PROPOSTA DE UM SISTEMA PARA RECONHECIMENTO DE IDADE ÓSSEA AUXILIADA POR COMPUTADOR UTILIZANDO REDES NEURAIS ARTIFICIAIS

PROPOSTA DE UM SISTEMA PARA RECONHECIMENTO DE IDADE ÓSSEA

AUXILIADA POR COMPUTADOR UTILIZANDO REDES NEURAIS

ARTIFICIAIS

Sérgio H. Vital de C. S., Nathan Porto, Edna L. Flôres, Gilberto Carrijo, Antônio C. P. Veiga

Universidade Federal de Uberlândia, Faculdade de Engenharia Elétrica, Uberlândia – Minas Gerais

Resumo - Este trabalho apresenta uma proposta de

desenvolvimento de software para auxiliar na parte computacional os médicos no reconhecimento da idade óssea, através da análise de imagens de raio-x, processadas digitalmente e analisadas por computador, através de métodos de reconhecimento de padrões e redes neurais.

Palavras-Chave – Idade óssea, Processamento digital

de imagens, Redes Neurais, Tanner & Whitehouse.

PROPOSAL FOR A COMPUTER-AIDED

BONE AGE RECOGNITION USING

ARTIFICIAL NEURAL NETWORK

Abstract - This paper presents a proposal to develop

software to assist the physicians in the computational recognition of bone age by analysis of x-ray images, digitally processed and analyzed by computer, using methods of pattern recognition and neural networks.

1

Keywords - Bone age, Digital image processing, Neural

networks, Tanner & Whitehouse. I. INTRODUÇÃO

A avaliação da idade óssea é um processo freqüentemente realizado na radiologia pediátrica. Baseado no exame radiológico do desenvolvimento esquelético de um pulso da mão esquerda, a idade óssea (IO) é avaliada e comparada com a idade cronológica. Uma discrepância entre esses dois valores indicam anormalidades no desenvolvimento esquelético. Esse exame é universalmente utilizado devido à sua simplicidade, exposição a radiação mínima, e à viabilidade de múltiplos centros de ossificação para avaliação da maturidade.

A avaliação da maturidade óssea é um procedimento importante no diagnóstico e tratamento de desordens endócrinas servindo como um índice de efeito terapêutico [1]. Sendo um processo útil na avaliação diagnóstica de

anormalidades metabólicas e de crescimento [2], esse procedimento indica a aceleração ou a diminuição da maturidade em uma variedade de síndromes, mal formações, e displasia óssea [3].

A estimativa da IO utilizando a radiografia carpal é usada freqüentemente para avaliar desordens no crescimento em pacientes pediátricos, obtendo o quanto o seu crescimento evoluiu em relação á maturidade óssea. Existem vários métodos para a avaliação da idade óssea. Os mais difundidos e utilizados no Brasil são: Greulich & Pyle [7], o método de Tanner & Whitehouse (TW) [1] e o método de Eklof & Ringertz [8]. No desenvolvimento deste trabalho é utilizado o TW, o qual proporciona o uso de métodos computacionais simples, além de ser baseado em escores.

Para a avaliação computacional da IO, primeiro é necessária a aquisição de forma adequada das imagens por meio de raio-x. Posteriormente, essas imagens são processadas digitalmente de maneira que elas possam ser comparadas e reconhecidas utilizando o Atlas desenvolvido por Tanner & Whitehouse [1].

Este trabalho reúne os esforços de pesquisa, estudo e desenvolvimento de técnicas que podem ser aplicadas no diagnóstico de idade óssea assistido por computador, utilizando o método TW. O trabalho também trata sobre o processamento digital das imagens para análise por redes neurais.

Este artigo está estruturado em quatro seções: a seção II discorre sobre a aquisição das imagens. A seção III trata do processamento da imagem onde os métodos de tratamento digital dos raios-X são analisados. Na seção IV, o método TW é detalhado. Na seção V explica-se a utilização das redes neurais no reconhecimento da IO, e por fim na Seção VI uma breve conclusão e comentários sobre resultados da pesquisa e trabalhos futuros.

