4.4 Validação e Classificação de grupos de bandas
4.4.4 Medidas de desempenho para o conjunto de teste
Nesta subsecção são apresentados os resultados do desempenho do método proposto para a segmentação de bandas, quando aplicado nas 40 imagens de pistas contendo amostras biológicas do conjunto de teste. Os resultados registados encontram-se na Tabela VIII e os valores das medidas de desempenho do método na segmentação das bandas pertencentes aos quatro grupos são mostrados na Tabela IX.
Desempenho global do método
Na Tabela IX são indicados os valores obtidos para as medidas de desempenho. O método aplicado às imagens de teste classificou corretamente 83% dos grupos de bandas.
Tabela VIII: Matriz de confusão (classificação dos quatro grupos).
Avaliação Manual
Segmentação Automática
Classe 0 Classe 1 Total
Classe 0 23 7 30
Classe 1 20 110 130
Total 43 117 160
Tabela IX: Avaliação da eficiência do algoritmo na segmentação das bandas pertencentes aos 4 grupos.
Sensibilidade 0,846
Precisão 0,940
Especificidade 0,767
Exatidão 0,831
Avaliação do método na segmentação do Gb3
A Tabela X apresenta a matriz de confusão para classificação da segmentação das bandas Gb3 em duas classes e na Tabela XI encontram-se os valores obtidos para as medidas de desempenho. A Tabela XII e a Tabela XIII mostram a matriz de confusão para classificação da segmentação das bandas Gb3 em três classes e os valores obtidos para as
medidas de desempenho, respetivamente. O método classificou corretamente 80% das bandas no caso da classificação em duas classes e 75% no caso da classificação em três classes. Na classificação em três classes não houve classificação como bandas duvidosas (Classe 2), isto porque as regiões que pertencem a estas bandas não apresentam as características das bandas duvidosas que foram estabelecidas com base no conjunto de treino.
Tabela X: Matriz de confusão (duas classes).
Avaliação Manual
Segmentação Automática
Classe 0 Classe 1 Total
Classe 0 15 5 20
Classe 1 4 16 20
Total 19 21 40
Tabela XI: Avaliação da eficiência do algoritmo proposto em duas classes na segmentação das bandas do grupo 3.
Classe 0 Classe 1 Sensibilidade 0,750 0,800
Precisão 0,790 0,762
Medida F1 0,769 0,781
Tabela XII: Matriz de confusão (três classes).
Avaliação Manual
Segmentação Automática
Classe 0 Classe 1 Classe 2 Total
Classe 0 15 5 0 20
Classe 1 4 12 0 16
Classe 2 0 4 0 4
Total 19 21 0 40
Tabela XIII: Avaliação da eficiência do algoritmo proposto em três classes na segmentação das bandas do grupo 3.
Classe 0 Classe 1 Classe 2
Sensibilidade 0,750 0,750 0
Precisão 0,789 0,571 0
4.5 Conclusão
Neste capítulo foram mostrados os resultados produzidos pelo método proposto no Capitulo 3, aplicado a algumas imagens, de forma a ilustrar os processos descritos no capítulo anterior. Assim, apresentam-se alguns resultados de cada passo do processo da segmentação das bandas, nomeadamente da segmentação do fundo, da determinação das regiões de mínimo local e da validação e classificação, de forma a identificar as regiões que correspondem às bandas, principalmente as que correspondem ao Gb3.
O método apresentado neste trabalho funciona bem para as imagens que não possuem muito ruído derivado do processo cromatográfico e para as imagens cujas bandas são bem contrastadas em relação ao fundo.
Capítulo 5
5
Conclusão
O principal objetivo deste trabalho foi desenvolver um método para a segmentação automática das bandas presentes em imagens de TLC que são usadas como meio para a realização do diagnóstico inicial da doença de Fabry.
A primeira parte da dissertação apresenta informação geral a respeito da doença de Fabry e de métodos automáticos para a deteção de bandas em imagens de cromatografia ou de eletroforese.
