Estudo Comparativo entre Algoritmos de Segmentação para Simulação
Tridimensional de Imagens Mamográficas
Sérgio Roberto Delfino, Fátima de Lourdes dos Santos Nunes Laboratório de Aplicações de Informática em Saúde (LApIS)
Centro Universitário Eurípides de Marília (UNIVEM) Caixa Postal 2.041 – CEP 17525-901 – Marília (SP) – Brasil
Fone: (0xx14) 2105-0836 – Fax: (0xx14) 2105-0836 srdelfino@gmail.com, fatima@fundanet.br
Abstract
When analyzing an image, it is very frequent the need to separate some of its parts, allowing a better identification of the represented objects. For so much, techniques of segmentation are used. This paper presents a comparison between two techniques for breast segmentation of mammographic images aiming at to separate the breast area of the background , and, then, extract some measures for generating a three-dimensional model of the breast. An analysis of the algorithms is made with base in the precision and performance of them, punctuating the advantages and applicabilities of each one.
Resumo
Ao analisar uma imagem, é muito freqüente a necessidade de separar algumas de suas partes, permitindo uma identificação mais precisa dos objetos representados. Para tanto, utilizam-se técnicas de segmentação de imagens. Este artigo apresenta uma comparação entre duas técnicas de segmentação de imagens mamográficas, com o objetivo de separar a área da mama do fundo da imagem e, então, extrair algumas medidas para gerar um modelo tridimensional da mama. Uma análise dos algoritmos é feita com base na precisão e performance dos mesmos, pontuando as vantagens e aplicabilidades de cada um.
Introdução
O processamento e a análise de imagens são áreas da Computação que vêm crescendo continuamente e ocupando espaços de importância nos mais diversos meios, com destaque para Visão Computacional e Imageamento Médico (RUSS, 2002). Ao processar uma imagem, há vários objetivos que podem ser atingidos, como, por exemplo, melhorar a qualidade de uma imagem ruidosa ou extrair informações úteis para relacionar a um banco de conhecimento.
Ao analisar uma imagem, é muito freqüente a necessidade de destacar uma determinada região, permitindo uma identificação mais precisa dos objetos representados. Para tanto, utilizam-se técnicas de segmentação de imagens. Segundo Soille (1999), segmentar uma imagem consiste em dividi-la em diferentes regiões, de forma que os pixels de cada uma delas possuam características especificas, por exemplo, níveis de cinza com valores semelhantes. A partir da imagem segmentada, é possível executar a mensuração das regiões ou mesmo estabelecer relações de vizinhança entre regiões adjacentes.
Um dos tipos de aplicações mais usuais de Realidade Virtual (RV) na Medicina é a construção de ferramentas para simulação de procedimentos médicos e atos cirúrgicos. Segundo Liu et al. (2003), os simuladores de cirurgia fornecem um ambiente para o médico treinar os procedimentos várias vezes antes de fazer a intervenção em um paciente real. A RV pode auxiliar no aprendizado e memorização de conceitos ou procedimentos.
A partir dos conceitos de RV e dos procedimentos necessários para a realização do exame de punção de mama foi implementado um primeiro protótipo de uma ferramenta para o treinamento das rotinas inerentes a este exame (LIMA et al., 2004). No protótipo implementado há necessidade da presença de um médico experiente para analisar as imagens mamográficas e fornecer os dados (tamanho e posição) a respeito do nódulo. Assim, geram-se casos para estudo a partir dos dados fornecidos pelo especialista. A modelagem dos objetos envolvidos (mama e nódulo) é implementada por modelos fixos. A partir desse trabalho foi percebida a necessidade de gerar estudos de casos através da utilização de imagens reais, obtidas por mamografia, a fim de que os procedimentos simulados possam reproduzir características mais próximas da realidade. Para que seja possível suprir tal necessidade, as imagens mamográficas devem ser segmentadas e delas devem ser extraídas medidas que serão utilizadas na geração de objetos tridimensionais. Várias técnicas de segmentação podem ser utilizadas. Este artigo apresenta uma comparação entre duas técnicas de segmentação com o objetivo de destacar a área da mama em imagens mamográficas para atingir os objetivos citados.
