Abstract— The tuberculosis is a disease that if it is diagnosed
and treated on time and adequately, it can greatly reduce the number of victims due to this illness. The most used method by specialists to detect the bacillus and to develop a diagnosis is the Ziehl-Neelsen stained sputum smear method. However, this method does not present an adequate contrast that allows the elaboration of a reliable diagnosis. Thus, this research proposes an alternative method to do a semi-automatic detection of the bacillus in the Ziehl-Neelsen images with the use of a Neural Network approach. The results obtained and compared with the Digital Image Processing field are very encouraging and suggest the use of the Neural Networks as a feasible alternative in order to identify the bacillus in the Ziehl-Neelsen images.
Resumo— A tuberculose é uma doença que se for
diagnosticada e tratada rápida e adequadamente reduziria o número de vítimas produto da enfermidade. O método mais usado pelos especialistas para detectar os bacilos e elaborar um diagnóstico é o método da coloração de Ziehl-Neelsen em amostras de escarro; mas o método às vezes não oferece um contraste adequado que permita elaborar um diagnóstico correto. Assim, esta pesquisa apresenta uma alternativa para fazer a detecção semiautomática dos bacilos nas imagens de Ziehl-Neelsen usando Redes Neurais. Os resultados obtidos neste projeto, comparados com a área de Processamento de Digital de Imagens, são muito alentadores e indicam o uso das redes neurais como uma alternativa factível na identificação dos bacilos nas imagens de Ziehl-Neelsen.
I. INTRODUÇÃO
A tuberculose (TB) é uma doença infecciosa causada pelo Mycobacterium Tuberculosis ou conhecido também como Bacilo de Koch e é a segunda maior causa de morte no mundo devido a um agente infeccioso [1, 2, 3]. O diagnóstico rápido, preciso e precoce da doença é uma prioridade para melhorar a detecção de casos de TB e interromper sua transmissão [4], assim com a detecção, diagnóstico e tratamento oportuno da enfermidade poderia se ajudar na correta evolução no melhoramento dos pacientes.
O microscópio fluorescente é usado para examinar as amostras de expectoração de um paciente sometidas ao
A. V. Autor está agora no Departamento de Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro, RJ 22451-000 Brasil (telefone: 55-21-3527-1626; e-mail: vaaymaq@ele.puc-rio.br).
V. M. Autor é docente no Departamento de Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro, RJ 22451-000 Brasil (e-mail: marley@ele.puc-rio.br).
C. B. Autor, IEEE Senior Member, diretor do Laboratório de Imagens Médicas, Pontifícia Universidade Católica do Peru, Lima, Lima 32 Peru (e-mail: castaneda.b@pucp.edu.pe).
método de coloração de fluorcromio, em tanto que o microscópio ótico (de luz) avalia as amostras com coloração de Ziehl-Neelsen (ZN) [5, 6]; o primeiro é na média 10% mais sensível que o microscópio de luz na detecção dos bacilos nas amostras [7], mas também é mais caro [5]; é por isso que o método de coloração de Ziehl-Neelsen é o mais usado atualmente na maior parte do mundo, especialmente nos países de escassos recursos [8, 9].
O tempo que demora o processo da detecção dos bacilos é muito alto, ademais de requerer pessoal treinado e qualificado nesta tarefa. A Organização Mundial de Saúde indica que na média as análises realizadas por um especialista só, usando um microscópio ótico (convencional de luz) não deve ser maior de 20 exames por dia [5]; e se bem o método de coloração de ZN tenta ajudar no propósito da melhor identificação dos bacilos, muitas vezes depois de aplicado o método as imagens ainda não possuem um nível de contraste tão bom que permita aos especialistas fornecer um diagnóstico rápido e adequado.
O presente trabalho tem como principal motivação e objetivo apresentar uma ferramenta de apoio no processo de avaliação das amostras de expectoração coloridas pelo método de ZN, de maneira que o processo de detecção dos bacilos nas imagens poda ser feita com maior certeza, rapidez e de maneira automática.
Na literatura atual se tem diversas abordagens e modelos que tentam fazer uso das ferramentas computacionais e das técnicas desenvolvidas com elas para obter desde melhoras na coloração das amostras [10, 11, 12] até poder segmentar e classificar aos bacilos nas imagens obtidas do microscópio, e todas tentando conseguir a extração da informação de forma cada vez mais automática [13, 14, 15, 16, 17].
