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 RÓGER MOURA SARMENTO DETECÇÃO E CLASSIFICAÇÃO DE ACIDENTE VASCULAR CEREBRAL EM IMAGENS DE TOMOGRAFIA COMPUTADORIZADA POR EXTRAÇÃO DE CARACTERÍSTICAS COM BASE NA ANÁLISE ADAPTATIVA DA VIZINHANÇA E ESTIMAÇÃO DE PARZEN FORTALEZA 2021 RÓGER MOURA SARMENTO DETECÇÃO E CLASSIFICAÇÃO DE ACIDENTE VASCULAR CEREBRAL EM IMAGENS DE TOMOGRAFIA COMPUTADORIZADA POR EXTRAÇÃO DE CARACTERÍSTICAS COM BASE NA ANÁLISE ADAPTATIVA DA VIZINHANÇA E ESTIMAÇÃO DE PARZEN Tese apresentada ao 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 doutor em Engenharia de Teleinformática. 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) S255d Sarmento, Róger Moura Sarmento. Detecção e Classificação de Acidente Vascular Cerebral em Imagens de Tomografia Computadorizada por Extração de Características com Base na Análise Adaptativa da Vizinhança e Estimação de Parzen / Róger Moura Sarmento Sarmento. – 2021. 153 f. : il. color. Tese (doutorado) – Universidade Federal do Ceará, Centro de Tecnologia, Programa de Pós-Graduação em Engenharia Civil: Recursos Hídricos, Fortaleza, 2021. Orientação: Prof. Dr. Pedro Pedrosa Rebouças Filho. 1. Acidente Vascular Cerebral. 2. Tomografia Computadorizada. 3. Densidade Radiológica. 4. Análise Adaptativa. 5. Janela de Parzen-Rosenblat. I. Título. CDD 627 Aos meus pais, por sua luta e dedicação em prol da minha educação. Pai, sua presença significou segurança e certeza de que não estou sozinho nessa caminhada. Mãe, seu cuidado e dedicação foram quem deram, em TODOS os momentos, a esperança para seguir em frente. Muito obrigado! AGRADECIMENTOS Durante estes seis últimos anos (mestrado e doutorado) muitas pessoas se fizeram presentes em minhas jornadas acadêmicas e da vida. Algumas já de longas datas, outras mais recentemente. Dentre estas pessoas algumas se tornaram muito especiais, cada uma ao seu modo, seja academicamente ou pessoalmente; e seria difícil não as mencionar. Primeiramente gostaria de agradecer à Jeová Deus, que através de meus pais, me concedeu a vida. Obrigado por sempre me confortar em todos os momentos da vida e pela oportunidade que me foi concedida de chegar onde cheguei. Muito obrigado Pai Altíssimo por toda a força, sabedoria e discernimento que me concedeste durante essa caminhada. À minha companheira, amiga, namorada, noiva e esposa Nayara Martins Costa Sarmento, pela inesgotabilidade do seu amor e paciência. Sua companhia foi a grande responsável por manter minha sanidade durante este período. Você constituiu todo o alicerce sobre o qual eu me apoiei para chegar até o fim desta jornada. Aos meus pais, a minha vozinha e as minhas irmãs, que nos momentos de minha ausência dedicados ao estudo superior, sempre fizeram entender que o futuro é feito a partir da constante dedicação no presente. À minha tia Suerda Maria Sarmento, você é uma das mulheres mais especiais da minha vida. Eu sempre vou ser grato por você estar ao meu lado e ser minha segunda mãe. Seu afeto, carinho e generosidade foram fundamentais em todas as minhas conquistas acadêmicas. A senhora é um exemplo de força, coragem e dedicação. Ao meu primo Henrique Filgueira Cavalcante, que assim como eu passou por momento de descrença, mas manteve o foco e alcançou seus objetivos. Você sempre torceu e comemorou minhas conquistas como se fossem suas, e de fato são. Em breve estarei aplaudindo de pé suas conquistas, elas também serão minhas. Em especial, ao Prof. Dr. Pedro Pedrosa Rebouças Filho, pela orientação, dedicação, incentivo, paciência (sei que demandei bastante) e puxões de orelha (reconheço que foram necessários). Eu admiro muito sua brilhante carreira de pesquisador e o considero uma pessoa de um coração enorme e grande sabedoria, com a qual ficarei feliz de manter a parceria no trabalho, nas pesquisas, na amizade, nos bolos e nos centos de salgados. Aos professores e amigos, Dr. Antônio Carlos da Silva Barros, Dr. Victor Hugo C. de Albuquerque e Dr. Carlos Maurício J. de Mattos Dourado Jr., pelos estímulos, orientações e disponibilidade em contribuir de forma valiosa no decorrer de toda a minha jornada mestrado- doutorado. A todos os meus amigos e companheiros de pesquisa do LAPISCO: Adriel, Aldísio, Douglas, Elene, Elias, Elizângela, Fabrício, Gabriel Bandeira, Gabriel Maia, Hércules, Iágson, J. Victor, Jefferson, Lucas, Marcos, Matheus Geras, Matheus X, Navar, Feijó, Roberto, Shara, Solon, Suane, Virgínia e Wellington. Vocês são a família que a vida me permitiu escolher. Todas as nossas conversas aleatórias, discussões, desabafos, momentos de diversão e comilança foram fundamentais para a conclusão dessa pesquisa. Agradecimentos especiais são direcionados ao Francisco Fábio Ximenes Vasconcelos, nossa parceria é muito produtiva e foi essencial para a conclusão desta tese. Aos meus amigos e parceiros de labuta, Jackanderson Charles, Jardel Chagas, Lean- dro Marinho, Lucas Silva e Madson Dias, nossa amizade se iniciou no mestrado e com certeza vai perdurar por toda a vida. Através dos professores Dr. Guilherme de Alencar Barreto e Dra. Fátima Nelsizeuma Sombra de Medeiros, meus sinceros agradecimentos a todo o corpo docente do PPGETI-UFC, que fazem com brilhantismo um programa de pós-graduação de destaque e referência na área. Agradeço a todos os meus 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. Aos meus amigos e colegas de labuta do IFCE campus Iguatu, do qual faço parte do corpo docente, por esse tempo ausente devido as atividades ligadas ao doutorado. A Universidade Federal do Ceará (UFC) e ao Instituto Federal do Ceará (IFCE), por toda a formação acadêmica que obtive em minha vida. Chego ao fim de um ciclo (graduação, mestrado e doutorado) de mais de 10 anos, do qual guardo com carinho as melhores lembranças e amizades que a convivência no campus me proporcionou. Por fim, a Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES), pelo financiamento da pesquisa de doutorado via bolsa de estudos. O meu sincero muito obrigado! "Eu guardei muitas coisas em minhas mãos, e perdi todas. Mas todas que coloquei nas mãos de Deus, essas eu ainda possuo" (Martin Luther King Jr.) RESUMO O Acidente Vascular Cerebral (AVC) constitui um grave problema de saúde mundial com elevados índices de mortalidade. Esta doença é a segunda maior causa de morte no mundo, com aproximadamente 5,7 milhões de casos por ano, caracterizando cerca de 10% de todos os óbitos mundiais. Além disso, o AVC ainda é uma das principais causas de morbidade, hospitalizações e incapacidades adquiridas. No entanto, as chances de recuperação são altas quando o diagnóstico é rápido e o tratamento apropriado é administrado. Dentre os exames de imagem que assistem no diagnóstico e tratamento do AVC, a Tomografia Computadorizada (TC) apresenta-se como a técnica mais adequada, uma vez que possibilita verificar a extensão e a severidade nos casos detectados. Por ser um problema com caráter emergencial, cuja identificação e mensuração precoce são difíceis, diversos estudos na área de Visão Computacional são realizados para desenvolver técnicase sistemas capazes de detectar e classificar um AVC automaticamente. Esses sistemas de auxílio ao diagnóstico médico utilizam as imagens obtidas por exames de TC para extrair informações imperceptíveis ao olho humano. Neste sentido, este trabalho centraliza seus esforços na etapa de caracterização da região de interesse propondo dois novos métodos para extração de características baseados na análise dos padrões de densidades radiológicas do tecido cerebral. Estes novos descritores são aperfeiçoamentos do método Analysis of Brain Tissue Densities (ABTD) e visam aumentar a acurácia e diminuir a subjetividade nas faixas de densidades radiológicas. O primeiro método, denominado Adaptive Analysis of Brain Tissue Densities (Adaptive ABTD) tem como principal contribuição a realização de uma análise adaptativa da vizinhança do pixel para então decidir a qual faixa de unidade Hounsfield (UH) o pixel pertence, ou seja, Adaptive ABTD leva em conta características locais de cada pixel e não só o valor de UH do pixel como na implementação original do Analysis of Brain Tissue Density (ABTD). Esta análise adaptativa em cada pixel da imagem faz com que os mapas de atributos criados pelo método proposto sejam mais suaves, evidenciando regiões do tecido cerebral mais claramente. O segundo método é o Parzen Analysis of Brain Tissue Densities (PABTD), esse descritor realiza uma análise probabilística sobre os níveis de atenuação radiológicas de cada pixels da imagem, isto significa que o PABTD estima uma função de densidade de probabilidade para cada pixel utilizando a técnica janela de Parzen-Rosenblatt. A inserção desta etapa de estimativa de probabilidade confere ao método maior acurácia e confiabilidade na determinação dos pixels reais de tecido cerebral. Esses métodos são abordagens específicas para extração de características relevantes em imagens de TC que auxiliem no processo de identificação e classificação dos tipos de AVC. Para a avaliação do desempenho dos descritores propostos, seus resultados são comparados com extratores já consolidados na literatura, como, por exemplo, matriz de coocorrência de níveis de cinza (GLCM), padrões binários locais (LBP), Momentos Estatísticos e o método ABTD original. Para isso os extratores foram aplicados em uma base de dados de imagens de TC do crânio contendo as classes de AVC: normal, isquêmico ou hemorrágico. Em seguida, os vetores de características resultantes foram utilizados como entrada para os classificadores Bayesiano, K-NN, MLP, SVM e OPF, que geraram scores para representar a probabilidade de as amostras pertencerem a cada uma das três classes. Os