gordura do coração segmentada . 39 Figura 15 – Metodologia para aquisição do tempo de segmentação do exame, tempo de segmentação por imagem e métricas de avaliação . . . . . . . . . . . . . . 40 Figura 16 – Representação das regiões VP, VN, FP e FN. O círculo amarelo representa a região de interesse. Este círculo corresponde ao padrão ouro determinada pelos especialistas. O círculo azul representa a região segmentada, que é justamente aquela região obtida pela abordagem computacional . . . . . . . 41 Figura 17 – Comparação da segmentação da gordura cardíaca realizada pelo especialista (coluna do meio) e pela abordagem proposta (coluna da direita), as imagens da coluna da esquerda são os exames. A coluna da esquerda é o respectivo exame em que as segmentações foram realizadas. A comparação é realizada para três imagens de cortes em posições distintas: inferior, intermediário e superior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 Figura 18 – As imagens mostram as regiões de segmentação da gordura cardíaca obtidas pelo método proposto, adotando-se verde para os pixels verdadeiros positivos, o branco para os pixels verdadeiros negativos, o azul para os falsos positivos e o vermelho para os falsos negativos . . . . . . . . . . . . . . . . . . . . . 44 LISTA DE TABELAS Tabela 1 – O tempo de segmentação da gordura cardíaca considerando o exame por completo e o tempo médio para segmentar cada imagem de corte. Os valores das métricas avaliativas acurácia e especificidade para cada exame . . . . . 45 Tabela 2 – Comparação dos tempos de segmentação por exame da abordagem proposta com outros trabalhos da literatura . . . . . . . . . . . . . . . . . . . . . . . 47 LISTA DE ABREVIATURAS E SIGLAS DICOM Imagem Digital e Comunicações em Medicina (Digital Imaging and Communi- cations in Medicine) OMS Organização Mundial da Saúde DCV Doenças Cardiovasculares RM Ressonância Magnética TC Tomografia Computadorizada RMP Reconstrução Multiplanar SVH Sistema Visual Humano CNN Rede Neural Convolucional (Convolutional Neural Network) FoL Floor of Log EAT Tecido Adiposo Epicárdico (Epicardial Adipose Tissue) SVM Máquinas de Vetores de Suporte (Support Vector Machines) VP Verdadeiro Positivo VN Verdadeiro Negativo FP Falso Positivo FN Falso Negativo ACC Acurácia SPC Especificidade OpenCV Open Source Computer Vision Library LISTA DE SÍMBOLOS b Base do logaritmo ⊕ Operação morfológica de dilatação Operação morfológica de erosão • Operação morfológica de fechamento E Elemento estruturante N Dimensão de uma máscara bidimensional L Limiar do método de limiarização K Quantidade do nível de cinza de uma imagem Z Domínio do espaço I Região de Interesse ∩ Interseção ∅ Conjunto vazio SUMÁRIO 1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.1 Estado da arte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.2.1 Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.3 Produção Científica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.4 Organização da Dissertação . . . . . . . . . . . . . . . . . . . . . . . . . 20 2 FUNDAMENTAÇÃO TEÓRICA . . . . . . . . . . . . . . . . . . . . . . 22 2.1 Gordura cardíaca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2 Algoritmo Floor of Log . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.3Máquinas de Vetores de Suporte . . . . . . . . . . . . . . . . . . . . . . 26 2.4 Limiarização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.5 Morfologia matemática . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.5.1 Preenchimento de buracos . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.6 Filtro de Mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.1 Conjunto de imagens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.2 Pré-processamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.3 Floor of Log . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.4 Separação da região do coração com a pulmonar . . . . . . . . . . . . . 36 3.5 Removendo os ruídos presentes na imagem . . . . . . . . . . . . . . . . 37 3.6 Métricas utilizadas para avaliar a segmentação cardíaca . . . . . . . . . 39 4 RESULTADOS E DISCUSSÃO . . . . . . . . . . . . . . . . . . . . . . . 42 4.1 Comparação da abordagem proposta com trabalhos relacionados . . . . 45 5 CONCLUSÕES E TRABALHOS FUTUROS . . . . . . . . . . . . . . . 48 REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 15 1 INTRODUÇÃO Segundo a Organização Mundial da Saúde (OMS), as Doenças Cardiovasculares (DCV) são a causa número um de mortes em todo o mundo. O número de mortes por essas doenças aumentou de 2 milhões no ano 2000 para quase 9 milhões em 2019 (OMS, 2020). Estudos apontam que o aumento da quantidade de gordura que envolve o coração está associado ao maior risco para o desencadeamento de algumas DCV (FERNANDES-CARDOSO et al., 2017), tais como: calcificação da artéria coronária (HARTIALA et al., 2015; GORTER et al., 2008; SCHLETT et al., 2012; ELSS et al., 2019; LOSSAU et al., 2019), fibrilação atrial (MAHABADI et al., 2014), aterosclerose (DJABERI et al., 2008; YERRAMASU et al., 2012; CHOI et al., 2013; ZHAO et al., 2018) e rigidez da artéria carótida (BRINKLEY et al., 2011). Além disso, um estudo de 16 anos envolvendo 384.597 pacientes relatou que 38,4% das mortes ocorreram dentro de 28 dias após um evento coronário importante (DUDAS et al., 2011). Esse estudo demonstra a necessidade de diagnosticar precocemente tais doenças cardíacas. Em virtude dos estudos e discussões sobre os impactos da gordura cardíaca na saúde dos seres humanos e o crescente número de mortes, grandes avanços foram alcançados na pesquisa e na prática cardiovascular nos últimos anos com o objetivo de melhorar o diagnóstico e o tratamento de doenças cardíacas, bem como reduzir a taxa de mortalidade. De particular interesse, a segmentação da imagem cardíaca é o primeiro passo importante para resultar em tais avanços. Essa segmentação divide a imagem em regiões significativas, considerando tanto a anatomia como a semântica. Consequentemente, medidas quantitativas podem ser extraídas, tais como: a massa do miocárdio, a espessura da parede, a espessura da gordura cardíaca, o volume da gordura do coração, o volume do ventrículo esquerdo, o volume do ventrículo direito, a fração de ejeção, dentre outros. Quantificações manuais, frequentemente, envolvem variações intra ou interobserva- dor significativas. As limitações humanas, como cansaço físico e a repetitividade das ações, são fatores que contribuem para isso. A quantificação que não condiz com a realidade do paciente pode alterar a análise durante a rotina clínica e resultar em um diagnóstico errôneo. A segmentação da gordura ao redor do coração é um grande desafio para toda comunidade médica (ZHAO et al., 2019). A dificuldade no caso dessa segmentação é que o especialista necessita detectar gorduras e separá-las de outras estruturas como pulmão, aorta e ossos que aparecem nos exames clínicos. Diante dessa problemática, os especialistas necessitam 16 de um vasto conhecimento clínico e de muito treinamento. Atualmente, três tipos de exames são adequados para a identificação dessa gor- dura: Ressonância Magnética (RM), Ecocardiograma e Tomografia Computadorizada (TC). Vale ressaltar que cada exame possui particularidades que o profissional necessita levar em consideração. O equipamento utilizado no exame de TC é apto para reproduzir seções do corpo humano em poucos segundos (MESSAY et al., 2010). Imagens provenientes de uma TC do coração para os eixos axial, coronal e sagital são ilustradas na Figura 1. A partir dessas imagens é possível fazer a reconstrução do volume total escaneado, conhecido como Reconstrução Multiplanar (RMP). Figura 1 – Exemplos de imagens do corte axial, coronal e sagital de um exame de Tomografia Computadorizada, bem como a representação do modelo em três dimensões Axial Coronal Sagital Fonte: adaptado de Rajani (2017) Apesar de que as imagens digitais resultantes dos exames de TC possuem, aproxima- damente, 4000 tons de cinza diferentes, o Sistema Visual Humano (SVH) consegue distinguir apenas, aproximadamente, 64 tons de cinza para uma mesma condição de luminosidade (RE- BOUCAS et al., 2019). Uma análise matemática ou computacional consegue revelar um grande número de atributos que podem não ser facilmente captados por um observador humano (RE- BOUCAS et al., 2019). Neste sentido, esta dissertação centraliza seus esforços na etapa de segmentação 17 da gordura cardíaca em imagens provenientes de exames de TC com o objetivo de auxiliar o diagnóstico e acompanhamento clínico. 