• Nenhum resultado encontrado

Dentro de um hemograma completo, além da avaliação das hemácias, também é feito a contagem e a análise de outros elementos figurados do sangue. Esse método e aparelho podem ser adaptados para a contagem de células brancas, as quais aparecem em número bem inferior comparada às células vermelhas, ou seja, entre 5.000 e 10.000 leucócitos por milímetro cúbico de sangue. Neste caso, uma menor diluição da amostra de sangue é necessária para permitir a visualização de mais células brancas dentro da câmara e permitir melhor estimação de valores. Essa nova etapa do projeto terá como desafio a caracterização morfológica das células brancas que apresentam maior variabilidade, comparado com as células vermelhas.

O aumento das células brancas caracterizam processos inflamatórios, doenças infecciosas e danos aos tecidos. Por outro lado, a diminuição das células brancas indica insuficiência da medula óssea, doenças hepáticas e a presença de substâncias tóxicas no organismo (GUIMARÃES, 1978).

REFERÊNCIAS

ANGSTROM. Angstrom Manual. GoWiki. Disponível em:

<http://www.linuxtogo.org/gowiki/AngstromManual>. Acessado em 29 de julho de 2012.

BECKER, Martina. A Comparative Study of Seven In-House and Two Laboratory Hematology Instruments. s.l. : VVB LAUFERSWEILER VERLAG, 2007.

BRADSKI, Gary e KAEHLER, Adrian. Learning OpenCV. Sebastopol : O'Reilly Media Inc., 2008.

BROWN, M. e WITTNER, C. Flow Cytometry: Principles and Clinical Applications in Hematology. August. 2000. pp. 1221-1229. Vol. 46. 8.

COLEY, Gerald. BeagleBoard-xM System Reference Manual. San Francisco - CA : Creative Commons, 2010.

COULTER, W. H. Means for counting particles supended in a fluid. 2,656,508 U. S. A., 20 de October de 1953.

FISCHER, A. Laboratório: análises clínicas. Rio de Janeiro : Guanabara Koogan, 1948. GARCIA-NAVARRO, Carlos Eugenio Kantek e PACHALY, Jose Ricardo. Manual de hematologia veterinaria. São Paulo : Varela, 1994.

GENOVESE, W. J. Exames complementares na clínica odontológica. Uberaba, MG : Peirópolis, 1996.

GIVAN, Alice Longobardi. Flow Citometry: First Principles. s.l. : Wiley-Liss Inc., 2001.

GONZALES, Rafael C. e WOODS, Richard E. Digital Image Processing. Upper Saddle River, New Jersey : Prentice-Hall, 2001.

GUIMARÃES, R. X. e GUERRA, C. C. D. C. clinica e Laboratório, Intrepretação Clínica das Provas Laboratoriais. São Paulo : Sarvier, 1978.

HENNESSY, M. Buckley, T. C. Leadon, D. P. Scott, C. S. Automated analysis of blood samples from thoroughbred horses with the Abbott DYN 3500 (CD3500) haematology analyser. 1998.

IDEXX. IDEXX LaserCyte Hematology Analyzer – Case Study Book and Tachnical Guide.Westbrook, Maine: IDEXX Laboratories, 2008

KOVALHUK, Gabriel, et al. Contador de Células Vermelhas de Sangue de Animais Sivestres Baseado em Plataforma com Processador RISC. Porto de Galinhas - PE : CBEB 2012, 2012.

KRICKA, L. J., PHIL, F. A. C. B.,. Fundamentos de Química Clínica. São Paulo : Elsevier Editora LTDA, 2008, 4.

LEOPARDIMAGING. Leopard Imaging. Leopard Imaging. Disponível em: < https://www.leopardimaging.com/Leopardboard_365.html>. Acessado em 15 de julho de 2012.

LIMA, A. O. Métodos de laboratório aplicados a clínica: técnica de interpretação. Rio de Janeiro : Guanabara Koogan, 1985.