No Capitulo 3 descreve-se o método proposto. O primeiro passo do algoritmo implementado consiste em realçar as bandas. Uma vez que as imagens possuem muito ruído e as bandas correspondentes ao Gb3 normalmente são pouco contrastadas, foram testadas as componentes RGB e a combinação destas componentes entre si de modo a encontrar o canal que melhor se adequa às imagens em estudo. Desta comparação concluiu-se que a combinação da componente verde com a azul era a que obtém os melhores resultados. A utilização desta combinação de componentes em conjunto com a aplicação do filtro mediana e com a uniformização do fundo permite atenuar o ruído e homogeneizar o fundo das imagens aumentando o contraste entre as bandas e o fundo.
As bandas normalmente possuem intensidade inferior à intensidade do fundo da imagem, no entanto, algumas bandas são mais subtis apresentando intensidade próxima da intensidade do fundo não sendo possíveis de segmentar por processos de segmentação global. O algoritmo EM foi aplicado de modo a segmentar o fundo da imagem da região que contém as bandas para tornar mais fácil a posterior segmentação das bandas.
Posteriormente detetaram-se e cresceram-se os mínimos locais na imagem com o fundo segmentado. A deteção dos mínimos teve como finalidade a identificação das áreas com intensidade mais baixa que, por norma, correspondem às bandas. O crescimento destas áreas teve como objetivo obter regiões de tamanho aproximadamente igual ao tamanho original das bandas e descartar regiões de baixo contraste.
Para finalizar selecionaram-se as bandas com base no tamanho, no crescimento, na sua intensidade média e no contraste. Partindo destas características removeram-se as
regiões com tamanho insignificante, crescimento excessivo, intensidade média superior a 0.90 e baixo contraste.
Verificou-se que o algoritmo desenvolvido permite a obtenção de resultados satisfatórios na segmentação das bandas. O desempenho do algoritmo proposto foi avaliado usando um conjunto de teste composto por 40 imagens. Neste conjunto de imagens, o método classificou corretamente 88% dos grupos de bandas, 80% das bandas correspondentes ao Gb3 (grupo 3) no caso da classificação em duas classes e 75% das bandas no caso da classificação em três classes.
O objetivo que se pretendia atingir, a segmentação de bandas, pode ainda ser melhorado. As principais dificuldades na aplicação dos métodos para a segmentação das bandas foram, na fase inicial, a completa estimação do fundo da imagem, e na fase posterior, a segmentação das bandas mais subtis (com baixo contraste), a segmentação de bandas com fraca resolução (sobrepostas) e a segmentação das bandas que apresentam áreas de ruído claro no seu interior.
Na fase de validação das regiões segmentadas, as dificuldades encontradas também se centram nas regiões que correspondem às bandas mais subtis devido a estas terem baixo contraste em relação ao fundo das imagens. Como foi referido, a escolha e a utilização de alguns dos critérios com valores fixos que permitem selecionar as bandas a reter foi feita com base na observação dos resultados obtidos para várias imagens, o que em certos casos não são os mais indicados, comprometendo assim a fase de classificação. Relativamente à fase de classificação uma parte significativa dos erros deve-se ao facto de existirem bandas localizadas abaixo dos limites do grupo a que pertencem.
Existem algumas possibilidades de desenvolvimento e aperfeiçoamento do trabalho apresentado nesta dissertação. Dado que existem algumas fragilidades ao nível da validação, uma possibilidade de melhoramento seria utilizar valores adaptativos para os critérios de seleção das bandas. Outra possibilidade seria adaptar os limites das regiões associadas aos grupos para as pistas contendo amostras biológicas e classificar as diferentes bandas que constituem os grupos de bandas.
Bibliografia
[1] A. Sousa, A. M. Mendonça e A. Campilho, “Chromatographic Pattern Classification,” IEEE Transactions on Biomedical Engineering, vol. 55, pp. 1687-1696, 2008.
