DETECC
¸ ˜
AO AUTOM ´
ATICA DE CENTROS DE OSSIFICAC
¸ ˜
AO EM IMAGENS
DIGITALIZADAS DE RADIOGRAFIAS CARPAIS
Thayane Brito de Santana, Autora. Dra. Michele Fulvia Angelo, Orientadora
Resumo—Este artigo apresenta o projeto de uma ferramenta para detecc¸˜ao autom´atica das falanges II e III e dos metac´arpicos II, III e IV em radiografias da m˜ao e do punho. Inicialmente, o conhecimento a priori da anatomia da m˜ao foi utilizado para extrair as regi˜oes de interesse da imagem. Em seguida, foram implementadas t´ecnicas de realce e detecc¸˜ao de bordas para localizac¸˜ao e o reconhecimento de pontos sobre os centros de ossificac¸˜ao. Um conjunto de 73 imagens foi utilizado durante os testes e a detecc¸˜ao de bordas por derivadas parciais apresentou os melhores resultados, onde a maioria dos pontos detectados ficaram posicionados em um raio de at´e 3 mil´ımetros da posic¸˜ao correta.
Palavras-chave: Radiografia carpal, Idade Ossea, Processa-mento Digital de Imagens.
I. INTRODUC¸ ˜AO
O ´ındice da maturac¸˜ao do esqueleto, tamb´em conhecido como idade ´ossea, ´e uma informac¸˜ao de grande importˆancia na ´area m´edica, especialmente na ortodontia pedi´atrica [1]. Teoricamente, qualquer ´area do esqueleto poderia ser usada para avaliar a idade ´ossea de um indiv´ıduo, por´em a regi˜ao da m˜ao e do punho tem sido frequentemente utilizada, pois essa regi˜ao apresenta um grande n´umero de centros de ossificac¸˜ao dispostos em uma regi˜ao relativamente pequena, a ausˆencia de ´org˜aos vitais na regi˜ao exposta aos raios ionizantes, al´em de uma configurac¸˜ao planar dos ossos, que facilita a an´alise de sua radiografia, conhecida como radiografia carpal [1], [2].
Dentre os principais m´etodos para a estimativa de idade ´ossea atrav´es de radiografia carpal, trˆes tˆem sido amplamente utilizados: Greulich-Pyle (GP), Tanner-Whitehouse (TW) e Eklof-Ringertz (ER) [3]–[7]. O primeiro m´etodo ´e baseado em um atlas de padr˜oes, onde caracter´ısticas espec´ıficas da radiografia carpal do paciente s˜ao comparadas com o atlas [8], [9]. O m´etodo TW atribui escores a determinados ossos de interesse de acordo com suas caracter´ısticas individuais e utiliza esses escores para estimar a idade ´ossea do paciente [5]. Por fim, o m´etodo ER baseia-se nas medidas de compri-mento e/ou largura de determinados centros de ossificac¸˜ao, onde a estimativa da idade ´ossea ´e feita atrav´es da m´edia aritm´etica entre a idade ´ossea relacionada a cada centro de ossificac¸˜ao [2]. A subjetividade do m´etodo GP juntamente com a consider´avel complexidade do m´etodo TW apontam o m´etodo ER como o mais adequado para ser implementado computacionalmente, um vez que basta obter as medidas de cada centro de ossificac¸˜ao utilizados no m´etodo.
Moraes et al. (2003) desenvolveram um estudo compara-tivo que aponta o m´etodo ER como aquele que apresenta o mais alto grau de correlac¸˜ao com crianc¸as brasileiras [10]. Embora o m´etodo ER j´a seja considerado o de menor complexidade para processamento computacional, Olivete (2005) ainda propˆos uma simplificac¸˜ao desse m´etodo, de-monstrando em seu estudo que ´e poss´ıvel obter resultados favor´aveis utilizando uma quantidade reduzida de centros de ossificac¸˜ao para a an´alise da idade ´ossea [2], [11].
Existem diversas publicac¸˜oes relacionadas com detecc¸˜ao autom´atica de centros de ossificac¸˜ao para a estimativa de idade ´ossea utilizando radiografias carpais. Normalmente utiliza-se t´ecnicas com elevada complexidade computacio-nal, tais como filtros de difus˜ao anisotr´opica [12], [13], con-tornos ativos [12], [14], detector Canny [15], redes neurais e l´ogica fuzzy [15], [16], devido `a necessidade de precis˜ao na detecc¸˜ao. Entretanto, algumas destas publicac¸˜oes apresen-tam t´ecnicas desenvolvidas especificamente para a detecc¸˜ao em radiografias carpais que destacam-se pela eficiˆencia e simplicidade [15], [17].
Neste trabalho ser´a apresentado o projeto de uma ferra-menta para detecc¸˜ao dos centros de ossificac¸˜ao utilizados no c´alculo da idade ´ossea do m´etodo ER. O principal objetivo ´e implementar t´ecnicas cl´assicas de Processamento Digital de Imagens (PDI) em conjunto com m´etodos propostos na literatura para localizar automaticamente determinados centros de ossificac¸˜ao presentes na imagem radiogr´afica. Atrav´es de uma metodologia experimental, visa priorizar a simplicidade e baixo custo computacional da segmentac¸˜ao e extrac¸˜ao de informac¸˜ao da imagem.
Este trabalho est´a organizado da seguinte forma: a fundamentac¸˜ao te´orica necess´aria para compreenc¸˜ao do pro-cesso ´e apresentada na Sec¸˜ao II. A Sec¸˜ao III descreve as t´ecnicas implementadas para localizac¸˜ao dos pontos sobre cada centro de ossificac¸˜ao. A Sec¸˜ao IV exibe os resultados obtidos em cada etapa do processo de detecc¸˜ao dos centros de ossificac¸˜ao. Por fim, a Sec¸˜ao V apresenta a conclus˜ao do trabalho e uma avaliac¸˜ao geral do estudo.
II. REVISAO DA˜ LITERATURA
Antes de apresentar as t´ecnicas de pr´e-processamento, segmentac¸˜ao e extrac¸˜ao de informac¸˜ao aplicadas sobre a imagem da radiografia carpal, ser´a feita uma breve descric¸˜ao da anatomia da m˜ao e do pulso, al´em do m´etodo de estima-tiva de idade ´ossea desenvolvido por Eklof & Ringertz. Ao
final dessa sec¸˜ao tamb´em ´e feito um breve levantamento das publicac¸˜oes mais atuais que abordam a detecc¸˜ao autom´atica de centros de ossificac¸˜ao para estimativa de idade ´ossea atrav´es de radiografias carpais.
A. An´alise carpal
1) Anatomia da m˜ao: A m˜ao ´e composta por 27 ossos dispostos em uma configurac¸˜ao planar, como mostra a Figura 1. Destes 27 ossos, 19 s˜ao alongados e localizam-se na palma da m˜ao e nos dedos, os oito restantes s˜ao ossos curtos e formam o carpo, que articulados entre os ossos do metacarpo, da ulna e do r´adio correspondem ao punho. O metacarpo ´e composto por cinco ossos alongados (ordenados do I ao V metac´arpico, contados a partir do polegar) que formam a palma da m˜ao e est˜ao conectados `as falanges e aos ossos do carpo. Cada osso do metacarpo ´e formado por um corpo e por duas extremidades, que se articulam com as falanges proximais formando os n´os do punho. O in´ıcio da ossificac¸˜ao dos metacarpos se d´a no terceiro mˆes antes do nascimento da crianc¸a [2], [18].
Figura 1. Anatomia da m˜ao.
As falanges s˜ao os ossos dos dedos, propriamente ditos. O polegar (ou primeiro dedo) ´e formado apenas por duas falanges, a proximal e a distal, enquanto que e os demais dedos s˜ao formados pelas falanges proximal, m´edia e distal. A falange proximal articula-se com o metac´arpico, a distal ´e livre em sua extremidade distal e a m´edia est´a localizada entre as duas [2].
2) M´etodo Eklof & Ringertz para a estimativa de idade ´ossea: O m´etodo desenvolvido por Eklof & Ringertz (ER) baseia-se nas medidas de comprimento e/ou largura de 10 centros de ossificac¸˜ao, os quais apresentam alto grau de correlac¸˜ao entre idade ´ossea e medida do centro de ossificac¸˜ao. Os centros de ossificac¸˜ao usados no m´etodo s˜ao ilustrados na Figura 2: (1) largura da ep´ıfase distal do r´adio; (2) comprimento do capitato; (3) largura do capitato; (4) comprimento do hamato; (5) largura do hamato; (6) compri-mento do metac´arpico II (7) compricompri-mento do metac´arpico
III; (8) comprimento do metac´arpico IV; (9) comprimento da falange proximal II e (10) comprimento da falange proximal III [2], [6], [19].
Figura 2. Centros de ossificac¸˜ao utilizados no m´etodo ER.