Metodologia
O enfoque desse artigo é demonstrar o uso de duas técnicas de segmentação, uma proposta por Delfino e Nunes (2006) e a outra proposta por Goes, Schiabel e Nunes (2003). Ambos os algoritmos partem de uma fase de pré-processamento durante a qual a imagem será preparada antes de ser aplicado o algoritmo de segmentação.
O primeiro algoritmo recebe como entrada um mamograma digitalizado (Figura 1). A imagem é submetida a um procedimento de limiarização, de forma que a área correspondente à mama fique destacada do fundo da imagem. Foi utilizado como limiar o menor fuzziness.
Este algoritmo consiste em quanto menor o fuzziness, mais preciso é o valor do limiar em questão. O primeiro passo a ser efetuado é calcular a probabilidade de um pixel pertencer a cada uma das categorias (background e foreground). O pixel pertencerá à classe da qual seu nível mais se aproximar. Quanto menor a diferença entre o valor do pixel e o nível de referência da classe a que pertence maior será a probabilidade (FACON, 2004). O resultado da limiarização pelo menor fuzziness pode ser observado na Figura 2.
As técnicas de erosão e dilatação foram aplicadas para a eliminação de ruídos e delineamento do contorno (Figuras 3, 4, 5 e 6). Foi utilizado um elemento estruturante com formato quadrado composto por 25 pixels. A operação de recorte foi utilizada para selecionar uma região de interesse, no caso a mama (Figura 7).
Para atingir o resultado final foi utilizado o algoritmo de segmentação definido por Delfino e Nunes (2006), cujo funcionamento dá-se da seguinte forma: (a) localiza-se o pixel mais extremo pertencente ao mamilo, assim encontra-se o limite da área ocupada pela mama; (b) qualquer conjunto de pixels após o pixel encontrado é descartado, procedimento que elimina a região pertencente à placa de identificação presente em imagens mamográficas. O resultado do algoritmo proposto pelos autores pode ser visualizado na Figura 8.
No primeiro passo do algoritmo proposto por Goes, Schiabel e Nunes (2003) é realizada a binarização da imagem a partir da média e desvio-padrão do histograma (Figura 9). Neste esquema foi utilizado um elemento morfológico estruturante circular com diâmetro de 80 pixels. É aplicada uma dilatação morfológica para preservar o formato da mama (Figura 10) e, em seguida, são realizadas três sucessivas erosões morfológicas para isolar a região da mama (Figuras 11, 12 e 13). A imagem é dividida em nove quadrantes, sendo que o quadrante com maior quantidade de pixels brancos é selecionado como a localização da mama na imagem. Um crescimento de região é aplicado para delimitar a porção da mama; os pixels pertencentes à região que não foi demarcada são eliminados
(Figura 14). Quatro sucessivas dilatações morfológicas são empregadas para retornar o formato original da região da mama reduzida pelos processos de erosões (Figuras 15, 16, 17 e 18).
Figura 1. Imagem mamográfica.
Figura 2. Imagem após a binarização.
Figura 3. Imagem após a primeira dilatação.
Figura 4. Imagem após a primeira erosão.
Figura 5. Imagem após a segunda erosão.
Figura 6. Imagem após a segunda dilatação.
Figura 7. Imagem após o recorte.
Figura 8. Imagem após a segmentação final. Resultados e Discussões
Para a análise dos algoritmos foi montada uma base de dados com 40 estudos de caso. Ambos os algoritmos foram analisados com relação a sua precisão e desempenho. Os testes foram executados em um notebook com processador Intel Pentium M 725 1.6 Gigahertz, com 1 Gigabyte de memória RAM e 60 Gigabytes de disco rígido.