métodos propostos apresentaram resultados promissores, superando os demais extratores em todas as métricas estatísticas avaliadas. Os dois métodos alcançaram os melhores resultados quando combinados com o classificador SVM com kernel RBF atingindo uma taxa de acurácia média acima de 98%, F1 score acima de 97%, valor preditivo negativo e positivo acima de 97%. Com base na relevância dos resultados obtidos, pode-se concluir que os métodos Adaptive ABTD e PABTD são algoritmos úteis para extração de características de imagens de TC do cérebro e superiores aos demais descritores do estado da arte. Deste modo, pode-se concluir que estes métodos apresentam potencial para integrar sistemas que auxiliem o diagnóstico médico para detecção e classificação de AVC. Palavras-chave: Acidente Vascular Cerebral. Tomografia Computadorizada. Densidade Radio- lógica. Análise Adaptativa. Janela de Parzen-Rosenblatt. ABSTRACT Stroke is a severe global health problem with high mortality rates. This disease is the second leading cause of death globally, with approximately 5.7 million per year, characterizing about 10% of all deaths worldwide. Also, stroke is still a significant cause of morbidity, hospitalizations, and acquired disabilities. However, the chances of recovery are high when the diagnosis is early, and the appropriate treatment is administered. Among the imaging tests that assist in diagnosing and treating stroke, Computed Tomography (CT) is the most appropriate technique since it allows to verify the extent and severity of the detected cases. Since it is an emergency with difficult identification and early measurement, several Computer Vision studies have developed new techniques and systems capable of automatically detecting and classifying a stroke. These computer-aided diagnoses use the images obtained by CT scans to extract information invisible to the human eye. In this sense, this work focuses on characterizing the region of interest, proposing two new methods for extracting features based on the analysis of the patterns of radiological densities of brain tissue. These new descriptors are improvements to the Analysis of Brain Tissue Densities (ABTD) method and aim to increase precision and decrease subjectivity in the radiological density ranges. The first method, called Adaptive Analysis of Brain Tissue Densities, has as the main contribution an adaptive analysis of the pixel’s neighborhood to determine which Hounsfield unit (HU) range the pixel belongs to. Thus, Adaptive ABTD considers the local characteristics of each pixel and not only the HU value of a pixel as in the original implementation of ABTD. This adaptive analysis in each pixel of the image makes the feature maps created by the proposed method smoother, showing regions of the brain tissue more clearly. The second method, Parzen Analysis of Brain Tissue Densities (PABTD), is a descriptor that performs a probabilistic analysis on the radiological attenuation levels of each pixel of the image. The PABTD estimates a probability density function for each pixel using the Parzen-Rosenblatt window technique. The insertion of this probability estimation step gives the method greater precision and reliability in determining the actual pixels of brain tissue. These methods are specific approaches for extracting relevant features in CT images that assist in identifying and classifying stroke types. For the performance evaluation of the proposed descriptors, their results were compared with extractors already consolidated in the literature, such as grey-level co-occurrence matrix (GLCM), local binary standards (LBP), Statistical Moments, and the original ABTD method. The extractors were applied to a database of CT images of the skull containing three classes of stroke: normal, ischemic, or hemorrhagic. Then, the resulting feature vectors were used as input for the Bayesian, K-NN, MLP, SVM, and OPF classifiers, which generated scores to represent the probability of the samples belonging to each of the three classes. The proposed methods showed promising results, surpassing the other extractors in all evaluated statistical metrics. Both ways achieved the best results when combined with the SVM classifier with kernel RBF, reaching an average accuracy rate above 98%, F1 score above 97%, and negative and positive predictive value above 96%. Based on the results obtained, we conclude that the Adaptive methods ABTD and PABTD are practical algorithms for extracting features of CT images of the brain and superior to the other state-of-the-art descriptors. Thus, we conclude that these methods can integrate systems that assist medical diagnosis for detecting and classifying strokes. Keywords: Stroke. Computed tomography. Radiological density. Adaptive Analysis. Parzen- Rosenblatt window. LISTA DE FIGURAS Figura 1 – Mecanismos fisiopatológicos do Acidente Vascular Cerebral Isquêmico (AVCi) e do Acidente Vascular Cerebral Hemorrágico (AVCh). . . . . . . . . . . . 41 Figura 2 – Protótipo do primeiro tomógrafo de Hounsfield, desenvolvido em Londres no EMI Central Research Laboratories na década de 1960. . . . . . . . . . . . 45 Figura 3 – Representação esquemática das unidades que compõem a imagem de Tomo- grafia Computadorizada (TC) . . . . . . . . . . . . . . . . . . . . . . . . . 46Figura 4 – Esquema representativo das gerações de tomógrafos convencionais e suas diferenças quanto ao funcionamento. . . . . . . . . . . . . . . . . . . . . . 49 Figura 5 – Ângulos θ utilizados para o cálculo a matriz Gray-level Co-occurrence Matrix (GLCM), considerando d = 1. As transições para cada ângulo são computadas sempre em relação ao pixel central. . . . . . . . . . . . . . . . 56 Figura 6 – Processo de construção de uma matriz GLCM a partir da imagem. . . . . . 57 Figura 7 – Processo de formulação da unidade de textura Local Binary Pattern (LBP). . 59 Figura 8 – Exemplificação do método LBP sobre um pixel central gc = 160 com P = 8 e R = 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 Figura 9 – Exemplificação dos diferentes tamanhos de vizinhança para o LBP. . . . . . 60 Figura 10 – Exemplo de mapas de atributos em escala RGB gerados pelas diversas confi- gurações ABTD. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 Figura 11 – Exemplo do processo de classificação do método k-Nearest Neighbor (KNN). A amostra de teste (ponto verde) deve ser classificada entre as classes c1 (círculos azuis) ou c2 (círculos vermelhos). . . . . . . . . . . . . . . . . . . 67 Figura 12 – Resultado da aplicação do algoritmo KNN sobre um conjunto de dados formado por 200 amostras, exibindo os atributos x6 e x7, onde os pontos vermelho, verde e azul correspondem às classes. . . . . . . . . . . . . . . . 69 Figura 13 – Exemplo de uma rede Multilayer Perceptron (MLP) típica. . . . . . . . . . 73 Figura 14 – Papel desempenhado pelos neurônios das diferentes camadas de uma rede MLP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 Figura 15 – Fluxo de processamento do algoritmo backpropagation. Os dados seguem da entrada para a saída no sentido forward, e os erros, da saída para entrada no sentido backward. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 Figura 16 – (a) Conjunto de possíveis hiperplanos que separam as classes azul e vermelho e (b) O hiperplano de separação ótimo com máxima margem ρ e os vetores de suporte (apontados pelas setas) em uma distribuição dos dados no ℜ2. . . 78 Figura 17 – Transformação de um problema não linearmente separável em um linear- mente separável. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 Figura 18 – (a) Grafo completo de treinamento com duas classes e arestas ponderado, (b) Árvore de Custo Mínimo (ACM) do grafo completo e (c) Protótipos escolhidos (nós circulados) como sendo os elementos adjacentes de classes diferentes na ACM. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 Figura 19 – Ilustração da fase de classificação do Optimum Path Forests (OPF). (a) Amos- tra de teste t e suas conexões em todos os elementos do grafo de treinamento. (b) Caminho ótimo do protótipo mais fortemente conexo. . . . . . . . . . . 85 Figura 20 – Imagens de TC do crânio obtidas no plano axial. (a) paciente sadio, (b) paciente com AVCi e (c) paciente com AVCh. . . . . . . . . . . . . . . . . 88 Figura 21 – Fluxograma das etapas do processo de remoção da caixa craniana e segmen- tação do cérebro. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 Figura 22 – Exemplos de imagens de TC após a etapa de segmentação do cérebro (pri- meira linha) e mapas de atributos em escala RGB gerados pelo método Adaptive ABTD (segunda linha). A primeira coluna apresenta um exemplar de um voluntário saudável, a segunda um paciente com AVCh e a terceira um paciente com AVCi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 Figura 23 – Fluxograma das etapas do método Adaptive ABTD. . . . . . . . . . . . . . 92 Figura 24 – Fluxograma das etapas do método Parzen Analysis of Brain Tissue Density (PABTD). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 Figura 25 – Variação da acurácia dos classificadores para cada tamanho da janela de vizinhança Vi avaliado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 Figura 26 – Acurácia dos classificadores em cada nível de redimensionamento aplicado a imagem original. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 Figura 27 – Variação da acurácia dos classificadores paras os possíveis valores dos parâ- metros hn e k. A linha tracejada preta indica a acurácia máxima e mínima. . 113 Figura 28 – Mapas de atributos em escala RGB gerados pelos métodos Adaptive ABTD, PABTD e ABTD-7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120 LISTA DE TABELAS Tabela 1 – Exemplos de números de TC para diversos tecidos do corpo humano. . . . . 