Uma s´erie de 1013 crianc¸as foi estudada para estabelecer as variac¸˜oes normais de comprimento/largura dos centros de ossificac¸˜ao. Usando c´alculos estat´ısticos, os autores apre-sentaram tabelas separadas por sexo do paciente, em que cada um dos 10 centros de ossificac¸˜ao possui um padr˜ao m´ınimo e um m´aximo de medida, dado em mil´ımetros. Estes parˆametros foram definidos para um conjunto de idades pertencentes ao intervalo compreendido entre 1 e 15 anos, com variac¸˜ao de 3 meses entre cada idade [2], [19]. B. T´ecnicas de processamento de imagens
Imagens m´edicas s˜ao frequentemente deterioradas por ru´ıdo devido a v´arias fontes de interferˆencia e outros fenˆomenos que afetam sistemas de aquisic¸˜ao de dados. Es-pecialmente em imagens radiogr´aficas, pequenas variac¸˜oes de intensidade que possam existir entre tecido mole e osso dificultam a an´alise da imagem. Nesses casos, melhorias na qualidade visual da imagem podem auxiliar a interpretac¸˜ao de um especialista ou produzir melhores resultados ap´os o processamento da imagem por um sistema computadorizado [20].
1) Morfologia Digital: A morfologia est´a relacionada com o formato de um determinado elemento. A Morfologia Digital visa descrever, manipular ou analisar o formato de um objeto presente em uma imagem digital. Esta ´area utiliza t´ecnicas baseadas na Teoria de Conjuntos, as quais s˜ao aplicadas sobre um determinado agrupamento de pixels que comp˜oem as estruturas bidimensionais (objetos) presentes na imagem. Certos operadores matem´aticos podem ser usados sobre o conjunto de pixels para melhorar as caracter´ısticas de interesse, de acordo com a necessidade da aplicac¸˜ao a que se destina. Os operadores morfol´ogicos b´asicos s˜ao eros˜ao e dilatac¸˜ao [21].
A seguir, ser˜ao apresentadas definic¸˜oes de operac¸˜oes b´asicas sobre conjuntos aplicadas em imagens digitais para facilitar a compreens˜ao da definic¸˜ao formal dos operadores morfol´ogicos, utilizando a Teoria de Conjuntos.
Utilizando o exemplo da Figura 3a, o objeto na imagem pode ser modelado como o conjunto A, descrito como A = {(3, 3), (3, 4), (4, 3), (4, 4)}.
A translac¸˜ao de A por um ponto x ´e definida na notac¸˜ao de conjunto como:
Ax= {c|c = a + x, a ∈ A} (1)
Se x estivesse em (1,2), o primeiro pixel em Ax poderia
ser (3,3) + (1,2) = (4,5). Todos os pixels de A s˜ao deslocados para baixo por uma linha e para a direita por duas colunas. A mudanc¸a na posic¸˜ao ´e feita de acordo com o valor especificado em x.
A reflex˜ao do conjunto A ´e definida na Equac¸˜ao 2 e define uma rotac¸˜ao de 180◦ do objeto A em relac¸˜ao `a origem:
A∗= {c|c = −a, a ∈ A} (2)
O complemento do conjunto A ´e o conjunto de pixels n˜ao pertencentes a A. Isto corresponde aos pixels brancos na figura, ou na Teoria de Conjunto:
Ac= {c|c /∈ A} (3)
A intersecc¸˜ao de dois conjuntos A e B ´e o conjunto de elementos (pixels) pertencentes a ambos:
A ∩ B = {c|((c ∈ A) ∧ (c ∈ B))} (4) A uni˜ao de dois conjuntos A e B ´e o conjunto de pixels que pertencem a pelo menos um dos conjuntos ou a ambos: A ∪ B = {c|((c ∈ A) ∨ (c ∈ B))} (5) Finalmente, completando esta colec¸˜ao de definic¸˜oes b´asicas, a diferenc¸a entre o conjunto A e o conjunto B ´e:
A − B = {c|((c ∈ A) ∧ (c /∈ B))} (6) O objeto da Figura 3b tamb´em ´e um quadrado, por´em ´e um pixel mais largo em todas as direc¸˜oes, considerando que pixels brancos comp˜oem o plano de fundo e pixels pretos pretos, o objeto. Sendo assim, o objeto da Figura 3b ´e proveniente do quadrado anterior atrav´es da simples atualizac¸˜ao de todos os vizinhos brancos de um pixel preto para preto. Este processo representa uma dilatac¸˜ao bin´aria, chamada dessa forma porque provoca um crescimento do objeto original [21].
A Equac¸˜ao 7 denota a definic¸˜ao formal do operador dilatac¸˜ao, onde a dilatac¸˜ao do conjunto A pelo conjunto B ´e:
A ⊕ B = {c|c = a + b, a ∈ A, b ∈ B} (7) Onde A representa a imagem sendo processada e B ´e um segundo conjunto de pixels, que opera sobre os pixels de A para produzir o resultado. O conjunto B ´e chamado de
Figura 3. Efeitos de uma dilatac¸˜ao bin´aria simples sobre um pequeno objeto. (a) Objeto original. (b) Dilatac¸˜ao do objeto original por um pixel. (c) Dilatac¸˜ao do objeto original por 2 pixels.
elemento estruturante e sua composic¸˜ao define a natureza da dilatac¸˜ao [21].
Se a dilatac¸˜ao pode ser vista como um processo que torna um objeto maior, a eros˜ao ir´a torn´a-lo menor. Em resumo, este operador ir´a remover a camada mais externa dos pixels de um objeto. Por exemplo, a Figura 3b ´e o resultado de um processo de eros˜ao simples aplicado a Figura 3c. Este processo pinta de branco todos os pixels pretos localizados na fronteira do objeto, ou seja, aqueles que possuem pixels brancos como vizinhos [21].
Em geral, a eros˜ao da imagem A pelo elemento estrutu-rante B pode ser definido como:
A B = {c|(B)c⊆ A} (8)
Em outras palavras, este ´e o conjunto de todos os pi-xels c tal que o elemento estruturante B transladado de c corresponde ao conjunto dos pixels que foram marcados para atualizac¸˜ao em A. Ao analisar a Equac¸˜ao 8, fica claro que o resultado da eros˜ao ´e um subconjunto da imagem original e qualquer pixel que n˜ao seja compat´ıvel com o padr˜ao definido no elemento estruturante n˜ao ir´a fazer parte do resultado [21].
Figura 4. Exemplo da operac¸˜ao de abertura. (a) Imagem que possui v´arios objetos conexos. (b) Objetos isolados por abertura, usando elemento estruturante simples 3x3.
A aplicac¸˜ao de uma eros˜ao seguida imediatamente por uma dilatac¸˜ao usando o mesmo elemento estruturante ´e conhecida como uma operac¸˜ao de abertura. Como o nome j´a sugere, esta operac¸˜ao tende a abrir pequenos buracos entre objetos que se tocam na imagem. Este efeito ´e mais
facilmente observado quando ´e utilizado um elemento estru-turante simples [21].
A Figura 4 apresenta uma imagem que possui uma colec¸˜ao de pequenos objetos, onde alguns deles se tocam entre si. Ap´os a operac¸˜ao de abertura, os objetos s˜ao isolados e podem ser contados ou classificados.
Uma operac¸˜ao de fechamanto ´e similar a abertura, exceto que a dilatac¸˜ao ´e executada primeiro, seguido por uma eros˜ao usando o mesmo elemento estruturante. Enquanto a abertura cria pequenos buracos na imagem, o fechamento ir´a preenchˆe-los. A Figura 5 mostra a operac¸˜ao de fechamento aplicada sobre uma imagem com bordas distorcidas e alguns buracos, o resultado ´e uma imagem desprovida de pequenos buracos e com bordas mais regulares [21].
Figura 5. Exemplo da operac¸˜ao de fechamento, considerando o objeto como preto e o plano de fundo como branco. (a) Imagem com irregula-ridades nas bordas e pequenos buracos. (b) Imagem ap´os fechamento. (c) Fechamento aplicado em (b).
2) Melhoramento da Imagem: As t´ecnicas cl´assicas de melhoramento de imagens subdividem-se em duas grandes categorias: m´etodos no dom´ınio espacial e m´etodos no dom´ınio da frequˆencia. O termo dom´ınio espacial refere-se ao plano da imagem e as t´ecnicas desta categoria s˜ao baseadas na manipulac¸˜ao direta dos pixels em uma imagem, atrav´es de m´ascaras ou filtros. Processos no dom´ınio espacial s˜ao denotados pela Equac¸˜ao 9, onde f ´e a imagem de entrada, g ´e a imagem processada e T ´e uma operac¸˜ao em f , definida sobre alguma vizinhanc¸a de (x, y) [22].
g(x, y) = T [f (x, y)] (9)
O mecanismo de filtragem espacial consiste simplesmente na movimentac¸˜ao de uma m´ascara pixel a pixel na imagem. Para cada ponto (x, y), a resposta do filtro neste ponto ´e calculada usando uma relac¸˜ao determinada pelos coeficientes do filtro.