1.1 Estado da arte Esta seção tem como propósito apresentar uma visão literária dos diferentes métodos baseados em quantificação e segmentação do volume da gordura cardíaca a partir de uma TC sem contraste. O estudo tem como proposta aprofundar diferentes aspectos da segmentação e detecção baseados em modelos automáticos, buscando aproximar o leitor do estudo proposto das limitações nos diferentes modelos, bem como destacar a importância dos algoritmos e seus resultados obtidos. Em se tratando da área de processamento de imagens médicas, diferentes trabalhos podem ser encontrados na literatura a fim de detectar a gordura epicárdica por meio de diferentes abordagens. O trabalho de Ding et al. (2014) foi o primeiro a propor e desenvolver um algoritmo automatizado para quantificação do volume da gordura epicárdica a partir de exames de TC sem contraste. O método abordou o uso de contornos ativos e registro de múltiplos atlas. Nesse método, é inicializado a localização e a forma do coração em grande escala a partir de vários atlas corregistrados e o processo se encerra quando são encontrados contornos brancos que representam o pericárdio. O tempo estimado foi de 1 minuto, considerado demorado nos padrões de métodos atuais. Apesar de o método ser eficiente, foi possível encontrar partes de não gordura sendo detectadas no modelo, segmentando traços da parede do coração e regiões pertencentes ao coração. Isso mostra que apesar de a técnica ser evoluída, ainda existem reajustes a serem feitos e melhorados no modelo. Além disso, uma limitação desse método é que as imagens dos atlas foram pré-alinhadas a um padrão de orientação e, portanto, há uma comparação com apenas um desses atlas para agilizar o processo. Rodrigues et al. (2016b) também apresentaram uma abordagem para a segmentação automatizada e quantificação de volume de gorduras cardíacas em TC. Os autores compararam o desempenho de diferentes algoritmos de classificação nesta tarefa, incluindo redes neurais, modelos probabilísticos e algoritmos de árvore de decisão. Os modelos obtiveram 95% em verdadeiro positivo e a 97% de similaridades em alguns casos. Embora os modelos tenham obtidos resultados promissores, o tempo de processamento estimado foi de 1,8 horas. Portanto, a abordagem não demonstrou robustez e eficácia em tempo de processamento, comparados a diferentes algoritmos para segmentação de imagens médicas atuais. 18 Em se tratando de classificação e segmentaçãode imagens médicas, é notório o ganho trazido com os valores obtidos em métricas como acurácia e similaridade, porém também vale ressaltar que diferentes modelos, tanto de classificação como de segmentação, buscam sua otimização dentro dos processos, a fim de garantir um bom desempenho em paralelo com otimização. Em se tratando de custo computacional, por muitas vezes, se faz necessário reavaliar o ganho em ambos os aspectos, promovendo melhores soluções com eficácia e eficiência. Os autores Rodrigues et al. (2017) buscaram aperfeiçoar e melhorar seus resultados baseados na metodologia do trabalho anterior, Rodrigues et al. (2016b). De fato, os modelos obtiveram ganhos consideráveis em relação a sua pesqusa anterior, sendo o tempo de segmentação um deles. Em seu modelo, os autores conseguiram diminuir consideravelmente seu tempo de segmentação. O tempo foi reduzido de 1,8 hora no primeiro trabalho para 0,9 hora alcançado no segundo. De fato, o tempo de segmentação foi reduzido para um pouco mais que a metade do tempo obtido em experimentos anteriores, com uma leve melhora nos valores de verdadeiros positivos, com diferença menor que 1%. No entanto, pode-se perceber que o avanço da pesquisa foi com relação ao tempo de segmentação. Isso mostra que modelos computacionais automáticos tendem a melhorar seu tempo de execução por meio de possíveis técnicas que permitem a otimização no processamento das imagens. A eficácia dos modelos tende não só a melhores algoritmos, mas também em compactar de certa forma os modelos mais adequados a produção de diferentes diagnósticos. Recentemente, Commandeur et al. (2018) propuseram uma metodologia baseada em aprendizado profundo (deep learning) para quantificação de tecido adiposo torácico e epicárdico a partir de TC sem contraste. Estudos como estes estão cada vez mais sendo explorados. Os autores, mesmo com uso de deep learning, obtiveram valores de tempo de segmentação equiparados a modelos com uso de classificadores clássicos para segmentação de imagens médicas encontrados na literatura. O modelo obteve, em média, o tempo de segmentação de 26 segundos. Isso corrobora ainda mais a discussão, pois em se tratando de modelos convolucionais, o uso de técnicas de custo computacional alto são bem comuns em diferentes abordagens. A abordagem de Commandeur et al. (2018) utilizou duas redes deep learning. A primeira, que é uma Rede Neural Convolucional (Convolutional Neural Network) (CNN) é usada para determinar os limites do coração e realizar a segmentação do coração e dos tecidos adiposos. A segunda rede, CNN, combinada com um modelo estatístico de forma, permite a detecção de pericárdio. As segmentações do tecido adiposo epicárdico e tecido adiposo torácico são então 19 obtidas a partir de saídas de ambas as CNN. É importante ressaltar as diferentes técnicas encontradas na literatura baseadas em modelos automáticos, tanto por meio de modelos clássicos de classificação, como modelos com uso de aprendizagem profunda. Ambos trazem diferentes abordagens, com objetivos em comum. As diferenças em suas abordagens podem trazer melhorias para o processamento e resultados eficazes para o pré-diagnóstico médico. 1.2 Objetivos O principal objetivo desta dissertação é a segmentação da gordura cardíaca em imagens de Tomografia Computadorizada utilizando o algoritmo de cluster Floor of Log (FoL) e aprendizado de máquina para auxílio ao diagnóstico médico. 1.2.1 Objetivos específicos Esta dissertação tem os seguintes objetivos específicos: – Localizar e segmentar a gordura cardíaca em imagens de tomografia computadorizada utilizando o algoritmo cluster FoL; – Avaliar técnicas de pré-processamento e pós-segmentação para refinar os resultados obtidos na etapa de segmentação; – Comparar os resultados obtidos com outros trabalhos da literatura para validação dos resultados alcançados; 1.3 Produção Científica A produção científica durante o mestrado resultou na publicação de artigos científicos em periódicos e em conferências. A seguir estão listadas as publicações realizadas ao longo do mestrado, sendo o primeiro artigo a produção gerada com o estudo desta dissertação: 1. DE ALBUQUERQUE, VICTOR HUGO C.; DE A. RODRIGUES, DOUGLAS ; IVO, ROBERTO F. ; PEIXOTO, SOLON A. ; HAN, TAO ; WU, WANQING ; REBOUÇAS FILHO, PEDRO P. . Fast fully automatic heart fat segmentation in Computed Tomography datasets. Computerized Medical Imaging and Graphics, v. 80, p. 101674, 2019. Qualis A1 em Engenharias IV. 2. CHAGAS, JOÃO V. SOUZA DAS ; IVO, ROBERTO F. ; GUIMARÃES, MATHEUS T. ; 20 DE A. RODRIGUES, DOUGLAS ; DE S. REBOUÇAS, ELIZÂNGELA ; REBOUÇAS FILHO, PEDRO P. . Fast fully automatic skin lesions segmentation probabilistic with Parzen window. Computerized Medical Imaging and Graphics, v. 85, p. 101774, 2020. Qualis A1 em Engenharias IV. 3. CHAGAS, JOÃO V. SOUZA DAS ; RODRIGUES, D. A. ; IVO, R. F. ; HASSAN, M. M. ; ALBUQUERQUE, V. H. C. ; REBOUCAS FILHO, P. P.. A new approach for the detection of pneumonia in children using CXR images based on an real-time IoT system. Journal of Real-Time Image Processing, 2021. Qualis A2 em Engenharias IV. 4. RODRIGUES, DOUGLAS DE A. ; IVO, ROBERTO F. ; SATAPATHY, SURESH CHAN- DRA ; WANG, SHUIHUA ; HEMANTH, JUDE ; FILHO, PEDRO P. REBOUÇAS . A new approach for classification skin lesion based on transfer learning, deep learning, and IoT system. Pattern Recognition Letters, v. 136, p. 8-15, 2020. Qualis A2 em Engenharias IV. 5. HAN, TAO ; IVO, ROBERTO F. ; RODRIGUES, DOUGLAS DE A. ; PEIXOTO, SOLON A. ; DE ALBUQUERQUE, VICTOR HUGO C. ; REBOUÇAS FILHO, PEDRO P. . Cascaded Volumetric Fully Convolutional Networks for Whole-Heart and Great Vessel 3D segmentation. Future Generation Computer Systems, v. 108, p. 198-209, 2020. Qualis B1 em Engenharias IV. 6. IVO, ROBERTO F.; DE A. RODRIGUES, DOUGLAS ; BEZERRA, GABRIEL M. ; FREITAS, FRANCISCO N.C. ; DE ABREU, HAMILTON FERREIRA GOMES ; REBOUÇAS FILHO, PEDRO P. . Non-grain oriented electrical steel photomicrograph classification using transfer learning. Journal of Materials Research and Technology- JMRT, v. 9, p. 8580-8591, 2020. Qualis A1 em Engenharias II. 7. VIANA, A. A. ; RABELO, S. L. ; SANTOS, J. D. A. ; LIMA FILHO, V. X. ; RODRIGUES, D. A. ; IVO, R. F. ; REBOUÇAS FILHO, PEDRO P.. Automatic Evaluation of the Mechanical Properties of Steels Maraging using Digital Image Processing Techniques. Anais Estendidos da Conference on Graphics, Patterns and Images (SIBGRAPI), v. 33, p. 211-218, 2020. Qualis B1 em Ciência da Computação. 