Projeto final

Prévia do material em texto

PROJETO FINAL
IMAGENS MÉDICAS 2
Profª. Ana Claudia Patrocínio
Eduarda de Paula Soares Nogueira - 11821EBI012
Maria Vitória Garcia - 11821EBI013
Pedro Paulo Rodrigues Campisi - 12011EBI030
Uberlândia, 18 de Junho de 2023
http://www.feelt.ufu.br/pessoas/docentes/eduardo-lazaro-martins-naves
Mamografia - Segmentação de nódulos
Fig. 1 - Código 1 - Carregando a imagem original.
Fonte: (Autoria própria).
Fig. 2 - Imagem Original.
Fonte: (Autoria própria).
A imagem original deste trabalho trata-se de uma imagem mamográfica com
um tumor apresentado próximo a borda superior adotando a linha sagital do corpo
como referência. Assim, o objetivo do presente trabalho é utilizar uma técnica de
segmentação para melhor apresentar o nódulo.
1
Técnica 1 - Suavização
Código
Fig. 3 - Código utilizado para o filtro de suavização.
Fonte: (Autoria própria).
Resultados
Fig. 4 - Imagem Original e Imagem Filtrada.
Fonte: (Autoria própria).
Justificativa
A primeira técnica utilizada para melhorar a imagem foi a suavização por
meio de um filtro Gaussiano. Esse filtro foi escolhido devido às suas capacidades,
que incluem a redução de ruídos e a diferenciação de intensidades. Sendo essa
última característica a mais importante, uma vez que a imagem original não possuía
muito ruído, mas sim um tumor com variações de cor que é necessário destacar.
O parâmetro escolhido para o filtro foi o valor 2, levando em consideração
que a imagem não apresentava muito ruído. Esse filtro foi a melhor opção para a
suavização, considerando as características específicas da imagem, pois reduziu o
2
ruído, melhorou a nitidez das bordas, evitou respostas falsas causadas pelo ruído e
permitiu um controle adequado da escala das bordas detectadas.
Técnica 2 - Contraste
Código
Fig. 5 - Código utilizado para o contraste
Fonte: (Autoria própria).
Resultados
Fig. 5 - Imagem Equalizada.
Fonte: (Autoria própria).
Justificativa
Utilizou-se a técnica de equalização de histograma para melhorar o contraste
global da imagem. Essa técnica consiste em redistribuir as intensidades de forma
mais uniforme, o que não tem como objetivo principal realçar as bordas da imagem.
Para evitar que ruídos fossem realçados juntamente com as informações de
interesse, primeiro aplicou-se a técnica de suavização para reduzir os ruídos. Em
3
seguida, a equalização de histograma de modo que tivesse o resultado esperado.
Técnica 3 - Detecção de borda
Código
Fig. 6 - Código utilizado para a detecção de borda
Fonte: (Autoria própria).
Resultados
Fig. 7 - Imagem Bordas Detectadas com Canny
Fonte: (Autoria própria).
4
Justificativa
A justificativa do uso da técnica de detecção de bordas de Canny é devido à
sua capacidade de detectar bordas com alta precisão, por conta do algoritmo que
considera a variação de intensidade dos pixels. Além disso, ela aplica a supressão
de não máximos para obter bordas nítidas, permite limiares adaptativos para um
controle preciso da sensibilidade e reduz respostas falsas através do processo de
histerese. Essas características tornam a técnica de Canny uma escolha confiável
para a detecção de bordas em diversas aplicações. Para a consolidação de
aplicação dessa técnica o limiar inferior (lower threshold) e o limiar superior (upper
threshold) definiu-se empiricamente.
Técnica 4 - Segmentação
Código
Fig. 8, 9, 10 e 11 - Código utilizado para a segmentação
Fonte: (Autoria própria).
Fonte: (Autoria própria).
5
Fonte: (Autoria própria).
Fonte: (Autoria própria).
Resultados
Fig. 12 - Imagem resultante da segmentação
6
Fonte: (Autoria própria).
Fig. 13 - Imagem segmentada negativo
Fonte: (Autoria própria).
Justificativa
7
A técnica de segmentação utilizada foi o crescimento de regiões. Nessa
técnica, são definidos pontos iniciais da imagem e a região é expandida
iterativamente ao adicionar pixels vizinhos com características similares. Os critérios
de similaridade são baseados em diferenças de intensidade ou outras propriedades.
Isso permite agrupar pixels relacionados em regiões coesas, destacando as áreas
de interesse, como os nódulos.
A técnica de crescimento de regiões é uma boa opção para segmentar
nódulos em imagens mamográficas porque ela leva em consideração a similaridade
de intensidade entre os pixels. Nódulos geralmente apresentam características de
intensidade diferentes em relação ao tecido em torno, o que permite que sejam
identificados como regiões distintas. Ao definir sementes nas áreas de interesse, o
algoritmo expande a região de forma controlada, incluindo os pixels vizinhos com
intensidades semelhantes. Isso ajuda a delimitar com precisão a área do nódulo,
facilitando sua identificação e posterior análise.
Técnica 5 - Métrica
Código
Fig. 14 - Código utilizado para a métrica
Fonte: (Autoria própria).
Resultados
Erro de segmentação: 4873127.2392
O resultado obtido foi muito alto, indicando assim que a técnica utilizada não foi a
melhor.
Justificativa
A métrica utilizada para avaliar o processo de segmentação foi o erro de
segmentação. Essa técnica calcula a diferença entre a imagem segmentada e a
imagem de referência, fornecendo uma medida da discrepância entre as duas.
Para calcular o erro de segmentação, foi utilizada a abordagem da diferença
absoluta entre os valores dos pixels correspondentes nas duas imagens. Essa
diferença é calculada tomando-se o valor absoluto da diferença entre o valor do
pixel na imagem segmentada e o valor do pixel correspondente na imagem de
referência. Em seguida, essas diferenças absolutas são somadas para obter um
valor único que representa o erro de segmentação.
Essa métrica é útil para avaliar a precisão e consistência da segmentação,
pois fornece uma medida objetiva da discrepância entre a segmentação e a imagem
de referência considerada como "verdade". Um erro de segmentação baixo indica
8
uma segmentação mais precisa, pois há pouca diferença entre a segmentação e a
imagem de referência. Por outro lado, um erro de segmentação alto indica uma
maior discrepância entre a segmentação e a imagem de referência, indicando uma
menor precisão da segmentação.
9