Detectores de pontos anatômicos específicos

Wörz e Rohr (2005) Neste trabalho os autores apresentam uma técnica para a localização de pontos salientes anatômicos 3D em imagens volumétricas que aplica modelos de intensi- dade paramétricos ajustados aos níveis de cinza da imagem. Os modelos paramétricos consi- derados representam três estruturas principais: estrutura de “ponta” (tip-like), estrutura de sela (saddle-like), e estrutura do tipo esfera (sphere-like), cada um deles refletindo as variações de intensidade das estruturas em imagens tomográficas 3D.

A técnica proposta descreve as intensidades de pontos salientes anatômicos na imagem em uma região como uma função analítica, com um número determinado de parâmetros. Dessa maneira, é necessário definir uma região de interesse (Region of Interest - ROI) grande o sufici- ente ao redor de cada ponto saliente para capturar uma quantidade de informações satisfatória da imagem e assim garantir a localização precisa do ponto. No entanto, é necessário ter cui- dados na definição da ROI, pois uma região muito grande pode conter estruturas vizinhas que influenciam negativamente na acurácia da localização. Sendo assim, os autores desenvolve- ram também uma nova abordagem para a seleção do tamanho ótimo da ROI 3D. Além disso, também propuseram um algoritmo para inicializar automaticamente os parâmetros do modelo, usando-se de propriedades diferenciais e de outras propriedades da estrutura na imagem.

A avaliação dos resultados foi realizada em imagens sintéticas 3D, representado estrutu- ras do tipo “ponta”, “sela” e “esfera” com diferentes variações na orientação, tamanho e nível de ruído gaussiano, e em imagens de RM e de tomografia computadorizada (Computed Tomo- graphy- CT) do cérebro. Nas imagens sintéticas, a localização do ponto saliente é definida

3.2 Trabalhos Correlatos 35

pelo modelo usado para a geração dessas imagens. Os autores conseguiram alta acurácia na localização dos pontos com a técnica proposta, sendo que o erro médio da localização estimada foi de 0,04mm nas estruturas do tipo “ponta”, 0,03mm nas estruturas do tipo sela e 0,01mm nas estruturas do tipo “esfera”. Nas imagens clínicas os autores usaram pontos anatômicos manual- mente marcados por especialistas como ground truth. O erro médio da localização dos pontos nessas imagens foi de 1,63mm utilizando a inicialização automática das regiões de interesse.

Zheng et al. (2015) Mais recentemente, dada a popularização da aplicação de técnicas de deep learningpara a resolução de diversos tipos de problemas computacionais (NAJAFABADI et al., 2015), alguns trabalhos foram propostos para a detecção de pontos salientes anatômicos utilizando o aprendizado oferecido por essas técnicas. Tais trabalhos, embora focados em re- solver problemas 2D, demonstraram que é possível aprender características importantes de um conjunto de treinamento.

O desafio de se utilizar técnicas de deep learning em um conjunto de imagens 3D reside no fato de que o vetor de entrada, nesse caso, é muito maior que o vetor de entrada do caso 2D. Isso aumenta drasticamente o tempo de computação e as chances de ocorrer overfitting3, especialmente quando combinado com um número de amostras de treinamento limitado, o que é típico em aplicações de imagens médicas (ZHENG et al., 2015).

Para tratar esse problema, Zheng et al. (2015) propuseram um algoritmo de deep learning, dividido em dois passos principais, que é capaz de realizar a detecção de pontos salientes anatô- micos em dados volumétricos. Primeiramente, uma rede com apenas uma camada escondida é usada para testar todos os voxels da imagem. O objetivo dessa etapa inicial é obter um con- junto menor de voxels que são mais promissores a representarem pontos salientes anatômicos de interesse. A seguir, é aplicada uma classificação mais acurada, utilizando uma rede profunda composta por 3 camadas. Essa rede recebe como entrada os voxels selecionados pela rede rasa (de uma camada), de modo que a entrada passa a ter tamanho 2000, diminuindo consideravel- mente a complexidade do algoritmo. Para mitigar o problema de overfitting, os autores extraem pequenos patches 3D de uma pirâmide multirresolução. As características da imagem apren- didas pela rede profunda são combinadas com características da transformada wavelet de Haar para aumentar a acurácia da detecção. O método foi avaliado quantitativamente para a detecção da bifurcação da artéria carótida em um conjunto de imagens de CT 3D da região da cabeça- pescoço composto por 455 pacientes. Segundo os autores, a técnica proposta consegue realizar a detecção desse ponto saliente anatômico em menos de um segundo e com uma distância média

3_{Overfitting, ou sobreajuste, ocorre quando um modelo se ajusta muito bem ao conjunto de treinamento, mas}

de 2,64mm.

Ghesu et al. (2016) Em (GHESU et al., 2016), os autores também utilizam técnicas de deep learningpara a detecção de pontos salientes anatômicos em imagens médicas 2D e 3D. Nesse trabalho, os autores combinam uma rede neural convolucional (Convolutional Neural Network - CNN) com técnicas de aprendizado de máquina para modelar pontos anatômicos nas imagens. Os autores propuseram um novo paradigma de aprendizado que contrasta com o paradigma normalmente adotado na literatura, em que a maioria das soluções se restringem em aprender um modelo de aparência e escanear exaustivamente um espaço de parâmetros para detectar uma característica anatômica específica. Nesse caso, todos os aspectos relacionados ao entendimento do problema e a garantia da generalidade do algoritmo são responsabilidade do engenheiro, enquanto a máquina desacoplada desse alto nível de compreensão executa cegamente a solução.

No novo paradigma, a modelagem da aparência do modelo e a estratégia de busca de pa- râmetros são realizadas simultaneamente como uma tarefa comportamental unificada para um agente artificial, resultando em uma técnica que combina as vantagens de aprendizado compor- tamental (behavior learning), alcançados por meio do aprendizado por esforço (reinforcement learning), com extração hierárquica de características por meio de uma técnica de deep lear- ning. A modelagem do aprendizado do agente (treinamento) é realizada por meio do modelo Markov Decision Process (MDP), em que os estados descrevem uma região de interesse com seu centro representando a posição atual do agente. As ações são modeladas denotando os mo- vimentos do agente no espaço paramétrico e os ganhos são modelados codificando o feedback supervisionado recebido pelo agente, representado pela mudança da distância relativa até a lo- calização do ponto saliente anatômico depois de executar o movimento. Dada a definição do modelo, o objetivo do agente é selecionar ações por meio da interação com o ambiente para ma- ximizar o ganho futuro acumulado, e isso é feito utilizando uma CNN profunda para aproximar a função de ação-valor ótima para determinar as ações.

A avaliação da metodologia proposta foi realizada em conjuntos de imagens médicas 2D (de RM e ultrassom) e em um conjunto de imagens 3D (CT). Os conjuntos de dados consistem em 891 imagens de RM 2D cardíacas de 338 pacientes, 1186 imagens de ultrassom cardíaco de 361 pacientes e 455 imagens distintas de CT da região pescoço-cabeça. Nas diferentes imagens foram determinados diferentes pontos anatômicos, como o LV-center nas imagens de RM 2D e a bifurcação da artéria carótida em imagens de CT 3D. A métrica de avaliação foi a distância média do ponto detectado em relação ao GT demarcado nessas bases de dados, e os resultados mostraram que a técnica proposta pelos autores consegue detectar a uma distância menor em relação ao estado da arte de técnicas usadas para a detecção de pontos anatômicos,