Os processos de realce da cor, segmentação, classificação e demais que podam ser feitos para melhorar as características da imagem e extrair informação a partir de ela, tem sua base no Processamento Digital de Imagens (PDI) [18], área na qual se tem muitas abordagens ao respeito, e que servem como ponto de partida nesta pesquisa. No projeto se utilizou uma imagem obtida a partir de uma amostra de expectoração na qual foi aplicado o método de coloração de ZN; sobre ela se aplicaram algumas técnicas do PDI, primeiro para realçar o contraste das amostras e depois para segmentar a maior quantidade possível de bacilos na imagem mediante algoritmos computacionais mais elaborados. Após, a imagem original e a segmentada foram utilizadas para treinar uma Rede Neuronal (RN) no objetivo de tentar fazer ao procedimento automático.
Segmentação de Bacilos de Koch em Amostras de Escarro, uma
Aplicação das Redes Neurais
A pesquisa desenvolvida apresenta um modelo novo, diferente e simples no uso das redes neurais aplicadas na área do processamento automático de imagens, e os resultados obtidos são alentadores na intenção de planejar futuras pesquisas nesta área.
II. MÉTODOS
A imagem disponível com que se trabalhou no projeto (para treinar a RN) foi de uma amostra de expectoração com a coloração de ZN de um paciente do “Hospital Nacional Dos de Mayo (Lima, Perú)”, com uma câmera digital de 7-Megapixels; o tamanho da imagem original é de 2736x3648 pixels, e está arquivada no formato do tipo Portable Network Graphics (PNG), esta imagem foi compartida da base de dados de imagens do Laboratório de Imagens Médicas da Pontifícia Universidade Católica do Peru.
O modelo proposto no trabalho baseia-se na ideia de treinar uma RN com a capacidade de poder reconhecer diferentes intensidades de cor presentes nos pixels das imagens obtidas da coloração de ZN. Assim, a primeira etapa da pesquisa utilizou as ferramentas do PDI para encontrar os parâmetros e técnicas que fornecessem a melhor segmentação dos bacilos da imagem original; o resultado obtido desta segmentação foi utilizado logo depois como o padrão alvo no treinamento das redes neurais de diferentes configurações, das quais as melhores redes se escolheram mediante um processo de avaliação realizado nas respostas fornecidas por cada rede criada sobre um conjunto de sub-imagens de teste criadas a partir da imagem original; finalmente se escolhe a RN com a melhor resposta na etapa de generalização e se testa sua confiabilidade comparada com imagens de bacilos manualmente segmentados.
A. Segmentação dos Bacilos utilizando Processamento Digital de Imagens
O resultado da aplicação do método de coloração de ZN não fornece uma imagem na qual o especialista possa identificar claramente aos bacilos. Então em principio, as imagens digitais obtidas foram trabalhadas no realce de seu contraste mediante dois tipos de transformações nas intensidades dos seus pixels em cada camada de cor, que foram as seguintes:
Aplicação de transformações lineares
Este procedimento permite espalhar o histograma da imagem para melhorar o contraste dos pixels numa faixa de intensidades de interesse (ver Figure 1). Aplicação de transformações não lineares
A aplicação destas transformações numa imagem permite melhorar e corrigir as características do brilho na imagem (ver Figure 1).
Um filtro de suavização de média foi aplicado ao resultado obtido do realce da cor com o objetivo de minimizar a presença de possíveis ruídos e de objetos pequenos com intensidades quase iguais à dos bacilos, características que sumiram depois pelo efeito da aplicação
de um processo de umbralização (umbral definido a partir do histograma da camada de cor azul).
Figure 1. Característica da transformação linear (esquerda) e da transformação não linear (direita) de uma imagem [19]. Finalmente processos de fechadura e dilatação morfológica foram aplicados na imagem, com os quais se conseguiu segmentar a maior quantidade de bacilos da amostra original.
Figure 2. Processo de segmentação dos bacilos. (a) Imagem Original, (b) e (c) Aplicação da Transformação linear e não linear, (d) Processos
morfológicos e (e) Imagem segmentada. a b c d e
B. Segmentação dos Bacilos com Redes Neurais
O objetivo do uso das RN no processo de segmentação das imagens de ZN é poder fazer a segmentação automática deste tipo de imagens e simular os processos convencionais do PDI a fim de encontrar com maior facilidade aos possíveis bacilos nas amostras.