MARQUES Filho, Ogê e VIEIRA Neto, Hugo. Processamento Digital de Imagens. Rio de Janeiro : Brasport Livros e Multimídia, 1999.

MAURICIO, C. R. M., SCHNEIDER, F. K. e SANTOS, L. C. Evaluation of an image- based red blood cell counter for animals blood. s.l. : Submited to Veterinary Clinical Pathology, 2012.

MOLDAVAN, A. Photo-electric technique for the counting of microscopical cells. 1934. pp. 188-189. Vol. 80.

MOURA, R. de A. Técnicas de Laboratório 3ª Edição. Rio de Janeiro : Livraria Atheneu, 1987.

MURRAY, Patrick R., ROSENTHAL, Ken S., PFALLER, Michael A. Microbiologia Médica. Rio de Janeiro : Elsevier, 2006.

ORMEROD, Michael G. Flow Cytometry - A Basic Introduction. 2008.

OXFORD SCIENCE. Oxford Science - Genesis. Oxford Science. Disponível em: <http://www.oxfordsciencecenter.com/products.php>. Acessado em 01 de agosto de 2012.

REAGAN, Willian J., ROVIRA, Armando R. Irizarry, DENICOLA, Dennis B. Veterinary Hematology: atlas of common domestic and non-domestic species. Ames Iowa : Wiley-Blackwell, 2008.

ANEXO – Artigo publicado no XXIII CBEB

CONTADOR DE CÉLULAS VERMELHAS DE SANGUE DE

ANIMAIS SILVESTRES BASEADO EM PLATAFORMA COM

PROCESSADOR RISC

G. Kovalhuk*, C. R. M. Mauricio**, H. R. Gamba* e F. K. Schneider* *CPGEI/UTFPR, Curitiba, Brasil

**CECE/UNIOESTE, Foz do Iguaçu, Brasil kovalhuk@utfpr.edu.br

Abstract: A RISC-based platform is proposed for supporting the counting of red blood cells of wild animals. The platform is aimed for semi-automatic counting of cells from different species of animals where size and volume of cells can greatly differ. The results show the potential of using the low cost platform to automatically count most of the cells correctly with an average error of only 1,88% of false negatives and 1,82% of false positives. Although this error is usually smaller than the typical error for visual counting when laboratory personnel are considered, the storage of appropriate counted images would still require some action by the system user. With this low-cost RISC-based system, the task of visual counting would be reduced to correct at most 3,70% of the cells.

Palavras-chave: hemograma de animais silvestres, processador RISC, Beagleboard, sistema de baixo custo.

Introdução

O hemograma consiste de um conjunto de exames complementares com o objetivo de oferecer uma visão panorâmica, qualitativa e quantitativa dos elementos figurados do sangue [1] tipicamente usados para auxiliar o diagnóstico de pacientes. Tradicionalmente a contagem de elementos periféricos do sangue é realizada utilizando um corante apropriado para realçar a célula a ser contada. Essa lâmina é então inspecionada por um operador treinado em um microscópico óptico. Para obter resultados de elevada exatidão e confiabilidade, esse método exige elevado treinamento do técnico que realiza o preparo da lâmina e a contagem das células. Esse método requer um grande consumo de tempo e, uma vez que apenas algumas centenas de células são contadas, pode sofrer de falta de robustez

estatística ao realizar a estimativa de células presentes em um volume da amostra [2]. Para a análise de sangue humano algumas técnicas foram propostas e vários equipamentos foram desenvolvidos. Dentre os métodos de contagem amplamente utilizados para contagem e classificação de células estão aqueles baseados em impedância elétrica e espalhamento de luz. O primeiro é baseado na medição da impedância elétrica quando uma célula atravessa um tubo capilar [3]. O segundo está baseado em medições ópticas de espalhamento de luz ou de medição de fluorescência de indicadores ligados às células sob análise [2].