Com relação à precisão, foi possível observar que o segundo algoritmo obteve uma melhor classificação tendo uma taxa de sucesso de 95% (38 casos com a detecção feita com sucesso). Já o primeiro algoritmo teve uma taxa de sucesso de apenas 60% (24 casos com a detecção feita com sucesso). O parâmetro levado em consideração para essa classificação foi se o algoritmo conseguia ou não segmentar a mama corretamente. O motivo que levou o primeiro algoritmo a ter essa queda é que este supõe que a área da mama e a placa de identificação estão em partes distintas nos mamogramas, fatos que pode ser visualizado na Figura 19. No entanto, demonstra ineficácia para casos como demonstrado na Figura 20, pois detecta a placa de identificação como ponto mais extremo, fato que acaba não separando a mama da placa de identificação.
Já com relação ao desempenho, o primeiro algoritmo apresentou tempos mais satisfatórios. Cada estudo de caso levou em média 5,23 segundos para ser processado desde a obtenção da imagem até a segmentação da mama. O segundo algoritmo apresentou tempos muito maiores, na ordem de centenas de segundos, indicando um tempo médio em torno de 327,34 segundos. Alguns testes foram
feitos para analisar o motivo de tanta disparidade entre os algoritmos. Notou-se que o segundo algoritmo é muito susceptível à operação morfológica de dilatação, fato que acaba degradando a performance. Testes preliminares feitos, onde as operações morfológicas de dilatação foram eliminadas, já apresentaram um grande ganho no desempenho, ficando o tempo médio do segundo algoritmo em 8,13 segundos para cada estudo de caso. O problema de eliminar as dilatações é a perda da forma original da mama. Notou-se a perda de alguns pixels referentes à borda.
Figura 9. Imagem após a binarização.
Figura 10. Imagem após a primeira dilatação.
Figura 11. Imagem após a primeira erosão.
Figura 12. Imagem após a segunda erosão.
Figura 13. Imagem após a terceira erosão.
Figura 14. Imagem após a segmentação.
Figura 15. Imagem após a segunda dilatação.
Figura 16. Imagem após a terceira dilatação.
Figura 17. Imagem após a quarta dilatação.
Figura 18. Imagem após a quinta dilatação.
Figura 19. Detecção da área da mama correta. Figura 20. Detecção da área da mama incorreta.
Após a segmentação foi aplicado um algoritmo de extração de medidas, que funciona da seguinte maneira: primeiramente são localizados os pontos superiores e inferiores da mama. Com base no total de vértices que o modelo tridimensional irá possuir, dados esses fornecidos pelo usuário, o algoritmo calcula os vértices internos, com base na distância entre o limite inferior e superior da mama. A extração das medidas é realizada sempre considerando as visões crânio-caudal e médio-lateral, comuns nos exames mamográficos. Isso é feito a fim de que se tenham medidas de dois pontos-de-vista e, assim, possa ser simulado o objeto tridimensional desejado.
Em posse das medidas foi aplicado um algoritmo para o alinhamento das visões. A solução adotada consistiu em localizar o ponto correspondente ao mamilo e, com base nas suas coordenadas, efetuou-se o alinhamento entre as visões, executando-se uma translação negativa em ambas as visões.
Para a geração do modelo tridimensional foi utilizada a API Java3D para a modelagem dinâmica de objetos tridimensionais e implementados os procedimentos necessários para gerar objetos a partir das medidas, formas e localizações obtidas na fase anterior.
Até o presente momento tem-se como resultado um protótipo onde são fornecidas as imagens resultantes de um exame mamográfico. As imagens mamográficas foram obtidas a partir de uma base de imagens previamente construída (NUNES, SCHIABEL e GOES, 2004). A partir dessas imagens foram aplicados os algoritmos de processamento de imagens descritos anteriormente. Com base nos resultados do algoritmo de extração de medidas é criado o ambiente virtual, desenhando-se o contorno da mama na tela.
