TRIANGULAÇÃO DE DELAUNAY COM RESTRIÇÃO EM IMAGENS MÉDICAS BIDIMENSIONAIS
Leide Daiane Caires
Aluno do Programa de Pós-Graduação em Engenharia Mecânica – Unesp – Bauru Prof. Dr. Edson A. Capello Sousa
Orientador – Depto de Engenharia Mecânica – Unesp – Bauru
RESUMO
Muitas pesquisas têm sido desenvolvidas nos últimos anos na área da biomecânica, que envolve problemas área de engenharia e medicina. Estas pesquisas têm proporcionado grandes benefícios ao homem atual. Dentre as frentes de pesquisas da biomecânica, a engenharia computacional tem se tornado grande aliada na solução de problemas biomédicos, onde com o auxílio de softwares pertinentes auxilia em cirurgias de precisão, reconstrói modelos para análise de esforços em estruturas ósseas e próteses, entre outras aplicações.
Uma das ferramentas da engenharia que tem contribuído fortemente na aplicação de problemas biomecânicos é o Método dos Elementos Finitos (MEF), onde sua precisão na análise e seus benefícios computacionais permitem a solução de uma infinidade de problemas desta natureza.
Na criação do modelo geométrico para análise por elementos finitos, a grande dificuldade é definir a forma geométrica, devido à complexidade da geometria. O processo de criação do modelo geométrico inicia-se após a captura da imagem, seguido da geração de uma malha que resulte o mais próximo possível da geometria da estrutura real, pois quanto mais próximo o modelo se aproximar da estrutura real, melhor será a precisão da análise.
Disposto a atender os pré-requisitos das etapas de criação do modelo geométrico e pré-processamento em análise por elementos finitos em estruturas biomecânicas envolvendo regiões ósseas, foi a ênfase deste trabalho. Foi então desenvolvido um programa computacional, para obter modelos geométricos, através do processamento de imagens bidimensionais, imagens médicas digitais em formato DICOM, mas que também trabalha com outros formatos como BMP ou JPEG. O programa desenvolvido utiliza a Triangulação de Delaunay com restrição ou Constrained Delaunay Triangulation (CDT), para reconstrução da malha de superfície a partir do contorno das imagens utilizadas. O programa proposto integrará com o software de análise por elementos finitos (ANSYS), a fim de completar a análise sobre a estrutura obtida.
PALAVRAS-CHAVE: Delaunay, Bidimensionais, Engenharia Mecânica, Imagem Médica. 1 INTRODUÇÃO
difícil devido ao osso possuir forma bastante complexa, que varia de acordo com as características orgânicas e da constituição física de cada indivíduo, sendo inviável a construção destes modelos através de modos normais de desenho computacional.
No desenvolvimento de produtos biomecânicos, como por exemplo, próteses médicas são importantes a simulação e modelagem destes produtos, pois é possível avaliar o comportamento estrutural destas próteses quando há uma substituição da função de uma parte do organismo. Este processo também permite uma análise detalhada e validação do elemento proposto, onde é possível aperfeiçoar no projeto da prótese a ser fabricada.
A modelagem destas estruturas pode ser feitas em modelos bi e tridimensionais, onde as modelagens bidimensionais são restritas, devido à complexidade das geometrias. Neste caso, é importante que as características ósseas, no caso a geometria do modelo, seja cuidadosamente bem definido, para não prejudicar a análise final do conjunto (prótese/osso).
Como a obtenção destes modelos não é uma tarefa fácil de realizar devido à complexidade de sua geometria, a solução seria reconstruí-los com auxílio de um programa computacional.
Devido a tais dificuldades o presente estudo foi direcionado, onde a partir da geração de malhas não estruturadas, obtidas a partir da modelagem de objetos extraídos por dispositivos não invasivos, como Tomografia Computadorizada e Ressonância Magnética, Radiografias. Baseado em um dos métodos mais utilizados para a reconstrução desses modelos é o método de Delaunay. Este trabalho foi baseado na Triangulação de Delaunay com restrição ou Constrained Delaunay Triangulation (CDT), que trata de modelos com geometrias complexas. Pode-se utilizar de outros recursos para tratamento e melhoria dessas imagens para que ao final do trabalho a malha gerada atendesse os objetivos pretendidos. Neste caso, utilizaram-se componentes conexas para extração dos diversos contornos que podem existir em uma imagem, e a organização dos pontos que formam o contorno utilizou-se o algoritmo de Moore-Neighborhood.