Filtros de Suavizac¸˜ao: Filtros de suavizac¸˜ao s˜ao usados para borramento e reduc¸˜ao de ru´ıdo, podem ser classificados como lineares e n˜ao-lineares [22].
Um filtro linear de suavizac¸˜ao substitui o valor de cada pixel da imagem pela m´edia na vizinhanc¸a definida pela m´ascara do filtro, sendo conhecido como filtro de m´edia. Este processo resulta em uma imagem com reduc¸˜ao nas transic¸˜oes bruscas de n´ıveis de cinza. Contudo, as bordas de objetos, que quase sempre s˜ao informac¸˜oes desej´aveis da
imagem, tamb´em s˜ao caracterizadas pelas transic¸˜oes bruscas de intensidade e acabam sendo borradas por esse tipo de filtro [20]–[22].
O comportamento dos filtros n˜ao-lineares de suavizac¸˜ao est´a baseado na classificac¸˜ao estat´ıstica dos pixels contidos sob a m´ascara do filtro. O melhor exemplo desta categoria ´e o filtro de mediana que, assim como o nome sugere, substitui o valor do pixel central pelo valor da mediana dos n´ıveis de cinza na sua vizinhanc¸a (o valor original do pixel central tamb´em ´e inclu´ıdo no c´alculo). Filtros de mediana s˜ao muito populares porque, para certos tipos de ru´ıdos aleat´orios como do tipo sal e pimenta, eles fornecem excelentes resultados, atenuando o ru´ıdo com consider´avel diminuic¸˜ao no borramento na borda de objetos. A parte superior da Figura 6 mostra a resposta de um filtro de mediana [20]–[22].
Figura 6. A parte superior da imagem exibe a resposta de um filtro de mediana e a parte interior mant´em a imagem original com ru´ıdo do tipo sal e pimenta.
Realce: A principal func¸˜ao do realce ´e destacar de-talhes finos em uma imagem ou melhorar dede-talhes que tenham sido borrados seja por um processo de suavizac¸˜ao ou por um efeito natural do processo de aquisic¸˜ao da imagem. A filtragem por aguc¸amento est´a relacionada com o processo de diferenciac¸˜ao. Fundamentalmente, a resposta de um operador derivativo ´e proporcional ao grau de desconti-nuidade da imagem no ponto em que o operador ´e aplicado. Assim, a diferenciac¸˜ao da imagem realc¸a bordas e outras descontinuidades, inclusive ru´ıdo [22]–[24].
As derivadas de uma func¸˜ao digital s˜ao definidas em termos de diferenc¸as. A forma como estas diferenc¸as s˜ao modeladas variam de acordo com o filtro utilizado. Filtros baseados em derivadas de primeira ordem tˆem resposta n˜ao-nula em regi˜oes onde h´a variac¸˜oes nos n´ıveis de cinza, permanecendo assim enquanto houver variac¸˜oes, e resposta nula em regi˜oes constantes. Filtros baseados na derivada de segunda ordem trˆem resposta nula em regi˜oes constantes e onde as variac¸˜oes s˜ao constantes, tendo resposta diferente de zero apenas no in´ıcio e no final de variac¸˜oes do tipo degrau ou rampa [22]–[24].
Sendo assim, filtros baseados em operadores de segunda ordem podem ser usados para realc¸ar detalhes finos da
imagem. Dentre os filtros dessa categoria, destaca-se o filtro baseado no operador Laplaciano que tem sua formalizac¸˜ao matem´atica descrita na Equac¸˜ao 10. Quando aplicado em imagens digitais, ele realc¸a as descontinuidades nos n´ıveis de cinza e atenua regi˜oes constantes ou com pequenas variac¸˜oes de intensidade [22]–[24]. ∇2f =∂ 2f (x, y) ∂x2 + ∂2f (x, y) ∂y2 (10)
Para permitir a aplicac¸˜ao em imagens digitais, a Equac¸˜ao 10 precisa ser expressa em um formato discreto. A aproximac¸˜ao do Laplaciano digital de duas vari´aveis utiliza as m´ascaras descritas na Figura 7. A demostrac¸˜ao ma-tem´atica que define os coeficientes das m´ascaras fogem do escopo deste trabalho e ser´a suprimida.
Figura 7. Aproximac¸˜ao do Laplaciano em imagens digitais como uma m´ascara 3 x 3.
As m´ascaras da Figura 7 produzem resultados equiva-lentes, a distinc¸˜ao entre elas ´e feita somente ao combinar a imagem processada pelo operador Laplaciano e a ima-gem original. Se a definic¸˜ao usada tem o coefiente central negativo, ent˜ao a imagem filtrada ´e subtra´ıda da imagem original, caso contr´ario, as imagens s˜ao somadas. A maneira b´asica de utilizar o operador Laplaciano para melhoramento de imagens ´e descrita na Equac¸˜ao 11, onde c ´e o coeficiente central de um filtro Laplaciano, f a imagem original e g, a imagem realc¸ada [22]–[24].
g(x, y) =
f (x, y) − ∇2f (x, y), se c < 0
f (x, y) + ∇2f (x, y), se c > 0 (11) O histograma de uma imagem digital com n´ıveis de cinza pertencentes ao intervalo [0, L − 1] ´e uma func¸˜ao discreta h(rk) = nk, onde rk ´e o k-´esimo n´ıvel de cinza e nk ´e o
n´umero de pixels da imagem com intensidade igual a rk,
representado graficamente na Figura 12. A equalizac¸˜ao do histograma visa aumentar o contrante da imagem e ´e obtida atrav´es da normalizac¸˜ao do histograma, dividindo nk pelo
n´umero total de pixels da imagem, denotado por n. Ent˜ao o histograma normalizado ´e definido pela Equac¸˜ao 12, para k = 0, 1, 2, ..., L − 1. [22], [25].
p(rk) =
nk
n (12)
A equalizac¸˜ao do histograma ´e baseada em um conceito que interpreta o histograma normalizado como a func¸˜ao de densidade de probabilidade dos n´ıveis de cinza da imagem. Nesta t´ecnica, o histograma da imagem de entrada ´e mape-ado para um novo histograma, que visa distribuir os pixels ao longo da escala de cinza. O resultado deste processo produz um histograma com menor concentrac¸˜ao de pixels nas regi˜oes centrais e, consequentemente, uma imagem com maior contraste [22], [25].
Figura 8. Histograma de uma imagem digital de 8 bits (pode ser representada com at´e 256 n´ıveis de cinza).
3) Segmentac¸˜ao por Limiarizac¸˜ao: O principal objetivo do processo de segmentac¸˜ao ´e particionar uma imagem em regi˜oes, classes ou subconjuntos, que s˜ao homogˆeneos em relac¸˜ao a uma ou mais caracter´ısticas. A escolha da t´ecnica de segmentac¸˜ao mais adequada depende do objetivo do estudo e do tipo de imagem de dados a ser analisada [22].
Dentre as v´arias t´ecnicas de segmentac¸˜ao, a limiarizac¸˜ao destaca-se pela sua simplicidade e baixo custo computacio-nal. Uma imagem limiarizada g ´e definida pela Equac¸˜ao 13, onde T ´e o valor de limiar ou ponto de corte.
g(x, y) =
1, se f (x, y) > T
0, se f (x, y) ≤ T (13) Quando apenas um valor de limiar ´e selecionado para toda a imagem, baseado em seu histograma, a limiarizac¸˜ao ´e dita global. Se o limiar depende de propriedades locais de algumas regi˜oes da imagem, a limiarizac¸˜ao ´e dita local ou adaptativa. [20]. Em muitas aplicac¸˜oes, um limiar global n˜ao pode ser obtido a partir do histograma da imagem ou um ´unico limiar n˜ao ´e capaz de apresentar bons resultados sobre toda a imagem. Nestes casos, uma poss´ıvel soluc¸˜ao seria a limiarizac¸˜ao local.
Limiares locais podem ser determinados por (1) divis˜ao da imagem em subregi˜oes e c´alculo do limiar para cada subregi˜ao ou pelo (2) exame da intensidade dos vizinhos de cada pixel [20]. No primeiro m´etodo, a imagem ´e dividida em subimagens retangulares e o histograma ´e calculado para cada subimagem. As subimagens devem ser largas o suficientes para inclu´ırem os pixels tanto do objeto quanto do plano de fundo. Se uma subimagem possui um histo-grama bimodal, ent˜ao o valor de m´ınimo entre os picos ´e
selecionado como valor de limiar local. Se o histograma ´e unimodal, o valor de limiar local poder ser obtido atrav´es da interpolac¸˜ao dos limiares locais das subimagens pr´oximas. No segundo m´etodo, o limiar local pode ser encontrado pelo valor m´edio da distribuic¸˜ao local de intensidade ou por outras func¸˜oes estat´ısticas, tais como desvio padr˜ao da m´edia, m´edia dos m´aximos e m´ınimos ou intensidade da magnitude do gradiente local [20].