Embora muitos equipamentos estejam disponíveis para a contagem de células de humanos e esse seja um problema considerado resolvido para a análise de sangue humano, a grande variedade de espécies de animais torna difícil a adaptação de um sistema para atender as diversas demandas decorrentes da variabilidade de concentração e tamanho de células das diversas espécies. Dessa forma, ainda é um desafio encontrar equipamentos de baixo custo para soluções de contagem de células de sangue de animais silvestres e domésticos. Em função do crescimento das investigações dos parâmetros sanguineos na medicina veterinária em animais domésticos, pecuária e animais de competição, existe a necessidade de se verificar a viabilidade de se desenvolver sistemas automáticos e semi- automáticos para realizar exames em substituição aos métodos manuais usados nos laboratórios veterinários [4].

Um algoritmo previamente desenvolvido demonstrou que é possível contar células de vários animais com exatidão de 97% [5]. Como o algoritmo de contagem não apresenta um grande desafio computacional, é possível implementá-lo em plataformas de menor poder computacional e menor custo com pequenas modificações. Esse artigo propõe um sistema

semi-automático de contagem de células vermelhas baseado em uma plataforma com processador RISC. Essa plataforma, com a adição de óptica de baixo custo pode ser usada como uma solução de contagem de células de animais silvestres a um custo acessível mesmo quando considerado seu uso no local de interesse (e.g., pequenas clínicas veterinárias, zoológicos, etc.).

Materiais e Métodos

A.Contagem de células - As câmaras de contagem são tipicamente construídas em uma lâmina de vidro retangular com retículos que servem como referência espacial para a contagem. Dentre os retículos mais conhecidos estão Thoma, Türk, Fuchs-Rosenthal e

Neubauer [6]. O modelo de Neubauer

apresentado na figura 1 é um dos mais usados [6], pois permite a contagem em reticulados de maior (0,25 mm de lado) e menor área (0,05 mm de lado). Em geral, utilizam-se as regiões maiores para a contagem de células com menor concentração e as regiões menores para a contagem de maiores concentração de células. A Câmara de Neubauer possui nove regiões de 1x1 mm2, a profundidade da câmara é 0,1 mm resultando em regiões com volume de 0,1 mm3. As quatro regiões nos vértices são divididas em regiões de 1/16 mm2 (i.e., regiões 1B, 2B, 3B e 4B). O quadrado de 1x1 mm2 central é composto de 25 regiões com 1/25 mm2 (e.g., 1A e 2A), onde cada um desses pequenos quadrados é subdividido em 16 regiões com 1/400 mm2.

Em uma contagem manual, dilui-se um volume conhecido de sangue com uma quantidade conhecida do líquido diluidor obtendo-se uma concentração b. Se uma região de 1 mm2 é considerada para a contagem, sabendo-se que a profundidade da câmara é d, basta realizar a contagem das células vermelhas (CCV) na área de 1 mm2 (CCV/mm2) e obter CCV/mm3 utilizando a equação 1. b d mm CCV mm CCV 3 2  (1) Para a câmara de Neubauer, a contagem dos glóbulos vermelhos é feita exclusivamente no retículo central, utilizando cinco grupos de quadrados médios (i.e., 1A, 2A, 3A, 4A e 5A apresentado na figura 1(b)) [6]. Quando a contagem é manual, por inspeção visual, os 16 quadrados pequenos que compõe o quadrado médio são contados respeitando uma ordem em zigue-zague [6]. Consideram-se as hemácias que tocam as linhas à esquerda e acima e descartam-se as hemácias que tocam as linhas à direita e abaixo [6]. Para realizar a correção da contagem, a qual foi feita em 5 áreas de 1/25 mm2 onde cada uma dessas áreas fornece a contagem CCV1/25mm2, tem-se que multiplicar o resultado obtido na somatória das cinco regiões por 5. Desta forma, considerando a profundidade igual a 1 mm, tem-se a equação (2) que é utilizada para encontrar o valor de

3 mm CCV :

   A A mm CCV b n mm CCV 5 1 25 / 1 3 2 (2)

Por exemplo, para uma diluição 1:200 (i.e., b=200), para as quadrículas 1A a 5A (n=5) e quadrículas 1B a 4B (n=4) tem-se n.b igual a 1000 e 800, respectivamente.