1.4 Organização da Dissertação A organização do texto obedece a sequência cronológica de desenvolvimento da pesquisa. O restante desta dissertação está organizado da forma descrita a seguir. 21 No Capítulo 2, como fundamentação teórica, são apresentados os conceitos básicos utilizados no presente trabalho. Inicialmente, são descritos os problemas de saúde associados à gordura cardíaca e os exames utilizados nos diagnósticos. No segundo momento, o algoritmo FoL é explicado. Na terceira parte, são apresentados conceitos de aprendizado de máquina com as Máquinas de Vetores de Suporte. Posteriormente, são descritos métodos de processamento digital de imagens como limiarização, morfologia matemática e filtro de mediana. O Capítulo 3, por sua vez, descreve sobre o conjunto de dados de tomografia computadorizada e explicam-se as etapas da abordagem proposta. Além disso, descreve sobre os métodos de validação utilizados. O Capítulo 4 apresenta os resultados da segmentação da gordura cardíaca. A avalia- ção dos resultados é por meio de medidas que descrevem acurácia e a especificidade das regiões segmentadas e o tempo necessário pra segmentar. Além disso, é realizada a comparação com os trabalhos da literatura. O Capítulo 5 finaliza o trabalho apresentando as conclusões da pesquisa e os trabalhos futuros, além disso discutindo as contribuições realizadas. 22 2 FUNDAMENTAÇÃO TEÓRICA Este capítulo dedica-seà descrição de conceitos utilizados para o desenvolvimento deste trabalho. O texto está organizado da seguinte maneira: na Seção 2.1 são apresentados os conceitos sobre a gordura cardíaca e os exames utilizados nas rotinas clínicas, na Seção 2.2 é descrito o algoritmo Floor of Log, na Seção 2.3 é descrito o classificador Máquinas de Vetores de Suporte, na Seção 2.4 são expostos os conceitos sobre o método de segmentação por limiarização, já na Seção 2.5 são descritos alguns processamentos morfológicos em imagens, e por fim, na Seção 2.6 são apresentados os conceitos sobre a filtragem espacial não linear do filtro de mediana. 2.1 Gordura cardíaca O coração é o componente mais importante do sistema cardiovascular, pois é respon- sável pelo bombeamento do sangue para todos os órgãos e tecidos do corpo. Ele está localizado entre os pulmões, bem como na frente do esôfago e da artéria aorta (RAVISH et al., 2014; GABORIT et al., 2011). A camada de gordura em volta do coração é chamada de Tecido Adiposo Epicárdico (Epicardial Adipose Tissue) (EAT). EAT é um depósito de gordura visceral incomum que tem contato anatômico e funcional com o miocárdio e artérias coronárias (SACKS; FAIN, 2007; CORRADI et al., 2004). Em relação aos aspectos fisiológicos, esse tecido possui propriedades cardioprotetoras. Quando associada a uma condição patológica, essa gordura pode afetar as partes em que tem contato (IACOBELLIS; BIANCO, 2011). Ecocardiograma (IACOBELLIS et al., 2003), Ressonância Magnética (KESSELS et al., 2006) e Tomografia Computadorizada (TC) (COPPINI et al., 2010) são métodos não invasivos usados por médicos para realizar uma avaliação clínica desse tipo de gordura (SICARI et al., 2011; POLONSKY et al., 2010; ZAPPATERRENO et al., 2003). Imagens desses três exames são apresentadas na Figura 2. Embora as imagens resultantes desses exames apresentem alta resolução, existem diferenças e peculiaridades que mostram uma preferência por um ou outro tipo de exame. Os ecocardiogramas estão amplamente disponíveis na área médica e apresentam baixo custo, porém não é possível determinar o volume de gordura com este exame (GASTAL- DELLI et al., 2013). A ressonância magnética é o padrão ouro para quantificação de gordura por 23 Figura 2 – Imagens de exames não invasivos para análise clínica da gordura do coração: a) Ecocardiografia, b) ressonância magnética e c) Tomografia Computadorizada (a) (b) (c) Fonte: adaptado de Bertaso et al. (2013). apresentar alta resolução espacial e baixa variabilidade interobservador (CRISTOBAL-HUERTA et al., 2015). No entanto, esse exame é caro, resultando em baixa disponibilidade. A tomografia computadorizada em comparação com os demais exames fornece uma avaliação mais precisa da gordura (COPPINI et al., 2010). Com o exame de TC, é possível avaliar a espessura, a área e o volume, além de permitir a avaliação das artérias coronárias. Esse exame mapeia o coeficiente de atenuação dos raios X que cruzam o corpo em análise e, a partir desses dados, reconstrói um modelo desse corpo que representa a forma anatômica. O tomógrafo fornece imagens em cortes transversais de alta qualidade e é capaz de processar um grande número de medidas com operações matemáticas muito complexas, além de fornecer resultados com grande precisão (KALENDER, 2006). A imagem da tomografia computadorizada cardíaca apresenta uma parede torácica, na qual existem várias estruturas, como vasos, artérias, vias aéreas, pleura e parênquima pulmonar. Cada região possui informações específicas, por exemplo, o valor relativo dos pixels daquela região. Este valor é o mesmo para os conjuntos de imagens de cada exame. Um exemplo dessa imagem pode ser visto na Figura 3. Nesse caso, mesmo sem contraste, o especialista conseguiu fazer um diagnóstico adequado. Conforme essa figura, o pericárdio indicado por (a) é uma linha fina na região anterior do coração, (b) sinaliza a gordura epicárdica, (c) o tecido adiposo e (d) o músculo e as câmaras cardíacas. A quantidade da gordura varia de acordo com a posição da imagem analisada considerando o número de cortes axiais. Uma ilustração de um coração, dos cortes axiais empilhados e das imagens processadas DICOM é apresentado na Figura 4. 24 Figura 3 – Imagem de um exame de tomografia computa- dorizada sem contraste em que a) indica o pericárdio, b) aponta para a gordura epicárdica, c) o tecido adiposo e d) o músculo e as cavidades cardíacas. Fonte: Barbosa et al. (2011). Figura 4 – Representação do coração em três dimensões (3D), bem como exemplos do corte axial e a imagem DICOM resultante do exame de Tomografia Computadorizada a c b Coração Cortes axiais empilhados Imagens DICOM Corte axial 1 O rd em d o s co rt es a xu ai s Corte axial 18 Corte axial n Fonte: elaborado pelo autor (2021). 25 2.2 Algoritmo Floor of Log O algoritmo de aprendizado de máquina inteligente denominado Floor of Log (FoL), proposto por Peixoto et al. (2020), tem por objetivo realizar a compressão de dados por agru- pamento. Essa abordagem permite que a região de interesse seja destacada das demais regiões, permitindo assim uma segmentação muito mais rápida e eficiente. Peixoto et al. (2020) propuseram o algoritmo FoL para a segmentação 3D do pulmão. Os autores conseguiram uma redução significativa do tempo de segmentação quando comparado a outras abordagens com CNN. Para o seu resultado mais significativo, em apenas 19 segundos foi segmentado um exame de TC pulmonar com 430 cortes. O algoritmo FoL inicia com a aplicação de uma função logarítmica no conjunto de dados com a finalidade de realizar uma transformação linear. Diante disso, haverá um agrupamento dos valores próximos uns dos outros. Posteriormente, uma função de piso é aplicada, de modo que apenas o limite inferior desta função seja preservado. A formulação dessa função principal do método de agrupamento é dada pela Equação 2.1. O termo b na equação é a base do logaritmo da função log. f (x) = blogb(x+1)c (2.1) Como notado na Figura 5, a inclinação depende da base do logaritmo. Portanto, essa base deve ser escolhida criteriosamente, pois ela é responsável por dividir os dados em seus respectivos grupos. Figura 5 – Efeito do piso aplicado na função logaritmo com di- ferentes valores de bases. Em a), alguns logaritmos funcionam com bases diferentes: 1,01, 1,02 e 1,062. Em b), a função de piso aplicada ao logaritmo com diferentes valores de bases (a) (b) Fonte: Peixoto et al. (2020). 