Nesta pesquisa se utilizaram redes Multi Layer Perceptron (MLP), com algoritmo de aprendizado Back Propagation (método supervisionado) com taxa de aprendizado adaptativa e termo de momento.
A rede neural se modelou para mapear intensidades de cor nas entradas em intensidades de cor nas saídas, para cada pixel e em cada camada de cor; com este abordagem se logrou que a rede seja robusta para generalizar imagens de diferentes dimensões, de maneira que aprenda a mapear intensidades de pixels de entrada em intensidades de pixels de saída.
Figure 3. Rede Neural para segmentar os bacilos das imagens de Ziehl-Neelsen.
Onde:
R, G, B: São as camadas de cor (vermelho, verde e azul respectivamente) que compõem uma imagem.
R’, G’, B’: É a média das intensidades de cor em torno de cada pixel em cada camada de cor da imagem original.
As características das redes configuradas são descritas a seguir.
Modelagem da rede – Entradas/Saídas.
No treinamento da RN se utilizou uma porção da imagem original cujas dimensões eram de 601x701 pixels, janela na qual se tinha a maior quantidade de bacilos representados na imagem; em função a que o modelo de rede esperava-se que aprenda a reconhecer intensidades de pixels e não formas, e com a quantidade de pixels disponíveis nessa porção da imagem o treinamento se realizou corretamente. À imagem de entrada à rede se aplicou um filtro de suavização (de média) e o resultado também foi fornecido à rede como entrada; nesta imagem cada pixel representou uma informação do seu entorno. Com o incremento destas entradas, a generalização fornecida pela rede foi significativamente melhorada.
Os alvos da rede foram intensidades de cor dos pixels da imagem de entrada segmentada com o PDI convencional.
As imagens utilizadas para o treinamento da rede foram as seguintes:
Figure 4. Imagem de entrada (esquerda), imagem alvo (direita), que foram usadas no treinamento da RN.
Os valores das intensidades dos pixels das duas imagens de entrada à RN estavam na faixa de valores de 0 a 255; assim, a fim de fazer a melhor representação das variáveis de entrada se utilizou uma normalização linear na faixa de valores de 0 a 1. Depois se fez um rearranjo nas dimensões das duas imagens, para passar da distribuição de [601x701] para uma coluna de [1x421301] para cada camada de cor, de maneira que a RN pudesse ler as seis variáveis que definem a um pixel só, 3 das camadas de cor da imagem original e 3 das camadas da imagem suavizada.
Para a saída da rede (3 variáveis), foi feita a transformação inversa de uma coluna a uma matriz de dados para cada camada de cor e depois se transformaram os valores de intensidade fornecidos pela rede na faixa de 0-1 a valores de intensidade de 0-255, também para cada pixel em cada camada de cor (RGB).
Modelagem da rede – Características da RN.
Modelo Neural.
Utilizou-se uma rede do tipo Multi Layer Perceptron (MLP), com algoritmo de aprendizado Back Propagation (método supervisionado) com taxa de aprendizado adaptativa e termo de momento. Configurou-se a rede com uma topologia de uma camada escondida de neurônios com funções de ativação (dos neurônios) de tipo não lineares. Usou-se também a regra de propagação do tipo:
netj =Ʃ (xi*wji + θi) Neurônios na camada escondida.
No treinamento da rede o número de neurônios utilizados na camada escondida para encontrar a melhor rede foi definido com as seguintes considerações:
Nhidden = (Nin + Nout)/2
Onde: Nhidden é o número de neurônios na camada escondida, Nin é o numero de entradas da rede, e Nout é o número de saídas da rede. Assim, o treinamento da rede foi feito com 5 e 9 neurônios na camada escondida.
Treinamento da rede.
O treinamento da rede foi realizado com diferentes configurações nas quais se tinham variações da: Taxa de Aprendizado: [0,8 - 0,7 - 0,6 - 0,4 - 0,2] Termo de Momento: [0,8 - 0,6 - 0,5 - 0,3] Nhidden: [5 - 9]
Erro mínimo (saída): [0,0001 - 0,003]
Também, para evitar o super treinamento da rede e conseguir a melhor generalização, se utilizou o método de parada antecipada (early stop) com validação cruzada; os conjuntos de treinamento, validação e teste, foram escolhidos aleatoriamente, com as seguintes características:
Conjunto de Treinamento : 70% Conjunto de Validação : 20% Conjunto de Teste : 10% Generalização da rede.