A base para o desenvolvimento deste programa foi o software MATLAB (MATrix LABoratory) – um software interativo direcionado para cálculo numérico e de alto desempenho, que integra cálculo com matrizes, análise numérica, processamento de sinais e construção de gráficos em ambiente de fácil implementação.
Com sua própria linguagem, oferece uma ampla biblioteca de funções predefinidas para que a programação técnica se torne mais fácil. Ele permite a resolução de muitos problemas numéricos em apenas uma fração do tempo que se gastaria para escrever um programa semelhante em linguagem Fortran, Basic ou C. Além disso, as soluções dos problemas são expressas quase exatamente como elas são escritas matematicamente, ao contrário da programação tradicional. Maiores detalhes podem ser encontrados em Chapman (2003) e MATLAB (set. 2009).
Neste artigo apresentaremos a organização deste programa, as ferramentas e os passos utilizados para a reconstrução do modelo.
2 CONTEÚDO
trabalhar com imagens nos formatos BMP e JPEG. Estas imagens são aplicadas na área da biomecânica, relacionados à fase que precede a análise por elementos finitos, ou seja,
obtenção do modelo geométrico (região óssea) para posterior análise em softwares especializados.
3 MÉTODOS
A imagem de entrada em formato DICOM, (Figura 1), onde suas dimensões foram dadas em pontos (pixels) horizontais e verticais. Em ambiente MATLAB, através imagem de entrada foi obtida a matriz de cores, neste caso foi gerada em tons de cinza (Grayscale). No caso das imagens em tons de cinza, como é o caso da imagem de entrada, ela se diferencia da imagem binária por não limitar seus pixels em (0 e 1), os mesmos fazem parte de um conjunto finito de números inteiros não negativos, Heijmans (1993), ou seja, a imagem em tons de cinza, Eq. (1) definida, por t é um levantamento topográfico de um subconjunto Dt de Zn, onde
o domínio de definição de t é o conjunto limitado de inteiros não negativos (série finita No).
t: Dt ⊂ ZnÆ {0, 1,... tmax} (1)
onde, tmax é o valor máximo do tipo de dados usado para armazenar a imagem, ou seja, para
todo pixel f do domínio de definição de imagem p(f) pertence a {0, 1,..., tmax}.
Figura 1 – Tomografia computadorizada, seção transversal da mandíbula, imagem de entrada
A matriz de entrada (tons de cinza), então é transformada em uma matriz binária, esta matriz é gerada a partir da imagem de entrada.
que não faz parte do objeto. No caso da imagem utilizada para realização desta pesquisa, (Figura 2), os pixels de primeiro plano são impressos em branco, que são referentes à parte interna do osso da mandíbula, e os pixels de fundo são pretos, é a área externa do osso.
Quando se trabalha com análise de imagem, a maioria dos algoritmos realiza desta forma, onde conseguem retirar informações relacionadas à geometria dos objetos, Heijmans (1999).
Por definição, Eq. (2), uma imagem binária p é um plano de um subconjunto Dp de Zn, chamado domínio de definição de p no par {0,1}:
p: Dp ⊂ ZnÆ {0,1} (2)
isto quer dizer que para todos os pixels f do domínio de definição da imagem, p(f) iguais a 0 ou 1. Uma imagem com n-dimensão (n-D) apresenta uma imagem cujo domínio de definição é um subconjunto n-D do intervalo discreto Zn
, Danielsson (1980).
Figura 2 – Após a aplicação do filtro de cor, onde se torna uma matriz/imagem binária Como pode ser visto abaixo na Figura 2, a filtragem realizada da imagem em tons de cinza para a imagem binária, não foi suficiente para a identificação precisa e evidente da região interna do osso, haviam também vários pontos dispersos (ruídos) na imagem que não fazem parte do osso.
Para resolver esta questão, um novo filtro de padronização da imagem, é utilizado a fim de eliminar estes pontos que afetam a definição do contorno do osso. Este novo filtro foi desenvolvido a partir de comandos contidos no próprio MATLAB.
definido e os pontos dispersos ou duplicados foram eliminados. É possível verificar nesta imagem uma parte do osso da coluna cervical, mas esta não fará parte do trabalho.