B.Sistema de Aquisição e Processamento de Imagens – O sistema de aquisição de imagens é composto por óptica e sensor de imagem. O sistema de processamento de imagem é composto por um processador RISC e periféricos que permitem a comunicação com o sensor de imagem e com monitor LCD, mouse e teclado.

Sistema de aquisição de imagem – A Figura 2 apresenta um sistema de aquisição composto por uma fonte de iluminação com controle de intensidade de luz e condensador óptico, uma lente objetiva típica de microscópio com distância focal de 160 mm e um sensor de imagem do tipo CMOS.

(a)

(b)

Fig. 1. (a) Imagem negativa de uma câmara de Neubauer, (b) Câmara de Neubauer com nove regiões de 1x1 mm2. A profundidade da câmara é 0,1 mm resultando em regiões com volume de 0,1 mm3. As regiões nos quatro cantos são divididas em regiões de 1/16 mm2 (i.e., regiões 1B, 2B, 3B e 4B). O quadrado de 1x1 mm2 central é composto de 25 regiões com 1/25 mm2 (e.g., 1A e 2A), onde cada um desses pequenos quadrados é subdividido em 16 regiões com 1/400 mm2

Sistema de Processamento de Imagem – Para o processamento de imagens foi utilizado uma plataforma computacional de pequeno porte chamada de Beagleboard XM (BeagleBoard Org, U.S.A. Essa plataforma contém componentes importantes para o protótipo desenvolvido. Ela utiliza o processador DM3730CBP-1GHz (Texas

Instruments, Dallas-TX, U.S.A.), memória

RAM de 512 Mbytes, interface de vídeo HDMI, interface USB, interface para memória flash microSD (SD Association, CA, U.S.A.), interface de rede ethernet 10/100, interface para câmera de vídeo compatível com os módulos da

Leopard Imaging (Leopard Imaging INC, CA,

U.S.A.) [7]. Vários módulos de câmera com resoluções VGA, 2MP, 3MP e 5MP podem ser usados, bastando desenvolver software dos

drivers. Um monitor LCD com interface DVI-D

usando representação de cores em 24 bits pode ser ligado à placa através de um conector tipo HDMI. Essa plataforma e processador suportam vários sistemas operacionais, entre eles o Linux. O processador DM3730, presente na placa Beagleboard XM, possui duas unidades de processamento de alto desempenho desenvolvido para aplicações multimídia com baixo consumo de energia, conforme mostra a figura 3. A primeira unidade de processamento é um processador ARM Cortex-A8 (ARM, Cambridge, UK) e a segunda unidade é especializada em processamento digital de sinais e imagens do tipo TMS320DMC64X+ (Texas Instruments, Dallas-TX, U.S.A.). O DM3730 possui ainda características internas que facilitam a implementação do sistema com o potencial de elevado desempenho tais como hardware para aceleração gráfica em 2D e 3D, interface para câmera e outros [8].

C.Biblioteca de Funções de Processamento de Imagem - Para a implementação dos algoritmos

de processamento de imagem, foi utilizado uma biblioteca livre com funções para visão computacional escrita em linguagem C e C++ denominada OpenCV (Intel, Santa Clara-CA, U.S.A.). Exemplos de funções utilizadas são

cvShowImage, para apresentar a imagem no

display; cvThreshold, para realizar a limiarização da imagem; cvDilate, para realizar a operação de dilatação da imagem [9]. No sistema de processamento de imagens implementado o sistema operacional utilizado foi Angstrom Linux ®, kernel versão 2.6.32. D.Protocolo de Aquisição de Imagem e Algoritmo de Processamento Os quadrantes registrados são: 1A, 2A, 3A, 4A e 5A; 1B, 2B, 3B e 4B, cujas posições podem ser verificadas na Figura 1. Foram capturadas duas imagens para cada quadrante, cada uma delas com um foco diferente para permitir a avaliação de diferentes funções para processamento de imagens. O foco inicial é ajustado para deixar as células com um aspecto "escuro" e o mais nítido possível (foco 1 - F1). O segundo foco é obtido a partir do foco inicial, incrementando-se o micrômetro em 15 micra. As células neste foco apresentam interior "mais claro" com bordas escuras levemente borradas (foco 2 - F2). As imagens são obtidas com objetiva 20x. Detalhes do algoritmo são apresentados em [5].