Para a etapa de generalização se geraram 50 pares de imagens criadas aleatoriamente a partir da imagem original e da sua imagem segmentada pelos processos do PDI, cada par de imagens é diferente uma da outra, tanto nas dimensões como na porção das imagens originais que caracterizam.
A seguir se amostra um par de imagens que foram criadas para ser utilizadas nesta etapa.
Figure 5. Imagem usada na etapa de generalização da rede [868x1024] (esquerda), porção da imagem segmetnada com o PDI [868x1024] (direita).
III. RESULTADOS
As redes treinadas foram avaliadas em função de duas abordagens (analítico e visual) no objetivo de selecionar aquelas com as melhores configurações, das quais se escolheu a melhor configuração para avaliar sua confiabilidade num grupo de quatro imagens de características similares à primeira (utilizada no treinamento da rede).
A. Avaliação das Redes
Analítico.
Erro Médio (E): É a media das diferencias das
intensidades (de 0 a 255) em cada de cor entre a imagem de saída da RN comparada com sua imagem objetivo.
Correlação (Corr): Métrica que compara a
correlação entre as camadas de cor das imagens de saída da RN e da imagem alvo; em tanto maior seja o seu valor, mais semelhantes são as imagens analisadas.
Diferença das Entropias (EnDif): Métrica calculada
como a diferença entre as entropias da imagem alvo e da imagem processada pela RN para camada de cor. Valores positivos implicam que os dados processados pela RN têm maior quantidade de informação do que a imagem objetivo (processada com o PDI).
Visual.
É mais um critério qualitativo e tenta analisar a conservação de certas características na imagem de saída, como: conservação de bordas, uniformidade dos bacilos segmentados; também a caracterização dos níveis de intensidade dos pixels que não são bacilos, mas que têm uma coloração parecida.
B. Respostas das Redes na Generalização
A seguir se apresentam os resultados quantitativos e visuais correspondentes às simulações obtidas com as melhores configurações das RN encontradas na etapa de treinamento. Os resultados estão calculados em função às imagens da Fig. 5.
TABLE I. RESULTADOS QUANTITATIVOS DAS SIMULAÇÕES COM AS MELHORES REDES NO PROCESSO DE GENERALIZAÇÃO.
Nha lrb mcc Simulation
E CorrR CorrG CorrB EnDifR EnDifG EnDifB
5 0.8 0.6 1,5456 0,8419 0,9083 0,8550 1,4991 0,5570 1,6457 5 0.8 0.3 1,4338 0,8300 0,9156 0,8406 1,8471 0,8702 1,8380 5 0.4 0.3 1,7491 0,8318 0,9101 0,8423 1,8458 0,9535 1,7698 5 0.2 0.8 1,2610 0,8242 0,9169 0,8394 1,6887 1,5055 1,0917 5 0.2 0.3 1,3610 0,8099 0,9147 0,8463 1,3852 1,5593 1,4398 a. Nh: neurônios na camada escondida, b. lr: taxa de aprendizado, c. mc: termo de momento Os resultados do erro médio da Tabela I amostram que a variação total dos níveis de intensidade de cor nas três camadas da imagem de entrada comparada com a imagem objetivo, é menor a dois níveis de intensidade.
No caso das correlações se observa que em todas as simulações, o nível de semelhança entre as imagens da Fig. 6 com a imagem alvo da Fig. 5 está acima do 80%; com o que se espera que a quantidade de bacilos segmentados com as RN seja a igual o maior do que a segmentação com o PDI.
O fato que todos os valores da diferença das entropias sejam positivos dá como ideia que as RN aqui treinadas proporcionam maior informação no seu processo de segmentação em relação à imagem processada com o PDI, podendo se esperar que as RN reconheçam maior quantidade de bacilos do que as ferramentas do PDI.
Os resultados visuais foram os seguintes:
Figure 6. Imagens processadas pelas RN com as configurações descritas na Tabela I, (a) Resposta da primeira configuração, (b) Resposta da
segunda configuração... (e) Resposta da quinta configuração. Desde a análise visual, quase todas as redes conservam e reconhecem adequadamente a todos os bacilos presentes na imagem original apresentada na Fig. 5; com boa uniformidade na coloração dos bacilos e com níveis de contraste e intensidades fortes dos objetos de interesse, oferecem também uma correta percepção das bordas dos bacilos e todas segmentam também a alguns bacilos que com o PDI não podem ser segmentados.