26 Para evitar que ótimos valores da base do logaritmo se percam e que os dados dos diferentes grupos sejam agrupados no mesmo ponto, Peixoto et al. (2020) propõem o uso de métodos de aprendizado de máquina para encontrar o valor de b mais adequado para o conjunto de dados. Dessa forma, uma função de custo é necessária para simular o gradiente descendente. A função de custo avalia numericamente cada solução. A criação desta função envolve a definição dos rótulos usados para as intensidades de pixel da região de interesse. Apesar das vantagens, esse método reduz seu desempenho na presença de ruídos aleatórios na imagem. O uso de um pré-processamento pode auxiliar no agrupamento dos pixels de uma imagem de modo local, atenuando a homogeneização da região de interesse como região externa (PEIXOTO et al., 2020). 2.3 Máquinas de Vetores de Suporte As Máquinas de Vetores de Suporte (Support Vector Machines) (SVM) são em- basadas na Teoria de Aprendizado Estatístico, desenvolvida por Vapnik (1999). Essa teoria estabelece uma série de princípios que devem ser seguidos na obtenção de classificadores com boa generalização. Enquanto técnicas tradicionais para reconhecimento de padrões são baseadas na minimização do risco empírico, as SVMs minimizam o risco estrutural, o qual tem relação com a minimização do erro nos padrões de teste (NETO, 2011). A premissa básica de uma SVM é separar as classes com superfícies que maximizem a margem entre as mesmas, ou seja, encontrar umhiperplano de separação ótima. Os padrões de entrada são convertidos para um vetor de características de alta dimensionalidade, cujo objetivo é separar linearmente os padrões no espaço. Uma vez que o espaço adequado de características é definido, a SVM seleciona o hiperplano ótimo, o qual corresponde à maior distância de seus padrões no conjunto de treinamento. Esses padrões são chamados de Vetores de Suporte (NETO, 2011). Embora a SVM tenha sido, originalmente, formulada para resolver problemas bi- nários, há algumas formulações da SVM para problemas multiclasse (CRAMMER; SINGER, 2001). No entanto, devido a sua complexidade, outras abordagens como um contra um (DUAN; KEERTHI, 2005) e um contra todos (DUAN; KEERTHI, 2005) são algumas das mais utilizadas. 27 2.4 Limiarização A limiarização faz parte do grupo de métodos que realizam a segmentação por similaridade. Portanto, baseia-se na separação dos objetos nos valores próximos de uma dada característica pré-estabelecida. Na maioria dos casos, o parâmetro utilizado é o valor da intensi- dade do pixel. Desse modo, o princípio da limiarização consiste em determinar um valor como limiar que esteja dentro do intervalo de tonalidades da imagem. Do ponto de vista matemático, a operação de limiarização consiste em transformar uma imagem de entrada f (x,y) de K níveis de cinza em uma imagem de saída, imagem limiari- zada, g(x,y), na qual o número de níveis de cinza é menor que K (GONZALEZ; WOODS, 2011). A operação que resulta em g(x,y) por um limiar fixo L em uma imagem f (x,y) é definida em cada pixel de coordenada (x,y) pela Equação 2.2. O processo dado nesta equação é conhecido como limiarização global, que representa o caso em que é estabelecido para toda a imagem apenas um único limiar. g(x,y) = 1, se f (x,y)> L0, se f (x,y)< L (2.2) Em uma mesma imagem pode ser estabelecido mais de um limiar, técnica esta denominada de multi-limiarização (GONZALEZ; WOODS, 2011). Esta técnica subdivide a imagem em mais de duas regiões, estabelecendo os limites inferior e superior de cada região de interesse. A partir de um histograma é possível observar a distribuição de probabilidade de ocorrência dos níveis de cinza em uma imagem. Quando uma imagem é escura, os componentes do histograma estão concentrados no lado inferior da escala de intensidades; já quando se tem uma imagem clara, os componentes redirecionam para o lado superior da escala. Para uma imagem com baixo contraste, há um histograma estreito localizado no meio da escala de intensidades. Os componentes do histograma em uma imagem de alto contraste cobrem uma faixa bem ampla da escala de intensidades (GONZALEZ; WOODS, 2011). Uma restrição da limiarização é que essa técnica dependente do valor de um limiar fixo, gerando resultados insatisfatórios quando as imagens possuem ruídos, imperfeições ou mudanças na tonalidade dos objetos de interesse. Os diversos trabalhos que propõem técnicas para encontrar valores ótimos de limiar são satisfatórios apenas em aplicações específicas (FILHO et al., 2017). 28 2.5 Morfologia matemática A Morfologia Matemática é uma teoria empregada no processamento e análise de imagens que utiliza operadores e funções baseadas em conceitos topológicos e geométricos (HEIJMANS; SERRA, 1996). Essa técnica pode ser aplicada com a finalidade de destacar componentes da imagem de acordo com formas descritivas e formatos geométricos distintos como também para a redução de ruídos da imagem (SERRA, 1983). A base da morfologia matemática é a teoria de conjuntos (SOILLE, 2013). O princípio é a análise da interação entre dois conjuntos: o conjunto que é formado pelos pixels da imagem e outro conjunto completamente definido chamado de elemento estruturante. A partir dessa interação, são definidos alguns operadores morfológicos básicos, tais como, a dilatação e a erosão. Suponha que A e E sejam dois conjuntos não vazios no espaço Z2, no qual A corresponde à imagem e E ao elemento estruturante. A erosão binária do conjunto A pelo conjunto E em Z2 é definida pela Equação 2.3 (GONZALEZ; WOODS, 2011). A erosão pode ser interpretada como o conjunto de pontos z em que B transladado por z está completamente contido em A. Ac é o complemento de A e ∅ é o conjunto vazio. Após esta operação, os pixels brancos da imagem são reduzidos. A E = {Z|(E)Z ∩Ac =∅} (2.3) Usando as mesmas definições apresentadas no parágrafo anterior, a dilatação dos pixels brancos é realizada para os conjuntos A e E a partir da Equação 2.4. O resultado dessa operação é a expansão dos pixels brancos presentes na imagem de entrada (GONZALEZ; WOODS, 2011). A⊕E = {Z|(Ê)Z ∩A 6=∅} (2.4) A Figura 6 exemplifica um processo de morfologia matemática para as operações de dilatação e erosão. A Figura 6.a é a imagem de entrada juntamente com um elemento estruturante de tamanho 3x3 no formato quadrado. Já as Figuras 6.b e 6.c ilustram o resultado para a dilatação e erosão, respectivamente. A erosão e a dilatação são operadores considerados elementares, pois a maior parte dos operadores morfológicos utilizados podem ser implementados a partir dos mesmos, por exemplo, o fechamento. O fechamento de um conjunto A por E é definido como a operação 29 Figura 6 – Morfologia matemática: a) Imagem de entrada com um elemento estruturante quadrado de tamanho 3x3, b) Imagem resultante da operação morfológica de dilatação e c) Imagem resultante da operação morfológica de erosão Fonte: elaborado pelo autor (2021). de dilatação seguida pela operação de erosão. Diante do exposto nos parágrafos anteriores, a operação de fechamento pode ser expressa pela Equação 2.5. Essa operação tem como resultado a conexão entre contornos próximos, bem como o preenchimento de lacunas no contorno da imagem alvo. A•E = (A⊕E) E (2.5) 2.5.1 Preenchimento de buracos O preenchimento de buracos consiste na reconstrução morfológica, que envolve operações de dilatação e erosão (MAJI et al., 2015). Este processo pode extrair todos os buracos e conectá-los à imagem original, fornecendo menos buracos para a imagem (CHUI; LAI, 2000; FAN; CHI, 2008). Para essa operação morfológica, um arranjo matricial X é criado do mesmo tamanho que o arranjo contendo A, que é a imagem. Há um outro arranjo matricial, E, que é o elemento estruturante. Inicialmente, o X é preenchido por zero, a exceção são nas coordenadas de X correspondentes aos pontos dados em cada buraco. Nessas coordenadas, o valor do pixel é definido como 1. Em etapas posteriores, o procedimento fornecido pela Equação 2.6 preenche todas as lacunas com 1. O procedimento realizado a partir dessa equação é ilustrado na Figura 7. X j = (X j−1⊕E)∩Ac j = 1,2,3, ... (2.6) O critério para finalizar o algoritmo está na iteração j quando X j = X j−1. Desse 30 Figura 7 – Fluxo do método de preenchimento de buracos: a) imagem de entrada antes de ser transformada em imagem binária destacando um orifício, b) o elemento estruturante, c) define A com o sombreamento, d) complemento de A, e) ponto de partida dentro do limite; f) h) várias etapas da Equação 2.6; i) resultado final é a união de c) e h); e j) gera imagem após operações b) - h) repetidas para os vários orifícios na imagem a) (c) (d)(b) (e) (f) (g) (h) (i) (j) (a) Fonte: elaborado pelo autor (2021). modo, o conjunto X j compõe todos os orifícios preenchidos. Sendo assim, X inclui todos os orifícios preenchidos e suas bordas. 