4) Detector de bordas Canny: A detecc¸˜ao de bordas ´e uma operac¸˜ao de grande importˆancia em an´alise de imagens, que visa identificar os pixels localizados na fronteira entre um objeto e o plano de fundo ou entre objetos, quando estes est˜ao sobrepostos. Isso significa que se as bordas em uma imagem podem ser identificadas com precis˜ao, objetos podem ser localizados e propriedades b´asicas tal como ´area, per´ımetro e formato podem ser medidas. Por esse motivo, detecc¸˜ao de bordas ´e uma ferramenta essencial para identificac¸˜ao e classificac¸˜ao de objetos em an´alise de imagens [15], [21], [26].
Dentre as diversas t´ecnicas encontradas na literatura, Canny (1986) desenvolveu uma aproximac¸˜ao computacional para detecc¸˜ao de bordas, definindo requisitos b´asicos que um detector ´otimo deve atender:
• M´ınima taxa de erro:O detector de bordas deve respon-der apenas a bordas e responrespon-der a todas elas; Nenhuma borda deve ser perdida;
• Localizac¸˜ao: A distˆancia entre os pixels da borda encontrada pelo detector de borda e a borda real deve ser a menor poss´ıvel;
• Resposta: O detector de borda n˜ao deve identificar m´ultiplos pixels de borda onde existe apenas uma ´unica borda.
Ap´os modelar matematicamente os parˆametros do detector ´otimo que atendiam a esses requisitos, Canny chegou a uma eficiente aproximac¸˜ao desse detector, a primeira derivada da func¸˜ao Gaussiana. Os passos do algoritmo desenvolvido por Canny s˜ao: (1) atenuac¸˜ao do ru´ıdo atrav´es da convoluc¸˜ao com o filtro da func¸˜ao Gaussiana, minimizando a taxa de erro da detecc¸˜ao; (2) Identificac¸˜ao das bordas atrav´es da convoluc¸˜ao com o filtro da primeira derivada da Gaussiana; (3) Supress˜ao n˜ao-m´axima, que visa afinar as bordas iden-tificadas, atendendo ao requisito da localizac¸˜ao e, por fim a (4) histerese, que ´e respons´avel por unir as verdadeiras bordas e eliminar as falsas, atendendo ao requisito de uma detecc¸˜ao correta [15], [21], [26].
A operac¸˜ao de convoluc¸˜ao pode ser implementada facil-mente, por´em apresenta um elevado custo computacional, especialmente quando trata-se de uma convoluc¸˜ao bidimen-sional. Contudo, esta pode ser separada em duas convoluc¸˜oes unidimensionais, usando vers˜oes unidimensionais do filtro. Por esse motivo, a Equac¸˜ao 14 que representa a func¸˜ao Gaussiana bidimensional foi reduzida para a vers˜ao unidi-mensional, a Equac¸˜ao 15 e sua derivada, a Equac¸˜ao 16.
G2d(x, y) = σ2e − x2 +y2 2σ2 (14) G(x, y) = e−2σ2x2 (15) G0(x, y) =− x σ2 e− 2σ2x2 (16) As func¸˜oes G e G0unidimensionais utilizadas na detecc¸˜ao s˜ao descritas nas Equac¸˜oes 15 e 16.
Aspectos computacionais da detecc¸˜ao Canny: Seja a imagem original modelada como uma matriz N × M , denotada por I. A convoluc¸˜ao de I com o filtro que define uma vers˜ao discreta de G ´e computada na direc¸˜ao de x e de y, como Gx e Gy, gerando Sx e Sy, respectivamente.
A imagem suavizada S pode ser aproximada como a soma aritm´etica dos m´odulos de Sxe Sy [21].
Sx[i, j] = I[i, j] ∗ Gx (17)
Sy[i, j] = I[i, j] ∗ Gy (18)
S[i, j] ≈ |Sx[i, j]| + |Sy[i, j]| (19)
Para separar as bordas das regi˜oes homogˆeneas da ima-gem, I deve ser convolu´ıda com o filtro da derivada da Gaus-siana, na direc¸˜ao de x e de y, G0x e G0y. Este procedimento
ir´a gerar Mx e My, as componentes que ser˜ao combinadas
para gerar as matrizes de magnitude, M e de orientac¸˜ao do gradiente em cada pixel, θ [21].
Mx[i, j] = S[i, j] ∗ G0x (20)
My[i, j] = S[i, j] ∗ G0y (21)
M [i, j] ≈ |Mx[i, j]| + |My[i, j]| (22)
θ[i, j] = arctan My[i, j] Mx[i, j]
(23) Neste momento, um pixel M [i, j] ir´a apresentar inten-sidade mais elevada caso fac¸a parte de uma borda e um valor mais baixo caso contr´ario. Os pixels pertencentes a uma mesma borda possuem orientac¸˜ao do gradiente θ[i, j] semelhante, mas dificilmente essas orientac¸˜oes ser˜ao iguais, como mostra a Figura 9b. Por esse motivo os valores de θ devem ser aproximados por setores, normalmente com variac¸˜oes de 45◦. Neste caso, pixels que apresentem direc¸˜ao do gradiente muito similares, ter˜ao θ[i, j] mapeados para o mesmo ˆangulo [21].
A etapa de supress˜ao n˜ao-m´axima consiste na an´alise da magnitude e da direc¸˜ao do gradiente para cada pixel da
imagem. Pixels de borda apresentam a magnitude m´axima em sua vizinhanc¸a na direc¸˜ao do gradiente, como mostra a Figura 9. Neste processo, os demais pixels que n˜ao constituem m´aximos locais ser˜ao descartados, provocando um afinamento da borda [21].
Figura 9. Supress˜ao n˜ao-m´axima. (a) Caso simples, onde o gradiente ´e horizontal. A maioria dos casos apresenta direc¸˜ao do gradiente diferente de horizontal ou vertical, ent˜ao ´e necess´ario realizar uma aproximac¸˜ao do ˆangulo em cada pixel para um valor pr´e-estabelecido.
Apesar da filtragem Gaussiana suavizar a imagem ori-ginal, a imagem M conter´a muitos fragmentos de bordas falsas causadas por ru´ıdo e detalhes de textura. A etapa de limiarizac¸˜ao por histerese´e respons´avel pela eliminac¸˜ao das falsas bordas atrav´es da escolha de dois limiares, τ1e τ2. Em
geral, a relac¸˜ao entre eles varia entre τ1 = 2τ2 e τ1= 3τ2.
Qualquer pixel na imagem que possui intensidade maior que o τ1 ´e classificado como borda, ou pixel forte. Se um pixel
possui intensidade menor que o τ2, ´e descartado. Por fim,
caso o pixel apresente intensidade entre os τ1 e τ2, ser´a
classificado como um pixel candidato. Se um pixel candidato est´a conectado a um pixel forte, ele ser´a marcado como um pixel forte, caso contr´ario ser´a descartado [21].
Figura 10. Exemplo do algoritmo de histerese: as arestas candidatas C1 e C2 s˜ao preservadas, enquanto que as arestas C3 e C4 ser˜ao suprimidas.
C. Trabalhos relacionados
H´a uma grande variedade de trabalhos que aplicam t´ecnicas gen´ericas de PDI para a detecc¸˜ao e o reconheci-mento de objetos dispon´ıveis na literatura. Alguns dos traba-lhos descritos a seguir apresentam ainda t´ecnicas adaptadas para a detecc¸˜ao de centros de ossificac¸˜ao, separando-os do tecido mole e do plano de fundo da imagem.
Niemeijer (2003) desenvolveu um sistema automatizado baseado no m´etodo TW, focando na falange m´edia do terceiro dedo. Um modelo de contornos ativos foi desen-volvido para extrair marcadores do contorno da falange e atribuir `a radiografia o est´agio de maturac¸˜ao TW que apresenta o maior grau de correlac¸˜ao com os marcadores encontrados na imagem. O sistema foi testado em 71 ima-gens radiogr´aficas e o est´agio de maturac¸˜ao do paciente foi atribu´ıdo corretamente em 73,2% dos casos e em 97,2% dos casos onde a atribuic¸˜ao do est´agio de maturac¸˜ao foi feita incorretamente, o erro n˜ao foi maior que 1 est´agio [14]. Lin et al. (2004) tamb´em desenvolveram um trabalho utilizando contornos ativos para a extrac¸˜ao de caracter´ısticas morfol´ogicas de ossos do carpo. Entretanto, este m´etodo de detecc¸˜ao apresenta uma desvantagem, pois necessita que o contorno ativo inicial seja inserido, na parte interna do osso que ser´a medido [12].
