2021-tese-rmsarmento

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,