(a) antes do filtro de padronização (b) após o filtro
Figura 3 - Imagens DICOM – filtro padronização da matriz binária, eliminação de ruídos, contorno mais alinhado
3.1 Componentes Conexas
As componentes conexas foram utilizadas para extrair os diversos contornos que existem na imagem, (Figura 4). Na Figura 4 (a), temos a imagem original, e em seguida alguns dos contornos desta imagem de forma isolada, este método é importante quando tratamos de imagens como buracos (holes), pois eles podem ser tratados de forma isolada, sem a necessidade do carregamento da imagem inteira, proporcionando rapidez e economia de tempo.
A partir da imagem binária, é necessário encontrar e rotular todas as componentes conexas da imagem, tal que para todo pixel pertencente à componente existe um caminho conexo para cada um dos pixels também pertencentes à componente.
Caminhos conexos é seqüência de pixels indo de P até Q: tal que Pi é adjacente de P i-1.
um caminho conexo incluso em s ligando P a Q, definindo-se assim como componentes conexas.
O método consiste em para cada pixel P pertencente à figura, tomamos um modelo que representa toda a sua vizinhança (vizinhança -4, -8 ou -m). A cada iteração, procuramos então a vizinhança dos pixels vizinhos a P, e fazemos isso sucessivamente até que todos os pixels da componente conexa tenham sido explorados. Esta busca é implementada de forma recursiva, e leva em consideração apenas os pixels que ainda não foram rotulados, ou seja, exclui os que tenham valor ‘0’ (preto) ou que tenham o valor de outro rótulo. Esse método é muito semelhante ao Algoritmo de Preenchimento de Região. Não foi encontrada dificuldade na implementação do algoritmo. Isto significa que o programa implementado encontra as componentes conexas e as rotula corretamente.
(c) (d)
Figura 4 - (a) Imagem original, DICOM; (b) contorno 1, região interna do osso; (c) contorno 2, região externa do osso e (d) região interna do osso
3.2 Algoritmo Moore Neighborhood
O algoritmo de Neighborhood foi utilizado neste trabalho para ordenar os pontos do contorno da imagem, ou seja, a seqüência da fronteira ou contorno de rastreamento, (Figura 5), para extrair o limite da imagem.
O Moore Neighborhood é conhecido na literatura por conter 8-vizinhos ou moradores indiretos. Um pixel P contém ao seu redor 8 pixels que partilham um vértice ou aresta com ele. Estes pixels são denominados pixels P1, P2, P3, P4, P5, P6, P7 e P8.
A partir da imagem binária gerada (imagem original), onde os pixels em preto são o fundo e os brancos a imagem, é localizado o pixel branco inicial (P), onde este pode ser localizado de várias maneiras. Neste trabalho ele foi localizado no canto superior esquerdo mais extremo da matriz (imagem). A varredura de cada coluna de pixels do fundo vai para baixo, a partir da coluna mais à esquerda e segue para a direita até encontrarmos um pixel branco. Nós declaramos este pixel como o pixel inicial (P).
Figura 5 – Demonstração da aplicação do Algoritmo de Moore Neighborhood, utilizado para organização dos pontos que formam o contorno (gerada a partir de 227 pontos)
3.3 Pontos do Contorno
conjunto é utilizado para a aplicação do método de Delaunay. Para que o método de Delaunay gere um contorno mais preciso, o conjunto de pontos gerados deve ser de forma seqüencial, por isso foi utilizado o Algoritmo de Neighborhood, para que os pontos fossem ordenados para melhor desempenho do método. Neste trabalho os pontos foram ordenados em sentido horário, (Figura 6). Podemos observar que a imagem foi reproduzida claramente pela nuvem de pontos gerada.
(a) (b)
Figura 6 – Imagem convertida em dados geométricos, onde a imagem (a) foi gerada a partir de 151 pontos e a imagem (b) a partir de 1811 pontos
3.4 Triangulação De Delaunay
Uma triangulação n-dimensional de um conjunto de pontos P= {p1, p2, p3,..., pn} é
uma coleção de n-dimensional simplexos cuja definição de pontos encontra-se em P. Os simplexos não intersectam um ao outro e compartilham elementos de fronteira como arestas ou faces.
A triangulação de Delaunay é um caso particular. Ela tem a propriedade de que a circunferência circunscrita de qualquer n-dimensional simplexo não contém outros pontos de P exceto os n+1 pontos definidos do simplexo.
O critério utilizado na triangulação de Delaunay é a maximização dos ângulos mínimos de cada triângulo. Isto quer dizer, que a malha final deve conter triângulos o mais próximo possível de eqüiláteros, evitando-se a criação de triângulos afinados, ou seja, triângulos com ângulos internos muito agudos.