Embora a maioria dos trabalhos que visam detecc¸˜ao de centros de ossificac¸˜ao utilizem extrac¸˜ao de regi˜oes de interesse na etapa inicial do projeto, Zhang, Gertych e Liu (2007) destacam-se no m´etodo proposto: baseado no conhecimento a priori da anatomia da m˜ao para a extrac¸˜ao das regi˜oes de interesse das falanges e do carpo a partir da silhueta da m˜ao, seguida da segmentac¸˜ao e an´alise de caracter´ısticas morfol´ogicas de ossos carpais utilizando suavizac¸˜ao por difus˜ao anisotr´opica, detecc¸˜ao de bordas Canny e classificac¸˜ao Fuzzy. Um aspecto interessante desse trabalho ´e a detecc¸˜ao dos ossos do carpo usando coordenadas polares, onde a origem do sistema de coordenadas ´e fixado no capitato e a localizac¸˜ao dos demais ossos ´e estimada a partir desse osso. A validac¸˜ao da t´ecnica foi realizada com 205 imagens de teste, onde os resultados obtidos estavam muito pr´oximos do laudo m´edico [15].
O trabalho desenvolvido por Giordano et al. (2010) des-creve um sistema automatizado para a estimativa de idade ´ossea de acordo com o m´etodo TW. A extrac¸˜ao das regi˜oes de interesse implementada neste m´etodo merece destaque devido `a simplicidade e ao seu baixo custo computacional: consiste num conjunto de linhas que cortam a imagem horizontalmente e que marcam os pontos de transic¸˜ao m˜ao-plano de fundo. A partir desses pontos, os autores utilizaram o conhecimento anatˆomico da m˜ao para localizar as regi˜oes de interesse. Al´em disso, tamb´em utilizaram as derivadas parciais da imagem para determinar os extremos dos ossos, os quais foram caracterizados por grandes variac¸˜oes da derivada pacial. Outro aspecto interessante desse trabalho ´e a capacidade de ajuste da imagem caso a m˜ao estivesse le-vemente rotacionada no momento da captura da radiografia. Em casos como este, a direc¸˜ao do dedo m´edio ´e utilizada para corrigir a orientac¸˜ao da m˜ao. O sistema foi avaliado ao processar 106 amostras de teste, o qual obteve uma taxa sucesso de 90% na avaliac¸˜ao dos est´agios de maturac¸˜ao [17]. Lin et al. (2012) desenvolveram um sistema para estima-tiva de idade ´ossea usando uma rede neural-fuzzy (RNF),
baseado no m´etodo TW. O m´etodo tamb´em consiste na extrac¸˜ao das regi˜oes de interesse, seguido pelas etapas de pr´e-processamento e segmentac¸˜ao. Na etapa de classificac¸˜ao ´e feita a montagem e treinamento da rede e, por fim, a aplicac¸˜ao das regi˜oes de interesse como entradas da rede. A an´alise de desempenho da RNF foi realizada com 600 imagens de teste. Destas, 400 foram utilizadas para treina-mento e as 200 imagens restantes, como entradas da rede. Os resultados experimentais revelaram boa precis˜ao na selec¸˜ao do est´agio de maturac¸˜ao do indiv´ıduo, onde a idade ´ossea foi estimada corretamente para 100% das amostras de teste [16].
III. M ´ETODOS EEXPERIMENTOS
O projeto da ferramenta est´a dividido em quatro fases: a. Extrac¸˜ao das regi˜oes de interesse da imagem; b. Pr´e-processamento; c. Detecc¸˜ao de bordas e d. Extrac¸˜ao de informac¸˜ao da imagem, de acordo com o diagrama da Figura 11. Na primeira fase foram aplicadas adaptac¸˜oes das t´ecnicas propostas por [15] e [17] para extrair as regi˜oes de interesse, reduzindo o espac¸o de busca dos centros de ossificac¸˜ao e eliminando o c´alculo desnecess´ario de regi˜oes irrelevantes da imagem. A segunda parte consistiu na aplicac¸˜ao do filtro de mediana para atenuac¸˜ao do ru´ıdo, seguida por t´ecnicas de realce baseadas no Laplaciano e na equalizac¸˜ao do histograma. A fase de detecc¸˜ao de bordas utilizou o detector Canny e o c´alculo das derivadas parciais para identificar os centros de ossificac¸˜ao em cada regi˜ao de interesse. Por fim, a fase de extrac¸˜ao de informac¸˜ao calculou a reta que segue a direc¸˜ao do osso para determinar as extremidades de cada osso encontrado. A ferramenta foi implementada em Java e utilizou imagens de 8 bits com resoluc¸˜ao de 72 dpi (dot per inch).
Figura 11. Metodologia empregada no projeto da ferramenta.
A. Extrac¸˜ao das regi˜oes de interesse
A extrac¸˜ao de regi˜oes de interesse tem sido amplamente utilizada em PDI, sobretudo em aplicac¸˜oes que envolvem imagens m´edicas. O ganho no desempenho ´e obtido ao evitar processamento desnecess´ario de regi˜oes irrelevantes e facilitar a busca de objetos de interesse [15]. Para o c´alculo da idade ´ossea foram estabelecidas trˆes regi˜oes de interesse: a regi˜ao das falanges, a dos metac´arpicos e a do carpo. O
algoritmo de extrac¸˜ao foi baseado no m´etodo proposto por Giordano et al. (2010) que consiste na obtenc¸˜ao da silhueta da m˜ao por limiarizac¸˜ao adaptativa e localizac¸˜ao das regi˜oes de interesse utilizando o conhecimento a priori da anatomia da m˜ao.
1) Extrac¸˜ao da silhueta da m˜ao: Imagens digitalizadas de radiografias carpais normalmente apresentam uma variac¸˜ao na intensidade dos n´ıveis de cinza devido a maior incidˆencia de raios ionizantes na regi˜ao do carpo e, por esse motivo a regi˜ao do pulso geralmente ´e mais iluminada e apresenta baixo contraste. Uma limiarizac¸˜ao global sobre a imagem resultaria em perda de informac¸˜ao referente `a ponta dos dedos. Neste caso, melhores resultados s˜ao alcanc¸ados com limiarizac¸˜ao adaptativa sobre a imagem.
A silhueta da m˜ao foi obtida atrav´es da limiarizac¸˜ao adaptativa da imagem, a qual foi particionada em regi˜oes retangulares de tal forma que cada regi˜ao possu´ısse pixels da m˜ao e do plano de fundo. Por fim, o limiar local foi calculado a partir do histograma de cada regi˜ao, de forma que regi˜oes mais escuras da imagem receberam um limiar mais baixo e regi˜oes mais brilhantes, um limiar mais elevado. A partir desse momento, o objeto (m˜ao) ´e modelado com pixels brancos e o fundo, com pixels pretos.
Figura 12. Comparativo entre imagem original e imagem com a silhueta da m˜ao. (a) Imagem original da radiografia carpal e (b) Imagem binarizada por limiarizac¸˜ao adaptativa.
Como ilustra a Figura 12b, a imagem resultante da limiarizac¸˜ao apresenta a silhueta da m˜ao, mas necessita de correc¸˜oes, como remoc¸˜ao de pontos aleat´orios e ru´ıdo de borda proveniente do processo de digitalizac¸˜ao. Para a correc¸˜ao da imagem foi utilizada a operac¸˜ao morfol´ogica de fechamento, que combina os operadores dilatac¸˜ao e eros˜ao. O operador dilatac¸˜ao provoca o crescimento da regi˜ao do plano de fundo, eliminando pequenos buracos que estejam dispostos aleatoriamente na imagem. Consequentemente, ele tamb´em provoca a diminuic¸˜ao do tamanho de objetos bran-cos na imagem, sendo necess´ario aplicar o operador eros˜ao e provocar a regress˜ao do plano de fundo ao seu estado inicial. A correc¸˜ao da imagem binarizada foi finalizada com
a remoc¸˜ao do ru´ıdo das bordas e da etiqueta da radiografia, localizada no canto superior direito da imagem.
2) Localizac¸˜ao das regi˜oes de interesse: As regi˜oes de interesse consistem em pol´ıgonos retangulares que englobam as falanges II e III, os metac´arpicos II, III e IV e os ossos do carpo. Para encontrar os pontos que definem essas regi˜oes, foi realizada uma adaptac¸˜ao da t´ecnica proposta por [17]. A imagem ajustada com a silhueta da m˜ao, ilustrada na Figura 13a, foi cortada por linhas horizontais igualmente espac¸adas, as quais detectam pontos de transic¸˜ao objeto - plano de fundo, como mostra a Figura 13b. A partir destes pontos de transic¸˜ao foi poss´ıvel encontrar as regi˜oes de interesse a partir do conhecimento a priori da anatomia da m˜ao.
O procedimento para determinar os pontos da regi˜ao das falanges ´e descrito a seguir:
• A imagem cortada pelas retas ´e varrida de cima para baixo;
• A primeira reta que interceptar trˆes objetos armazena os pontos do objeto central (dedo m´edio) e do objeto `a direita (dedo indicador);
• Os pontos encontrados s˜ao usados para localizar o
ponto entre o dedo m´edio e o indicador. Este ponto tamb´em ser´a usado para encontrar a regi˜ao dos me-tac´arpicos;
• A partir dessas informac¸˜oes, delimita-se a regi˜ao das falanges.