[2] M. A. T. Chieia, S. Carvalho, A. S. B. Oliveira, A. A. Gabbai e M. Orsini, “Isolated Painful Neuropathy: an atypical variant of Fabry Disease,” Revista Brasileira de Neurologia, pp. 25-29, 2010.
[3] J. M. Aerts, J. E. Groener, S. Kuiper, W. E. Donker-Koopman, A. Strijland, R. Ottenhoff, C. van Roomen, M. Mirzaian, F. A. Wijburg, G. E. Linthorst, A. C. Vedder, S. M. Rombach, J. Cox-Brinkman, P. Somerharju, R. G. Boot, C. E. Hollak, R. O. Brady e B. J. Poorthuis, “Elevated globotriaosiylsphingosine is a hallmark of Fabry disease,” The National Academy of Sciences of the USA, vol. 105, pp. 2812-2817, 2008.
[4] T. Kitagawa, N. Ishige, K. Suzuki, M. Owada, T. Ohashi, M. Kobayashi, Y. Eto, A. Tanaka e K. Mills, “ Non-invasive high-risk screening for Fabry disease hemizygotes and heterozygotes,” Pediatr Nephrol, vol. 23, p. 1461–1471, 2008.
[5] L. G. Rodrigues, M. J. Ferraz, D. Rodrigues, M. Pais-Vieira, D. Lima, R. O. Brady, M. M. Sousa e M. C. Sá-Miranda, “ Neurophysiological, behavioral and morphological abnormalities in the Fabry knockout mice,” Neurobiology of Disease, vol. 33, pp. 48-56, 2009.
[6] M. J. Ackerman e A. P. ,. Landstrom, “Detection of Subclinical Fabry Disease in Patients Presenting With Hypertrophic Cardiomyopathy,” Journal of the American College of Cardiology, 2007.
[7] Y. Zarate e R. J. Hopkin, “Fabry’s disease,” Lancet, vol. 372, p. 1427–35, 2008.
[8] M. Tsao, “Detecção da Doença de Fabry em Amostras de Sangue Impregnadas em Papel Filtro e sua Possível Aplicação em Programas de Triagem,” Disserteção de
Mestrado apresentada à Faculdade de Medicina da Universidade Federal do Rio Grande do Sul, Porto Alegre, Brasil, 2007.
[9] C. M. Eng, D. P. Germain, M. Banikazemi, D. G. Warnock, C. Wanner, R. Hopkin, J. Bultas, P. Lee, K. Sims, S. E. Brodie, G. M. Pastores, J. Strotmann e W. R. Wilcox, “Fabry disease: Guidelines for the evaluation and management of multi-organ system involvement,” Genetics In Medicine, vol. 8, pp. 539-548, 2006.
[10] D. P. Germain, “Fabry disease,” Germain Orphanet Journal of Rare Diseases, vol. 5, 2010.
[11] G. E. Linthorst, A. C. Vedder, J. M. Aerts e C. E. Hollak, “ Screening for Fabry disease using whole blood spots fails to identify one-third of female carriers,” Clinica Chimica Acta, vol. 353, p. 201–203, 2005.
[12] A. V. Sousa, R. Aguiar, A. M. Mendonça e A. Campilho, “Automatic Lane and Band Detection in Images of Thin Layer Chromatography,” Image Analysis and Recognition, vol. LNCS 3212, pp. 158-165, 2004.
[13] G. E. Linthorst, C. E. M. Hollak, J. Korevaar, J. van Manen, J. M. F. G. Aerts e E. Boeschoten, “ α-Galactosidase A deficiency in Dutch patients on dialysis a critical appraisal of screening for Fabry disease,” Nephrology Dialysis Transplantation, vol. 18, pp. 1581-1584, 2003.
[14] A. L. Degani, Q. Cass e P. Vieira, “Cromatografia: um breve ensaio,” Quimica Nova na Escola - Cromatografia, pp. 21-25, Maio 1998.
[15] A. V. Sousa, A. M. Mendonça e A. Campilho, “Dissimilarity-based classification of chromatographic profiles,” Pattern Anal Applic, vol. 11, pp. 409-423, 2008.