45 Tabela 2 – Parâmetros de janela típicos usados para interpretação de imagens TC. . . . 47 Tabela 3 – Descritores utilizados para a caracterização de matrizes de coocorrência. . . 58 Tabela 4 – Faixas de coeficientes de atenuação para diferentes tipos de tecidos e demais estruturas da caixa craniana em uma imagem de TC do crânio. . . . . . . . 62 Tabela 5 – Funções kernel mais comuns. . . . . . . . . . . . . . . . . . . . . . . . . . 80 Tabela 6 – Configuração da arquitetura do classificador MLP utilizada em cada um dos extratores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 Tabela 7 – Resultados de Acurácia (Acc), F1-Score (F1) score e tempo de extração (s) médios dos classificadores em conjunto com o método Adaptive ABTD para diferentes tamanhos de Vi. . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 Tabela 8 – Comparação dos resultados de cada combinação extrator/classificador con- siderando a Acc, F1 score, Negative Predictive Value (NPV) e Positive Predictive Value (PPV). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 Tabela 9 – Tempo médio de extração de características por imagem. . . . . . . . . . . 108 Tabela 10 – Resultados de Acc e F1 score dos classificadores para cada nível de redimen- sionamento aplicado as imagens da base dados de TC do cérebro. . . . . . . 110 Tabela 11 – Tempo de extração gasto para cada um dos níveis de redimensionamento aplicados a imagem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 Tabela 12 – Variação da Acc média dos classificadores para as quantidades de amostras k avaliadas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 Tabela 13 – Variação da Acc média dos classificadores para as larguras de janela hn avaliadas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 Tabela 14 – Comparação dos resultados de Acc, F1, NPV e PPV para cada combinação extrator/classificador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 Tabela 15 – Tempo médio para extração de características por imagem. . . . . . . . . . 117 Tabela 16 – Comparação dos resultados obtidos pelos métodos adaptive ABTD e PABTD.118 Tabela 17 – Comparação dos resultados de Acc, F1 score, NPV e PPV médios dos métodos propostos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 Tabela 18 – Tempo médio para extração de características por imagem. . . . . . . . . . 119 Tabela 19 – Resultados de Acc e F1 score da classificação de Acidente Vascular Cerebral (AVC) usando os métodos Adaptive ABTD, PABTD e os extratores utilizados nas pesquisas de Peixoto e Filho (2018), Pereira et al. (2018) e Dourado et al. (2019) sobre a mesma base de dados. . . . . . . . . . . . . . . . . . . . . . 123 LISTA DE ABREVIATURAS E SIGLAS ABTD Analysis of Brain Tissue Density Acc Acurácia ACM Árvore de Custo Mínimo ACR American College of Radiology AG Algoritmos Genéticos AHA American Heart Association AHTD Analysis of Human Tissue Densities AIT Ataque Isquêmico Transitório API Application Programming Interface ASA American Stroke Association AVC Acidente Vascular Cerebral AVCh Acidente Vascular Cerebral Hemorrágico AVCi Acidente Vascular Cerebral Isquêmico AVE Acidente Vascular Encefálico BMI BrainMachine Interfaces CAD Computer Aided Diagnosis CNN Convolutional Neural Networks DALY Disability-adjusted Life Years DICOM Digital Imaging and Communications in Medicine ED Evolução Diferencial EDK Estimativa de Densidade por Kernel F1 F1-Score FCM Fuzzy-C means FDA Fisher Discriminant Analysis FDP Função Densidade de Probabilidade FN Falso Negativo FP Falso Positivo FTK Features Tranformation based on K-means GBD Global Burden of Disease GLCM Gray-level Co-occurrence Matrix GPS Global Positioning System GPU Graphics Processing Unit GSM Global System for Mobile GT Ground Truth HL Hidden Layer IA Inteligência Artificial IoT Internet of Things IRM Imagem por Ressonância Magnética KNN k-Nearest Neighbor LBP Local Binary Pattern LDA Linear Discriminant Analysis LINDA Lapisco Image Interface for the Development of Applications MC Momentos Centrais ME Momentos Estatísticos MHU Momentos de Hu MI Momentos Invariantes ML Machine Learning MLP Multilayer Perceptron MOGA Multi-objectives Genetic Algorithm MtzC Matriz de Confusão NEMA National Electrical Manufacturers Association NN Nearest Neighbor NPV Negative Predictive Value OPF Optimum Path Forests PABTD Parzen Analysis of Brain Tissue Density PACS Picture Archiving and Communications Systems PCA Principal Component Analysis PDI Processamento Digital de Imagens PPS Pixel Pair Spacing PPV Positive Predictive Value PS Perceptron Simples PSO Particle Swarm Optimization RBF Radial Basis Functions RF Random Forest RG Region Growing RNA Rede Neural Artificial ROI Region of Interest RP Reconhecimento de Padrões SCM Structural Co-Occurrence Matrix SLIC Simple Linear Iterative Clustering SVM Support Vector Machine TC Tomografia Computadorizada TIF Transformada Imagem Floresta UH Unidades Hounsfield VC Visão Computacional VN Verdadeiro Negativo VP Verdadeiro Positivo WHO World Health Organization YLD Years Lived with Disability YLL Years of Life Lost SUMÁRIO 1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 1.1 Contextualização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 1.2 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 1.3 Estado da Arte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 1.4 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 1.4.1 Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 1.5 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 1.6 Produção Científica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 1.7 Organização da Tese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 2 FUNDAMENTAÇÃO TEÓRICA . . . . . . . . . . . . . . . . . . . . . . 40 2.1 Acidente Vascular Cerebral . . . . . . . . . . . . . . . . . . . . . . . . . 40 2.2 Tomografia Computadorizada . . . . . . . . . . . . . . . . . . . . . . . . 42 2.3 Reconhecimento de Padrões . . . . . . . . . . . . . . . . . . . . . . . . . 49 2.3.1 Seleção e Extração de Características . . . . . . . . . . . . . . . . . . . . 50 2.3.1.1 Momentos Estatísticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 2.3.1.2 Gray-level Co-occurrence Matrix . . . . . . . . . . . . . . . . . . . . . . . 55 2.3.1.3 Local Binary Pattern . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 2.3.1.4 Analysis of Brain Tissue Density . . . . . . . . . . . . . . . . . . . . . . . . 61 2.3.2 Classificadores de Padrões . . . . . . . . . . . . . . . . . . . . . . . . . . 63 2.3.2.1 K Nearest Neighbor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 2.3.2.2 Classificador de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 2.3.2.3 Multilayer Perceptron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 2.3.2.4 Support Vector Machine . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 2.3.2.5 Optimum Path Forests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 2.4 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 3 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 3.1 Aquisição de Imagens Médicas . . . . . . . . . . . . . . . . . . . . . . . 87 3.2 Remoção do Crânio e Segmentação do Cérebro . . . . . . . . . . . . . . 89 3.3 Adaptive Analysis of Brain Tissue Densities . . . . . . . . . . . . . . . . . 90 3.4 Parzen Analysis of Brain Tissue Densities . . . . . . . . . . . . . . . . . . 92 3.5 Métricas de Avaliação . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 3.6 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 4 RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 4.1 Configuração dos Extratores e Classificadores Utilizados na Análise Comparativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 4.2 Resultados do Adaptive ABTD . . . . . . . . . . . . . . . . . . . . . . . . 103 4.2.1 Otimização do Tamanho da Janela de Vizinhança . . . . . . . . . . . . . . 103 4.2.2 Resultados Qualitativos: Análise Comparativa . . . . . . . . . . . . . . . 105 4.3 Resultados do PABTD . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 4.3.1 Avaliação da Influência do Redimensionamento das Imagens e Otimização do Tempo de Extração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 4.3.2 Otimização dos Hiperparâmetros da Janela de Parzen-Rosenblatt . . . . . 112 4.3.3 Resultados Qualitativos: Avaliação Comparativa . . . . . . . . . . . . . . 115 4.4 Análise Geral dos Resultados . . . . . . . . . . . . . . . . . . . . . . . . 117 4.5 Comparação com Trabalhos Relacionados . . . . . . . . . . . . . . . . . 121 4.6 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 5 CONCLUSÕES, CONTRIBUIÇÕES E TRABALHOS FUTUROS . . . 127 5.1 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 5.2 Limitações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 5.3 Resumo das Contribuições Científicas . . . . . . . . . . . . . . . . . . . 131 5.4 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134 22 1 INTRODUÇÃO Esta tese propõe dois novos métodos de extração de caracterização relevantes capazes de descrever imagens de exame de tomografia computadorizada do crânio para auxílio ao diagnóstico de acidente vascular cerebral. Neste capítulo, apresentamos a motivação, a descrição do problema, os desafios e os objetivos da tese, bem como as principais contribuições e a produção científica. 