II. AQUISIÇÃO DAS IMAGENS

Neste trabalho, foram utilizadas 257 radiografias de mão e punho de crianças entre 8 e 15 anos obtidas no Hospital das Clínicas da Universidade Federal de Uberlândia (HC). Cerca de 20% das radiografias não podia ser utilizada para análise da IO devido a algumas imperfeições

encontradas em sua obtenção. Tais imperfeições são: posicionamento inadequado da mão e má qualidade das imagens obtidas.

A falta de conhecimento do técnico em radiologia na hora da obtenção da radiografia da mão e do punho pode dificultar a obtenção dos dados para a análise de IO.

Portanto, é necessário que o radiologista saiba posicionar a mão do paciente no aparelho de raios-X de modo que a radiografia fique alinhada conforme o padrão definido pelo método TW e o objetivo seguinte possa ser satisfeito: usar o processamento digital de imagens. As imagens utilizadas neste trabalho estão com a resolução de 300 dpi e possuem 256 níveis na escala de cinza. Um exemplo está representado pela Fig.1 de uma radiografia retirada de mão e punho de uma paciente do sexo feminino com idade cronológica de 5 anos.

Fig. 1. Radiografia carpal de uma paciente do sexo feminino

III. PROCESSAMENTO DAS IMAGENS

Hoje em dia, muitas pesquisas que envolvem a automatização de métodos clínicos de determinação da idade óssea concentram-se em algoritmos que devem ser aplicados diretamente sobre as regiões de interesse presentes nas radiografias de mão e punho. Essas pesquisas omitem a etapa de localização dessas regiões de interesse (ROI) e/ou apenas mencionam que foram escolhidas manualmente. Portanto, existe a necessidade de desenvolver um algoritmo capaz de localizar automaticamente as ROIs.

Os passos do algoritmo de localização desenvolvido neste trabalho são descritos a seguir.

a) Eliminação de rótulos e/ou marcadores alheios à mão e

ao punho

A radiografia pode conter marcadores ou rótulos, que são adicionados à imagem com a finalidade de identificar o paciente. Por isso, inicialmente, um sistema automático de determinação da maturidade óssea deve remover os marcadores e os rótulos da imagem [3].

b) Correção da rotação e posicionamento da mão

A normalização das radiografias é essencial para a localização das ROIs. O algoritmo proposto corrige a rotação e o posicionamento da mão conforme o método TW.

c) Padronização da resolução

As imagens utilizadas neste trabalho possuem resoluções diferentes, ou seja, imagens com quantidade de linhas e colunas bastantes distintas umas das outras. O algoritmo proposto realiza a padronização com a finalidade de diminuir o tempo de processamento nas etapas de localização [3].

d) Filtragem Gaussiana

Os ruídos gerados durante as etapas de eliminação de rótulos e/ou marcadores, correção da rotação e posicionamento da mão e padronização da resolução são eliminados da imagem utilizando um Filtro Gaussiano, com um desvio padrão (σ = 4).

e) Binarização da imagem (thresholding)

O algoritmo proposto binariza a imagem, deixando somente os ossos e o tecido mole da mão e do punho que são necessários para análise da IO. Em uma radiografia de mão e punho, o fundo da imagem corresponde a uma porcentagem fb do número total de pixels. Tendo em vista que o fundo da imagem corresponde aos pixels com intensidade menor do que os pixels presentes na mão, pode-se definir um limiar T para realizar a binarização da imagem como sendo o menor valor de k para o qual a inequação (1) é verdadeira.

b L k k

f

r

p





)

(

Nas radiografias digitalizadas e utilizadas neste trabalho, constatou-se que o fundo da imagem corresponde a aproximadamente 55% dos pixels. Devido a isso, utilizou-se o valor .

f) Definição do contorno da mão

Com a finalidade de encontrar o contorno do osso definido pela borda entre o osso e o tecido mole, o algoritmo localiza o contorno da mão e remove o fundo da imagem pois as ROIs do método TW encontram-se dentro da área ocupada pela mão na imagem de radiografia.

g) Localização de todas as ROIs

Cada região de interesse possui características que podem exigir técnicas específicas para sua correta localização. Neste trabalho, são localizadas as regiões de interesse presentes nos dedos através da técnica do modelo de deformação de imagem Active Shape Models (ASM).