A Figura (7), extraída do trabalho Sousa (2004), que utilizou uma imagem em formato BMP, mostra a aplicação da Triangulação de Delaunay sobre os pontos que definem o contorno, neste caso, não foi possível detectar a existência da região côncava e dos buracos da mandíbula. Este problema mostra que a utilização somente da Triangulação de Delaunay, não é suficiente para trabalhos que envolvam imagem com presença de concavidades e buracos.
Figura 7 – Malha gerada a partir da Triangulação de Delaunay sem restrição Devido a tais dificuldades foi empregado no programa desenvolvido o método de Delaunay com restrição. Na Figura 8, podemos visualizar a imagem extraída do trabalho de Sousa (2004), com a aplicação do método desenvolvido por este trabalho. As Figuras 9a e 9b, se referem a aplicação do método sugerido nas imagens aqui apresentadas.
(a) (b)
Figura 9 - Imagens DICOM com aplicação do método de Delaunay com restrição – (a) gerada a partir de uma nuvem de 1811 pontos; (b) gerada a partir de uma nuvem de 151
pontos
A Figura 9b ilustra que mesmo com uma quantidade bem menor de pontos, o algoritmo se mostrou satisfatório e não houve grande deformidade em relação ao contorno.
É importante que o programa consiga trabalhar com uma quantidade menor de pontos, pois o processamento da imagem ser torna mais rápido, mas isso não pode interferir na qualidade do contorno final.
4 DISCUSSÃO DOS RESULTADOS
Este trabalho teve como principal objetivo resolver o problema de modelos com geometrias complexas (concavidades e/ou buracos), em imagens bidimensionais para problemas voltados para área da bioengenharia. Pode-se confirmar no trabalho realizado por Sousa (2004), que somente a triangulação de Delaunay não é suficiente para resolver este tipo de problema (Figura 7).
No trabalho desenvolvido por Sousa (2004), a solução deste problema só era possível subdividindo as regiões com concavidade para obtenção dos contornos de cada região fechada.
O programa desenvolvido com base na aplicação do método de Delaunay com restrição mostrou-se eficiente e favorável para a resolução deste tipo de problema. Os demais métodos utilizados também se mostraram satisfatórios, como a aplicação do Algoritmo de Neighbordhood, que proporcionou a organização dos pontos com eficiência, contribuindo para a aplicação da Triangulação de Delaunay com restrição, pois este tipo de triangulação necessita desta ordenação para sua eficiência. O programa também consegue isolar algumas regiões de interesse sem a necessidade de outros softwares.
rapidez e precisão que se obtêm os modelos a partir de técnicas de reconstrução por uso do programa computacional.
Os recursos utilizados neste trabalho são de extrema utilidade para a fase que precede a análise por elementos finitos, uma vez que garante maior fidelidade ao modelo geométrico construído.
O modelo reconstruído será importado pelo software de análise por elementos finitos, Ansys Multiphysics, onde nesta fase de pré-processamento serão definidas as condições de contorno, criação de ósseo-implantes, propriedades do material, aplicação de carga e outros mais, pertinentes a esta etapa, mas que no momento fogem ao objetivo deste estudo.
AGRADECIMENTOS
A Edmar S. de Mattos e ao Profº Dr. Edson A. Capello Sousa pelo entusiasmo e incentivo para a elaboração deste trabalho.
REFERÊNCIAS
ANSYS, APDL Programmer’s Guide. Ansys Release 10.0. Southpointe, Pennsylvania, 2006. CHAPMAN, S. J. Programação em MATLAB para Engenheiros, Ed. Thomson, São Paulo, 2003.
DANIELSSON, P. E. Euclidean Distance Mapping, Computter Graphics and Image Processing, Vol. 14, pp. 227-248, 1980.
FIGUEIREDO, L. H.; CARVALHO, P. C. P. Introdução à Geommetria Computacional, In: XVII Colóquio Brasileiro de Matemática, IMPA, 1991.
HEIJMANS, H. A Note on the Umbra Transformin in Gray-scale Morphology”, Pattern Recognition Letters, Vol. 14, pp. 877-881, 1993.
HEIJMANS, H. Connected Morphological Operators for Binary Images, Computer Vision and Image Understanding, Vol. 73, pp. 99-120, 1999.
MATLAB. MathWorks Inc. Disponível em: <http://www.mathworks.com>. Acesso em: set. 2009.