Figura 13. (a) Imagem ajustada pelos operadores morol´ogicos e a (b) imagem cortada pelas retas que buscam os pontos delimitadores das regi˜oes de interesse.
A regi˜ao dos metac´arpicos ´e determinada da seguinte forma:
• A imagem cortada pelas retas ´e varrida de baixo para cima. Quando uma reta intercepta dois objetos (a palma da m˜ao e o dedo polegar) os limites laterais s˜ao definidos como os pontos inicial e final do primeiro objeto encontrado;
• O limite superior ´e definido no ponto entre os dedos
m´edio e indicador, encontrado durante a busca da regi˜ao das falanges;
• O limite inferior dos metac´arpicos ´e determinado como o ponto p(x, y) onde a diferenc¸a entre a largura dos objetos ´e maior que 20 pixels, pois observando a anatomia da m˜ao, percebe-se que o pulso acaba e comec¸a a palma da m˜ao onde a largura do membro comec¸a a aumentar.
Por fim, a regi˜ao do carpo ´e definida como:
• Obtem-se o limite inferior da regi˜ao dos metac´arpicos, p(x, y);
• O ponto p(x, y) ´e definido como ponto m´edio da regi˜ao do carpo. Os limites superior e inferior s˜ao determinados a partir de p(x, y) como (x, y − τ ) e (x, y + τ ), onde τ ´e um n´umero arbitr´ario;
• Os limites laterais s˜ao definidos pelos pontos inicial e final do objeto localizado nessa posic¸˜ao.
B. Pr´e-processamento da imagem
Existem diversas t´ecnicas de melhoramento de imagens digitais dispon´ıveis na literatura. Dentre elas, duas foram selecionadas para aumentar a qualidade da imagem, tanto na reduc¸˜ao do ru´ıdo quanto no aumento do contraste da ima-gem: realce utilizando o operador Laplaciano e a equalizac¸˜ao do histograma.
A primeira t´ecnica de melhoramento visa realc¸ar detalhes finos da imagem utilizando a implementac¸˜ao do Laplaciano digital atrav´es da m´ascara de coeficiente central positivo. O algoritmo de realce consiste na soma aritm´etica da ima-gem original com a magnitude do gradiente, resultante da aplicac¸˜ao do Laplaciano, de acordo com a Equac¸˜ao 24. Com isso, a imagem final apresenta bordas mais acentuadas que a imagem inicial.
Im(x, y) = Io(x, y) + 52Io(x, y) (24)
Onde Im(x, y) ´e a imagem melhorada, Io(x, y) ´e a
imagem original e 52I
o(x, y) ´e o gradiente da imagem
original, que destaca as regi˜oes com variac¸˜oes bruscas de intensidade. Esta soma resulta numa imagem com maior riqueza de detalhes.
A segunda t´ecnica de melhoramento consiste na equalizac¸˜ao do histograma. Ela utiliza o histograma de cada regi˜ao de interesse e n˜ao o de toda a radiografia. Essa separac¸˜ao est´a relacionada com a diferenc¸a de contraste existente entre as regi˜oes, pois geralmente a imagem perde contraste a medida em que desloca-se verticalmente da ponta dos dedos em direc¸˜ao ao pulso. Essa separac¸˜ao visa obter melhores resultados pois explora as diferentes caracter´ısticas de cada regi˜ao.
A separac¸˜ao da imagem em regi˜oes de interesse permitiu que as t´ecnicas de melhoramento pudessem ser aplicadas separadamente em cada regi˜ao, de acordo com o n´ıvel de contraste apresentado. Aquela que apresentou melhores resultados foi escolhida para ser usada no processo geral de detecc¸˜ao.
C. Detecc¸˜ao de Bordas Canny
O algoritmo de detecc¸˜ao de borda de Canny implementado ´e descrito pelas etapas a seguir:
1) Criac¸˜ao de uma m´ascara Gaussiana unidimensional para convoluir com a regi˜ao de interesse I. O des-vio padr˜ao da func¸˜ao Gaussiana ´e um parˆametro do detector de borda;
2) Criac¸˜ao de uma m´ascara unidimensional para a pri-meira derivada da Gaussiana, G0. O valor do desvio padr˜ao deve ser o mesmo que o do passo 2;
3) Convoluc¸˜ao unidimensional da imagem I com G ao longo das linhas para obter Ixe ao longo das colunas
para obter Iy;
4) Convoluc¸˜ao unidimensional da imagem Ixcom G0ao
longo das linhas obter Ix0 e ao longo das colunas para obter Iy0;
5) Obter a magnitude aproximada da resposta de borda, com a soma escalar das componentes x e y.
6) Obter a matriz direcional que armazena o ˆangulo α do vetor gradiente para cada pixel;
7) Aplicac¸˜ao da supress˜ao n˜ao-m´axima utilizando uma matriz direcional;
8) Como h´a diferentes n´ıveis de luminosidade entre as regi˜oes de interesse (a regi˜ao do carpo geralmente ´e mais clara que a regi˜ao das falanges) foi desenvolvido um m´etodo para tornar a limiarizac¸˜ao por histerese autoajust´avel, onde o valor do limiar ´e determinado separadamente para cada regi˜ao. A definic¸˜ao do limiar ´otimo ´e feita da seguinte forma: obt´em-se a intensi-dade k do pixel mais brilhante da regi˜ao R atrav´es de seu histograma Hr. O limiar Tr usado na histerese ´e
definido como uma porcentagem de Tr.
D. Detecc¸˜ao de bordas por Derivadas Parciais
Este m´etodo de detecc¸˜ao consiste em percorrer a imagem apenas em uma dimens˜ao, geralmente na direc¸˜ao de x, e marcar como borda o pixel que apresenta uma intensidade muito elevada em relac¸˜ao aos seus vizinhos. A aplicac¸˜ao de derivadas parciais em imagens digitais ´e modelada em termos das diferenc¸as entre a intensidade dos pixels. Para o caso espec´ıfico da detecc¸˜ao de centros de ossificac¸˜ao, alguns artif´ıcios foram desenvolvidos para aumentar a eficiˆencia da detecc¸˜ao:
• Quando uma imagem estiver sendo varrida na direc¸˜ao de x e o c´alculo da derivada resultar em um valor maior que a m´edia de seus vizinhos somada com um limiar ε arbitr´ario, o algoritmo de detecc¸˜ao verifica a intensidade dos vizinhos adjacentes na horizontal. Ser´a marcado como borda o pixel que apresentar m´axima intensidade em sua vizinhanc¸a;
• Ao seguir a reta que define a direc¸˜ao do centro de
ossificac¸˜ao, ser´a definido como borda o pixel localizado em uma vizinhanc¸a que apresenta intensa variac¸˜ao de intensidade, como mostra a Figura 14.
Figura 14. Cadacter´ısticas da imagem exploradas pelo algoritmo de detecc¸˜ao de bordas por derivadas parciais. (a) Imagem de amostra; (b) Intensidade dos pixels seguindo uma linha sobre a.; (c) Derivadas parciais de b.
E. Extrac¸˜ao de informac¸˜ao da imagem
O primeiro passo para a extrac¸˜ao de informac¸˜ao consiste em localizar o centro de ossificac¸˜ao que ser´a medido. Esta tarefa foi facilitada pois sabe-se que os centros de ossificac¸˜ao que ser˜ao medidos est˜ao localizados, em m´edia, no centro de suas respectivas regi˜oes de interesse.
Os centros de ossificac¸˜ao podem ser localizados de duas maneiras: varrer a imagem horizontalmente em sua regi˜ao central e (1) marcar os pontos onde foram encontrados linhas pretas, ou (2) marcar os pontos onde a derivada parcial de um pixel localizado no ponto I(x, y) da imagem I ´e m´axima em relac¸˜ao a sua vizinhanc¸a. O m´etodo de localizac¸˜ao (1) deve ser aplicado ap´os uma t´ecnica de detecc¸˜ao de bordas, enquanto que o m´etodo (2) pode aplicado ap´os a etapa de pr´e-processamento. Ambos m´etodos de localizac¸˜ao permitem encontrar o ponto de m´edio de cada centro de ossificac¸˜ao, que ser´a utilizado posteriormente, para encontrar as medidas do osso.
O algoritmo de extrac¸˜ao de informac¸˜ao consiste nos passos descritos a seguir:
• Localizar pontos de borda dos centros de ossificac¸˜ao, 10 pixels acima e 10 pixels abaixo do ponto m´edio da regi˜ao de interesse em relac¸˜ao a y. Ser´a obtido um par de pontos para cada altura (ver Figura 15a);
• Para cada par de pontos de borda, calcular o ponto m´edio do centro de ossificac¸˜ao (Figura 15b);
• Cada centro de ossificac¸˜ao ir´a apresentar um par de
pontos localizados exatamente em sua regi˜ao central. Calcular a equac¸˜ao anal´ıtica da reta utilizando o par de pontos m´edios para cada centro de ossificac¸˜ao. A
equac¸˜ao ir´a representar a reta que segue a direc¸˜ao do osso (Figura 15c);
• Uitilizar o algoritmo de Bresenham [27], [28], que modela o trac¸ado de retas sobre um dom´ınio discreto, para seguir a reta que define a direc¸˜ao do centro de ossificac¸˜ao decrementando e incrementando y at´e encontrar o in´ıcio e o fim do osso. O crit´erio de parada ´e o mesmo utilizado pelo m´etodo de localizac¸˜ao dos pontos de borda dos centros de ossificac¸˜ao (Figura 15d);
• Conhecendo os pontos que marcam o in´ıcio e o final do osso, ´e poss´ıvel calcular a distˆancia entre eles e obter o comprimento dos centros de ossificac¸˜ao alongados, em pixels.