Cada osso da mão tem um modelo ASM treinado para detectar seu contorno. Determina-se para cada osso, sua localização aproximada utilizando-se um detector de bordas e, então, aplica-se o modelo ASM sobre a região de interesse localizada. O ASM, por meio de seu processo iterativo, deforma-se e determina a posição e o contorno do osso.

IV. MÉTODO DE TANNER & WHITEHOUSE

O método de Tanner & Whitehouse [1] foi criado em 1969 e baseia-se em escores de Acheson, Vinicius e Fower (1966). São avaliados individualmente 20 centros de ossificação entre os ossos da mão e do punho. O segundo e o quarto dedos não são considerados porque a maturação dos metacárpicos e das falanges são geralmente intimamente ligados, prejudicando o isolamento preciso dessas áreas. A figura 2 ilustra, respectivamente, os estágios do metacárpico I e da ulna.

Fig. 2. Exemplos de ossificação do metacárpio e da ulna

Como pode ser visto na Figura 2, foram escolhidos apenas os padrões dos centros de ossificação do metacárpico I e da ulna para exemplificar algumas fases de crescimento, excluindo-se os restantes, que poderão ser encontrados na bibliografia citada. O desenvolvimento de cada osso foi divi-dido em estágios discretos, aos quais foram atribuídos uma letra (A, B, C,... ) e um escore. Desta forma, os escores de cada osso analisado pelo método poderiam ser somados para determinar um escore geral de idade óssea.

Escolhe-se a imagem de referência no Atlas que mais se assemelha ao osso analisado na radiografia, desde que o osso em questão também contenha as exigências mencionadas no texto. Conhecendo-se o estágio do osso, o escore a ele associado pode ser localizado em uma tabela. Após analisarem-se todos os ossos do sistema escolhido e coletarem-se todos os escores, o escore final é obtido pela soma dos escores individuais. Uma tabela de conversão relaciona o escore final com uma determinada idade cronológica [3].

Esse método baseia-se na atribuição de escores para cada um dos 20 ossos e, seguem a seguinte ordem: rádio, ulna, metacárpicos I, II e V; falanges proximais I, II e V; falanges médias III e V; falanges distais I, III e V; capitato, hamato, piramidal, semilunar, escafóide, trapézio e trapezóide.

Os ossos são avaliados em uma escala, de A até I, exceto o rádio, que é avaliado de A – J. Se não existe sinal da presença de osso é dada a avaliação A. Estas avaliações são registradas comparando o osso em questão com os diagramas que existem no Atlas para cada ponto de ossificação. Isto está disposto em uma página com todos os estágios de cada osso, bem como as especificações de idades.

V. REDES NEURAIS NO RECONHECIMENTO DA IO

Sistemas computacionais de auxílio ao diagnóstico CAD (Computer-Aided Diagnosis) são desenvolvidos com a finalidade de auxiliar o radiologista na emissão do laudo final, servindo assim como uma segunda opinião. Deve apresentar confiabilidade e liberdade de escolha sobre o procedimento a ser tomado [9]. Nos campo médico da radiologia, os sistemas que realizam a determinação da IO vêm aumentando a cada dia, visando uma avaliação rápida e eficiente para o paciente.

As redes neurais são modelos computacionais inspirados no cérebro humano, sendo capazes de adquirir e manter o conhecimento. Assim como no sistema nervoso humano, as redes neurais possuem um conjunto de unidades de processamento, onde cada unidade é chamada de neurônio, que são interligados por um grande número de interconexões através de sinapses. Embora os primeiros trabalhos desta área tenham sido publicados a mais de 50 anos atrás, sendo o primeiro proposto por McCulloch e Pitts [10] esse campo começou a ser fortemente pesquisado a nos anos 80, por isso é normal que se diga que ainda é uma área nova.