2.6 Filtro de Mediana O filtro de mediana faz parte do grupo dos filtros espaciais não lineares. Sua operação baseia-se nas intensidades do nível de cinza da vizinhança da coordenada considerada. Este tipo de filtro é utilizado quando se deseja reduzir o ruído impulsivo de alta frequência nas imagens (BROESCH, 2009). Segundo JAIN et al. (2010), o filtro de mediana é a escolha primária nos casos em que a imagem deve ser usada posteriormente para operações de alto nível, como a segmentação. O filtro de mediana consiste em substituir as intensidades de todos ospixels em uma imagem pela mediana dos pixels presentes em uma máscara bidimensional de tamanho N x N. Por exemplo, considerando que a área da imagem para cálculo da mediana é uma matriz de 3x3, cujo pixel central na imagem de origem, Ao, é aquele para o qual se deseja calcular o correspondente na imagem destino, Aoi j (i=1,2,3| j=1,2,3) representa o valor do nível de cinza de cada ponto sobreposto pela máscara na imagem original. Para se determinar o nível de cinza Ad22 31 na imagem destino, correspondente à posição do pixel Aoi j na imagem origem, organizam-se os nove valores de nível de cinza, abrangidos pela máscara, em um vetor de nove elementos Vn(n=1,2,...,9), organizados em ordem crescente de seus valores de nível de cinza. O quinto valor (valor mediano) corresponderá ao valor do nível de cinza de Pd22 . A Figura 8 ilustra a ideia da aplicação do filtro de mediana. Figura 8 – Ilustração da aplicação do filtro de mediana 25556 157 69 87 0 96123 101 25556 15769 870 96 123101 Fonte: elaborado pelo autor (2021). 32 3 METODOLOGIA Neste capítulo é proposta uma abordagem para segmentar a gordura cardíaca utili- zando imagens de TC utilizando o padrão ouro obtido por um médico especialista e um cientista como referência. Uma visão geral da abordagem proposta é apresentada na Figura 9. A Seção 3.1 descreve as informações sobre o conjunto de dados utilizado neste trabalho. A Seção 3.2 descreve a etapa de pré-processamento que corresponde à aplicação do filtro de mediana. A Seção 3.3 aborda a aplicação do FoL na imagem e sua normalização. A etapa da limiarização que separa entre regiões pulmonares e da gordura com suas áreas internas é descrita na Seção 3.4. Por fim, conforme pode ser visto na Seção 3.5, há as etapas de preenchimento de buracos, seguida de processamento morfológico, união entre as regiões, uma nova limiarização e a remoção da parte superior da região de interesse. Após essas etapas há a obtenção da região de gordura cardíaca segmentada. A descrição das métricas utilizadas para avaliar a segmentação cardíaca está na Seção 3.6. 3.1 Conjunto de imagens O conjunto de imagens médicas utilizado é da base pública disponibilizada pela Visual Lab. Os dados correspondem a exames de TC do coração de dez pacientes. Todos os pacientes foram informados sobre os objetivos do estudo e assinaram o Termo de Consentimento Livre e Esclarecido (RODRIGUES et al., 2016a). Os dez exames correspondem a 407 imagens médicas. Algumas imagens do banco de dados disponibilizado são apresentados nas Figuras 10.a e 10.d. Todas as imagens adquiridas estavam no formato DICOM. As dimensões das imagens são de 512 pixels de largura por 512 pixels de altura. Um médico e um cientista da computação realizaram a segmentação manual das imagens no plano axial (RODRIGUES et al., 2016a). Essas segmentações são consideradas neste trabalho como o padrão ouro. As suas respectivas imagens padrão ouro são apresentadas nas Figuras 10.b e 10.e. Os especialistas rotularam as regiões na imagem por cores, sendo que a cor vermelha representa a gordura epicárdica, a cor verde representa a gordura mediastinal e a cor azul representa a lacuna entre as gorduras epicárdica e mediastinal, que também pode ser interpretada como pericárdio. Neste trabalho, o objetivo é segmentar a gordura do coração como um todo, sem 33 Figura 9 – Fluxograma de execução da abordagem proposta neste trabalho para segmentação da gordura cardíaca Ponto máximo Abrir imagem DICOM Filtro da mediana Floor of Log Normalização Limiarização Região pulmonar Preenchimento de buracos Região da gordura e suas áreas internas União das regiões Limiarização Região de Interesse abaixo do ponto máximo Gordura segmentada Comparação Morfologia matemática Fonte: elaborado pelo autor (2021). diferenciar os três tipos de gorduras: epicárdica, mediastinal e pericárdio. Portanto, na Figura 10, da esquerda para a direita, são apresentadas a imagem no formato DICOM, a imagem padrão ouro com a diferenciação do tipo de gordura e o padrão ouro considerando a gordura como um todo na cor azul (Figuras 10.c e 10.f). 34 Figura 10 – Amostras do conjunto de dados de imagens DICOM e suas respectivas imagens padrão ouro: a) e d) amostras do conjunto de dados de imagens médicas, b) e e) padrão ouro com a classificação do tipo de gordura, e c) e f) padrão ouro considerando a unificação dos tipos de gordura do coração (a) (b) (c) (d) (e) (f) Fonte: elaborado pelo autor (2021). 3.2 Pré-processamento Alguns ruídos na imagem TC do coração podem prejudicar a eficiência no agrupa- mento no algoritmo FoL. O uso de um filtro espacial de suavização auxilia no agrupamento dos pixels de uma imagem de forma local, atenuando a homogeneização da região de interesse como região externa (PEIXOTO et al., 2020). Os trabalhos de Omer et al. (2018) e Paranjape (2009) evidenciaram a eficiência da redução de ruído em imagens de TC com uma filtragem não linear a partir do filtro de mediana. Portanto, o primeiro estágio para a abordagem proposta foi aplicar nas imagens o filtro de mediana com uma vizinhança de conectividade igual a três. 35 3.3 Floor of Log No trabalho de Rodrigues et al. (2017), o tempo necessário para a segmentação de um exame por completo é de 1,8 horas. É fundamental superar essa limitação e tornar a segmentação da gordura cardíaca mais rápida e eficaz. Com a finalidade de contornar essa problemática, esse trabalho propõe o uso do algoritmo FoL. Peixoto et al. (2020) conseguiram uma queda significativa do tempo de segmentação 3D do pulmão utilizando esse método. O método desenvolvido por Peixoto et al. (2020) utiliza a Equação 2.1, cujo termo b ajusta a inclinação da transformação. A partir desse valor há o agrupamento dos pixels. Para descobrir o valor ideal da base do logaritmo para essa aplicação foi realizada uma etapa de treinamento. Essa etapa teve como finalidade minimizar iterativamente a função de custo atribuindo um valor fixo a b. O SVM foi utilizado neste trabalho para criar um hiperplano que separa os recursos essenciais de cada classe. O classificador SVM aprendeu a base da função logaritmo usada no método FoL. Houve dez validações cruzadas com 600 iterações, usando 0,001 como degrau. A etapa de treinamento determinou que o parâmetro mais adequado para base de logaritmo foi 1,562. Por conseguinte, a base do logaritmo foi utilizada na Equação 2.1. Logo, todos os pixels da imagem foram agrupados. Uma vez que as unidades Hounsfield apresentam grande variação entre as imagens tomográficas, foi realizado uma normalização na imagem. Variáveis que são medidas em escalas diferentes não contribuem igualmente para os métodos. Portanto, para lidar com esse problema potencial, a normalização em termos de intensidade foi realizada. Para isso, foi utilizada a escala