Em base á análise acima realizada é escolhida a RN com a segunda configuração apresentada na Tabela I, com 6 entradas, 5 neurônios na camada escondida, taxa de
aprendizado de 0.8 e termo de momento de 0.3, como aquela que tem melhor relação entre os resultados da métrica EnDif e os resultados visuais.
C. Confiabilidade do Segmentador por Redes Neurais.
As provas de confiabilidade foram realizadas num grupo de quatro imagens nas quais se segmentou manualmente seus bacilos e este resultado foi comparado com a saída obtida pela RNf (escolhida no final da secção anterior) para cada imagem. Os resultados são apresentados na Tabela 2.
TABLE II. CONFIABILIDADE DA SEGMENTAÇÃO COM REDES NEURAIS.
Imagem Tamanho (pixels) Confiabilidadea (%) 1 684x912 83.90 % 2 684x912 97.86 % 3 684x912 89.25 % 4 684x912 90.36 %
a. Entenda-se por confiabilidade o porcentagem de bacilos corretamente reconhecidos pela RNf
As imagens da Fig. 7 apresentam o resultado da segmentação fornecida pela RNf para as duas primeiras imagens da Tabela II.
Figure 7. À esquerda: as duas primeiras imagens da Tabela II com a segmentação manual dos bacilos. Direita: Resultado da segmentação com a
RNf.
a b c d e
IV. CONCLUSÕES
O processo de segmentação de bacilos nas imagens de ZN é um processo bem complexo e mais se for automático [10-20]. Nesta pesquisa se apresentou uma alternativa na segmentação automática de bacilos nas imagens de ZN e ajudar assim na elaboração de um diagnóstico rápido e adequado de pacientes com tuberculoses.
Usualmente os métodos convencionais do PDI utilizam a informações intrínsecas das imagens para seu processamento; com o uso das RN se tem a vantagem de fazer o processamento baseado somente na experiência de seu treinamento, assim é possível observar que mesmo quando a RNf é testada com novas imagens e novos padrões de bacilos não necessita analisar as características próprias da imagem como seu histograma, ou da sua coloração, ou que tipo de fator de correção de brilho é necessário aplicar; a RN só necessita a informação obtida diretamente da imagem, é dizer, a rede simplificou um problema de análise e processamento complexo de diferentes variáveis e características da imagem, a um processo de transformação direto de pixel em pixel, atingindo resultados tão bons como aqueles obtidos pelos métodos convencionais do PDI e às vezes com caracterizações ainda melhores dos objetos de interesse de difícil processamento.
No processo de treinamento, as redes que tinham o termo de momento muito baixo não forneceram uma boa generalização, ademais seus processos de treinamento foram feitos quase sempre utilizando todos os ciclos de treinamento permitidos a ainda assim estas redes não conseguiram fornecer uma generalização aceitável.
Dos resultados obtidos do processo da generalização das RN se pode dizer que a rede aprendeu a segmentar os bacilos da imagem de ZN; ademais visualmente se observa que as RN segmentaram quase todos os bacilos da imagem original conservando a maioria de seus detalhes (bordas, coloração, textura). Já na etapa de teste da confiabilidade alcançada pela rede comparada com uma imagem com o seus bacilos segmentados manualmente, se observou que a RNf oferece uma confiabilidade de 83.90% no mínimo e de 97,86% no máximo (no análise das imagens disponíveis).
Como pesquisas futuras é preciso fazer uma avaliação mais rigorosa na confiabilidade do sistema e numa base de dados maior, ademais de contar com uma avaliação realizada por um especialista, no objetivo de atingir um sistema que seja a cada vez o mais próximo possível de ser automático na segmentação dos bacilos nas imagens de ZN.
Finalmente, o interessante dos resultados da pesquisa é que as RN treinadas reconheceram bacilos que o método convencional não conseguiu segmentar, fato que é motivador na expansão das pesquisas nesta área.
AGRADECIMENTOS
O presente trabalho não poderia ter sido realizado sem a colaboração do Laboratório de Imagens Médicas da Pontifícia Universidade Católica do Peru, a quem somos gratos por compartir as imagens utilizadas nesta pesquisa as quais foram obtidas como parte do financiamento do Projeto
“PUCP-DGI 2010-0081, Diagnóstico Automatizado de Tuberculosis”.