As principais aplicações das redes neurais podem ser descritas como:

- Reconhecimento de Padrões: atribuir um padrão de entrada a uma das várias características (classes) predefinidas. Exemplo: analise de voz, reconhecimento de caracteres, etc.;

- Categorização / Clustering: explora a semelhança entre padrões e agrupa padrões parecidos. Exemplo: mineração de dados, identificação de semelhanças, etc.;

- Aproximação de funções: encontra uma estimativa y de uma função desconhecida f. Exemplo: problemas de engenharia e de modelagem científica;

- Otimização: otimizar e maximizar uma função sujeita ou não a restrições. Exemplo: programação linear, programação não-linear, otimização combinatorial, programação dinâmica; - Memórias associativas: recuperar item correto mesmo que a entrada seja parcial ou distorcida. Exemplo: processamento de imagens, de gráficos, caracteres, etc.;

O neurônio é uma unidade de processamento fundamental para a rede neural (figura 3). O modelo do neurônio artificial é composto de sinais de entrada (xj), elos

de conexões ou sinapses, onde cada uma é caracterizada por um peso sináptico específico wkj, um somador, que é

responsável por efetuar a soma dos sinais de entrada, ponderados pelas respectivas sinapses do neurônio, também conhecido como combinador linear, a função de ativação, e o

bias (bK) que é um parâmetro externo do neurônio artificial k,

pois permite uma melhor adaptação, por parte da rede neural ao conhecimento a ela fornecido.

Fig 3. . Modelo não-linear de um neurônio. Haykin [11]. Este trabalho utiliza o processamento digital de imagens para inicialmente tratar os dados de entrada que serão inseridos na rede neural para uma classificação de características.

A rede neural mesmo sendo capaz de realizar a

generalização dos dados de entrada para gerar saídas

desejadas, precisa de um banco de dados vasto para o seu treinamento. Por isso a etapa de processamento digital de imagens neste trabalho é muito importante.

A proposta de classificação da idade óssea é utilizar uma rede neural MLP (perceptron multicamadas) com o algoritmo de aprendizagem backpropagation para o treinamento da rede, utilizando as características extraídas das radiografias. A utilização do MLP para reconhecimento da IO foi comprovado em ter uma média de acerto de 81,45% para 917 pacientes avaliados, sendo eles 501 do sexo masculino e 416 do sexo feminino [12].

Fig. 4. Etapas a serem desenvolvidas do algoritmo de classificação da IO.

Para que a rede possa classificar através do método tradicional de Tanner &Whitehouse, o conjunto de

treinamento é composto pelos dados dimensionais deste

Atlas [1]. Neste trabalho, utiliza-se os dados para a classificação apenas para crianças entre 8 e 15 anos, pois segundo especialistas, é a faixa etária que apresenta diferenças entre a idade óssea e a idade cronológicas com maior freqüência.

A rede neural é utilizada como um aproximador universal de funções, operando de modo que os novos dados de entrada possam ser classificados dentro do domínio de definição do conjunto de treinamento. Sua aprendizagem é supervisionada e o processo de validação cruzada é utilizado, onde o conjunto de dados é dividido em dois subconjuntos, o de treinamento e o de teste.

Primeiramente é feito o processamento da imagem (segmentação, detecção de bordas) e extração de características das regiões de interesse nas radiografias. Pretende-se com isso desenvolver uma rede neural nas características mostradas na Figura 5, com a camada de entrada sendo constituída de um vetor com as características extraídas no processo de processamento da imagem, uma camada escondida, e na saída da rede a idade óssea estimada.

Fig. 5. Rede Neural para classificação da IO.

Através da análise de dados e cruzamento de pesos, a rede neural classifica em sua saída a IO baseando-se nos dados de entrada e no banco de dados de treinamento da sua rede. A rede MLP foi escolhida devido a sua alta aplicabilidade em classificação de padrões e como aproximador universal de funções.

VI. CONCLUSÕES

Devido ao avanço tecnológico na área de processamento digital de imagens, em termos de visão computacional, o método é altamente viável pois é exatamente esse trato computadorizado de imagens que contorna os obstáculos. Obstáculos estes, que impedem a adoção em larga escala do método TW em detrimento do método arcaico em vigência aqui no Brasil, o método GP.

Esse método gera uma gama de melhorias para a área médica em questão, pois a determinação da idade óssea auxilia no desenvolvimento fisiológico, expectativa de crescimento, previsão de estatura física na fase adulta, etc.

Doenças ou distúrbios de crescimento mostram diferenças entre a idade óssea do indivíduo e sua idade cronológica. Enquanto algumas condições fisiológicas retardam a idade óssea, como distúrbios da tireóide e hormônios de crescimento, outras podem acelerá-la, como a obesidade exógena ou a hemofilia. Diversas regiões do corpo podem ser analisadas para obter a idade óssea, como joelhos, cotovelo, bacia, etc., mas as radiografias de mão e punho são preferenciais devido ao baixo custo operacional e curto tempo de exposição à radiação.