1.1 Contextualização Os sistemas computacionais ou baseados em computador desempenham um papel fundamental em quase todos os âmbitos da vida, tendo um impacto significativo na sociedade moderna, tornando-se parte inerente em nossas vidas. Esses sistemas facilitam o armazenamento de grandes quantidades de dados, permitem um processamento rápido de informações e podem empregar técnicas de Inteligência Artificial (IA) para simular a atuação de peritos humanos. Devido a essas características, esses sistemas podem, portanto, ser empregados em uma ampla variedade de campos, como engenharia, processamento e armazenamento de dados, planejamento e programação, redes, educação e medicina. O desenvolvimento de sistemas computacionais associados ao conhecimento médico fornece uma ferramenta poderosa no auxílio ao diagnóstico de doenças e acompanhamento de seus tratamentos (REBOUÇAS FILHO, 2013). Nas últimas décadas houve uma explosão de interesse no campo conhecido como sistemas computacionais baseados em conhecimento, uma vez que, fornecem meios poderosos e flexíveis para a obtenção de soluções para uma variedade de problemas que muitas vezes não podem ser resolvidos por outros métodos maisortodoxos. Dentre as áreas promissoras para este fim destaca-se a imagiologia médica. Atualmente, dentre as tecnologias de imagens médicas mais comumente utilizadas, e que permitem a aplicação de sistemas computacionais em conjunto, destaca-se a TC (HOLMES et al., 2017). A TC possibilita a aquisição de imagens em cortes, sem sobreposição com melhor contraste entre os tecidos, permitindo a observação da topografia total da área de interesse. Em particular, na análise do cérebro e crânio (GILLEBERT et al., 2014) pois fornece informações detalhadas sobre a parênquima cerebral, tumores e outras doenças do cérebro, e ainda pode mostrar ossos, tecidos e vasos sanguíneos numa mesma imagem, sendo possível verificar a extensão e severidade, permitindo avaliar o fluxo e volume sanguíneo, podendo assim confirmar 23 a ocorrência de um AVC (EL-KOUSSY et al., 2014; HAAN et al., 2015). A TC faz uso de tecnologia computacional para gerar imagens digitais, em que o valor de cada voxel1 corresponde ao coeficiente de atenuação da intensidade dos raios-X, expresso em Unidades Hounsfield (UH)2 (DHAWAN, 2011). A escala é comumente utilizada entre -1000 UH e 3000 UH, onde cada tipo de tecido ou estrutura do corpo humano possui valores específicos. (YOUSEM, 2011; METTLER, 2018). Algumas nuances de uma imagem de TC podem ser usadas para destacar as dife- renças e similaridades entre os objetos que a compõem. O médico especialista realiza uma segmentação visual nos exames de TC para tentar distinguir determinadas áreas que possam apresentar qualquer alteração patológica, contudo, as alterações que aparecem nas imagens da TC são sutis e, em alguns casos imperceptíveis a uma simples análise visual (MESSAY et al., 2010). As mudanças são geralmente refletidas no contraste da junção que separa o tecido da matéria cinzenta e da substância branca (IYAMA et al., 2017). A identificação precoce dessas alterações ainda é um desafio e depende apenas da experiência do leitor, visto que as alterações que aparecem nas imagens de TC são sutis e em alguns casos imperceptíveis a uma análise visual humana. Assim, uma análise computacional pode revelar um número muito maior de atributos que não podem ser detectados pelo olho humano (OSTREK et al., 2016; AGHAEI et al., 2017). Com sistemas computacionais baseados no conhecimento médico e a utilização de técnicas de Visão Computacional (VC), é possível processar essas imagens realçando detalhes, antes inalcançáveis por um observador humano, reduzir o tempo de análise dos exames e, ao mesmo tempo, aumentar a acurácia no diagnóstico, auxiliando o médico especialista em suas interpretações (SARMENTO, 2016). Considerando-se a necessidade de interpretação das neuroimagens, da urgência na identificação do tipo de lesão e da possível indisponibilidade momentânea de médico radiologista, torna-se de grande utilidade os sistemas Computer Aided Diagnosis (CAD) (BONANNO et al., 2015). Em geral, os sistemas CAD utilizam técnicas provenientes VC, IA, Processamento Digital de Imagens (PDI), Reconhecimento de Padrões (RP) com a finalidade de detectar, segmentar, reconhecer/identificar e classificar uma Region of Interest (ROI) em uma determinada imagem, de modo automático ou semiautomático. Estes sistemas são divididos basicamente 1 Voxel: O nome voxel é um portmanteau (neologismo com origem na mistura de palavras) de "Volume"e "Pixel". Pixel é o menor ponto bidimensional de uma imagem, enquanto Voxel é o menor ponto tridimensional de uma imagem digital. 2 Unidade Hounsfield: (ou números CT), assim chamada em homenagem a Godfrey N. Hounsfield, inventor do primeiro aparelho de tomografia computadorizada. 24 em cinco etapas: (i) aquisição das imagens, (ii) pré-processamento, (iii) segmentação (às vezes pós-processamento), (iv) seleção e extração de atributos e (v) reconhecimento/classificação (GONZALEZ et al., 2009). Na etapa de aquisição, a imagem é capturada por meio de dispositivo físico que deve ser sensível ao espectro de energia eletromagnético, como por exemplo ao espectro de raio-X, e que converta o sinal elétrico analógico produzindo para uma representação adequada para a etapa subsequente. Usualmente, na aquisição de imagens médicas, são utilizados equipamentos de raios-X, ultrassonografia, tomógrafos, ressonância magnética, dentre outros. A imagem resultante desta primeira etapa pode apresentar imperfeições decorrentes das condições do ambiente ou do equipamento, o que torna a aferição e calibração dos dispositivos de aquisição indispensável (FORSYTH; PONCE, 2011; SZELISKI, 2011). A etapa de pré-processamento tem a função de melhorar a qualidade da imagem. É comum realçar determinadas características para condicionar a imagem para as etapas seguintes e, normalmente, são utilizadas várias técnicas de PDI para supressão de ruído, suavização de determinadas propriedades da imagem e correção de contraste ou brilho (GONZALEZ; WOODS, 2010). A segmentação é a etapa responsável pelo delineamento e identificação das áreas de interesse, dividindo a imagem em regiões de similaridades de acordo com propriedades pré-definidas ou estabelecendo contornos baseados na detecção de descontinuidades (bordas). Esta fase é de fundamental importância em um sistema de VC, visto que, quaisquer erros ou distorções presentes nesta etapa se refletem nas demais etapas (NIXON; AGUADO, 2008). A etapa de seleção e extração de atributos é onde se inicia a etapa propriamente dita de análise da imagem. Nesta etapa são realizadas medidas na imagem segmentada ou pós- processada, ou até mesmo na imagem em tons de cinza. Através dessas medidas, os grupos de pixels são descritos por atributos característicos, gerando dados quantitativos para o objetivo final. Nesta fase os atributos (características) da(s) ROI são obtidos e, muitas vezes, representados por dados numéricos chamados de descritores. Para esta etapa a entrada ainda é uma imagem, mas a saída é um conjunto de dados correspondentes àquela imagem, cuja estrutura é conveniente ao sistema de classificação e reconhecimento (SONKA et al., 2014). Na etapa de classificação e reconhecimento, o objetivo é realizar, de forma auto- mática, a identificação dos objetos que compõem a imagem de acordo com sua semelhança, rotulando aos objetos em grupos ou classes previamente estabelecidas. Normalmente esse processo é realizado por técnicas de RP e IA, que empregam os atributos extraídos (DUDA et 25 al., 2006; GONZALEZ et al., 2009). Por fim, os dados obtidos são apresentados da forma mais conveniente para a aplicação, podendo ser na tela de um computador, relatórios, banco de dados ou outras formas de saída de dados. Considerando a quantidade de informações que uma imagem de TC e os benefícios de sua utilização para o diagnóstico e tratamento do paciente, diversas pesquisas tem sido realizadas com o intuito de desenvolver ferramentas que auxiliem no processo de extração e análise de informações contidas na imagem. Os sistemas CAD têm atraído a atenção de cientistas, pesquisadores e radiologistas por serem um tópico de pesquisa desafiadora e terem um alto potencial em aplicações clínicas. Em se tratando de auxílio no diagnóstico e tratamento de AVC, sistemas CAD são capazes, dentre outras coisas, de conseguir detalhes em imagens que são difíceis de estimar e susceptíveis ao viés do médico e, consequentemente, elevando a confiabilidade nas análises realizadas, proporcionando inclusive maior segurança quanto a escolha do melhor tratamento. Neste sentindo, técnicas de extração de atributos são propostas e analisadas para acelerar e melhorar a análise dos exames. Esta etapa é primordial em um sistema CAD, visto que, é a partir desta fase que é criado o conjunto de atributos que será utilizado posteriormente na etapa reconhecimento e classificação. A extração dos atributos mais importantes em uma imagem evidencia as diferenças e similaridades entre os objetos. Para projetar um sistema CAD eficiente e combaixa complexidade, o conjunto de atributo criado na etapa de extração deve conter atributos pertinentes sobre as classes a serem reconhecidas. Desta forma, esta tese centraliza seus esforços na etapa de extração de característi- cas e classificação de padrões em imagens de TC do cérebro para identificação e classificação de Acidente Vascular Cerebral (AVC), em que dois novos extratores de características são propostos e validados. 