mínimo-máximo. A imagem de entrada e a imagem resultante do algoritmo FoL com o filtro de mediana e a normalização são apresentadas, respectivamente, nas Figuras 11.a e 11.c. As imagens são acompanhadas pelos seus respectivos histogramas nas Figuras 11.b e 11.d. A partir dos histogramas, observa-se o agrupamento de modo local dos pixels, de forma que há a atenuação e homogeneização da região de interesse e seu cluster. Com o algoritmo FoL, cada cluster oferece um valor único que representa uma parte dos dados. Neste sentido, é extraído nas imagens tomográficas o valor correspondente ao coração e sua gordura envolta, como também outras regiões, como a região pulmonar. Essas regiões são percebidas na Figura 11.c, na qual há uma região com a tonalidade de um cinza mais escuro que representa a região do pulmão. Há também nessa figura duas regiões com tonalidades mais 36 Figura 11 – Análise da distribuição de probabilidade de ocorrência dos níveis de cinza em uma imagem. a) imagem de entrada, b) histograma da imagem a), c) imagem após aplicar o método Floor of Log com o filtro de mediana, e d) histograma da imagem c)(a) (b) (c) (d) Fonte: elaborado pelo autor (2021). claras que representam o coração e sua gordura, como também outras regiões do corpo humano. 3.4 Separação da região do coração com a pulmonar Em virtude de suas propriedades intuitivas, a simplicidade de implementação e a velocidade computacional, a segmentação por limiarização foi utilizada como etapa posterior ao FoL justamente para trabalhar com essas regiões encontradas na Figura 11.c. Um algoritmo para determinar automaticamente o limiar entre as regiões foi aplicado à imagem normalizada. Nesse algoritmo, cinco imagens por exame de TC são selecionados arbitrariamente para encontrar o valor do limiar L entre as regiões. Os histogramas das intensidades da imagem foram divididos em duas partes com base em um valor inicial padrão (PEIXOTO et al., 2020). As intensidades médias nas duas regiões foram calculadas e a média desses dois valores foi usada para a próxima imagem. 37 O algoritmo converge para o ponto médio entre os dois picos, que representam a região do pulmão e a gordura. Uma vez encontrado o limiar, todo o conjunto de imagens do mesmo paciente é separado entre a região da gordura e das áreas internas do coração e a região pulmonar. É ilustrado na Figura 12 um exemplo do resultado da limiarização. A região pulmonar pode ser notada na Figura 12.a e a região do coração com a gordura cardíaca e outras regiões na Figura 12.b. Figura 12 – Resultado da segmentação por limiarização, separando entre: a) região pulmonar e b) região interna do coração com a gordura e outras partes anatômicas (a) (b) Fonte: elaborado pelo autor (2021). 3.5 Removendo os ruídos presentes na imagem Três imagens da região pulmonar para três exames distintos são apresentadas na Figura 13. Em todas as imagens da Figura 13.a há algumas regiões na área do pulmão com buracos. Consequentemente, haveria erros na identificação das partículas agregadas. O método preenchimento de buracos foi aplicado para evitar tais problemas. Portanto, esse método fechou os buracos existentes, resultando em uma região homogênea. O resultado desse método pode ser visto na Figura 13.b. Posteriormente, foi aplicado o método de fechamento na imagem binária. Foi utilizado um elemento estruturante no formato de cruz e com vizinhança de conectividade igual a três. O resultado desse processamento é apresentado na Figura 13.c. A imagem resultante do método de fechamento, X (Figura 13.c) sobreposta com a imagem da região interna do coração com a gordura e outras partes anatômicas, B (Figura 14.b) 38 Figura 13 – De cima para baixo, três exemplos da etapa dos processos computacionais realizados na região pulmonar: a) imagem da entrada do pulmão, b) o pulmão após a aplicação do método de preenchimento de orifícios e c) o resultado após aplicar a morfologia matemática (fechamento) 1 2 3 Preenchimento de buracos Morfologia matemática: fechamento Imagem de entrada da região pulmonar c b a Fonte: elaborado pelo autor (2021). corresponde à região de interesse, I. Pelo ponto de vista matemático, foi aplicada a Equação 3.1 pois ela descreve essa operação. Essa operação é ilustrada na Figura 14. I(i. j) = X(i, j)⊗B(i, j) (3.1) A imagem após o processamento morfológico e a imagem com as outras regiões são apresentadas, respectivamente, nas Figuras 14.a e 14.b. A sobreposição é notada na Figura 14.c. As regiões que não forem comuns nessas duas imagens correspondem a ruídos. A Equação 3.1 remove essas regiões, conforme mostrado na Figura 14.d. Além da gordura do coração, há ainda outro componente do corpo humano na imagem. Essas regiões não são classificadas como gorduras, mas sim como parte de outra área do tórax. Essa região está no topo das imagens, conforme mostrado na Figura 14.d. Em alguns casos, isso pode confundir o método. O critério para retirada dessas regiões é a coordenada do ponto máximo do pulmão dos cortes axiais do exame. A imagem sem a presença dessa região superior pode ser observada na Figura 14.e. Após descartar essa região, apenas a gordura 39 Figura 14 – Remoção de ruídos após a segmentação: a) Imagem após o processamento mor- fológico da imagem, b) Imagem da região interna do coração com a gordura e outras partes anatômicas, c) Sobreposição das imagens a) e b), d) Região comum, e) Região de interesse, f) gordura do coração segmentada E B C A FD Fonte: elaborado pelo autor (2021). cardíaca segmentada permanece na imagem resultante, conforme mostrado na Figura 14.f. 3.6 Métricas utilizadas para avaliar a segmentação cardíaca Com o propósito de fornecer uma avaliação quantitativa do resultado da segmentação da gordura cardíaca, foram utilizadas métricas comumente adotadas na literatura para avaliar a abordagem deste trabalho. Além dessas métricas, outro método avaliativo adotado é o tempo de segmentação. As segmentações manuais realizadas por um médico especialista são adotadas como referência para a avaliação. Um diagrama do modo de aquisição desses parâmetros é ilustrado na Figura 15. O tempo de segmentação da gordura cardíaca utilizando a abordagem proposta neste trabalho considera tanto o tempo para segmentar uma imagem axial como também o tempo para segmentar todo o exame. O tempo do exame completo é o somatório do tempo de segmentação para cada imagem da TC. As métricas avaliativas neste trabalho têm como base o número de pixels que foram corretamente e/ou incorretamente atribuídos a uma região específica da imagem. Em um determinado caso em que a imagem resultante apresente apenas duas regiões, a segmentação pode ser interpretada como uma classificação (PONT-TUSET; MARQUES, 2016; PONT-TUSET; MARQUES, 2013). Nessa situação, cada pixel é rotulado como 0 ou 1, onde 1 significa que o pixel é da região de interesse, que neste trabalho é a gordura cardíaca, e 0 significa que o pixel está na região de fundo. 40 Figura 15 – Metodologia para aquisição do tempo de segmentação do exame, tempo de segmen- tação por imagem e métricas de avaliação Tempo de segmentação da imagem Imagem de entrada Processo Padrão ouro Padrão ouro (usado) Matriz de confusão Métricas Tempo de segmentação do exame Fonte: elaborado pelo autor (2021). A expectativa após o processo de segmentação é que a região segmentada seja a mais semelhante possível da região de interesse. Como ilustrado na Figura 16, a relação entre estas duas regiões é em função das medidas de Verdadeiro Positivo (VP), Verdadeiro Negativo (VN), Falso Positivo (FP) e Falso Negativo (FN), em que: – VP é igual à quantidade de pixels que estão tanto na região de gordura cardíaca segmentada manualmente por um especialista como na região segmentada pela abordagem proposta. – VN corresponde à quantidade de pixels que estão ausentes tanto na região de gordura cardíaca segmentada manualmente como na região segmentada pela abordagem computa- cional. – FP equivale ao número de pixels que não aparecem na região da gordura segmentada manualmente, porém aparecem na região segmentada pela abordagem computacional proposta. – FN é igual ao número de pixels que aparecem na região da gordura cardíaca segmentada, mas estão ausentes na região segmentada pela abordagem computacional. Os parâmetros que estão na matriz de confusão são usados