REFERÊNCIAS
[1] Fact Sheets – Tuberculosis, World Health Organization (2012). Available at: http://www.who.int/mediacentre/factsheets/fs104/en/, last checked Jun 19, 2012.
[2] Fact Sheet, Top ten causes of death. Worl Health Organization 2010. [3] Mathers CD, et al. Global Burden of Disease: Data sources, methods
and results. World Health Organization, 2004.
[4] Pinto L, Grenier J, Schumacher SG, Denkinger CM, Steingart KR and Pai M. “Immunodiagnosis of Tuberculosis: State of the Art. Medical Principles and Practice,” Oct 20, 2011; 21:4–13. [5] Policy Framework for Implementing New Tuberculosis Diagnosis,
World Health Organization, Jun, 2011.
[6] Harries A, Maher D, Graham S. “TB/HIV Manual Clínico.” Organização Mundial de Saúde, Geneva, 2004.
[7] Steingart K, Henry M, Hopewell P, Ramsay A, Cunningham J, Urbanczik R et al. “Fluorescence versus conventional sputum smear microscopy for tuberculosis: A systematic review”. Lancet Infect, Sep., 2006;6:570–581.
[8] Albert H, Heydenrych A, Brookes R, Mole RJ, Harley B, Subotsky E et al. “Performance of a rapid phage-based test, FASTPlaqueTB™, to diagnose pulmonary tuberculosis from sputum specimens in South Africa.” The International Journal of Tuberculosis and Lung Disease, Jun, 2002;6(6):529-537.
[9] Muzaffar R, Batool S, Aziz F, Naqvi A, Rizvi A. “Evaluation of the FASTPlaqueTB assay for direct detection of Mycobacterium tuberculosis in sputum specimens.” The International Journal of Tuberculosis and Lung Disease, Jun, 2002;6(6):635-640. [10] Wahab ASW, et al. “A Neural Network Approach for Contrast
Enhancement Image.” International Conference on Electronic Design, Dec, 2008.
[11] Osman MK, Mashor MY, Saad Z, Jaafar H. “Contrast enhancement for Ziehl-Neelsen tissue slide images using linear stretching and histogram equalization technique”. IEEE Symposium on Industrial Electronics and Applications, Oct, 2009; 1:431-435
[12] Wahab ASW et. al. “Colour Image Enhancement for Ziehl-Neelsen Slide Images.” International Conference on Electronic Design, Dec., 2008.
[13] Rulaningtyas R, Suksmono AB, Mengko TLR. “Automatic Classification of Tuberculosis Bacteria Using Neural Network.” International Conference on Electrical Engineering and Informatics, July 2011.
[14] Khutlang R, et al. “Classification of Mycobacterium tuberculosis in Images of ZN-Stained Sputum Smears.” IEEE Transactions on Information Technology in Biomedicine, July, 2010; 14(4):949-957. [15] Castañeda B, Aguilar NG, Ticona J, Kanashiro D, Lavarello R,
Huaroto L, “Automated Tuberculosis Screening Using Image Processing Tools.” Pan American Health Care Exchanges, March, 2010.
[16] Zhai Y, Liu Y, Zhou D, Liu S. “Automatic identification of mycobacterium tuberculosis from ZN–stained sputum smear: Algorithm and system design.” IEEE International Conference on Robotics and Biomimetics, 2010;41–46.
[17] Sadaphal P, Rao J, Comstock G, Beg M. “Image processing techniques for identifying mycobacterium tuberculosis in Ziehl– Neelsen stains.” The International Journal of Tuberculosis and Lung Disease: The Official Journal of the International Union against Tuberculosis and Lung Disease, 2008; 1(5):579–582.
[18] Gonzalez RC, Woods RE. Digital Image Processing, 3rd ed. New Jersey: Pearson Prentice Hall, 2008.
[19] Queiroz R. Notas de aula: Visão Computacional. Pontifícia Universidade Católica de Rio de Janeiro, Pós-graduação em Engenharia Elétrica; 2011.
[20] Radzi, RUKRM, Mansor W, Johari J. “Review of mycobacterium tuberculosis detection.” Control and System Graduate Research Colloquium, June, 2011; 189-192.