1.2 Motivação A estimativa mais recente da Global Burden of Disease (GBD) (WANG et al., 2016; FEIGIN et al., 2017) mostram uma crescente aumento de mortes por doenças cardiovasculares. Este efeito é provavelmente causado pelo aumento e envelhecimento da população mundial, bem como pela diminuição global das taxas de mortalidade nas últimas décadas (KATAN; LUFT, 2018). Doenças cardiovasculares são um grupo de doenças que afetam o coração ou os vasos sanguíneos e incluem: enfarte agudo do miocárdio, AVC, cardiopatia congênita, miocardiopatia, arritmia cardíaca, aneurisma e trombose venosa. Segundo a World Health 26 Organization (WHO), observa-se um aumento recente na carga de doenças cardiovasculares, principalmente em países subdesenvolvidos e, são atualmente, a principal causa de morte em países em desenvolvimento, e espera-se que continue sendo a principal causa de mortalidade no mundo durante a próxima década (WORLD HEALTH ORGANIZATION et al., 2013; WORLD HEALTH ORGANIZATION et al., 2018a). Dentre essas doenças, destaca-se a alta morbidade por AVC (CID 10 - I64), que é considerada por estudos recentes como a segunda maior causa de morte em todo o mundo (MENDIS et al., 2011; WORLD HEALTH ORGANIZATION et al., 2018b). O AVC acontece quando o suprimento de sangue que vai para o cérebro é interrom- pido ou drasticamente reduzido, privando as cédulas de oxigênio e de nutrientes resultando em perda ou diminuição de suas funções na região afetada no cérebro. Dependendo da causa pode ser hemorrágico ou isquêmico. AVCi decorre devido o entupimento ou estreitamento de um vaso sanguíneo enquanto que o AVCh ocorre quando a um rompimento causando um derrame (hemorragia) na região cerebral (ASSOCIATION, 2016; CAPLAN, 2016). O AVC é um problema de saúde mundial e tem sido um dos maiores desafios para a saúde pública e a medicina como um todo (MENDIS et al., 2011). Segundo a WHO das 17.8 milhões de mortes por doenças cardiovasculares em 2016, 5.7 milhões foram causadas por um AVC, atrás apenas da doença cardíaca hipertensiva (CID 10 - I11) com 9.4 milhões de mortes (WORLD HEALTH ORGANIZATION et al., 2018b). No relatório de Estatístico de Doenças Cardíacas e AVC da American Heart Association (AHA), somente no ano de 2015 o AVC foi responsável por ≈ 1 de cada 19 mortes nos Estados Unidos. Totalizando 795.000 mortes, em média, a cada 4 minutos, alguém morria de AVC (BENJAMIN et al., 2018). E, apesar de ser mais comum em idosos, a AHA estima que entre 2011 e 2014 ≈ 7 milhões de jovens, com mais de 20 anos, sofreram um AVC (BENJAMIN et al., 2018). Segundo Virani et al. (2020), outro impacto relacionado ao AVC, além da alta taxa de mortalidade, é que muitos sobreviventes têm sequelas graves e incapacitantes. Das pessoas acometidas pelo AVC cerca de 30% morrem ou ficam incapacitadas de desempenhar as funções mais simples do dia-a-dia, como caminhar ou se alimentar. Outros 40% ficam com sequelas que limitam as atividades diárias (WINSTEIN et al., 2016). Somente nos EUA, entre 2014 e 2015, os custos diretos e indiretos giram em torno de 45.5. bilhões de dólares. A despesa média por paciente ficou estimado em 7.902 dólares. Tendo em conta os custos médicos diretos totais, até 2035, esses valores deverão crescer progressivamente chegando a 94.3 bilhões de dólares 27 (VIRANI et al., 2020). As estatísticas sobre AVC no Brasil são alarmantes e representam um verdadeiro desafio para a saúde nas próximas décadas. O Brasil é o 6º país em número de AVC, após China, Índia, Rússia, Estados Unidos e Japão. Entre os países da América Latina, é o país com maior mortalidade por AVC tanto em homens como em mulheres (CAPIñALA; BETTENCOURT, 2020; SILVA et al., 2018; AVEZUM et al., 2015). No estudo feito por Santana et al. (2018), a partir de dados do Ministério da Saúde, somente em 2016 ocorreram 107.258 mortes por AVC, uma taxa de incidência de 138.31 para cada 100.000 brasileiros, com mortalidade de 63.15, 1437.74 anos de vida perdidos ajustados por incapacidade (Disability-adjusted Life Years (DALY)3), 14.77 anos de vida com deficiência (Years Lived with Disability (YLD)) e 1337.74 anos de vida perdidos (Years of Life Lost (YLL)). Contudo, quanto mais rapidamente um AVC for tratado, maior a probabilidade de o dano cerebral ser menos grave e melhores as chances de recuperação. É importante ressaltar que o diagnóstico rápido é uma das etapas mais importantes na terapia já que cada tipo requer um tratamento específico (KERNAN et al., 2014). Em se tratando de AVC, a TC se apresenta como a técnica mais adequada, pois permite verificar a extensão e severidade do AVC, mais viável financeiramente, pois apresenta menor custo, maior rapidez, além de ser menos afetado por ruídos e estar disponível a um maior de hospitais (SARMENTO, 2016; REBOUÇAS FILHO et al., 2017c). Vale ressaltar ainda que as chances de reversão são maiores quando a terapia é aplicada em uma janela de até três horas após o início dos sintomas. A cirurgia só é indicada em casos extremos, para retirar trombos ou coágulo, visando aliviar a pressão cerebral ou revascularizar as veias ou artérias comprometidas (SARMENTO et al., 2019). A avaliação inicial de um paciente com sinais de AVC deve ser breve e sistemática, porém se faz necessário a participação de um médico especialista para confirmar a suspeita clínica, identificando o tipo de AVC e sua localização, por meio de exame de imagem, para estabelecer a conduta e os critérios de inclusão e exclusão do uso de tratamento trombolítico, além de determinar as demais medidas terapêuticas e obter os parâmetros para acompanhamento evolutivo do paciente (SOCIEDADE BRASILEIRA DE DOENÇAS CEREBROVASCULARES et al., 2001). Tendo consciência dessas complexidades, pesquisas para desenvolvimento de ferra- 3 No processo de mensuração dos estudos de carga global de doença o principal indicador é o DALY, que mede simultaneamente o efeito da mortalidade e dos problemas de saúde que afetam a qualidade de vida dos indivíduos. Um DALY quer dizer um ano de vida saudável perdida, e incorpora conceitos de morte prematura e anos vividos com incapacidade. 28 mentas que auxiliem o diagnóstico do médico especialista, especificamente na análise de imagens de TC, podem contribuir com a oferta de meios para identificação e avaliação do desenvolvimento da doença, bem como a resposta da mesma ao tratamento adotado. Nesse contexto, os sistemas CAD têm atraído a atenção de cientistas, pesquisadores e radiologistas por serem um tópico de pesquisa desafiadora e terem um alto potencial em aplicações clínicas. O desenvolvimento desses sistemas é de imensa importância para procedimentos pré-cirúrgicos e pós-cirúrgicos pois reduz o número de falsos positivos e o tempo necessário para um diagnóstico preciso, além de diminuir a variabilidade inter e intra-especialistas. Considerando-se a necessidade de interpretação das imagens resultantes de TC, da urgência na identificação do tipo de lesão e da possível indisponibilidade momentânea de médico radiologista, torna-se de grande utilidade um sistema de suporte ao tratamento clínico dos casos em questão. O intuito deste trabalho é desenvolver uma ferramenta de auxílio ao médico especialista no processo de diagnóstico de AVC por meio de imagens de TC do crânio. 1.3 Estado da Arte Desde a descoberta dos raios-X em 1985, pelo físico alemão Wilhelm Conrad Röentgen4, a imagenologia diagnóstica têm evoluído progressivamente, tornando-se cada vez mais requisitada e essencial na medicina clínica atual. Comtécnicas cada vez mais sofisticados que mostram estruturas internas do corpo em detalhes, permitindo uma avaliação muito mais rica e completa. Essas tecnologias são notáveis ferramentas no auxílio no diagnóstico de diversas patologias (DHAWAN, 2011). Atualmente existem diversas modalidades de diagnóstico por imagem. Entre as mais utilizadas tem-se: radiografia, TC, Imagem por Ressonância Magnética (IRM), angiografia, densitometria óssea, mamografia, ultrassonografia e medicina nuclear. A melhor modalidade de diagnóstico por imagem é aquela que apresenta uma melhor resolução espacial e de contraste, baixo custo, portabilidade, livre de risco, não ser invasiva e ter a capacidade de descrever as funções anatômicas e fisiológicas. Porém, como nenhuma satisfaz todos esses critérios, cabe ao médico decidir qual irá solicitar, levando em conta os riscos e as vantagens que estará proporcionando ao seu paciente. Nesse contexto, em particular a TC, diferenciar-se como o método mais indicado 4 Nobel de Física, em 1901, por ter produzido e detectado radiação eletromagnética nos comprimentos de onda correspondentes aos atualmente chamados raios-X. 29 e eficaz para identificar um AVC, pois oferece imagens detalhadas – o que ajuda a evitar complicações potencialmente fatais, como a formação de coágulos. Uma imagem de TC cerebral representa uma fatia da caixa craniana onde encontra-se diversas estruturas, como pele, ossos, meninges, substância cinzenta (ou córtex cerebral), substância branca, cisternas, ventrículos, sulcos, vasos e artérias, possuindo cada uma, funções e informações específicas. Assim, para a análise, localização e diagnósticos de um AVC, é necessária a identificação correta dos elementos do parênquima cerebral como ponto de partida. Para uma utilização eficiente desse nível de detalhamento os sistemas CAD surgem como uma ferramenta de colaboração na análise de imagens médicas melhorando a precisão e a consistência dos diagnósticos radiológicos e reduzindo o tempo de leitura e análise das imagens. É importante ressaltar que os sistemas CAD não visam substituir o médico e sim funcionar como um segundo especialista, ajudando na interpretação dos exames como um sistema dedicado para fornecer uma segunda opinião ou validação clínica com base em análises quantitativas automatizadas. O objetivo do CAD não é de diagnóstico, mas sim de alertar o radiologista para áreas específicas, em que a análise do radiologista da área demarcada irá decidir a necessidade de estudos adicionais (AGHAEI et al., 2017). Vários sistemas CAD têm sido desenvolvidos pela comunidade cientifica especiali- zada em processamento de