[16] B. Fried e J. Sherma, Thin-Layer Chromatography, New York: Marcel Dekker, Inc, 2005.
[18] A. V. Sousa, A. M. Mendonça, M. C. Sá-Miranda e A. Campilho, “Classification-Based Segmentation of the Region of Interest in Chromatographic Images,” Image Analysis and Recognition, vol. LNCS 6754, pp. 68-78, 2011.
[19] A. Akbari, A. Fritz e J. S. Kjetill, “Automatic lane detection and separation in one dimensional gel images using continuous wavelet transform,” Analytical Methods , vol. 2, p. 1360–1371, 2010.
[20] A. M. Machado, M. F. M. Campos, A. M. Siqueira e O. S. F. Carvalho, “An Iterative Algorithm for Segmenting Lanes in Gel Electrophoresis Images,” em Proc. Comput. Graph. Image Process. X Braz. Symp., Campos do Jordão, Brazil, 1997.
[21] T. Zerr, Henikoff e S., “Automated band mapping in electrophoretic gel images using background information,” Nucleic Acids Research, vol. 33, p. 2806–2812, 2005.
[22] W. Z. Cheng, K. S. Yen, C. Y. Lin, Y. T. Ching e Y. L. Yang, “Comparing Lanes in the Pulsed-Field Gel Electrophoresis (PFGE) Images,” em Engineering in Medicine and Biology Society, Istambul, Turquia, 2001.
[23] S. C. Park, S. Na, S. H. Kim, G. S. Lee, K. H. Oh, J. H. Kim e T. H. Han, “Lanes Detection in PCR Gel Electrophoresis Images,” em Computer and Information Technology, Pafos, Chipre, 2011.
[24] C. Lin, Y. Ching e Y. Yang, “An Automatic Method to Compare the Lanes in Gel Electrophoresis (GE) Images,” IEEE Transactions on Information Technology in Biomedicine, vol. 11, pp. 179-189, 2007.
[25] M. Sotaquirá, “On the use of distance maps in the analysis of 1D DNA gel images,” em Digital Image Processing, Bangkok, Tailândia, 2009.
[26] Y. Chan, S. Guo, H. Cheng e P. You, “Automatic Band Detection of 1D-Gel Images,” em Electronics, Communications and Control, Ningbo, China, 2011.
[27] Y. Labyed, N. Kaabouch, R. Schultz e B. Singh, “Automatic Segmentation and Band Detection of Protein Images Based on the Standard Deviation Profile and its Derivative,” em Electro/Information Technology, Chicago, U.S.A, 2007.
[28] B. M. Moreira, A. V. Sousa, A. M. Mendonça e A. Campilho, “Automatic Lane Detection in Chromatography Images,” Image Analysis and Recognition, vol. LNCS 7325, pp. 1810-187, 2012.
[29] D. G. Bailey e C. Christie, “Processing of DNA and Protein Electrophoresis Gels by Image Analysis,” em Image and Vision Computing, Palmerston North, Nova Zelândia, 1994.
[30] D. Soto e P. Alvarado, “Automatic detection of bands in electrophoresis gel images by means of optimization of a target function,” em Technologies for Sustainable Development, Cartago, Costa Rica, 2011.
[31] I. Bajla, I. Holländer, S. Fluch, K. Burg e M. Kollár, “ An alternative method for electrophoretic gel image analysis in the GelMaster software,” Computer Methods and Programs in Biomedicine, vol. 77, pp. 209-231, 2005.
[32] I. Bajla, I. Holländer e K. Burg, “Improvement of Electrophoretic Gel Image Analysis,” Measurement in Biomedicine, vol. 1, pp. 5-10, 2001.
[33] A. V. Sousa, R. Aguiar, A. M. Mendonça, A. Campilho e C. Sá Miranda, “Feature Extraction for Classification of Thin-Layer Chromatography Images,” Image Analysis and Recognition, vol. LNCS 3656, pp. 974 -981, 2005.