Figura 15. Algoritmo de reconhecimento e extrac¸˜ao de informac¸˜ao para ossos alongados. (a) Pontos de localizac¸˜ao; (b) ponto m´edio do osso; (c) Reta que segue a direc¸˜ao do centro de ossificac¸˜ao e (d) limites do centro de ossificac¸˜ao encontrados.
IV. RESULTADOS EDISCUSSOES˜
A etapa respons´avel pelo reconhecimento das regi˜oes de interesse depende diretamente do constraste da imagem. Para que o algoritmo de reconhecimento tenha ˆexito, a imagem deve apresentar um contraste m´ınimo onde seja poss´ıvel obter a silhueta da m˜ao, pois esse algoritmo baseia-se na localizac¸˜ao dos dedos polegar e indicador e no crescimento da largura da m˜ao em relac¸˜ao ao punho para determinar as regi˜oes de interesse. A Figura 16 mostra a localizac¸˜ao das regi˜oes de interesse sobre duas imagens com diferentes n´ıveis de contraste.
A divis˜ao da imagem original em regi˜oes de inte-rese, estrat´egia amplamente adotada na an´alise de imagens m´edicas, facilitou o processo de detecc¸˜ao pois permitiu uma an´alise mais pontual, viabilizando o ajuste de parˆametros
Figura 16. Representc¸˜ao das regi˜oes de interesse sobre imagens com diferentes n´ıveis de contraste. (I) Regi˜ao das falanges; (II) Regi˜ao dos metac´arpicos e (III) Regi˜ao do carpo.
da detecc¸˜ao, de acordo com as caracter´ısticas individuais de cada regi˜ao. Outra vantagem da extrac¸˜ao de regi˜oes de interesse ´e a facilidade de localizac¸˜ao dos centros de ossificac¸˜ao, pois o conhecimento a priori da anatomia da m˜ao permite reconhecer os objetos de interesse de forma mais eficiente.
A Figura 17 mostra o resultado da detecc¸˜ao de bordas Canny para a regi˜ao das falanges, aplicando equalizac¸˜ao do histograma ou Laplaciano sobre a imagem suavizada, durante a etapa de pr´e-processamento. O filtro baseado no Laplaciano realc¸ou intensamente as bordas da imagem, por´em este realce intensificou a formac¸˜ao de m´aximos locais ao longo das falanges, que influenciaram diretamente na detecc¸˜ao de falsas bordas.
Figura 17. Resultados obtidos ao processar a regi˜ao das falanges. (a) regi˜ao suavizada; (b) equalizac¸˜ao do histograma de a.; (c) realce baseado no filtro Laplaciano aplicado sobre a.; (d) Detecc¸˜ao Canny de a.; (e) Detecc¸˜ao Canny de b.; (f) Detecc¸˜ao Canny de c.
na detecc¸˜ao das falanges, mas alterou o plano de fundo da imagem, inserindo variac¸˜oes de intensidade em locais antes constantes. Por outro lado, a aplicac¸˜ao do detector Canny logo ap´os a suavizac¸˜ao da imagem foi satisfat´oria, pois permitiu boa detecc¸˜ao de borda ao mesmo tempo em que dispensou realce.
Figura 18. Corte da regi˜ao do metacarpo ap´os suavizac¸˜ao e equalizac¸˜ao do histograma, mostrando os m´aximos locais respons´aveis pela detecc¸˜ao de falsas bordas.
A regi˜ao dos metac´arpicos n˜ao apresentou bons resultados em todos os casos em que o detector Canny foi aplicado, pois os metac´arpicos possuem m´aximos locais bastante acen-tuados, que acabam destacados ap´os a detecc¸˜ao de bordas, como mostra a Figura 18. A aplicac¸˜ao do detector Canny com o parˆametro σ mais elevado (alterado de 0.7 para 1.4) logo ap´os a suavizac¸˜ao da imagem reduz a presenc¸a de falsas bordas mas provoca perda de informac¸˜ao referente ao contorno dos ossos, como pode ser visto na Figura 19.
Figura 19. Detecc¸˜ao de bordas dos metac´arpicos. (a) Imagem suavizada; (b) Realce por Equalizac¸˜ao do histograma de a.; (c) Realce por Laplaciano de a.; (d) Detecc¸˜ao Canny de a.; (e) Detec˜ao Canny de b.; e (f) Detecc¸˜ao Canny de c.
Ap´os o realce da regi˜ao do carpo, houve melhoria no con-traste entre ossos e o tecido mole, por´em tanto a equalizac¸˜ao do histograma quanto o filtro Laplaciano acabaram realc¸ando tamb´em ru´ıdo. A detecc¸˜ao Canny sem realce n˜ao foi capaz de detectar as bordas dos centros de ossificac¸˜ao devido ao baixo contraste da imagem. A tentativa de extrair as bordas dos ossos do carpo com a alterac¸˜ao do parˆametro σ tamb´em
n˜ao gerou resultados satisfat´orios, pois intensificou o ru´ıdo ou causou perda do contorno dos objetos, como mostra a Figura 20.
Figura 20. Resultados obtidos ao processar a regi˜ao do carpo. (a) regi˜ao suavizada; (b) equalizac¸˜ao do histograma de a.; (c) realce baseado no filtro Laplaciano aplicado sobre a.; (d) Detecc¸˜ao Canny de a.; (e) Detecc¸˜ao Canny de b.; (f) Detecc¸˜ao Canny de c.
A utilizac¸˜ao de derivadas parciais para localizar falanges e metac´arpicos gerou melhores resultados que o detector Canny, pois rejeita as falsas bordas presentes nos ossos alongados, j´a que as pequenas variac¸˜oes de intensidade causadas pelos m´aximos locais ou por ru´ıdo n˜ao eram suficientes para que fossem reconhecidos como borda.
Figura 21. Detecc¸˜ao de pontos das falanges e dos metac´arpicos sobrepostos em uma imagem de teste, utilizando derivadas parciais.
O problema da regi˜ao do carpo n˜ao pˆode ser solucionado com derivadas parciais, porque a correta localizac¸˜ao dos ossos deve ser feita a partir dos seus respectivos centros de massa (ver Figura 2), caso contr´ario as medidas seriam equivocadas. Por esse motivo, a extrac¸˜ao de medidas da regi˜ao do carpo foi descartada do processo de detecc¸˜ao
dos centros de ossificac¸˜ao. Entretanto, a remoc¸˜ao dos ossos do carpo n˜ao provoca grandes perdas ao trabalho, pois Olivete (2005) demonsta em seu estudo que ´e poss´ıvel manter a precis˜ao da estimativa utilizando apenas falanges e metac´arpicos.
A amostra de teste da Figura 21 mostra os pontos resultantes da detecc¸˜ao das falanges e dos metac´arpicos utilizando derivadas parciais. Neste exemplo, os pontos das falanges foram detectados ao aplicar a derivada parcial para localizar os extremos dos centros de ossificac¸˜ao, logo ap´os a suavizac¸˜ao. J´a na regi˜ao dos metac´arpicos, as derivadas parciais foram aplicadas ap´os o realce por equalizac¸˜ao do histograma, para melhoria do contraste.
Os testes para validac¸˜ao da ferramenta utilizaram um conjunto de 73 imagens. Estas imagens s˜ao provenientes de uma base de dados online desenvolvida por pesquisa-dores da USP-S˜ao Carlos, a qual constitui-se como uma ferramenta colaborativa que visa auxiliar pesquisas na ´area de estimativa de idade ´ossea com a disponibilizac¸˜ao de imagens radiogr´aficas [29]. Inicialmente, foi realizada uma marcac¸˜ao manual de pontos sobre os centros de ossificac¸˜ao do m´etodo ER simplificado, de acordo com a Figura 2. Os testes consistem na avaliac¸˜ao da distˆancia entre os pontos marcados manualmente sobre a imagem e os pontos detectados pela ferramenta. Foram realizados duas massas de teste, a primeira utilizando detecc¸˜ao de bordas Canny e a segunda, detecc¸˜ao de bordas por derivadas parciais, cujos resultados s˜ao apresentados nos gr´aficos das Figuras 22 e 23.