imagens. Dentre estas, aplicações voltadas para mamografia, raios-X e TC de tórax surgiram como produtos comerciais na última década (FENTON et al., 2007; CALAS et al., 2012; EL-DAHSHAN et al., 2014; BONANNO et al., 2015; HUA et al., 2015; AGHAEI et al., 2017; PEREIRA et al., 2018; SARMENTO et al., 2019). No que se refere ao AVC, métodos de auxílio à detecção, segmentação e classificação vem sendo desenvolvidos objetivando a caracterização da região do enfarto a partir de informações extraídas de exames de TC. No trabalho de Gomolka et al. (2017) os autores descreveram quantitativamente a caracterização de contraste das regiões de AVCi em relação ao parênquima cerebral normal em exames de TC sem contraste. As regiões afetadas foram caracterizadas de forma mais eficiente pelos valores médios de 8,28 , 6,60 e 7,55 . A diversidades dos resultados evidencia a dificuldade na identificação e segmentação de um AVCi, de forma manual ou automática, em exames de sem contraste. O que mostra que o campo de pesquisa é bastante desafiador e está aberto para novas pesquisas e técnicas de detecção e segmentação em TC sem contraste. As pesquisas de Inoue et al. (2017) e Iyama et al. (2017) avaliaram a utilidade da 30 técnica Iterative Model Reconstruction em imagens TC para o auxílio ao diagnóstico AVCi agudo. Os resultados mostram que a técnica diminuiu o ruído das imagens e aumentou o contrate da área infartada aumentando o desempenho do leitor na detecção da área infartada. Contudo, o estudo apresenta limitação com relação ao tamanho da base de dados. Aguiar et al. (2016) elaboraram um algoritmo para detecção de AVCh em imagens de TC do crânio utilizando técnicas de limiarização, detecção de bordas e operadores morfológicos. O algoritmo foi testado em uma base de dados composta por 307 imagens de TC de diferentes pacientes. O método apresentou acurácia e especificidade de 100%, baixo custo computacional e consumo de tempo no processo de detecção. Os autores acreditam que o método por ser embarcado e usado em um sistema CAD auxiliando médicos residentes e especialistas em radiologia. Pereira et al. (2018) desenvolveram um sistema de detecção e classificação de tipos de AVC utilizando Convolutional Neural Networks (CNN) com hiper parâmetros otimizados com Particle Swarm Optimization (PSO). Os testes foram realizados em uma base de dados formada por 300 imagens, sendo 100 pacientes sadios e 200 com AVC (100 com AVCh e 100 com AVCi). O resultado dessa abordagem foi a classificação correta de todos os pacientes com AVCi. Considerando os indivíduos saudáveis, apenas alguns foram associados como pacientes hemorrágicos, em relação aos pacientes hemorrágicos alguns foram relacionados como isquêmicos, mas nenhum paciente hemorrágico foi classificado como saudável. Contudo, os autores buscam outras alternativas para melhorar os resultados, aumentando a base de dados e testando diferentes técnicas de aprendizagem profunda. Aghaei et al. (2017) elaboraram um sistema para detectar, segmentar e quantificar o AVCh em imagens de TC cerebral sem contraste. O sistema utiliza o algoritmo Region Growing (RG) para segmentar a região cerebral, em seguida usa o threshold adaptativo para detectar o tecido cerebral normal, sangue e a líquido cefalorraquidiano. Os resultados foram examinados visualmente, comprovando a precisão e a eficiência computacional na segmentação automática. Haan et al. (2015) avaliaram o algoritmo Clusterize no processo de segmentação de AVCi em imagens de TC e IRM. Os resultados foram comparados com o padrão-ouro, segmentado por um médico especialista, em relação ao mapa final da lesão, tempo de proces- samento e confiabilidade interobservador. Os resultados dos testes de similaridade mostram que a concordância entre os mapas de lesão gerados pelo algoritmo Clusterize e os mapas de lesão gerados manualmente foram excelentes, sugerindo que a precisão de algoritmo é compa- rável à precisão do padrão-ouro. Os autores ressaltam que o algoritmo Clusterize foi capaz de 31 acelerar significativamente a demarcação da lesão sem perda de precisão ou reprodutibilidade. Além disso, a abordagem semiautomatizada ainda permite uma rotina de controle de qualidade humana não implementada em métodos totalmente automatizados, evitando a perpetuação de erros em análises posteriores. Já Bhadauria et al. (2015) realizaram uma análise comparativa entre as técnicas thresholding, RG, fuzzy clustering e active contour no processo de segmentação de hemorragias cerebrais. Os resultados destes métodos são comparados com o padrão-ouro delineado manualmente pelo especialista. Os resultados mostram que o método baseado em active contour supera outras abordagens em termos de precisão. Hajimani et al. (2015), os autores desenvolveram um sistema CAD para segmentação automático de AVC em imagens de TC. O sistema utiliza uma rede neural Radial Basis Func- tions (RBF) em conjunto com o Multi-objectives Genetic Algorithm (MOGA) para otimizar o classificador e seus parâmetros de entrada, assegura a generalização e reduzindo a complexidade do modelo. Posteriormente, Ruano et al. (2016) e Hajimani et al. (2017) melhoraram o método introduzindo informações sobre a assimetria cerebral em conjunto com outras 51 características estatísticas na entrada da rede RBF.Essa abordagem foi comparada com outras três publicações, superando-as em termos de acurácia, especificidade e precisão. Contudo, apesar ser capaz de detectar a grande maioria das lesões, o método identificava muitos falsos positivos, além de ser limitado a um único tipo de AVC. Freitas et al. (2015) abordaram o problema de segmentação de AVCi em imagens de TC utilizando informações de textura, extraídas com descritores de Haralick, e usadas pata alimentar uma rede MLP encarregada da classificação de cada pixel da imagem e informar quais pixels correspondem ou não a região isquêmica. Nos testes realizados o sistema obteve, em média, 98% de acurácia e 77% de precisão, mostrando-se capaz de segmentar a região cerebral atingida pelo AVC com precisão. Yahiaoui e Bessaid (2016) propuseram uma abordagem para segmentar regiões isquêmicas em imagens de TC com o aumento do contraste das imagens visando melhorar a diferenciação de áreas hipodensas dos tecidos normais, facilitando a extração da zona isquêmica, de modo a ajudar os especialistas a diagnosticar e determinar o melhor tratamento. O método proposto é baseado em Pirâmide Laplaciana (LP) e no classificador Fuzzy- C means (FCM). Os resultados experimentais mostram que o método é mais adequado pequenas lesões de AVCi, em casos de grandes ou múltiplas lesões o algoritmo retorna segmentações insatisfatórias. Sun et al. (2015) propuseram um novo método de segmentação tridimensional (3D) 32 de uma AVCh em exames de TC do cérebro. A segmentação é realizada por meio de uma abordagem supervoxel baseado no Simple Linear Iterative Clustering (SLIC) e refinado com o algoritmo Graph Cut. A principal contribuição desse método é a generalização da segmentação bidimensional (2D) tradicional para uma abordagem 3D, de modo que a informação intraframe das imagens de TC seja utilizada para obter melhores resultados de segmentação. Resulta- dos experimentais demonstram que a abordagem proposta fornece segmentação semelhante ao padrão-ouro, rotulada manualmente por um médico especialista, e supera os métodos 2D existentes em termos de precisão e tempo de segmentação. Rebouças et al. (2017) desenvolveram uma nova abordagem Level Set baseada na probabilidade de distribuição normal para segmentar AVCh em imagens do TC. O método propõe uma inicialização ótima do Level Set, onde o level zero é determinado pela análise das densidades radiológicas do tecido cerebral. Esses ajustes de nível tornam à segmentação do AVC mais eficiente. Quando comparado com outros algoritmos de segmentação legados, o método proposto foi mais estável, rápido e obteve acurácia e F-Score superior aos demais métodos. A extração e segmentação correta do cérebro em imagens de TC é um pré-requisito importante em um sistema CAD, pois melhora a velocidade computacional e a precisão das análises quantitativas. Nesse sentindo, Akkus et al. (2019) desenvolveram um método de segmentação do tecido cerebral em imagens de TC do crânio utilizando CNN. Foram treinados vários modelos da CNN em 122 tomografias e testados em 22 imagens com base no Ground Truth (GT) feito por dois médicos especialistas. O melhor modelo obteve precisão de acurácia de 98% e 100% respectivamente. Os autores acreditam que esse método fornecerá uma ferramenta de extração rápida do cérebro para processamento adicional ou triagem de doenças cerebrais a partir de imagens de TC cerebral. No entanto, ressalta que o treinamento da CNN com uma base de dados composta por imagens mais finas pode ser usado para melhorar a capacidade de generalização e reduzir a quantidade de conjunto de dados de treinamento. Rebouças Filho et al. (2017a) e Rebouças Filho et al. (2017c) desenvolveram um novo método de extração de características baseado em padrões de densidade radiológica do tecido humano para auxiliar na detecção e classificação de AVC em exames de TC. Os métodos foram testados em conjunto com diversos classificadores em uma base de dados composta por 420 imagens de TC, e comparados com extratores já consolidados na literatura. Os resultados mostram que o método proposto pode ser usado para integrar sistemas CAD, podendo ser usado em aplicações em tempo real devido ao seu rápido tempo de extração de atributos. Os 33 autores relatam dificuldades em determinar quais os limites superior e inferior paras as faixas de atenuação radiológica dos tecidos cerebrais, ou seja, a quantidade de atributos