para calcular algumas métricas avaliativas, como a acurácia e a especificidade. A métrica Acurácia (ACC) é a medida que representa a proporção de pixels identifi- 41 Figura 16 – Representação das regiões VP, VN, FP e FN. O círculo amarelo representa a região de interesse. Este círculo corresponde ao padrão ouro determinada pelos especialistas. O círculo azul representa a região segmentada, que é justamente aquela região obtida pela abordagem computacional FN VP FP VN Região de interesse Região segmentada Fonte: adaptado de GARCIA et al. (2015). cados corretamente em relação a todos os pixels na imagem. Seguindo os parâmetros da Figura 16, ACC é definido como segue na Equação 3.2. ACC = V P+V N V P+V N +FP+FN(3.2) A Especificidade (SPC) refere-se à capacidade da abordagem de segmentação predi- zer corretamente se um pixel faz parte da região na imagem da gordura cardíaca. Essa métrica é calculada a partir das medidas VN e FP, conforme a Equação 3.3. SPC = V N V N +FP (3.3) 42 4 RESULTADOS E DISCUSSÃO Este capítulo apresenta os resultados obtidos pela abordagem proposta apresentada no Capítulo 3 em comparação com outras abordagens do estado da arte (COMMANDEUR et al., 2018; RODRIGUES et al., 2017; RODRIGUES et al., 2016a; DING et al., 2014). Para a análise dos resultados foram utilizados dez exames de TC do coração, em que a gordura foi previamente segmentada por um médico e um cientista. Contabilizando todos os exames, o número de imagens segmentadas foi igual a 407. As discussões levam em consideração o tempo necessário para a segmentação da gordura, bem como as métricas de acurácia e especificidade. Toda a metodologia foi implementada na linguagem python utilizando o Pycharm IDE, juntamente com a biblioteca gratuita Open Source Computer Vision Library (OpenCV) 3.0. O processo computacional foi realizado em um computador com sistema operacional Windows 10, processador Intel Core i7 com 2,4GHz e 8GB de RAM. Três exemplos de imagens do exames de TC são mostrados na Figura 17. Cada corte axial apresentado é acompanhado da segmentação realizada pelos especialistas, o padrão ouro, bem como da segmentação a partir da abordagem proposta neste trabalho. É visualizado nessa figura o corte axial de três regiões distintas: uma imagem de corte da parte mais inferior do coração, outra imagem da parte intermediária e, por fim, uma imagem da parte mais superior. Essa visualização da segmentação em três cortes distintos é importante, uma vez que a quantidade de gordura cardíaca varia de acordo com a posição da imagem de corte. A segmentação a partir da abordagem proposta é satisfatória, conforme é mostrado na Figura 17. Vale ressaltar que a segmentação obtida por um profissional é subjetiva, e muitas vezes há regiões com gordura que são perdidas pelo especialista. Consequentemente, ocorre uma quantificação errônea da gordura e uma mudança na análise do médico especialista, resultando em um diagnóstico impreciso. Ao contrário da segmentação convencional que depende da habilidade e experiência do profissional, a abordagem proposta faz uso de um padrão de agrupamento de gordura; dessa maneira, há a redução da perda de gordura na segmentação. Conforme observado na Figura 17, a segmentação vai além da região de referência e cobre toda a gordura do coração. Para verificar a eficiência da abordagem são apresentadas nove imagens de TC na Figura 18. Para essa figura, a cor verde representa os pixels verdadeiros positivos, o branco representa os pixels verdadeiros negativos, o azul representa os falsos positivos e o vermelho representa os falsos negativos. 43 Figura 17 – Comparação da segmentação da gordura cardíaca realizada pelo especialista (coluna do meio) e pela abordagem proposta (coluna da direita), as imagens da coluna da esquerda são os exames. A coluna da esquerda é o respectivo exame em que as segmentações foram realizadas. A comparação é realizada para três imagens de cortes em posições distintas: inferior, intermediário e superior Su pe rio r In te rm ed iá rio In fe rio r Exame Especialista Abordagem proposta Fonte: elaborado pelo autor (2021). Nas imagens presentes na Figura 18 há uma proporção maior da quantidade de pixels verdes em comparação com a quantidade de pixels das outras cores, demonstrando precisão na segmentação da gordura. Essas outras cores estão nas imagens devido à supersegmentação ou subsegmentação. A supersegmentação, que se caracteriza pela cor vermelha, ocorre porque a vizi- nhança da região de interesse foi segmentada como um componente da gordura. Essa superseg- 44 Figura 18 – As imagens mostram as regiões de segmentação da gordura cardíaca obtidas pelo método proposto, adotando-se verde para os pixels verdadeiros positivos, o branco para os pixels verdadeiros negativos, o azul para os falsos positivos e o vermelho para os falsos negativos (a) (b) (c) Fonte: elaborado pelo autor (2021). mentação está relacionada com a divergência de marcações dos especialistas, no qual influência diretamente no treinamento e na detecção do método proposto. Os casos que apresentam subseg- mentação detectam apenas parte da gordura, que se caracteriza pela presença da cor azul. Esta análise mostrou que a abordagem proposta apresentou poucas regiões com falhas, pois a a cor 45 verde predominou, ou seja, o verdadeiro positivo. O tempo de segmentação por exame e o tempo médio de segmentação por imagem com seu respectivo desvio padrão para todos os dez exames são apresentado na Tabela 1. A variação no tempo necessário para a segmentação se deve ao número de imagens de cada exame. O tempo médio para realizar a segmentação de um exame completo é de 2,01 segundos. Essa abordagem não requer um alto custo computacional como as técnicas discutidas em trabalhos anteriores, o que justifica o reduzido tempo total de segmentação obtido. Tabela 1 – O tempo de segmentação da gordura cardíaca considerando o exame por completo e o tempo médio para segmentar cada imagem de corte. Os valores das métricas avaliativas acurácia e especificidade para cada exame Exame Tempo total (s) Tempo por imagem (s) Acurácia % Especificidade % 1 2,3033 0,0606 ± 0,001 95,3670 97,2789 2 1,8871 0,0524 ± 0,003 94,0768 97,6629 3 2,1883 0,0521 ± 0,001 92,9879 94,6785 4 1,8679 0,0534 ± 0,002 93,3473 93,0361 5 1,8312 0,0509 ± 0,013 95,2778 97,5384 6 2,0200 0,0518 ± 0,001 92,6731 94,2864 7 1,7959 0,0499 ± 0,009 91,7109 95,4651 8 2,2366 0,0532 ± 0,002 93,3946 96,9827 9 1,9336 0,0509 ± 0,001 90,7798 94,6130 10 2,0832 0,0521 ± 0.006 94,8576 93,6180 Média 2,0147 0,0528 ± 0.009 93,4472 95,5160 Fonte: elaborado pelo autor (2021). Conforme pode ser visto na Tabela 1, há também os valores das métricas acurácia e especificidade para cada exame segmentado. A partir dos resultados apresentados nessa tabela, é observado que o método proposto obteve em todos os exames uma acurácia maior que 90,0%, atingindo um acerto de 95,3670% no exame 1. Os valores de especificidade foram maiores que 93,0%, atingindo 97,5384% no exame 5. A especificidade valida o processo e os resultados da acurácia medindo a confiabilidade na segmentação. Além da eficiência ao longo do tempo, conforme discutido anteriormente, o método proposto é satisfatório no que diz respeito à precisão da segmentação. 