A combinação das imagens F1 e F2, permite otimizar a identificação de células que estão sobre as linhas do retículo visto que adquirem aspectos diferentes em cada foco. No algoritmo são utilizados o operador morfológico de erosão à imagem obtida para o foco 1 e o operador de dilatação à imagem obtida para o foco 2. A erosão é aplicada com o objetivo de evidenciar as células que estão sobrepostas às linhas do reticulo de Neubauer. Isto se torna necessário, pois nestes casos de sobreposição estas células adquirem um aspecto mais "claro" que as demais, dificultando o processo de segmentação. O operador de dilatação é aplicado na imagem obtida para o foco 2 com o objetivo de evidenciar as áreas claras da imagem, neste caso a parte interior das células. Na sequência, as imagens são submetidas a uma limiarização para obter imagens binárias nas quais as células apresentam-se isoladas do fundo. A etapa seguinte, extração de características, consiste na localização de todas as regiões conexas presentes na imagem binária, obtendo para cada uma delas as coordenadas do centro e sua área em pixels. Para obter-se um valor padrão de área, que servirá de referência para classificar uma região como célula, ordena- se um vetor com todas as áreas e toma-se o valor central do vetor como área padrão, esta operação é conhecida como mediana. A mediana de um conjunto de valores é tal que metade dos

DSP TMS320DM64+ Proc. E HW de Vídeo 32kB/48kB L1 RAM 64kB L2 RAM ARM Cortex Core A8 32kB/32kB L1 RAM Periféricos de Conexão  Painel LCD  Captura paralela de dados do sensor de imagem  Portas USB

Barramento de Fluxo de Dados

64kB RAM 32kB ROM  4x McSPI  6x GPIO  3x MMC/SDIO

Figura 3. Diagrama em blocos do processador DM3730CBP Figura 2. Diagrama do sub-sistema de captura da imagem.

valores do conjunto são menores ou iguais à mediana e a outra metade são maiores ou iguais, ou seja, em um vetor ordenado a mediana é o valor da posição central [10]. Esta abordagem é fundamentada no fato de que o maior número de regiões na imagem refere-se às hemácias e, após a ordenação do vetor os valores presentes na região central do vetor pertencem às regiões correspondentes às células. Uma vantagem desta abordagem está no fato de que não há necessidade de conhecimento prévio do tamanho das células para escolher um valor padrão para a contagem, visto que o algoritmo utiliza as próprias células presentes na imagem para a escolha deste valor. Esta abordagem viabiliza desta forma a contagem para múltiplas espécies, adaptando-se ao tamanho das células de cada espécie analisada selecionando a área padrão a partir das próprias células presentes na imagem.

Na etapa de contagem, usando o valor de área padrão como base para a identificação das células, avaliam-se todas regiões para encontrar quais as que tem áreas que se aproximam deste valor padrão. Quando uma região possui área compatível com o valor padrão, então ela é marcada como célula e adicionada à contagem. Esta compatibilidade considera ainda uma margem de tolerância em relação ao valor da área. Observando os testes realizados, definiu-se empiricamente uma margem de tolerância de ±50% de variação no valor da área de modo a classificar o maior número de células presentes. Essa tolerância escolhida empiricamente a partir de análises visuais pode ser futuramente substituída pelo resultado de uma análise de sensibilidade relacionada ao valor da tolerância.

Usando as coordenadas do centro, o algoritmo marca (em vermelho) na imagem, as células que foram incluídas na contagem. O resultado final é obtido fazendo a união das duas contagens, no foco 1 e 2.