sem que o extrator reduza seu poder de generalização. Jeena e Kumar (2015) utilizaram características de textura de imagens de TC cerebral como entrada para um classificador Support Vector Machine (SVM) afim de detectar e determinar o tipo de AVC. O classificador foi implementado com três funções de kernel (linear, quadrática e RBF) afim de investigar a escolha mais apropriada. O método alcançou resultados de acurácia acima de 80% com os três kernels utilizados, porém os resultados mais promissores foram do kernel linear com sensibilidade, especificidade e precisão acima dos 90%. A avaliação de desempenho da abordagem proposta valida sua eficácia e robustez, contudo os autores relatam que uso de grandes e variados conjuntos de exames de TC deve melhorar o desempenho do sistema e garantir a repetibilidade do desempenho resultante. No trabalho de Ostrek et al. (2016), os autores também desenvolveram uma solução baseada em análise de textura para o reconhecimento de tecidos de AVC em TC. Porém, a solução proposta utilizou vários descritores numéricos nos domínios de Fourier 2D, Fourier 2D polar e multiescala. Os experimentos obtiveram acurácia próxima a 75%, vale ressaltar que os casos utilizados foram avaliados anterior por radiologistas com acurácia média de 61,0%. Comparando os resultados do método com a análise dos radiologistas, o diagnóstico não é simples, mas o método desenvolvido expande o conjunto de recursos úteis e classificadores conhecidos na detecção e diferenciação de AVC. Shahangian e Pourghassem (2016) propuseram um sistema automático de detecção, localização e classificação de subtipos de AVCh em exames de TC utilizando a abordagem de classificação hierárquica composta por dois classificadores individuais combinados em uma estrutura semelhante a um classificador de árvore de decisão. Após a etapa de segmentação, o primeiro classificador verificar a ocorrência de regiões hemorrágicas, caso não seja detectada, a imagem é rotulada como pertencendo à classe normal. Porém, se a região hemorrágica for detectada o segundo classificador (uma SVM multiclasse) determina se a hemorragia é subdural, subaracnóide ou intracerebral. No primeiro nível, a classe hemorrágica foi separada da classe normal com taxa de acurácia de 92,46% e no segundo nível, os três tipos de hemorragia foram classificados pela SVM com acurácia de 94,13%. Os resultados comprovam a precisão e a sensibilidade do método na detecção, localização e classificação de hemorragias cerebrais, podendo ser parte integrante de um sistema CAD. Hoje em dia, além dos sistemas CAD, os dispositivos Internet of Things (IoT) 34 vem promovendo importantes evoluções e desenvolvimentos significativos na área da saúde. São diversas as aplicações da IoT na medicina, com benefícios para pacientes, pesquisadores, unidades e profissionais de saúde. Uma das principais vantagens de incorporar dispositivos IoT na área de saúde é que ela torna a área menos dependente do ser humano e, consequentemente, menos suscetível a erros humanos, o que a torna mais focada no paciente ao mesmo tempo. Embora a IoT na saúde pareça parte de um futuro distante, ela já é realidade para pesquisadores, médicos, hospitais, e empresas de tecnologia, que têm se unido para desenvolver dispositivos socialmente relevantes. Esses dispositivos podem ser estendidos para diversas finalidades, como extração de informações do paciente, monitoramento do prognóstico de doenças neuronais e na neurorreabilitação. Dourado et al. (2019) desenvolveram um frameworkIoT para a classificação de tipos de AVC a partir de imagens de TC utilizando CNN e o conceito de Transfer Learning, combinando diferentes métodos de Machine Learning (ML) já consolidados. O sistema foi validado em uma base de dados composta por 420 imagens dos quais 140 eram pacientes e 280 estavam com AVC (140 hemorrágicos e 140 isquêmicos). Os resultados mostraram que a CNN obteve 100% de acurácia, F-score e precisão em combinação com a maioria dos classificadores testados. A principal limitação desses sistemas é que eles requerem hardware de alto poder computacional para gerenciar as requisições e realizar o processamento e classificação das imagens. Karaca et al. (2019) implementaram um aplicativo para dispositivos móveis Android, baseado em Cloud Computing, para identificar subtipos de AVC (cardioembólico e criptogênico) a partir de informações demográficas, histórico médico, resultados de exames laboratoriais, tratamento e dados de medicamentos ingeridos pelos pacientes. Os pacientes com AVC serão informados sobre sua condição de saúde por meio de uma Application Programming Interface (API) para uma rede MLP treinada com um conjunto de dados tem 300 observações, onde os primeiros 150 dados são de pacientes cardioembólicos e os 150 restantes pertencem a pacientes criptogênicos. Considerando a taxa de acerto de 85,3% o sistema mostra-se altamente preciso, podendo ser adaptado para outros distúrbios e doenças. Em Nayak et al. (2019), os autores propõem um dispositivo IoT wearable inteligente para prevenção de acidentes cardiovasculares. O dispositivo vestível monitora sinais vitais de indivíduos a distância, registrando frequência cardíaca, pressão arterial, temperatura corporal e as condições do ambiente de forma eficiente e precisa, e informar instantaneamente a pessoa 35 possíveis incidentes e fatalidades. Esses parâmetros são necessários em uma avaliação diagnós- tica primária para detectar uma possível ocorrência de AVC. Todos os dados são armazenados em um banco de dados e podem ser usados para analisar futuras das condições do paciente por um médico. Além disso, o dispositivo conta com módulos de Global Positioning System (GPS) e Global System for Mobile (GSM), que permite notificar os médicos sobre a situação crítica dos pacientes e a sua localização. Libove et al. (2016) projetaram um protótipo Brain Machine Interfaces (BMI) portátil, flexível, com baixo custo e consumo de energia, capaz de rastrear tumores cerebrais e ajudar a determinar o tipo de AVC, permitindo uma intervenção precoce. O grande desafio para a implantação bem-sucedida deste protótipo é o desenvolvimento de algoritmos para combinar as respostas de pulso de uma matriz de antenas, para produzir uma imagem utilizável do parênquima cerebral. Shwetha et al. (2018) apresentaram um sistema multissensorial que investiga padrões de caminhada para prever uma marcha cautelosa em pacientes pós-AVC. Este sistema utiliza sensores internos do smartphone e um calçado IoT wireless para monitorar discretamente a pressão da palmilha e as acelerações do movimento do paciente. Podendo, assim, alertar o usuário sobre sua marcha anormal, e, possivelmente, salvá-lo de acidentes. No trabalho de (BOBIN et al., 2018a) propuseram uma nova plataforma que pretende fazer parte de um ecossistema de dispositivos IoT para monitoramento doméstico de pacientes pós-AVC usando objetos comuns que incorporam sensores. Os primeiros testes foram realizados com um copo IoT que incorpora vários sensores para captar dados e servir de entrada para uma SVM detectar quando o usuário está sentado, em pé, andando, subindo e descendo escadas e bebendo. Em (BOBIN et al., 2018b), os autores também apresentaram uma plataforma para monitorar a atividade de braços e mãos de pacientes com AVC durante exercícios de reabilitação no hospital e em casa durante suas atividades de vida diária. A plataforma fornece dados relevantes ao terapeuta, a fim de avaliar o estado físico do paciente e adaptar o programa de reabilitação, se necessário. A revisão bibliográfica evidência que grande parte das pesquisas concentram esfor- ços no desenvolvimento de ferramentas ou sistemas especialista em um tipo específico de AVC. A maioria dos trabalhos utilizam imagens de exames de TC, ratificando a importância deste exame no diagnóstico e tratamento contudo, a ausência de grandes bases de dados de exames de TC e a dependência de um padrão-ouro, que deve ser laudado por um médico especialista, limitam a generalização dos resultados. Várias pesquisas tem o escopo definido na segmentação, extração de características e identificação/classificação de um AVC utilizando técnicas de PDI, 36 ML e métodos de RP. Contudo, poucas pesquisas relatam sobre extração de caraterísticas com metodologia baseada nas faixas de densidades radiológicas dos tecidos cerebrais. São escassos os trabalhos que apresentam alguns testes comparativos entre as diversas escalas de atenuação radiológica definidas pelos diversos autores especializados na área médica. Utilização da tecno- logia IoT, Edge Computing e Wearables são realidades que estão em constante desenvolvimento e tem recebido bastante atenção tanto da academia quanto da indústria devido ao seu potencial de uso nas mais diversas áreas das atividades humanas inclusive na medicina. Porém, embora tais sistemas sejam objeto de pesquisa por diversas instituições ao redor do mundo, poucos sistemas são aplicados na prática. Principalmente porque esse tipo de sistema exige alto desempenho, tanto na velocidade de execução quanto no grau de acerto dos resultados. Nesse sentido, esta tese propõe dois métodos de extração de características para exames de TC do crânio baseados nas faixas de atenuação radiológica do tecido cerebral. Esses novos descritores são aprimoramentos do método ABTD desenvolvidos pelo autor Sarmento (2016). O primeiro método, denominado Adaptive ABTD, realiza uma análise adaptativa sobre cada pixel da imagem levando em consideração os índices de atenuação radiológica dos pixels de sua vizinhança. O segundo método, chamado PABTD, utiliza a técnica janela de Parzen- Rosenblatt para estimar a Função Densidade de Probabilidade (FDP) de cada pixel pertencer a um tipo de tecido cerebral. Esses novos descritores visam minimizar a subjetividade dos índices de atenuação radiológica dos diferentes tecidos cerebrais uma vez que, dependendo do tomógrafo e da radiação efetiva utilizado no exame esses valores podem variar. Podendo ser parte integrados de um sistema CAD para auxiliar o médico radiologista na formulação do diagnóstico médico final. 