[34] I. Bajla, I. Hollander, M. Minichmayr, G. Gmeiner e C. Reichel, “ GASepo - a software solution for quantitative analysis of digital images in Epo doping control,” Computer Methods and Programs in Biomedicine, vol. 80, pp. 246-270, 2005.
[35] I. Bajla, I. Holländer, D. Czedik-Heiss e R. Granec, “Classification of image objects in Epo doping control using fuzzy decision tree,” Pattern Anal Applic, vol. 12, pp. 285-300,
2009.
[36] I. Bajla, F. Rublík, B. Arendacká, I. Farkaš, K. Hornišová, S. Štolc e V. Witkovský, “ Segmentation and supervised classification of image objects in Epo doping-control,” Machine Vision and Applications, vol. 20, pp. 243-259, 2009.
[37] N. Kaabouch, “An Analysis System for DNA Gel Electrophoresis Images based on Automatic Thresholding and Enhancement,” em Electro/Information Technology, Chicago, U.S.A, 2007.
[38] A. Akbari e F. Albregtsen, “Automatic segmentation of DNA bands in one dimensional gel images produced by hybridizing techniques,” em Engineering in Medicine and Biology Society, California, U.S.A, 2004.
[39] M. H. Noor, Z. Hussain, K. A. Ahmad e A. A. R., “Gel Electrophoresis Image Segmentation with Otsu Method Based on Particle Swarm Optimization,” em Colloquium on Signal Processing and its Applications, Penang, Malásia, 2011.
[40] R. J. Parker, Algorithms for Image Processing and Conputer Vision, New York: Jonh Wiley & Sons Ltd., 1997.
[41] I. Hannah, D. Patel e R. Davies, “The use of variance and entropic thresholding methods for image segmentation,” Pattern Recognition, vol. 28, pp. 1135-1143, 1995.
[42] W. G. Zack, E. W. Rogers e A. S. Latt, “Automatic measurement of sister chromatid exchange frequency,” Histochem Cytochem, vol. 25, pp. 741-753, 1977.
[43] N. Otsu, “A Threshold Selection Method from Gray-Level Histograms,” IEEE Transactions on Systems, Man and Cybernetics, vol. 9, 1979.
[44] W. Hongzhi e D. Ying, “An Improved Image Segmentation Algorithm Based on Otsu Method,” International Symposium on Photoelectronic Detection and Imaging 2007: Related Technologies and Applications, vol. 6625, 2008.
[45] O. M. Baradez, P. C. McGuckin, N. P. Forraz e H. A. R., “Robust and automated unimodal histogram thresholding and potential applications,” Pattern Recognition, vol. 37, pp. 1131-1148, 2004.
[46] T. Pun, “Entropic Thresholding, A New Approach,” Computer Graphics and Image Processing, vol. 16, pp. 210-239, 1981.
[47] A. Dempster, N. Laird e D. Rubin, “Maximum Likelihood from Incomplete Data via the EM Algorithm,” Journal of the Royal Statistical Society, vol. 39, pp. 1-38, 1977.
[48] I. Nabney, Netlab Algorithms for Pattern Recognition, Advances in Pattern Recognition, Springer, 2003, pp. 79-92.
[49] P. Soille, C. D. Jones, A. B. Smith e E. F. Roberts, Morphological Image Analysis - Principles and Applications, Springer, 2004, pp. 203-204.
[50] L. Bins, L. Fonseca, G. Erthal e F. Mitsuo Il, “Satellite Imagery Segmentation: a region growing approach,” em Simpósio Brasileiro de Sensoriamento Remoto, Salvador, Brasil, 1996.
Anexos
A. Resultados da aplicação do método proposto nas imagens do conjunto
de teste
Imagem 1
Imagem 2
Imagem resultante do
pré-processamento Classificação Avaliação Manual
Imagem resultante do
Imagem 3
Imagem 4
Imagem resultante do
pré-processamento Classificação Avaliação Manual
Imagem resultante do
Imagem 5
Imagem 6
Imagem resultante do
pré-processamento Classificação Avaliação Manual
Imagem resultante do