Baixe o app para aproveitar ainda mais
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
Compartilhar