Nestes gr´aficos, o eixo x representa cada ponto manual posicionado sobre os extremos das falanges II e III e metac´arpicos II, III e IV. Enquanto que o eixo y representa a m´edia percentual das imagens onde a distˆancia entre o ponto manual e o ponto localizado pela ferramenta ´e menor ou igual a 3 mil´ımetros, pois nas tabelas do m´etodo ER, a cada ano de desenvolvimento ´osseo h´a uma variac¸˜ao de aproximadamente 3 mil´ımetros no comprimento dos ossos alongados durante os primeiros anos de vida do indiv´ıduo [2].
Embora os resultados obtidos com a detecc¸˜ao Canny mos-tram que foi poss´ıvel localizar os pontos sobre as falanges em algumas imagens mesmo com a presenc¸a dos m´aximos locais, como pode ser observado no gr´afico da Figura 22, em geral essa t´ecnica n˜ao apresentou bons resultados pois a presenc¸a de falsas bordas interferiram fortemente na localizac¸˜ao e detecc¸˜ao do comprimento dos centros de ossificac¸˜ao, sobretudo dos metac´arpicos (pontos de P 5 a P 10).
O gr´afico da Figura 23 mostra que o c´alculo das derivadas parciais aplicado na detecc¸˜ao de bordas possui certa vanta-gem em relac¸˜ao ao detector Canny na an´alise de falanges e metac´arpicos. Outro aspecto relevante deste gr´afico ´e que os pontos P 6, P 8 e P 10 apresentam uma queda no que pode ser considerado como uma boa detecc¸˜ao. Esses pontos
representam a parte inferior dos metac´arpicos, onde h´a uma diminuic¸˜ao no contraste devido `a proximidade com a regi˜ao do carpo. Al´em disso, caso o final de um metac´arpico esteja muito pr´oximo aos ossos do carpo, o algoritmo de detecc¸˜ao pode se perder e n˜ao conseguir localizar seu limite inferior ou localiz´a-lo de forma incorreta.
Figura 22. Resultados dos testes realizados com detector Canny.
Figura 23. Resultados dos testes realizados com Derivadas parciais.
V. CONCLUSOES˜
A aplicac¸˜ao de uma metodologia experimental para t´ecnicas cl´assicas de PDI mostra que n˜ao existe uma t´ecnica ideal para todo tipo de imagem. A escolha de uma de-terminada t´ecnica ou a ordem em que um conjunto de t´ecnicas devem ser aplicadas est´a intimamente relacionada com a aplicac¸˜ao a que a imagem se destina. As t´ecnicas encontradas durante a revis˜ao da literatura enriqueceram consideravelmente este trabalho, pois contribu´ıram com ideias simples e eficientes como as de Zhang et al. (2007) e Giordano et al. (2010).
O processo de detecc¸˜ao adotado n˜ao apresentou taxas de acerto t˜ao elevadas como as de outros trabalhos dispon´ıveis na literatura que abordam o mesmo tema, por´em os re-sultados obtidos aqui s˜ao considerados satisfat´orios, pois utiliza t´ecnicas com menor grau de complexidade que outras bastante difundidas na detecc¸˜ao de centros de ossificac¸˜ao, tais como redes neurais e classificac¸˜ao fuzzy. Al´em disso,
os crit´erios de detecc¸˜ao de bordas utilizando derivadadas parciais podem ser melhorados a fim de elevar a eficiˆencia da ferramenta.
REFERENCIASˆ
[1] L. T. Nobuyasu, “Estudo comparativo da maturac¸˜ao ´Ossea em radiografia carpal entre indiv´ıduos com imc normal e baixo peso,” Dissertac¸˜ao, Universidade de Mar´ılia, Mar´ılia, 2008. [2] C. J. Olivete, “Estimativa da idade ´ossea atrav´es da an´alise
carpal baseada na simplificac¸˜ao do m´etodo de eklof & rin-gertz,” Dissertac¸˜ao, Escola de Engenharia de S˜ao Carlos, Universidade de S˜ao Paulo, S˜ao Carlos, 2005.
[3] W. W. Greulich and S. I. Pyle, Radiographic Atlas of Skele-tetal Development of the Hand and Wrist. University Press, 1992.
[4] W. Greulich and S. Pyle, Radiographic Atlas of Skeletal Development of Hand Wrist. Stanford University Press, 1971.
[5] J. M. Tanner, R. W. Whitehouse, and Healvy, “A new system for estimating skeletal maturity from hand and wrist, with standarts derived from a study of 2600 healthy british chil-dren,” 1969.
[6] O. Tavano, “Radiografias carpal e cefalom´etrica como estima-dores da idade ´ossea e do crescimento e desenvolvimento,” 2001.
[7] F. Haiter, S. Almeida, and C. Leite, “Estudo comparativo dos m´etodos de estimativa da idade ´ossea de greulich & pyle e tanner & whitehouse,” Pesqui. Odontol. Bras., vol. 14, no. 4, pp. 378–384, 2000.
[8] T. W. Todd, Atlas of skeletal maturation of the hand. St. Louis: Mosby, 1937.
[9] M. Niemeijer, “Automating skeletal age assessment,” Mes-trado, University Utrecht, 2002.
[10] M. E. Moraes, L. C. Moraes, E. M. Filho, and M. A. Grasiosi, “Reliability of greulich & pyle and eklof & ringertz methods for skeletal age evaluation in brazilian children,” Rev. Odontol. UNESP, vol. 32, no. 1, pp. 9–17, 2003.
[11] C. J. Olivete and E. L. L. Rodrigues, “Maturidade ´ossea: estimac¸˜ao por simplificac¸˜oes do m´etodo de eklof e ringertz,” Col´egio Brasileiro de Radiologia e Diagn´ostico por Imagem, vol. 43, no. 1, 2010.
[12] P. Lin, F. Zhang, Y. Yang, and C. xun Zheng, “Carpal-bone feature extraction analysis in skeletal age assessment based on deformable model,” J. of Computer Science and Tecnology, vol. 4, no. 3, 2004.
[13] H. Y. Chai, L. K. Wee, T. T. Swee, S. Salleh, and L. Y. Chea, “An artifacts removal post processing for epiphyseal region of interest (eroi) localization in automated bone age assessment (baa).” Biomed Eng Online, vol. 10, p. 87, 2011. [Online]. Available: http://www.biomedsearch.com/nih/ Artifacts-Removal-Post-processing-Epiphyseal/21952080. html
[14] M. Niemeijer, “Assessing the skeletal age from a hand ra-diography: automating the tanner-whitehouse method,” pp. 1197–1205, 2003.
[15] A. Zhang, A. Gertych, and B. J. Liu, “Automatic bone age assessment for young children from newborn to 7-year-old using carpal bones,” Comput Med Imaging Graph, vol. 31, no. 4-5, pp. 299–310, 2007.
[16] H. H. Lin, S. G. Shu, Y. H. Lin, and S. S. Yu, “Bone age cluster assessment and feature clustering analysis based on falangeal image rough segmentation,” Pattern Recognition, vol. 45, no. 1, pp. 322–332, 2012.
[17] D. Giordano, C. Spampinato, G. Scarciofalo, and R. Leonardi, “An automatic system for skeletal bone age measurement by robust processing of carpal and Epiphysial/Metaphysial bones,” IEEE Transactions on Instrumentation and Measure-ment, vol. 59, no. 10, pp. 2539 –2553, 2010.
[18] F. H. Netter, The Ciba Collection of Medical Illustrations. Part I Anatomy, Phisiology and Metabolic Disorders, N. M. E. Program, Ed. California: Saunders, 1990.
[19] O. Eklof and H. Ringertz, “A method for assessment of skeletal maturity,” Annals Radiology, vol. 10, pp. 330–336, 1967.
[20] I. N. Bankman, Handbook of Medical Imaging: Processing and Analysis. Academic Press, Sep. 2000.
[21] J. R. Parker, Algorithms for Image Processing and Computer Vision. Indianapolis, Indiana: Wiley Publishing, 2011, vol. 2. [22] R. C. Gonzalez and R. E. Woods, Digital Image Processing.
Prentice Hall, 2008.
[23] T. Pavlidis, Algorithms for Graphics and Image Processing. Rockville: Computer Science Press, 1982.
[24] E. L. Hall, Computer Image Processing and Recognition. New York: Academic Press, 1979.
[25] H. C. Andrews and B. R. Hunt, Digital Image Restoration. Englewood Cliffs, NJ: Prentice-Hall, 1977.
[26] C. J. F., “A computational approach to edge detection,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-8, no. 6, 1986.
[27] A. Hardy and W. Steeb, Mathematical Tools in Computer Graphics with C# Implementations. World Scientific, 2008. [Online]. Available: http://books.google.com.br/books? id=IGtIWmM2GWIC
[28] M. Pakhira, Computer Graphics, Multimedia and Animation. PHI Learning Pvt. Limited, 2010. [Online]. Available: http://books.google.com.br/books?id=3AQFN4IzBAoC [29] E. L. L. Rodrigues and C. J. Olivete, “Banco de dados on-line