Resultados

Utilizando uma biblioteca de imagens previamente adquirida [11], é possível comparar os resultados obtidos a partir de um sistema computacional baseado em um computador pessoal de maior porte e custo [5] com os obtidos no sistema aqui proposto. Esta biblioteca possui amostras de sessenta e dois cães e de cinco cavalos, totalizando sessenta e sete amostras, obtidas no Laboratório de Clínica Veterinária do Departamento de Clínicas Veterinária da Faculdade de Medicina Veterinária e Zootecnia da Universidade Estadual Paulista, Campus de Botucatu [11].

A figura 4 apresenta os valores obtidos para a contagem de células utilizando a equação (2),

usando b=200 e n=5 para a figura 4(a) e b=200 e n=4 para a figura 4(b), para estimar a quantidade de células vermelhas por amostra.

(a)

A figura 5 apresenta o erro em termos de falsos negativos (i.e., objetos na imagem que não foram contados como células vermelhas mas deveriam ter sido identificados e contados) e falsos positivos (i.e., objetos na imagem que foram contados como células vermelhas mas não deveriam ter sido contados). As figuras 4(a) e 5(a) apresentam os resultados para a contagem utilizando as quadrículas 1A a 5A e as figuras 4(b) e 5(b) apresentam os resultados a partir da contagem das quadrículas 1B a 4B, para as quais não há linhas internas à quadrícula.

A figura 4 apresenta erros de contagem pequenos se comparados o valor total após a contagem com auxílio do computador com a contagem automática. Mais especificamente os erros de contagem tiveram média de 3,51% e 1,51% e desvio padrão de 0,035 e 0,022 para as quadrículas 1A-5A e 1B-4B, respectivamente.

A figura 5 apresenta erros de contagem quando se consideram os falsos negativos (FN) e os falsos positivos (FP). Ou seja, apesar da figura 4 apresentar os erros de contagem final, ao se analisar os erros separadamente é possível que se constate que um erro (e.g., FN) anule parcialmente o outro (e.g., FP) quando a contagem é totalizada. Os erros de contagem considerando os FN tiveram média de 6,41% e 1,88% e desvio padrão de 0,048 e 0,025 para as quadrículas 1A-5A e 1B-4B, respectivamente. Os erros de contagem considerando os FP tiveram média de 3,39% e 1,82% e desvio

(b)

Figura 4. Contagem de células vermelhas estimadas a partir da contagem de células nas (a) quadrículas 1A a 5A e (b) quadrículas 1B a 4B.

padrão de 0,021 e 0,014 para as quadrículas 1A- 5A e 1B-4B, respectivamente.

Outro resultado importante é o tempo consumido pelo usuário para a contagem de cada quadrícula. Em média obteve-se um tempo médio de 4,36 segundos e 16,48 segundos com desvio padrão de 5,77 e 1,54 para a parte de contagem automática de células na imagem quando o mesmo é realizado em um computador pessoal (i.e., processador Athlon 64x2 Dual Core (Advanced Micro Devices, CA, U.S.A.), 1,9 GHz, memória L2 de 2x 256kB e memória RAM 2GB) e na plataforma RISC, respectivamente.

Discussão

Embora os erros de contagem apresentados na figura 5 não fossem muito elevados, uma análise mais detalhada dos erros fez-se necessária. Em uma primeira análise, o erro médio de 3,51% e desvio padrão de 0,035 para contagem nas quadrículas 1A-5A não seria elevado. Ainda, mostrou-se que o erro médio caia para 1,51% com desvio padrão de 0,022 ao considerar as quadrículas 1B-4B. Por outro lado, em uma segunda análise observou-se que a contagem deveria ser corrigida quanto aos falsos negativos e falsos positivos para permitir uma correta contagem e armazenamento de imagens marcadas. Nessa análise observaram-se erros FN isolados maiores que 15% conforme apresentado na figura 5(a) associados a erros FP

Documentos relacionados