4.1 Comparação da abordagem proposta com trabalhos relacionados Nesta seção, o desempenho da abordagem é comparado com trabalhos relacionados por meio de suas métricas de avaliação. Conforme descrito na Seção 1.1, métodos baseados 46 na limitação manual do contorno pericárdico e limiares adaptativos iniciaram a pesquisa sobre segmentação de gordura. A necessidade de um especialista para operar o sistema e revisar os resultados de cada exame torna essas soluções inviáveis para aplicações clínicas. Posteriormente, foram desenvolvidos métodos baseados em atlas, algoritmos de classificação e aprendizado profundo. Os estudos resultaram em segmentações precisas, porém o tempo de segmentação e o esforço computacional necessários tornaram inviável a sua integração nas rotinas clínicas. Além disso, ainda há o obstáculo de realizar a segmentação em pouco tempo para poder integrá-la no dia a dia dos médicos. O tempo de segmentação para um exame completo e o valor de acurácia tanto para a abordagem proposta como para os trabalhos de Rodrigues et al. (2017), Rodrigues et al. (2016a), Ding et al. (2014) e Commandeur et al. (2018) são apresentados na Tabela 2. Vale ressaltar que a precisão e o tempo da segmentação de diferentes métodos não são diretamente comparáveis, a menos que esses métodos sejam avaliados no mesmo conjunto de dados (CHEN et al., 2020). Isso é justificado pelo fato de que diferentesconjuntos de dados podem ter diferentes modalidades de imagem, diferentes populações de pacientes e diferentes métodos de aquisição de imagem, o que afetará a complexidade da tarefa e resultará em diferentes desempenhos de segmentação. Os estudos de Rodrigues et al. (2017) e Rodrigues et al. (2016a) utilizaram o mesmo conjunto de dados adotado neste trabalho. Para realizar uma comparação nas mesmas unidades, o tempo de segmentação foi convertido de horas para segundos. Por exemplo, no trabalho de Rodrigues et al. (2017) o tempo necessário foi de 1,8 horas, o que equivale a 6480 segundos. Em uma comparação direta com os trabalhos que utilizaram o mesmo conjunto de dados, a segmentação de toda a gordura cardíaca em um exame de tomografia computadorizada da abordagem proposta foi cerca de 1608 vezes mais rápida do que Rodrigues et al. (2017) e 3216 vezes de Rodrigues et al. (2016a). Portanto, em relação ao tempo gasto na segmentação, considerando desde o primeiro corte axial até que o exame esteja totalmente segmentado, a abordagem proposta apresentou uma diminuição no tempo necessário, sendo o mais rápido nessa categoria. O valor de precisão alcançado com esta metodologia é inferior aos valores de precisão alcançados por outras pesquisas realizadas anteriormente. No entanto, esses estudos obtiveram altos valores de acurácia em detrimento do tempo de segmentação ou da utilização de métodos com alto custo computacional, onde inúmeros dados são necessários para comprovar sua acurácia. 47 Portanto, os valores alcançados neste trabalho são tão satisfatórios quanto os obtidos em trabalhos anteriores. Esta pesquisa combina um tempo de segmentação da gordura cardíaca reduzido com resultados satisfatórios quanto às métricas de avaliação da segmentação. Tabela 2 – Comparação dos tempos de segmentação por exame da abordagem proposta com outros trabalhos da literatura Trabalho Tempo de segmentação do exame Acurácia Abordagem proposta 2,01 segundos 93,45% Rodrigues et al. (2017) 3240 segundos 98,72% Rodrigues et al. (2016a) 6480 segundos 97,7% Commandeur et al. (2018) 26 segundos - Ding et al. (2014) 60 segundos - Fonte: elaborado pelo autor (2021). 48 5 CONCLUSÕES E TRABALHOS FUTUROS Este capítulo apresenta as conclusões da dissertação alcançadas a partir dos objetivos apontados, da análise e das avaliações dos resultados obtidos. Além disso, são apresentadas as perspectivas de trabalhos futuros. Esta dissertação propõe uma nova abordagem automática e rápida para a segmentação da gordura que envolve o coração em exames de Tomografia Computadorizada sem contraste. A proposta inclui o uso do promissor algoritmo cluster Floor of Log combinado com Máquinas de Vetores de Suporte. Além dele, para o pré-processamento é utilizado o filtro de mediana, já para refinar os resultados obtidos com o FoL são utilizados a limiarização e processamento morfológico de imagens. A abordagem utilizou 407 imagens provenientes de dez exames de TC de uma base pública. As segmentações que foram referência para avaliar a abordagem proposta foram realizadas por um médico especialista e um cientista. Diversas contribuições são apresentadas nesta abordagem. Em se tratando de seg- mentação em imagens médicas, o tempo de processamento para os resultados e pré-diagnóstico é essencial nas rotinas clínicas. É nesse sentido que surge a primeira contribuição deste estudo. A abordagem concentra-se não apenas na precisão como também no tempo de segmentação. A maioria dos trabalhos da literatura foca apenas na precisão, em detrimento de um tempo que viabilize a sua integração como auxílio a médicos e especialistas. A segunda contribuição é o uso do algoritmo Floor of Log, proposto por Peixoto et al. (2020), em uma nova área de aplicação. Anteriormente, esse método havia sido utilizado para a segmentação 3D do pulmão. A terceira contribuição é o desenvolvimento de uma abordagem completamente automática, sem interação humana ou alguma forma de inicialização para a segmentação da gordura cardíaca. A quarta contribuição é a otimização da segmentação de gordura cardíaca com o FoL, combinado com o aprendizado de máquina e métodos de processamento digital de imagens, sendo capaz de segmentar a gordura do coração em poucos segundos. Os resultados indicam que a abordagem proposta pode integrar sistemas de auxílio ao diagnóstico médico para a segmentação da gordura envolta do coração a partir de imagens de tomografia computadorizada. A comparação dos resultados confirma fortemente o fato de que essa abordagem supera todas os outros métodos existentes em termos de tempo de segmentação, além de possuir valores métricos tão altos quanto os demais. Por fim, é justo afirmar que o estudo apresenta resultados que preparam um novo 49 campo de pesquisa para desenvolvimentos futuros. Considerando o que foi realizado e avaliado, as sugestões são: – avaliar a abordagem proposta em outras aplicações para auxílio ao diagnóstico médico em outras áreas; – generalizar a abordagem proposta para exames de tomografia computadorizada de três dimensões, o que irá possibilitar a segmentação 3D do exame completo do paciente; – avaliar novos métodos de pré-processamento e pós-segmentação com o objetivo de aumen- tar a precisão da segmentação da gordura cardíaca; – avaliar a abordagem para segmentar os tipos de gorduras epicárdica e mediastinal em exames de tomografia computadorizada. 50 REFERÊNCIAS BARBOSA, J. G.; FIGUEIREDO, B.; BETTENCOURT, N.; TAVARES, J. M. R. Towards automatic quantification of the epicardial fat in non-contrasted ct images. Computer methods in biomechanics and biomedical engineering, Taylor & Francis, v. 14, n. 10, p. 905–914, 2011. BERTASO, A. G.; BERTOL, D.; DUNCAN, B. B.; FOPPA, M. Gordura epicárdica: definição, medidas e revisão sistemática dos principais desfechos. Arquivos Brasileiros de Cardiologia, scielo, v. 101, p. e18 – e28, 07 2013. ISSN 0066-782X. BRINKLEY, T. E.; HSU, F.-C.; CARR, J. J.; HUNDLEY, W. G.; BLUEMKE, D. A.; POLAK, J. F.; DING, J. Pericardial fat is associated with carotid stiffness in the multi-ethnic study of atherosclerosis. Nutrition, Metabolism and Cardiovascular Diseases, Elsevier, v. 21, n. 5, p. 332–338, 2011. BROESCH, J. D. Chapter 7 - applications of dsp. In: BROESCH, J. D. (Ed.). Digital Signal Processing. Burlington: Newnes, 2009, (Instant Access). p. 125 – 134. ISBN 978-0-7506-8976-2. CHEN, C.; QIN, C.; QIU, H.; TARRONI, G.; DUAN, J.; BAI, W.; RUECKERT, D. Deep learning for cardiac image segmentation: A review. Frontiers in Cardiovascular Medicine, Frontiers, v. 7, p. 25, 2020. CHOI, T.-Y.; AHMADI, N.; SOURAYANEZHAD, S.; ZEB, I.; BUDOFF, M. J. Relation of vascular stiffness with epicardial and pericardial adipose tissues, and coronary atherosclerosis. Atherosclerosis, Elsevier, v. 229, n. 1, p. 118–123, 2013. CHUI, C. K.; LAI, M.-J. Filling polygonal holes using c1 cubic triangular spline patches. Computer Aided Geometric Design, v. 17, n. 4, p. 297 – 307, 2000. ISSN 0167-8396. COMMANDEUR, F.; GOELLER, M.; BETANCUR, J.; CADET, S.; DORIS, M.; CHEN, X.; BERMAN, D. S.; SLOMKA, P. J.; TAMARAPPOO, B. K.; DEY, D. Deep learning for quantification of epicardial and thoracic adipose tissue from non-contrast ct. IEEE transactions on medical imaging, IEEE, v. 37, n. 8, p. 1835–1846, 2018. COPPINI, G.; FAVILLA, R.; MARRACCINI, P.; MORONI, D.; PIERI, G. Quantification of epicardial fat by cardiac ct imaging. The open medical informatics journal, Bentham Science Publishers, v. 4, p. 126, 2010. CORRADI, D.; MAESTRI, R.; CALLEGARI, S.; PASTORI, P.; GOLDONI, M.; LUONG, T. V.; BORDI, C. The ventricular epicardial fat is related to the myocardial mass in normal, ischemic and hypertrophic hearts. Cardiovascular Pathology, v. 13, n. 6, p. 313 – 316, 2004. ISSN 1054-8807. CRAMMER, K.; SINGER, Y. On the algorithmic implementation of multiclass kernel-based vector machines. Journal of Machine Learning Research, p. 265–292, 2001. CRISTOBAL-HUERTA, A.; TORRADO-CARVAJAL,
Compartilhar