Devido aos cálculos trabalhosos para se chegar ao resultado através desse método, ele não é muito utilizado e, portanto, fez-se necessário projetar um modo automático de realizar esta tarefa já que o método utilizado atualmente no Brasil (GP) trata-se apenas de uma comparação visual e subjetiva enquanto o método proposto (TW) apresenta resultados exatos, ou seja, por trabalhar com números, este modelo apresenta-se bem mais objetivo e eficaz.

Este projeto de estimativa da idade óssea foi inicialmente realizado através de um estudo da localização, segmentação e classificação automáticas de regiões de interesse para a determinação de maturidade óssea utilizando o método de Tanner-Whitehouse [3]. Nele utilizou-se da correlação para classificação da IO, onde se obteve uma eficiência de 81,25% na classificação.

A proposta deste trabalho é melhorar a já robusta segmentação e classificação automáticas das EMROIs proposta no citado trabalho, e implementar a classificação por redes neurais artificiais, utilizando o algoritmo de treinamento do backpropagation.

Pelas pesquisas efetuadas, encontra-se que a classificação da IO por RNA obtêm uma eficácia de 97,6% na classificação dos dados, sendo alcançados 100% quando a rede é totalmente dinamizada por um algoritmo robusto como o backpropagation.

O trabalho futuro, portanto é melhorar a pesquisa teórica acerca dos métodos computacionais que serão utilizados para tornar a RNA mais robusta no reconhecimento da IO.

Agradecimentos

Os autores gostariam de agradecer à Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG) pelo auxílio financeiro, que viabilizou a aquisição dos computadores e do scanner, os quais foram de primordial importância para a realização inicial deste trabalho e seu futuro melhoramento.

VII. REFERÊNCIAS BIBLIOGRÁFICAS

[1] TANNER, J. M.; WHITEHOUSE, R. H.; HEALY, M. J. R. A new system for estimating skeletal maturity from the hand and wrist, with standards derives from a study of 2600 healthy British children. Centre International de l

'Enfance, Paris, 1962.

[2] BULL, R. et al. Bone age assessment: a large scale comparison of the Greulich and Pyle, and Tanner and Whitehouse (TW2) methods. Archives of Disease in

Childhood, 81, n. 2, 1999. 172–173.

[3] CASTRO, F.C.; Localização, segmentação e classificação automáticas de regiões de interesse para a determinação de maturidade óssea utilizando o método de Tanner-Whitehouse. Dissertação de Mestrado. Universidade Federal de Uberlândia, 2009.

[4] COOTES, T. F.; TAYLOR., C. J. Statistical models of appearance for computer vision. University of Manchester. [S.l.]. 2001.

[5] GONZALEZ, R.; WOODS, R. Digital Image

Processing. 2. ed. [S.l.]: Addison-Wesley Publishing

Company, 1992.

[6] TANNER, J. M.; GIBBONS, R. D. A computerized image analysis system for estimating Tanner- Whitehouse 2 bone age. Hormone Research, 42, n. 6, 1994. 282–287 [7] HAITER NETO, F.; ALMEIDA, S. M. de; LEITE, C. C. Estudo comparativo dos métodos de estimativa da idade óssea de Greulich & Pyle e Tanner & Whitehouse. Pesqui Odontol Bras, v. 14, n. 4, p. 378-384, out./dez. 2000.

[8] EKLOF, O.; RINGERTZ, H. (1967). “A method for assessment of skeletal maturity”.

[9] ERICKSON, B.J. AND BARTHOLMAI, B.J. Computer-Aided Detection and Diagnosis at the Start of the Third Millennium. In Proceedings of J. Digital Imaging. 2002, 59-68.

[10] MCCULLOCH, W. S. AND PITTS, W. (1943). A logical calculus of the ideas immanent in nervous activity.

Bull. Math. Biophysics, 5:115-133.

[11] HAYKIN, S. (2001), Redes Neurais: princípios e

prática, Editora Bookman.

[12] CHANG, C.H. (2003). “A Fully Automatic

Computerized Bone Age Assessment Procedure Based on Phalange Ossification Analysis”. 16th Conference on