No exemplo apresentado na Figura 20, o objeto é gerado com 30 vértices; no entanto, o modelo tridimensional pode ser exibido com quantos vértices o usuário desejar. A Figura 20a representa a reconstrução feita a partir da Figura 1 aplicando-se o algoritmo de segmentação proposto por Delfino e Nunes (2006) e a Figura 20b o proposto por Goes, Schiabel e Nunes (2003).
Foi observado que o algoritmo proposto por Delfino e Nunes (2006) segmenta somente a área da mama, como pode ser observado na Figura 20a. Já o algoritmo proposto por Goes, Schiabel e Nunes (2003) segmenta além da área da mama, uma área pertencente ao músculo peitoral, como pode ser observado na Figura 20b. No entanto, o fato ocorrido não prejudica o desenvolvimento da ferramenta, pois se pretende gerar ambas as mamas (esquerda e direita) e essa área referente ao músculo peitoral será incorporado ao modelo tridimensional final.
Conclusões
O trabalho apresentado teve por objetivo a comparação de dois algoritmos para segmentação de mamas em imagens mamográficas, o primeiro desenvolvido por Delfino e Nunes (2006) e o segundo por Goes,
Schiabel e Nunes (2003). Como comentado anteriormente, ambos os algoritmos foram analisados com relação a sua precisão e performance. Os resultados demonstraram que o primeiro algoritmo é mais viável quando a performance é algo fundamental e não a precisão; e o segundo algoritmo obteve o resultado ao inverso. Testes feitos sobre o segundo algoritmo demonstraram que o problema de performance poderia ser reduzido eliminando-se algumas operações morfológicas.
(a) (b)
Figura 20. Reconstrução tridimensional.
Por motivos de performance será adotado em trabalhos futuros o algoritmo proposto por Goes, Schiabel e Nunes (2003), com a eliminação das operações de dilatação após a fase de segmentação, pois as perdas de alguns pixels da borda não exerceram influência na reconstrução do modelo tridimensional. Pretende-se aprofundar os estudos em relação a este problema, devido à hipótese de haver lesões em região axilar ou bem próxima ao músculo peitoral, fato que seria prejudicado pela eliminação dos pixels de borda.
Referências Bibliográficas
DELFINO, S.R.; NUNES, F.L.S. Utilizando a tecnologia Java para geração dinâmica de estudos de casos para treinamento médico. VI Workshop de Informática Médica, Vila Velha, Maio 2006.
GOES, C. E.; SCHIABEL, H.; NUNES, F. L. S. Segmentação automática de imagens mamográficas digitais utilizando morfologia matemática e crescimento de região. Radiologia Brasileira, Recife (PE), v. 36, p. 18-18, 2003.
FACON, J. Limiarização Fuzzy de Yager. Pontifícia Universidade Católica do Paraná, Programa de Pós-Graduação em Informática Aplicada, 2004.
LIMA, L. et al. Virtual reality for medical training: a prototype to simulate breast aspiration exam. In: Proceedings of ACM SIGGRAPH International Conference on Virtual-Reality Continuum and its Applications in Industry. [S.l.: s.n.], 2004. p. 328-331.
LIU, A. et al. A survey of surgical simulation: Applications, technology, and education. Presence, v. 12, n. 6, p. 599-614, 2003.
NUNES, F.; SCHIABEL, H.; GOES, C. Using free technology to store and retrieve mammographic images by internet. In: Proceedings of 5th International Workshop on Image Analysis. Lisboa: [s.n.], 2004.
RUSS, J. C. Image Processing Handbook, Fourth Edition. Boca Raton, FL, USA: CRC Press, Inc., 2002. ISBN 084931142X.
SOILLE, P. Morphological Image Analysis: Principles and applications. Berlin: Springer-Verlag, 1999. ISBN 3-540-65671-5. Disponível em: <web.ukonline.co.uk/soille/book1st>.