1.4 Objetivos O objetivo geral desta tese é propor dois novos métodos para a extração de caracterís- ticas em imagens de TC do crânio, baseados nas faixas de atenuação radiológica dos tecidos do corpo humano, com o propósito de construir uma ferramenta computacional capaz de representar a parte relevante do exame para se executar a tarefa de identificação e classificações de um AVC. Podendo ser parte integrante de um sistema de CAD para auxiliar médicos especialistas na formulação do diagnóstico, prognóstico e tratamento. 37 1.4.1 Objetivos Específicos Além do foco geral, este trabalho possui outros objetivos específicos, tais como: • superar as limitações do método Analysis of Brain Tissue Density (ABTD) quanto a subjetividade das faixas de densidades radiológicas; • aplicar e avaliar os métodos propostos em uma base de dados composta por diferentes exames de TC do cérebro; • realizar um estudo comparativo entre diversos métodos de extração de características junta- mente com os métodos propostos a fim de identificar qual extrator é mais robusto, eficiente e retorna atributos mais relevantes para o processo de classificação e reconhecimento de padrões cerebrais; • simular e avaliar o poder descritivo dos algoritmos propostos juntos a diversos classifica- dores na identificação e classificação de tipos de AVC; • classificartrês padrões cerebrais, a saber: normal, AVC Hemorrágico ou Isquêmico. 1.5 Contribuições As principais contribuições desta tese são: 1. extratores de características para imagens de TC craniana baseados nas densidades radio- lógicas do tecido cerebral humano; 2. novos métodos de extração de características que geram descritores eficientes e com apenas 14 atributos; 3. novos métodos de extração de características eficientes, robustos, de baixo custo computa- cional e que podem integrar sistemas CAD; 4. novo extratores que torna os intervalos das faixas de UH menos suscetíveis à subjetividade das diversas configurações de fixas de UH presentas na literatura especializada; 5. um novo descritor que realiza uma análise adaptativa da vizinhança do pixel para aumentar o contraste entre os limites das faixas de UH, proporcionando assim detalhes mais suaves e claros; 6. um novo descritor que utiliza métodos de estimativa de densidade não paramétrico para medir a probabilidade de cada pixel pertencer a uma determinada região UH. 38 1.6 Produção Científica A produção científica durante o doutorado resultou na publicação e submissão de artigos científicos a periódicos e congressos. A seguir estão listadas as publicações diretamente relacionadas à pesquisa descrita neste documento: • Artigos Publicados em Journals & Magazines: 1. SARMENTO, Róger M., VASCONCELOS, Francisco F. X., REBOUCAS FILHO, Pedro P., DE ALBUQUERQUE, Victor Hugo C.. An IoT platform for the analysis of brain CT images based on Parzen analysis. Future Generation Computer Systems, v. 105, p. 135-147, 2020. (Qualis B1 em Engenharias IV). 2. VASCONCELOS, Francisco F. X.; SARMENTO, Róger M.; REBOUÇAS FILHO, Pedro P.; DE ALBUQUERQUE, Victor Hugo C.. Artificial intelligence techni- ques empowered edge-cloud architecture for brain CT image analysis. Engineering Applications of Artificial Intelligence, v. 91, p. 103585, 2020. (Qualis A1 em Engenharias IV). 3. REBOUÇAS FILHO, Pedro P., SARMENTO, Róger M., HOLANDA, Gabriel B., DE ALENCAR LIMA, Daniel. New approach to detect and classify stroke in skull CT images via analysis of brain tissue densities. Computer methods and programs in biomedicine, v. 148, p. 27-43, 2017. (Qualis A1 em Engenharias IV). 4. REBOUCAS FILHO, Pedro P., REBOUÇAS, Elizângela de S., MARINHO, Leandro B., SARMENTO, Róger M., TAVARES, João Manuel R.S., DE ALBUQUERQUE, Victor Hugo C.. Analysis of human tissue densities: A new approach to extract features from medical images. Pattern Recognition Letters, v. 94, p. 211-218, 2017. (Qualis A1 em Engenharias IV). 5. SARMENTO, Róger M., VASCONCELOS, Francisco F. X., REBOUCAS FILHO, Pedro P., WU, Wanqing, DE ALBUQUERQUE, Victor Hugo C.. Automatic neu- roimage processing and analysis in stroke — A systematic review. IEEE reviews in biomedical engineering, v. 13, p. 130-155, 2019. (Latest Impact Factor 2018: 6.18 | Latest H-Index 2018: 36). • Artigos Publicados em Congressos e Conferências: 1. REBOUÇAS, Elizângela de S.; BRAGA, Alan. M.; SARMENTO, Róger M.; 39 MARQUES, Regis. C. P.; REBOUCAS FILHO, Pedro P.. Level set based on brain radiological densities for stroke segmentation in CT images. In: 2017 IEEE 30th International Symposium on Computer-Based Medical Systems (CBMS). IEEE, 2017. p. 391-396. 2. MEDEIROS, Aldísio G., SANTOS, Lucas de O., SARMENTO, Róger M., RE- BOUÇAS, Elizângela de S., DE ALBIQUERQUE, Victor Hugo C., REBOUÇAS FILHO, Pedro P. New Fast Morphological Geodesic Active Contour Method for Segmentation of Hemorrhagic Stroke in Computed Tomography Image. In: 2020 9th Brazilian Conference on Intelligent Systems (BRACIS). SBC, 2020. 3. MARQUESA, Adriell G., SOUZA, Luís Fabrício de F., SANTOS, Matheus A. dos, NASCIMENTO, José Jerovane da C. SARMENTO, Róger M., LUCENA, Iago B., SILVA, Iágson Carlos L. REBOUÇAS FILHO, Pedro P.. Automatic Segmentation of Hemorrhagic Stroke on Brain CT Images Using Convolutional Neural Networks Through Fine-Tuning. In 2022: IEEE World Congress on Computational Intelligence (WCCI2022). IEEE, 2022. 1.7 Organização da Tese Além do capítulo introdutório esta tese conta com outros quatro capítulos e está dividida conforme se segue: Capítulo 2: este capítulo discorre os principais aspectos relativos ao acidente vascular cerebral, sua etiopatogenia e epidemiologia, tipos, tratamentos e recomendações. Apresenta conceitos sobre imagens médicas e a tomografia computadorizada. Por fim, apresenta as técnicas de extração de características e os classificadores utilizadas nesta pesquisa. Capítulo 3: são abordadas as contribuições deste trabalho: os métodos de extração de características baseados em densidades radiológicas, suas metodologias de desenvolvimento e uma análise da seleção dos seus parâmetros e possíveis configurações. Capítulo 4: são mostrados os resultados obtidos e realizadas as suas discussões. Capítulo 5: são apresentadas as conclusões, limitações, principais contribuições desta tese e as recomendações para a continuidade dos trabalhos nesta área de estudo. 40 2 FUNDAMENTAÇÃO TEÓRICA Neste capítulo, primeiramente, é apresentado os principais aspectos do acidente vascular cerebral, sua etiopatogenia, epidemiologia, tipos, tratamentos e recomendações. A Seção 2.2 faz uma breve introdução sobre o desenvolvimento, evolução e os princípios básicos da TC. Na Seção 2.3 são apresentadas as técnicas de extração de características e a metodologia dos classificadores de padrões utilizados neste trabalho. 2.1 Acidente Vascular Cerebral O Acidente Vascular Cerebral (AVC), ou Acidente Vascular Encefálico (AVE), ou ainda derrame como é chamado popularmente, é uma síndrome clínica de origem vascular presumida, caracterizada por sinais de desenvolvimento rápido e inesperados de distúrbio focal ou global das funções cerebrais que duram mais de vinte e quatro horas ou que levam a morte (PARTY et al., 2012). Segundo Virani et al. (2020), o AVC acontece quando o sangue para de fluir para qualquer parte do cérebro, danificando as células cerebrais. Alterações no suprimento de sangue para uma região específica do cérebro, interrompendo o fornecimento de oxigênio e nutrientes, resultam em uma parada ou diminuição da atividade cerebral da região prejudicada (KERNAN et al., 2014). Os efeitos de um derrame dependem da parte do cérebro que foi danificada e da quantidade de danos causados. A grosso modo, o AVC é uma doença que ocorre devido ao entupimento ou rompimento dos vasos sanguíneos do sistema nervoso central (SARMENTO, 2016). Existem dois tipos de AVC: o isquêmico (AVCi) e hemorrágico (AVCh), conforme é ilustrado na Figura 1. A determinação do tipo de AVC depende fundamentalmente do mecanismo que o originou. O AVCi decorre devido o entupimento de um vaso sanguíneo enquanto que o AVCh ocorre quando a um rompimento causando um derrame (hemorragia) na região cerebral. Existe um subtipo de AVCi chamado de Ataque Isquêmico Transitório (AIT) ou mini AVC, que é caracterizado por um bloqueio temporário do vaso sanguíneo, com sintomas semelhantes a um AVCi, mas que geralmente duram menos de cinco horas e não causa danos permanente ao cérebro (GONZÁLEZ et al., 2011). Uma vez que não causa danos permanentes, muitas vezes é ignorado. O que é um erro, pois um AIT pode sinalizar um AVC à frente (PARTY et al., 2012). Dados da AHA mostram que 87% dos AVC são de natureza isquêmica e os demais hemorrágicos (VIRANI et al., 2020). Existem diversos fatores que aumente a probabilidade de 41 Figura 1 – Mecanismos fisiopatológicos do AVCi e do AVCh. (a) AVCi (b) AVCh Fonte: Adaptado de HEART AND STROKE FOUNDATION OF CANADA (2020). ocorrência de um AVC, seja ele hemorrágico ou isquêmico. O estudo GBD (KATAN; LUFT, 2018) mostra que 91% dos casos de AVC pode ser atribuído a fatores de risco modificáveis, hipertensão, obesidade, hiperglicemia (diabetes tipo 2), hiperlipidemia (colesterol alto) e disfun- ção renal, e 74% podem ser atribuído a fatores de risco comportamentais,
Compartilhar